6 Dan 7. Teori Peluang Nerisa

MK.
STATISTIKA
DASAR-DASAR
TEORI PELUANG
Amno.statistika,agroekotek.fpub2013
MK. STATISTIKA
Konsep Dasar Probabilitas
Teori Probabilitas – didasarkan pada konsep dari suatu

eksperimen random
Random – fenomena/eksperimen dimana keluaran individual

tidak pasti tetapi ada distribusi yg regular dari keluaran utk
jumlah pengulangan yang banyak
Probabilitas – proporsi berapa kali suatu keluaran spesifik

akan muncul dlm suatu serie pengulangan yang panjang dari
suatu eksperimen
Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt….. 27/7/2012

KONSEP DASAR PELUANG =
PROBABILITAS
Probabilitas dan Teori Keputusan
Pengertian Probabilitas dan

Konsep-Konsep Dasar Manfaat Probabilitas
Probabilitas
Pendekatan Terhadap
Probabilitas
Distribusi Probabilitas
Diskrit Hukum Dasar Probabilitas
Distribusi Normal Teorema Bayes
Teori Keputusan Menggunakan MS Excel Untuk

Probabilitas
Definisi:
Probabilitas adalah peluang suatu kejadian
Manfaat:
Manfaat mengetahui probabilitas adalah membantu pengambilan
keputusan yang tepat, karena kehidupan di dunia tidak ada
kepastian, dan informasi yang tidak sempurna.
Contoh:
• pembelian harga saham berdasarkan analisis harga saham
• peluang produk yang diluncurkan perusahaan (sukses atau
tidak), dll.
Probabilitas:
Suatu ukuran tentang kemungkinan suatu peristiwa (event) akan
terjadi di masa mendatang. Probabilitas dinyatakan antara 0 sampai
1 atau dalam persentase.
Percobaan:
Pengamatan terhadap beberapa aktivitas atau proses yang
memungkinkan timbulnya paling sedikit dua peristiwa tanpa
memperhatikan peristiwa mana yang akan terjadi.
Hasil (outcome):
Suatu hasil dari sebuah percobaan.
Peristiwa (event):
Kumpulan dari satu atau lebih hasil yang terjadi pada sebuah
percobaan atau kegiatan.
PENGERTIAN PELUANG
Contoh:
Percobaan/ Pertandingan sepak bola Persita VS

Kegiatan PSIS di Stadion Tangerang, 5 Maret
2003.
Hasil Persita menang

Persita kalah
Seri -- Persita tidak kalah dan tidak
menang
Peristiwa Persita Menang
PENDEKATAN PROBABILITAS
1. Pendekatan Klasik
2. Pendekatan Relatif
3. Pendekatan Subjektif
PENDEKATAN KLASIK
Definisi:
Setiap peristiwa mempunyai kesempatan yang
sama untuk terjadi.
Rumus:
8
PENDEKATAN KLASIK
Percobaan Hasil Probabi-

litas
Kegiatan 1. Muncul gambar 2 ½
melempar uang 2. Muncul angka
Kegiatan 1. Menjual saham 2 ½

perdagangan 2. Membeli saham
saham
Perubahan harga 1. Inflasi (harga naik) 2 ½
2. Deflasi (harga turun)
Mahasiswa belajar 1. Lulus memuaskan 3 1/3

2. Lulus sangat memuaskan
3. Lulus terpuji
PENDEKATAN RELATIF
Definisi:
Probabilitas suatu kejadian tidak dianggap sama,
tergantung dari berapa banyak suatu kejadian terjadi.
Rumus:
Contoh:
PENDEKATAN SUBJEKTIF
Definisi:
Probabilitas suatu kejadian didasarkan pada

penilaian pribadi yang dinyatakan dalam suatu
derajat kepercayaan.
KONSEP DASAR HUKUM PROBABILITAS
A. Hukum Penjumlahan
P(A ATAU B) = P(A) + P(B)
Contoh : P(A) = 0,35, P(B) 0,40 DAN P (C) 0,25

