PROBABILITAS

• Peluang/Probabilitas : Kemungkinan
munculnya sebuah kejadian (event).
Direpresentasikan dengan angka, antara 0
dan 1
• Probabilitas 0 : sebuah event tidak mungkin
terjadi
• Probabilitas 1 : sebuah event pasti terjadi
• Probabilitas 0,5 : sebuah event sama-sama
mungkin terjadi ataupun tidak terjadi.
 PERMUTASI
• Permutasi : Susunan yang berbeda yang dapat
dibentuk dari n unsur, yang diambil dari n
unsur atau sebagian unsur.
• Jika ada n unsur yang kemudian diambil n
unsur, maka banyak susunan (permutasi) yang
berbeda dari n unsur tersebut adalah

P(n, n) = n!

• n! disebut juga Faktorial,

dimana n! = n x (n-1) x (n-2) x …x 3 x 2 x 1
 PERMUTASI
• Banyak permutasi jika tiga buah unsur (A, B, C) dipermutasikan.
• Jawaban:
n = 3 → Banyak permutasi adalah P(3, 3)
P(3, 3) = 3! = 3 x 2 x 1 = 6
 PERMUTASI

• Banyak permutasi r unsur yang diambil dari n

buah unsur yang berbeda dimana
r < n adalah:
n!
P(n,r) =
(n – r)!
 PERMUTASI

• Contoh:
Ada berapa kemungkinan apabila seseorang ingin memberi nama anaknya
yang terdiri dari 4 huruf, dengan menggunakan huruf-huruf berikut {A, K,
M, I, L, O}

• Jawab:
Banyak huruf yang tersedia ada 6 dan hanya digunakan 4 huruf, maka n =
6 dan r = 4.
6! 6! 6.5.4.3.2.1
P(6, 4) = = = = 360
2.1
(6 – 4)! 2!
 KOMBINASI
• Perbedaan antara Kombinasi dengan Permutasi

Kombinasi C(4, 3) Permutasi P(4,3)

abc abc acb bac bca cab cba
abd abd adb bad bda dab dba
acd acd adc cad cda dac dca
bcd bcd bdc cbd cdb dbc dcb

• Kombinasi memandang abc = bca, sedangkan permutasi

memandang abc ≠ bca.
 KOMBINASI

• Rumus kombinasi:
n!
C(n, r) =
r! (n – r)!
 KOMBINASI

• Contoh:
Ada berapa kemungkinan membentuk sebuah
kelompok yang terdiri dari 5 orang, dari jumlah
mahasiswa 10 orang.
• Jawab:
Jumlah mahasiswa 10 orang dan jumlah anggota
kelompok 5, maka n = 10 dan r = 5

C(10, 5) = 10! = 10.9.8.7.6.5! = 10.9.8.7.6

5! (10 – 5)! 5! 5! 5.4.3.2.1

30240
= = 252 Kemungkinan
120
 RUANG SAMPLE
• Ruang sample : Himpunan semua
kemungkinan yang bisa muncul.
• Titik sample : Setiap unsur dalam ruang
sample.
 RUANG SAMPLE

• Contoh: Dalam sebuah kantong terdapat 3 bola, yang masing-

masing berwarna kuning (K), merah (M) dan hijau (H).

1. Jika diambil satu bola dari dalam kantong secara acak maka
kemungkinan bola yang terambil adalah bola warna kuning,
merah atau hijau.
Apabila S (Ruang Sample) = {semua kemungkinan hasil}, maka S =
{K, M, H} dan n(S) = 3.
Titik Samplenya adalah K, M dan H.

2. Jika diambil 2 bola, maka ruang sample adalah S = {KM, KH, MH}
dan n(S) = 3
 Macam peubah acak
• Peubah acak diskrit,
diskrit misalnya : jumlah orang dalam
satu ruangan.
ruangan
– Dengan demikian ruang contoh diskrit adalah ruang
contoh yang mengandung jumlah titik tak terhingga, tetapi
sama banyaknya dengan bilangan cacah.
– Peubah acak diskrit digunakan untuk data yang berupa
cacahan.
• Peubah acak kontinyu, misalnya : produksi
padi/ha.
– Ruang contoh kontinyu adalah ruang contoh yang
mengandung titik tak terhingga yang sama dengan
banyaknya titik pada sebuah garis.
– Peubah acak kontinyu digunakan untuk data yang diukur
DISTRIBUSI PELUANG
 Distribusi Binomial

(Distribusi Probabilitas Diskrit)

