P. 1
Tugas Statistik - Probabilitas - PTK S2 a 2011 - 11702251009 - I Made Supatra

Tugas Statistik - Probabilitas - PTK S2 a 2011 - 11702251009 - I Made Supatra

|Views: 55|Likes:
Published by cadeck

More info:

Published by: cadeck on Dec 28, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

11/19/2012

pdf

text

original

STATISTIKA

PROBABILITAS (DISKRIT & KONTINU)



Oleh :
I Made Supatra
Nim: 11702251009

PROGRAM PASCASARJANA
UNIVERSITAS NEGERI YOGYAKARTA
2011
PROBABILITAS

PENDAHULUAN
Konsep peluang peristiwa dari suatu eksperimen adalah tertentu dan tunduk terhadap
berbagai maksud atau penafsiran-penafsiran. Sebagai contoh, jika seorang geolog
dikutip ketika mengatakan bahwa ada peluang 60% minyak di suatu daerah tertentu,”
kita semua mungkin mempunyai beberapa gagasan yang intuitif seperti apa yang
dikatakannya. Sungguh, kebanyakan dari kita mungkin akan menginterpretasikan
statemen ini dalam satu dari dua cara yang mungkin: bisa dengan bayangan bahwa:
1. geolog merasakan, dalam 60 persen dari daerah-daerah yang muncul kondisi
lingkungannya sangat serupa dengan kondisi yang berlaku di dalam daerah
pembahasan, akan ada minyak; atau, dengan bayangan bahwa;
2. geolog percaya bahwa sangat mungkin daerah akan berisi minyak dibanding
tidak ; dan sesungguhnya .6 adalah suatu ukuran dari kepercayaan geolog itu
di dalam hipotesis terhadap daerah yang berisi minyak.
Kedua penafsiran di atas terhadap peluang dari suatu peristiwa dikenal sebagai
penafsiran frekuensi dan secara subjektif yaitu penafsiran peluang. Di dalam
penafsiran frekuensi, peluang suatu hasil yang diberikan dari suatu eksperimen
diperlakukan sebagai “harta” hasil itu. hal itu dibayangkan bahwa harta ini dapat
secara operasional ditentukan oleh pengulangan berkesinambungan dari eksperimen,
peluang hasil itu akan tampak sebagai hal yang proporsi dari eksperimen yang
mengakibatkan hasil tersebut. Ini adalah penafsiran peluang yang paling lazim antar
para ilmuwan.
Dalam penafsiran yang subjektif, peluang dari suatu hasil bukanlah dipahami sebagai
harta dari hasil tetapi lebih dipertimbangkan sebagai suatu statemen tentang
kepercayaan dari orang yang sedang mengutip peluang tersebut, mengenai
kesempatan bahwa hasil akan terjadi. Dengan demikian, di dalam penafsiran ini,
peluang menjadi suatu konsep pribadi atau yang subjektif dan tidak memiliki arti
terhadap derajat tingkat kepercayaan seseorang. Penafsiran peluang ini sering dipakai
oleh ahli filsafat dan pembuat keputusan ekonomi tertentu.
Dengan mengabaikan satu penafsiran yang memberi peluang, bagaimanapun, ada
suatu mufakat bahwa matematika peluang adalah sama di dalam kasus manapun.
Sebagai contoh, jika anda berpikir bahwa peluang besok akan hujan adalah .3 dan
anda merasakan bahwa kemungkinan akan berawan tetapi tanpa hujan adalah .2, lalu
anda perlu merasakan bahwa kemungkinan hujan atau berawan adalah .5 bebas dari
penafsiran pribadi anda terhadap konsep peluang. Di dalam bab ini, kami hadirkan
aturan-aturan yang disepakati, atau aksioma-aksioma, yang digunakan di dalam teori
peluang. Sebagai suatu pendahuluan, bagaimanapun, kita perlu untuk belajar konsep
dari ruang contoh dan kejadian dari suatu eksperimen.