Maka P(A ATAU C ) = 0,35 + 0,25 = 0,60
Peristiwa atau Kejadian Bersama
A AB B
P(A ATAU B) = P(A) + P(B) – P (AB)

Apabila P(AB) = 0,2, maka ,
P(A ATAU B) = 0,35 + 0, 40 – 0,2 = 0,55
• Peristiwa Saling Lepas

P(AB) = 0
Maka P(A ATAU B) = P (A) + P(B) + 0
= P(A) + P(B)
A B
• Hukum Perkalian
P( A DAN B) = P(A) X P(B)
Apabila P(A) 0,35 DAN P(B) = 0,25
Maka P(A DAN B) = 0,35 X 0,25 = 0,0875
• Kejadian Bersyarat P(B|A)

P(B|A) = P(AB)/P(A)
• Hukum Perkalian
P( A DAN B) = P(A) X P(B)
Apabila P(A) 0,35 DAN P(B) = 0,25
Maka P(A DAN B) = 0,35 X 0,25 = 0,0875
• Kejadian Bersyarat P(B|A)

P(B|A) = P(AB)/P(A)
• Peristiwa Pelengkap (Complementary Event)

P(A) + P(B) = 1 atau P(A) = 1 – P(B)
DIAGRAM POHON
Keputusan Jual atau Beli Jenis Saham Probabilitas bersama
Diagram Pohon Probabilitas Bersyarat

BCA
1 x 0,6 x 0,35 = 0,21
0,35
Suatu diagram Jual BLP 0,40 1 x 0,6 x 0,40 = 0,24

berbentuk BNI 0,25 1 x 0,6 x 0,25 = 0,15
pohon yang 0,6
1
membantu
mempermudah BCA 0,35 1 x 0,4 x 0,35 = 0,14
mengetahui Beli
BLP 0,40 1 x 0,4 x 0,40 = 0,16
probabilitas
suatu peristiwa BNI 0,25 1 x 0,4 x 0,25 = 0,10
Jumlah Harus = 1.0 0,21+0,24+0,15+0,14

+0,16+0,10 =1,0
TEOREMA BAYES
Merupakan probabilitas bersyarat-suatu kejadian

terjadi setelah kejadian lain ada.
Rumus:
BEBERAPA PRINSIP MENGHITUNG
• Factorial (berapa banyak cara yang mungkin dalam mengatur

sesuatu dalam kelompok).
Factorial = n!
• Permutasi (sejumlah kemungkinan susunan jika

terdapat satu kelompok objek).
Kombinasi nCr = n!/r! (n-r)!
• Kombinasi (berapa cara sesuatu diambil dari keseluruhan

objek tanpa memperhatikan urutannya.
Permutasi nPr = n!/ (n-r)!

Apakah Probabiltas?
• Frekuensi relatif jangka panjang
– Jika melempar coin, frekuensi relatif dari “head” tidak menentu utk 2, 5
atau 10 pelemparan
– Jika pelemparan suatu coin dilakukan bbrp ribu kali, frekuensi relatif tetap
stabil
• Probabilitas matematis adalah idealisasi dari apa yg terjadi thd

frekuensi relatif setelah pengulangan sejumlah tak hingga eksperimen
random
Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

Probabilitas dari “Head”
• Probabilitas didasarkan pd frekuensi relatif jangka panjang

Model Probabilitas
• Sample Space - set dari semua keluaran (outcomes) yg mungkin
dari eksperimen random (S)
• Event – suatu keluaran (outcome) atau satu set outcomes dari

suatu eksperimen
• Ukuran Probabilitas adalah suatu bilangan atau fungsi yg

memetakan dari events pada sample space ke bilangan real antara
0 dan 1
• Probabilitas dari semua outcomes yg mungkin (yaitu sample space)

harus sama dg 1

Model Probabilitas
• Contoh: Pelemparan (toss) suatu dadu
• Sample Space: S ={1,2,3,4,5,6}
• Event: A = {muncul angka genap},