 Percobaan Bernoulli :
Sifat-sifat sebagai berikut :
• Percobaan itu terdiri dari n pengulangan
• Tiap pengulangan memberikan hasil yang dapat
diidentifikasi sukses atau gagal
• Probabilitas sukses dinyatakan dengan p, tetap
konstan (tidak berubah) dari satu pengulangan ke
pengulangan lainnya, sedangkan probabilitas
gagal adalah q = 1- p
• Tiap pengulangan dan pengulangan lainnya saling
bebas.
 Distribusi Binomial
• Banyaknya X sukses dalam n pengulangan suatu
percobaan bernoulli disebut sebagai variabel
random Binomial, sedangkan distribusi
probabilitasnya disebut distribusi Binomial dan
nilainya dinyatakan sebagai :
b(x,n,p) dimana x = 1, 2, …, n
 n x nx
b( x; n, p )   p q
 x
 
Rata-rata dan Variansi Distribusi
Binomial :
• Rata-rata =   np

2
• Variansi =   npq
 DISTRIBUSI BINOMIAL

• Probabilitas sukses (sebuah event terjadi) dilambangkan

dengan lambang p.
• Probabilitas gagal (sebuah event tidak terjadi)
dilambangkan dengan q.
• Rumus:
N!
p(X) = pX qN-X
X! (N – X)!

N = Jumlah percobaan yang dilakukan

X = Jumlah sukses/kondisi yang ingin dicapai
p = Probabilitas sukses
q = Probabilitas gagal = 1 - p
 DISTRIBUSI BINOMIAL

• Contoh:
Probabilitas munculnya gambar sebanyak 2 kali, dari
percobaan melempar sebuah uang koin sebanyak 6 kali
lemparan adalah?
• Jawab:
N=6 X=2
p=½ q=½
6! 6!
p(2) = (½)2 (½)6-2= (½)=6 15/64
2! (6-2)! 2! 4!
 Contoh
Probabilitas bahwa seorang pasien sembuh dari
penyakit darah yang langka adalah 0,4. Bila 15
orang diketahui telah terkena penyakit ini,
berapakah probabilitas :
–Paling sedikit 10 orang yang selamat
–Dari 3 sampai 8 orang yang selamat
–Tepat 5 orang yang selamat
–Hitung rata-rata dan variansinya
Probabilitas seorang bayi tidak di imunisasi polio
adalah 0,2 (p). Pada suatu hari di Puskesmas “X”
ada 4 orang bayi. Hitunglah peluang dari bayi
tersebut 2 orang belum imunisasi polio. Jadi, di
dalam kejadian binomial ini dikatakan b (x=2,
n=4, p=0,2)  b (2, 4, 0,2)
 Distribusi Poisson

(Distribusi Probabilitas Diskrit)

 Percobaan Poisson :
• Jika suatu percobaan menghasilkan
variabel random X yang menyatakan
banyak-nya sukses dalam daerah
tertentu atau selama interval waktu
tertentu, percobaan itu disebut
percobaan Poisson.
 Distribusi Poisson
Jumlah X dari keluaran yang terjadi selama satu
percobaan Poisson disebut Variabel random
Poisson, dan distribusi probabilitasnya disebut
distribusi Poisson.
Bila x menyatakan banyaknya sukses yang
terjadi ,  adalah rata-rata banyaknya sukses
yang terjadi dalam interval waktu atau daerah
tertentu, dan e = 2,718 , maka rumus distribusi
Poisson adalah :
e   x
p ( x;  )  , x  0,1,2,......
x!
Rata-rata dan Variansi Distribusi
Poisson
Mean (rata-rata) dan variansi dari distribusi
Poisson adalah .
Catatan :
Distribusi Poisson sebagai suatu bentuk
pembatasan distribusi Binomial pada saat n besar
, sedangkan p mendekati 0 , dan np konstan.
Sehingga bila n besar dan p mendekati 0,
distribusi Poisson dapat digunakan untuk
memperkirakan probabilitas Binomial, dengan
  np
 Contoh
• Di suatu simpang jalan rata-rata terjadi 6
kecelakaan sebulan, maka hitunglah
probabilitas :
– Pada suatu bulan tertentu di simpang jalan itu
terjadi 7 kecelakaan
– Pada suatu bulan tertentu di simpang jalan terjadi
minimal 4 kecelakaan
– Pada suatu minggu tertentu di simpang jalan itu
terjadi 4 kecelakaan
Hubungan Distribusi Poisson dengan
Distribusi Binomial
• Distribusi Poisson sebagai suatu bentuk
pembatasan distribusi Binomial pada saat
n besar , sedangkan p mendekati 0 , dan
np konstan.
• Sehingga bila n besar dan p mendekati 0,
distribusi Poisson dapat digunakan untuk
memperkirakan probabilitas Binomial,
dengan  = np
 Contoh
• Dalam suatu proses produksi yang
menghasilkan barang dari gelas, terjadi
gelembung atau cacat yang menyebabkan
barang tersebut sukar dipasarkan. Rata-rata 1
dari 1000 barang yang dihasilkan mempunyai
satu atau lebih gelembung. Hitung
probablitas dalam sampel random sebesar
8000 barang akan berisi kurang dari 7 yang
bergelembung.
 Distribusi Hipergeometrik
(Distribusi Probabilitas Diskrit)
Perbedaan diantara distribusi binomial dan
distribusi hipergeometrik
adalah terletak pada cara penarikan sampel.
Dalam distribusi binomial diperlukan sifat
pengulangan yang saling bebas, dan
pengulangan tersebut harus dikerjakan dengan
pengembalian (with replacement).
Sedangkan untuk distribusi hipergeometrik
tidak diperlukan sifat pengulangan yang saling
bebas dan dikerjakan tanpa pengembalian
(without replacement).
 Penerapan untuk distribusi
hipergeometrik
• Ditemukan dalam berbagai bidang, dan paling
sering digunakan dalam penarikan sampel
penerimaan barang, pengujian elektronik,
jaminan mutu, dsb.
• Dalam banyak bidang ini, pengujian dilakukan
terhadap barang yang diuji yang pada akhirnya
barang uji tersebut menjadi rusak, sehingga
tidak dapat dikembalikan. Jadi, pengambilan
sampel harus dikerjakan tanpa pengembalian
 Contoh
• Suatu pabrik ban melaporkan bahwa dari 5
ban yang dikirimkan ke suatu toko ter-dapat 2
ban yang cacat. Bila seseorang membeli 3
ban, maka hitung:
– Probabilitas terdapat 1 ban cacat yang dibeli
– Probabilitas tidak ada ban cacat yang dibeli
 Distribusi Normal