RUANG CONTOH DAN KEJADIAN
Mempertimbangkan suatu hasil eksperimen seseorang tidak dapat diprediksi dengan
pasti terlebih dahulu. Meski hasil dari eksperimen itu tidak diketahui terlebih dahulu,
marilah kita mengira bahwa himpunan dari semua hasil yang mungkin telah dikenal.
Himpunan dari semua hasil yang mungkin pada suatu eksperimen dikenal sebagai
ruang contoh dari eksperimen dan ditandai dengan S. Beberapa contoh sebagai
berikut:
1. Jika hasil dari suatu eksperimen mengandung penentuan jenis kelamin dari
seorang anak yang baru lahir, maka:
S = {g , b}
di mana hasil g berarti bahwa anak adalah seorang anak perempuan dan b
adalah seorang anak laki-laki.
2. Jika eksperimen dari berlangsungnya suatu perlombaan di antara tujuh kuda
mempunyai posisi tiang 1, 2, 3, 4, 5, 6, 7, maka:
S = {all orderings of (1, 2, 3, 4, 5, 6, 7)}
Hasil (2, 3, 1, 6, 5, 4, 7) berarti, bahwa kuda nomor 2 kuda yang pertama, lalu
kuda nomor 3 , lalu kuda nomor 1 , dan seterusnya.
3. Umpamakan kita tertarik akan penentuan jumlah dari dosis yang harus
diberikan kepada seorang pasien sampai pasien bereaksi secara positif. Satu
ruang contoh yang mungkin untuk eksperimen ini adalah memperbolehkan S
terdiri atas semua bilangan positif. Itu jika diperbolehkan.
S = (0,∞)
di mana hasil akan menjadi x jika pasien bereaksi terhadap suatu dosis
berharga x tetapi bukan kepada dosis yang lebih kecil.

Setiap E subset dari ruang contoh dikenal sebagai satu peristiwa. Satu peristiwa
terdiri dari hasil-hasil yang mungkin dari eksperimen. Jika hasil dari eksperimen itu
terdapat di E, lalu kita berkata bahwa E sudah terjadi. Beberapa contoh kejadian
adalah sebagai berikut.
Contoh 1 jika E = {g }, maka E adalah peristiwa bahwa anak adalah seorang
perempuan, jika F={b}, maka F adalah peristiwa bahwa anak seorang
laki-laki.
Contoh 2 jika E = {semua hasil dalam S dimulai dengan 3} Maka E adalah peristiwa
dimana kuda nomor 3 memenangkan perlombaan

.
Untuk setiap dua peristiwa E dan F dari suatu ruang contoh S, kita gambarkan
kejadian baru itu E∪F, disebut gabungan kejadian E dan F, untuk semua hasil
terdapat di salah satu di dalam E atau dalam F atau di dalam E dan F. Bahwa,
peristiwa E∪F akan terjadi jika salah satu E atau F terjadi. Sebagai contoh,
dalam contoh 1 jika E = {g} dan F = {b}, maka E∪F ={g,b}. yang mana, E∪F akan
menjadi keseluruhan ruang contoh S. Dalam contoh 2 jika E = {semua hasil
dimulai dengan 6} adalah peristiwa kuda nomor 6 menang dan F = {semua hasil
yang memiliki 6 pada posisi kedua} adalah peristiwa kuda nomor 6 masuk yang
kedua, maka E∪F adalah peristiwa dimana kuda nomor 6 masuk yang pertama
atau yang kedua.
Dengan cara yang sama, untuk setiap dua kejadian E dan F, dapat juga kita
menggambarkan peristiwa yang baru EF, yang disebut persimpangan E dan F,
terdiri atas semua hasil yang di dalam keduanya E dan F. Peristiwa EF akan
terjadi hanya jika keduanya E dan F terjadi.
Sebagai contoh, dalam contoh 3 jika E = (0, 5)
Adalah peristiwa yang memerlukan dosis kurang dari 5 dan F = (2,10) adalah
peristiwa antar 2 dan 10, maka EF = (2,5) adalah peristiwa yang memerlukan
dosis antara 2 dan 5.
Dalam contoh 2 jika E = {semua hasil berakhir dengan lima} adalah kejadian
bahwa kuda nomor 5 masuk belakangan dan F = {semua hasil dimulai dengan 5)
adalah peristiwa bahwa dimana kuda nomor 5 masuk pertama, maka peristiwa
EF tidak terdapat hasil sebab itu tidak terjadi. Untuk memberikan nama pada
sebuah peristiwa, kita dapat mengacu pada peristiwa nol dan ditunjukkan
dengan ∅. Jadi ∅ mengacu pada peristiwa yang berisikan hasil. Jika EF = ∅,
menyatakan secara tidak langsung bahwa E dan F keduanya tidak dapat terjadi,
maka E dan F dikatakan satu sama lain saling esklusip.
Untuk beberapa kejadian, kita definisikan peristiwa tersebut E
c
, mengacu pada
pengimbang E, untuk berisikan semua hasil didalam ruang contoh S yang
bukanlah di dalam E. Yang mana, E
c
akan terjadi jika hanya E tidak terjadi.
Didalam contoh 1 jika E = {b} adalah kejadian bahwa anak seorang laki-laki,
maka E
c
= {g} adalah kejadian bahwa anak adalah seorang perempuan. Juga
dicatat bahwa eksperimen itu harus mengakibatkan beberapa hasil,
kesimpulannya adalah S
c
=∅.
Untuk setiap dua kejadian E dan F, jika semua hasil di dalam E juga ada didalam
F, maka kita katakan bahwa E terkandung di dalam F dan ditulis E⊂F (atau sama
dengan, F⊂E). Jadi jika E⊂F, maka kejadian E dinyatakan juga sebagai kejadian F.
Jika E⊂F dan F⊂E, maka kita katakan bahwa E dan F adalah sama (atau serupa)
dan kita tulis E=F.
Dapat juga kita definisikan kumpulan dan pertemuan lebih dari dua kejadian.
Dalam faktanya, kumpulan dari kejadian E1,E2,…,En, ditunjukkan salah satu oleh
E1 ∪E2∪….. ∪En atau oleh ∪