B = {muncul angka ganjil},
D= {muncul angka 2}
• Ukuran Probabilitas:
P(A) = 0,5; P(B) = 0,5; P(D) = 1/6

Aturan-Aturan Probabilitas
• Probabilitas dari sembarang event P(A) hrs memenuhi
0 < P(A) < 1
• Complement Rule = complement dari sembarang event A adalah event A

tdk terjadi
 P(Ac) = 1 - P(A)
Contoh: Lempar suatu dadu: S = {1,2,3,4,5,6};
mis A = {2,4}, Ac = {1,3,5,6}; P(A) = 1/3; P(Ac) = 1-1/3 = 2/3
• Addition Rule = utk dua events A dan B yg terpisah/ disjoint (no common
outcomes)
P (A or B) = P(A) + P (B)
Contoh: Lempar suatu dadu: S = {1,2,3,4,5,6};
mis A = {2}, B = {1,3,5}; P(A or B) = P(A) + P(B) = 1/6 + 1/2 = 2/3

• Multiplication Rule = dua events A dan B adalah independent,
jika diketahui bhw salah satu terjadi/muncul tdk mengubah
probabilitas yg lain muncul
P (A and B) = P(A)*P(B)
Contoh: Lempar sepasang dadu
S = {(1,1),(1,2),….(6,6)}  36 kemungkinan outcomes
mis A ={dadu pertama 6} = {(6,1),(6,2),(6,3),(6,4),(6,5),(6,6)}
mis B = {dadu kedua 1} = {(1,1),(2,1),(3,1),(4,1),(5,1),(6,1)}
Maka P(A) = 6/36 = 1/6;
P(B) = 6/36 = 1/6 dan
P(dadu pertama 6, dadu kedua 1) = P(A and B)
= 1/36 = P(A) P(B)
 menunjukan independence

• Multiplication Rule
Contoh dari kasus Dependent: lempar sepasang dadu
S = {(1,1),(1,2),….(6,6)}  36 kemungkinan outcomes
mis A ={dadu pertama 6} =
{(6,1),(6,2),(6,3),(6,4),(6,5),(6,6)}
mis B = {jumlah dadu pertama & kedua =9} = {(3,6),
(4,5),(5,4),(6,3)}
Maka P(A) = 6/36 = 1/6;
P(B) = 4/36 = 1/9 dan
P(dadu pertama 6, jumlah = 9) = P(A and B) = 1/36
tdk sama P(A) P(B) = 1/54
 menunjukan dependence

• Contoh: suatu web site memp tiga server A, B, dan C, yg dipilih
secara independent dg probabilitas:
P(A) = ¼, P(B) = ½, P(C)= ¼.
(a) Cari probabilitas A atau B dipilih

P(A or B) = ¼ + ½ = 3/4
(b) Cari probabilitas A tdk dipilih
P(Ac) = 1 – P(A) = ¾
(c) Cari probabilitas server A dipilih dua kali
P(AA) = P(A)P(A) = 1/16
(d) Cari probabilitas urutan seleksi server ABCA
P(ABCA) = P(A)P(B)P(C)P(A) = (1/4)(1/2)(1/4)(1/4) = 1/128

Peluang Bersyarat = Conditional Probability
• Utk dua event A dan B probabilitas dari event A diberikan bhw
event B telah terjadi dinyatakan:
P(A|B) dan ditentukan dg
P (A|B) = P(A and B)/P(B)
Contoh: Lempar satu dadu S = {1,2,3,4,5,6}.

mis A ={2}, B={bil genap} = {2,4,6},
P(A|B) = P(A and B)/P(B) = (1/6)/(1/2) = 1/3

Bayes Rule
• Utk dua event A dan B yg mempartisi sample space, yaitu (A atau B) = S
dan event ketiga C ditentukan di atas A dan B
Contoh: Lempar sepasang dadu S = {(1,1) (1,2), …. (6,6)} 36

kemungkinan outcomes. Mis A ={jumlah dadu 9 atau lebih besar},
A = {(6,3),(5,4), (4,5), (3,6), (6,4), (5,5), (4,6), (6,5), (5,6), (6,6)}
B = Ac = {jumlah dadu 8 atau kurang} = {(1,1) , (1,2,) ….(6,2), …(2,6)} ---
cat P(A) = 10/36 dan P(B) = 26/36