(Distribusi Probabilitas Kontinu)

 Kurva Normal dan Variabel Random
Normal
• Distribusi probabilitas kontinu yang terpenting
adalah distribusi normal dan grafiknya disebut kurva
normal.
• Variabel random X yang distribusinya berbentuk
seperti lonceng disebut variabel random normal.

 

 x
 Sifat kurva normal, yaitu :
• Kurva mencapai maksimum pada x  
• Kurva setangkup terhadap garis tegak yang
melalui x  
• Kurva mempunyai titik belok pada x    
• Sumbu x merupakan asimtot dari kurva
normal
• Seluruh luas di bawah kurva, di atas sumbu x
adalah 1
 Distribusi Normal
• Variabel random X berdistribusi normal,
dengan mean dan variansi mempunyai fungsi
densitas
1  ( x   ) 2 ( 2 2 )
n( x;  ,  )  e
 2
  x  
luas daerah di bawah kurva dinyatakan dengan :
 P ( x1  X  x 2 )

x
X1  X2

x2 x2
1  ( x   ) 2 ( 2 2 )
P( x1  X  x 2 )   n(x;, )dx   2 x
e dx
x1 1


1  ( x   ) 2 ( 2 2 )
P(   X   )  
 2  
e dx  1
 Distribusi Normal Standar (1)
• apabila variabel X ditransformasikan dengan
x
substitusi Z 

• maka : z2 1 2 z2 1 2 z2
1  z  z
2 dz  1
P(z1  Z  z 2 ) 
 2  e
2  e 2 dz   n (z;0,1)dz
z1 z1 z1

x
ternyata substitusi Z 

menyebabkan distribusi normal n ( z; , ) menjadi
n( z;0,1) , yang disebut distribusi normal standar.
Distribusi Normal Standar (2):
• Karena transformasi ini, maka
selanjutnya nilai
P( x  X  x )
1 2

ini dapat dihitung dengan menggunakan

tabel distribusi normal standar.
 Contoh
Rata-rata berat 500 mahasiswa STIKOM adalah
55 kg dan deviasi standarnya 3.4 kg. Berapakah
banyaknya mahasiswa yang mempunyai berat
◦ kurang dari 53 kg
◦ di antara 53 kg dan 57 kg
Bila nilai ujian statistika mempunyai mean 74
dan deviasi standar 7.9, hitunglah
◦ Nilai lulus terendah, bila mahasiswa dengan nilai 10%
terendah mendapat E.
◦ Nilai B tertinggi, bila probabilitas mahasiswa dengan
nilai 5% tertinggi men-dapat A .
Hubungan Distribusi Normal dan Distribusi
Binomial:

• Jika n besar dan p atau q menuju 0, maka

distribusi binomial dapat didekati oleh distribusi
normal, sehingga bila X adalah variabel random
yang berdistribusi Binomial dengan mean   np
dan variansi  2  npq
X  np
Z
maka npqberdistribusi normal standar
 Contoh
• Suatu proses produksi menghasilkan sejumlah
barang yang cacat sebanyak 10%. Bila 100
barang diambil secara random, maka hitung
probabilitas :
– Banyaknya cacat melebihi 13
– Antara 5 s/d 10 yang cacat
– Tepat 10 yang cacat