Ei, didefinisikan sebagai kejadian yang berisikan
seluruh hasil di dalam Ei untuk sedikitnya satu i= 1, 2, …,n. dengan cara yang
sama, pertemuan kejadian Ei, i= 1, 2, …,n, ditunjukkan oleh E1E2… En,
didefinisikan sebagai kejadian yang berisikan hasil itu berada di dalam semua
kejadian Ei, i= 1, 2, …, n. dengan kata lain, kumpulan Ei terjadi ketika sedikitnya
satu dari kejadian Ei terjadi; pertemuan terjadi ketika semua kejadian Ei terjadi.

DIAGRAM VENN DAN ALJABAR DARI KEJADIAN
Sebuah gambaran grafis dari kejadian sangat berguna untuk mengilustrasikan
logika hubungan diantara mereka adalah diagram Venn. Ruang contoh S terdiri
dari semua titik didalam luasan segi empat, dan kejadian E,F,G…., adalah
gambaran yang terdiri atas semua titik dalam lingkaran yang diberikan kedalam
segi empat. Kejadian yang menarik dapat kemudian ditandai dengan mengarsir
daerah-daerah sesuai diagram. Sebagai contoh, di dalam tiga diagram Venn
ditunjukkan dalam gambar 3.1, daerah-daerah arsir menunjukkan secara
berurut kejadian E ∪F, EF, dan E
c
. Diagram Venn pada gambar 3.2 menandai
bahwa E ⊂ F.
Operasi pembentukan kumpulan, pertemuan, dan komplemen-komplemen dari
kejadian mematuhi aturan-aturan tertentu tidak berbeda dengan ketentuan-
ketentuan aljabar. Kita daftar sedikit tentang ini:
Hukum Komutatif E ∪ F = F ∪E EF = FE
Hukum Asosiatif (E ∪ F ) ∪ G = E ∪ (F ∪ G) (EF )G = E(FG )
Hukum Distributif (E ∪ F )G = EG ∪ FG EF ∪ G = (E ∪ G )(F ∪ G )
Hubungan-hubungan ini dibuktikan dengan mempertunjukkan bahwa semua
hasil yang terdapat di peristiwa pada sisi kiri dari persamaan itu juga terdapat di
peristiwa pada sisi kanan dan sebaliknya. Satu jalan mempertunjukkan ini
adalah dengan bantuan diagram Venn. Sebagai contoh, Hukum Distributif bisa
dibuktikan oleh urutan dari diagram yang ditunjukan dalam Gambar 33.