Bayes Rule
• Mis C event jumlah dari dadu adalah bil genap {2,4,6,8,10,12},
P(C|A) =4/10 dan P(C|B) = 14/26

PEUBAH ACAK
• Suatu random variable X adalah suatu variable dimana harganya
tergantung pd outcome dari suatu eksperimen random
didefinisikan pd sample space S
• Contoh: Mis X, bilangan jumlah dari head pd pelemparan dua

coin yg fair. Sample space S dari eksperimen adalah:
S ={(t,t),(t,h),(h,t),(h,h)} dimana t menunjukan tail dan h
menunjukan head

PEUBAH ACAK
• Suatu random variable X dikarakteristikan oleh salah satu:
– probability density function (pdf): f(x)
– cumulative density function (cdf):
• Contoh: perhatikan random variable X, yg merupakan jumlah

head pd pelemparan dua coin
– f(x) diberikan dg P{X = 0} = .25; P{X=1} = .5 ; P{X=2} = .25
– F(x) diberikan dg

Probability Density Function
• Formula matematis
• Memperlihatkan semua harga, X,

& frekuensi, f(X)
– f(X) adalah probability density
function (pdf)
• Properties
– Area di bawah kurva = 1
– Mean (µ)
– Standard Deviation ()

Tipe-Tipe Peubah Acak
• Suatu random variable X adalah suatu variable dimana
harganya tergantung pd outcome dari suatu eksperimen
random didefinisikan pd sample space S
– Jika S adalah terbatas (finite) atau dp dihitung (countable)  X
adalah suatu discrete random variable (mis., jumlah head pd
pelemparan dua coin)
– Jika S adalah kontinyu  X adalah suatu random variable kontinyu
(mis., waktu antar queries ke suatu server database)

Tipe-Tipe Peubah Acak
• Jika X discrete random variables maka
• Jika X continuous random variables maka

Peubah Acak Diskrit
• Discrete Random Variables yg umum:
– Bernoulli, Geometric, Binomial dan Poisson
• Bernoulli – memodelkan eksperimen spt toss suatu coin

– X adalah suatu indicator function
– X = 1  sukses; X = 0  gagal
Spt coin toss dg probabilitas p mendpkan head, 1-p mendpkan tail

Peubah Acak Diskrit
• Geometric – memodelkan jumlah percobaan X sampai sukses
pertama pd suatu deretan percobaan Bernoulli trials
P{X = x} = f(x) = (1-p)x-1p;

dimana x = 1,2,3, …
Mean = 1/p
Variance = (1-p)/p2
Sbg contoh, memodelkan jumlah tail yg terlihat sblm head

pertama pd suatu deretan coin tosses

Peubah Acak Diskrit
• Binomial – memodelkan jumlah sukses X pd n percobaan/trials.
Mis p menyatakan probabilitas sukses pd 1 trial, probabilitas dari
k sukses diberikan dg
Mean = np, Variance = np(1-p)
Tabel pd textbook memp macam-macam harga dari P(X = k)

Contoh : Peubah Acak Kontinyu
Eksperimen Random Variable Harga Yg Mungkin
Berat mahasiswa ITB Berat 43.2, 78, … Kg
Umur hidup battery Jam 900, 875.9, … jam

Lama panggilan
Lama panggilan 3.2, 1,53, … menit
telepon
Waktu antar
Waktu antar
kedatangan paket ke 0, 1.3, 2.78, … det
kedatangan
router

Contoh : Peubah Acak Kontinyu

Continuous Random Variable
• Continuous Random Variables yg umum:

– Exponential, Uniform, Normal
• Exponential – memodelkan waktu antar kedatangan, lama

waktu pelayanan (mis., waktu dari panggilan telepon), mis
X suatu exponential random variable dg mean a.

Peubah Acak Kontinyu
• Uniform – memodelkan kasus “equally likely”. Mis. X uniform

random variable antara a dan b – yaitu X akan mempunyai
harga antara a dan b dengan kemungkinan “equally likely”

Peubah Acak Kontinyu
• Normal – Normal random variable memodelkan fenomena
random alamiah utk jumlah yg besar. Mis X suatu normal
random variable
• Standard Normal Z adalah kasus dimana:

Mean = 0, Variance = 1.

Nilai Z & Peluang
• Normal Distribution
• Hubungan langsung antara persentase dan
probabilitas
• Persentase dari kurva normal dp di- rephrased sbg
problem probabilitas

Nilai Z & Peluang
 Suatu konsultan menyelidiki

waktu diperlukan pekerja
pabrik utk assemble suatu part
stlh mereka ditraining
 Konsultan menentukan bhw
waktu dlm detik terdistribusi
normal dg mean µ = 75 seconds
• Berapakah probabilitas bhw dan standard deviation  = 6
pekerja pabrik yg dipilih random seconds.
akan melaksanakan test dibawah
P(X<x) = P(Z <z)
81 seconds atau diatas 75
seconds? dimana z = (x- µ)/ 

P(75 < X < 81)

P(75 < X < 81)

Momentum
• Ekspektasi E[x] atau mean atau first moment dari suatu
random variable X di definisikan dg
Moment lebih tinggi didp dg mengganti x dg xn

Ragam , Mode, Quantil
• Variance didefiniskan sbg
• Mode adalah titik dimana f(x) adalah maximum
• Quantile –  quantile dari X ditulis x adalah titik pd X dimana F(x) =


• Cat. 0,5 quantile disebut median dimana 50% harga pd kedua sisi

Aturan-Aturan untuk Peubah Acak
• Aturan utk Means
– Suatu transformasi linier dari suatu random variable

menghasilkan suatu linear scaling dari mean. Yaitu jika X
adalah suatu random variable dg mean µX dan a dan b
adalah konstanta maka jika Y = aX + b mean dari Y
diberikan oleh µY = aµX + b
– Mean dari sum dari suatu set dari random variables adalah
sum dari individual mean. Yaitu jikaf X dan Y adalah
random variables maka µX+Y = µX + µY

Aturan-Aturan untuk Peubah Acak
• Aturan utk Variances
– Suatu transformasi liniear dari suatu random variable

menghasilkan suatu squared scaling dari variance. Yaitu jika
X adalah suatu random variable dg variance x2 dan a dan b
adalah konstanta maka jika Y = aX + b variance dari Y
diberikan oleh y2 = a2 x2
– Variance dari sum dari suatu set dari independent random

variables adalah sum dari individual variances. Yaitu jika X
dan Y adalah random variables maka x+y2 = x2 + y2

Statistik Inferensial
• Menggunakan teori probabilitas utk membuat
kesimpulan mengenai suatu populasi dari data sampel
• Tdk dp memperoleh data dari setiap anggota populasi

maka menguji suatu sampel random dari populasi dan
berdasarkan statistik dari sampel menyimpulkan
mengenai parameter dari populasi

Statistik Inferensial
• Statistical Inference: menggunakan statistik dari suatu sampel

random utk menyimpulkan mengenai parameter dari suatu
populasi
– Sbg contoh menguji mean x dari sampel utk menyimpulkan mean dari
populasi µ
– Perlu mengerti bagaimana perubahan statistik dengan tiap sampel
• Sample Distribution: distribusi probabilitas dari suatu statistik (spt

mean, standard deviation) dari semua sampel yg mungkin dari
ukuran yg sama dari suatu populasi

Distribusi Sampel dari
Counts dan Proporsi
• Perhatikan suatu sampel random tetap (fixed) ukuran n dari

observasi independen dari suatu populasi. Tiap observasi jatuh
kedalam satu dari dua kategori, “sukses” atau “gagal”
– Probabilitas suatu “sukses” (p) sama utk tiap observasi
– Probabilitas suatu “gagal” (1-p)
• Mis X menyatakan count dari jumlah sukses dalam suatu sampel
ukuran n. X memp distribusi Binomial

Counts dan Proporsi
• Ingat distribusi Binomial memodelkan jumlah sukses X dlm n

percobaan Bernoulli dan memp.
Mean = np, Variance = np(1-p)
• Dg n bertambah besar distribusi dari X mendekati distribusi

Normal dg mean dan variance

Counts dan Proporsi
• Utk estimasi probabilitas atau proportion dari suatu populasi p kita uji
sample proportion:
dimana X adalah jumlah dari “sukses” dlm suatu sampel ukuran n

• adalah estimasi unbiased dari population proportion p.
• Jika ukuran sampel n besar, mendekati suatu distribusi Normal dg

Sample Distribution of Means
• Perhatikan suatu sampel random ukuran tetap n dari suatu populasi
dg mean µ dan standard deviation . Distribusi dari sample mean x
(jika dihasilkan dari repeated random samples) memp. mean = µ dan
standard deviation
• Jika populasi memp. distribusi Normal maka distribusi dari sample

mean adalah Normal
• Dari Central Limit Theorem – distribusi dari suatu sum dari random
variables mendekati distribusi Normal jika jumlah terms dlm sum
menjadi besar

Central Limit Theorem

Central Limit Theorem
• Central limit theorem menyatakan bhw dg bertambah

besarnya ukuran sampel n, tdk tergantung pd distribusi
populasi, distribusi dari sample mean mendekati distribusi
Normal utk ukuran sampel yg besar, dg mean = µ dan
standard deviation =

Tipe-Tipe Statistik Inferensial
• Confidence Intervals: mengestimasi harga suatu parameter
populasi dg suatu harga rentang
– Berapakah mean IQ dari mahasiswa SIT ITB?
– Berapakah proporsi dari switches pd suatu network perlu
perbaikan?
• Hypothesis Testing: menilai bukti yg disediakan data
menyetujui suatu claim mengenai populasi
– Apakah mean IQ dari mhs SIT ITB sama dg dg IQ populasi
secara umum?
– Apakah proporsi switches yg memerlukan perbaikan pd
jaringan Telkom berbeda dg proporsi pd jaringan Indosat?

Titik Estimasi
• Menyediakan harga tunggal/single value, mis., sample
mean, sample proportion
– Berdasarkan observasi dari 1 sample
• Tdk memberikan informasi mengenai seberapa dekat harga
point estimate thd parameter populasi yg tdk diketahui
• Contoh: Sample mean X = 22.9 adalah point estimate dari
mean populasi yg tdk diketahui µ

Selang Estimasi
• Menyediakan nilai interval (a, b) dimana parameter populasi µ
diprediksi berada
– Interval berdasarkan observasi dari 1 sampel
• Memberikan informasi mengenai seberapa dekat dari estimasi ke
parameter populasi yg tdk diketahui
– Dp dinyatakan sbg
– Atau dinyatakan dlm terms probabilitas, (confidence level)

Tingkat Kepercayaan
• Nilai  adalah probabilitas bhw parameter tidak berada
dalam interval (a,b)
• 100(1 - ) % adalah confidence level dan adalah

kemungkinan bhw parameter populasi yg tdk diketahui
jatuh dlm interval (a,b)
• Nilai tipikal adalah  = .1, .05, .01 yg memberikan

confidence levels masing-masing 90%, 95%, dan 99%
• Contoh: Mean populasi yg tdk diketahui terletak antara 50 &

70 dg 95% confidence

Element Kunci dari Selang Estimasi

Selang Kepercayaan : Proses

Selang Kepercayaan untuk Rataan Populasi
• Asumsi
– Standard deviation populasi  diketahui
• Ukuran sampel n cukup besar shg hasil central limit theorem dp
diaplikasikan dan sample mean distribution dp diperkirakan dg
distribusi normal. Aturan umum (Rule of thumb) utk ukuran
sampel adalah (n ≥ 30)
• 100(1-) % confidence interval pd sample mean diberikan oleh

Selang Kepercayaan untuk Rataan Populasi
• Catatan
– x adalah sample mean.
– Z(1-/2) adalah nilai standard normal value dimana /2 adalah
tail ke sebelah kanan dari nilai Z
–  adalah standard deviation populasi
– n adalah ukuran sampel

Contoh: Confidence Interval utk
Population Mean
• Suatu retailer e-commerce spt Amazon.com, ingin melakukan
studi waktu rata-rata (mean time) yg diperlukan utk
memproses dan mengapalkan pesanan. Suatu random sample
dari waktu utk proses dan mengapalkan 33 pesanan
dikumpulkan dan dinyatakan sbg n dlm jam di bawah. Dari data
yg lalu standard deviation dari populasi  = 9
{23, 33, 14, 15, 42, 28, 33, 45, 23, 34, 39, 21, 36, 23,
34, 36, 25, 9, 11, 19, 35, 24, 31, 29, 16, 23, 34, 24, 38, 15,
13, 35, 28}
• Tentukan 90% confidence interval dari rata-rata waktu proses

dan pengapalan pesanan.
– sample mean x adalah = 26.9091, ukuran sampel n = 33 pd 90%
confidence level Z(1-/2) = Z.95 = 1.645

Contoh: Confidence Interval utk
Population Mean
• Krnnya confidence interval adalah

menghasilkan
Cat margin of error kadang-kadang diekspresikan sbg persentase dari

estimasi. Utk contoh e-commerce:
margin of error % = 100 * (2.577 / 26.9091) = 9.57%
• Juga confidence interval dp diekspresikan sbg (24.332, 29.486) yg dp

diinterpretasikan sbg
P(24.332 < µ < 29.486) = .9

SELANG KEPERCAYAAN =
Confidence Intervals
• Trade off antara confidence level 100(1-) % dan margin of error

– Lebih tinggi confidence  lebih tinggi harga Z  lebih besar
margin of error
• Contoh proses dan pengiriman pemesanan e-commerce. Suatu

95% confidence interval memp. Z = 1.96 (dimana 90% memp Z =
1.645) dan sbg hasil

Selang Kepercayaan
• Margin of error juga tergantung pd ukuran sampel n, lebih besar n
makin kecil margin of error
• Utk confidence interval pd population mean, margin of error berkurang
setengahnya utk tiap pertambahan faktor 4 pd ukuran sampel
• Utk contoh e-commerce jika utk 90% confidence interval ukuran

sample adalah 4 kali lebih besar (yaitu 132) dg mean dan standard
deviation yg sama interval akan

Selang Kepercayaan
• Cat utk margin of error yg diinginkan m kita dp tentukan ukuran
sampel yg diperlukan n utk mencapai m. Kita mendpkan
• Utk contoh e-commerce pd 90% confidence level jika diinginkan

margin of error 3%, m.x = .03 x 26.9091= .80727 dan selesaikan
utk ukuran sampel n
Cat perlu 337-33= 304 tambahan observasi

Selang Kepercayaan untuk Proporsi Populasi
• Dari aproksimasi Normal pd distribusi Binomial kita dapatkan

100(1- )% confidence interval pd suatu population proportion
sbg
dimana Z1-  /2 adalah /2 critical point dari standard distribusi

Normal

Confidence Interval utk Proportion of population
• Contoh: Perhatikan suatu link komunikasi satelit. Spy dp mengestimasi

packet error rate pd link kita transmit 5000 packets dan observasi bhw 23
diterima error. Tentukan 90% confidence interval pd packet error
probability. Dari, Z.95 = 1.645, n = 5000,
• Krnnya 90% confidence interval utk packet error probability diberikan

oleh (.0030, .0062)

Confidence Interval utk
Quantile of population
• Quantile: Harga xq dimana CDF mempunyai harga q disebut q-
quantile atau 100-q-percentile
• 50-percentile (atau 0.5-quantile) disebut median

• Posisi dari suatu harga q-quantile value dari suatu sorted order list
x1, x2, x3, …, xn adalah
* dibulatkan ke integer terdekat

• 100(1-)% confidence interval pd suatu harga populasi
q-quantile xq adalah
dimana

• Contoh: 45 titik data (n=45)
• 6, 6, 7, 8, 8.5, 9, 11, 13, 15, 24, 29, 30, 32, 34, 37, 39, 41, 42, 42,
43, 46, 47, 47.5, 49, 50, 52, 54, 55, 59, 62, 63, 66, 68, 71, 81, 83,
84, 88, 93, 97, 103, 108, 111, 116, 134
Cari 90% c.i. pd 0.5 quantile.
Posisi dari 0.5 quantile = (45-1)*0.5 + 1 = 23  x0.5 = 47.5
• Krnnya, 90% c.i. pd x0.5 = (41, 59)

6 Dan 7. Teori Peluang Nerisa

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

6 Dan 7. Teori Peluang Nerisa

Diunggah oleh

Hak Cipta:

Format Tersedia

MK.

Teori Probabilitas – didasarkan pada konsep dari suatu

Random – fenomena/eksperimen dimana keluaran individual

Probabilitas – proporsi berapa kali suatu keluaran spesifik

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt….. 27/7/2012

Probabilitas dan Teori Keputusan

Pengertian Probabilitas dan

Distribusi Normal Teorema Bayes

Teori Keputusan Menggunakan MS Excel Untuk

Percobaan/ Pertandingan sepak bola Persita VS

Hasil Persita menang

Percobaan Hasil Probabi-

Kegiatan 1. Menjual saham 2 ½

Mahasiswa belajar 1. Lulus memuaskan 3 1/3

Probabilitas suatu kejadian didasarkan pada

P(A ATAU B) = P(A) + P(B)

Contoh : P(A) = 0,35, P(B) 0,40 DAN P (C) 0,25

Peristiwa atau Kejadian Bersama

P(A ATAU B) = P(A) + P(B) – P (AB)

• Peristiwa Saling Lepas

• Kejadian Bersyarat P(B|A)

• Kejadian Bersyarat P(B|A)

• Peristiwa Pelengkap (Complementary Event)

Keputusan Jual atau Beli Jenis Saham Probabilitas bersama

Diagram Pohon Probabilitas Bersyarat

Suatu diagram Jual BLP 0,40 1 x 0,6 x 0,40 = 0,24

Jumlah Harus = 1.0 0,21+0,24+0,15+0,14

Merupakan probabilitas bersyarat-suatu kejadian

• Factorial (berapa banyak cara yang mungkin dalam mengatur

• Permutasi (sejumlah kemungkinan susunan jika

Kombinasi nCr = n!/r! (n-r)!

• Kombinasi (berapa cara sesuatu diambil dari keseluruhan

Permutasi nPr = n!/ (n-r)!

• Probabilitas matematis adalah idealisasi dari apa yg terjadi thd

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

• Probabilitas didasarkan pd frekuensi relatif jangka panjang

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

• Event – suatu keluaran (outcome) atau satu set outcomes dari

• Ukuran Probabilitas adalah suatu bilangan atau fungsi yg

• Probabilitas dari semua outcomes yg mungkin (yaitu sample space)

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

• Sample Space: S ={1,2,3,4,5,6}

• Event: A = {muncul angka genap},

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

• Complement Rule = complement dari sembarang event A adalah event A

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

(a) Cari probabilitas A atau B dipilih

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

P (A|B) = P(A and B)/P(B)

Contoh: Lempar satu dadu S = {1,2,3,4,5,6}.

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

Contoh: Lempar sepasang dadu S = {(1,1) (1,2), …. (6,6)} 36

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

• Contoh: Mis X, bilangan jumlah dari head pd pelemparan dua

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

• Contoh: perhatikan random variable X, yg merupakan jumlah

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

• Memperlihatkan semua harga, X,

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012