Manfaat hubungan berikut antara ke tiga operasi dasar pembentukan kumpulan,
pertemuan, dan komplemen-komplemen dari kejadian dikenal sebagai hukum
DeMorgan.
(E ∪ F )
c
= E
c
F
c

(EF )
c
= E
c
∪ F
c

VARIABEL RANDOM
Variabel random adalah suatu fungsi yang memetakan ruang sampel (S) ke himpunan
bilangan Real (R), dan ditulis X : S ÷ R
CONTOH :
Pelemparan uang logam setimbang sebanyak tiga kali. Ruang sampelnya S =
{GGG, GGA, GAG, AGG, GAA, AGA, AAG, AAA}. Dari percobaan ini
dapat didefinisikan beberapa variabel random yang mampu memetakan ruang
sampelnya ke dalam bilangan real. Salah satu variabel random yang dapat
dibuat adalah X = banyaknya sisi gambar yang muncul. Maka nilai numerik 0,
1, 2, atau 3 dapat diberikan pada setiap titik sampel.

Ruang Sampel Diskrit adalah apabila ruang sampelnya mengandung titik sampel
yang berhingga atau terhitung banyaknya.
Variabel random yang didefinisikan di atas ruang sampel diskrit disebut variabel
random diskrit.
CONTOH:
- banyaknya barang yang cacat, dalam pengambilan sampel sebesar k barang.
- banyaknya yang meninggal karena terserang suatu infeksi pernafasan setiap
tahun di Surabaya.

Ruang Sampel Kontinu adalah apabila ruang sampelnya mengandung titik sampel
yang tak berhingga banyaknya, dan memuat semua bilangan real dalam suatu
interval.
Variabel random yang didefinisikan di atas ruang sampel kontinu disebut variabel
random kontinu.
CONTOH:
- lamanya reaksi kimia tertentu
- jarak yang ditempuh sebuah mobil yang diisi dengan 5 liter bensin.

DISKRIT DAN KONTINU.
Kedisktritan suatu sistem dapat dilihat dari perubahan keadaan sistem dari waktu ke
waktu. Jika perubahan keadaan yang terjadi hanya pada waktu tertentu, bukan pada
setiap titik waktu, maka dikatakan sistem diskrit. Dalam hal lain dikatakan sistem
kontinu.
Dalam membuat suatu simulasi, harus sesuai dengan perilaku sistem. Dari sistem
diskrit, akan dijumpai variabel diskrit, untuk sistem kontinu, akan dijumpai variabel
kontinu. Contoh mendapatkan variabel diskrit dengan menghitung jumlah produk
cacat, jumlah sumber daya manusia, jumlah mesin yang dibutuhkan. Contoh
mendapatkan variabel kontinu dengan menggunakan alat ukur, berat kemasan,
tekanan udara, waktu antar kedatangan, waktu proses.
Dari variabel diatas didapatlah data pengamatan, tidak hanya sifatnya yang harus kita
ketahui, tetapi pola penyebarannya juga harus kita ketahui, maka kita pelajari
mengenai pola distribusinya. Agar simulasi yang kita lakukan nantinya sesuai dengan
keadaan yang sebenarnya.

PENDUGAAN POLA DISTRIBUSI
Kita perlu mengetahui pola distribusi dari data pengamatan, sehingga pada saat
melakukan simulasi nantinya, pola distribusi variabel acak yang diambil akan sesuai
dengan pola distribusi data yang sebenarnya.
Ada beberapa cara yang bisa ditempuh :
1. Ringkasan Statistik
Beberapa distribusi dapat dikarakteristikan paling tidak oleh ringkasan
statistik datanya. Dari ringkasan ini dapat diketahui keluarga distribusinya.
Nilai-nilai pemusatan merupakan besaran statistik yang cukup penting guna
menduga keluarga distribusi.
¿
¿
=
f i
f ixi
x Mean
)) ( * ( Median
2
kelasmed
sebklsmed
fi
f
f i
lebarkelas kelasmed batasbawah med
¿
÷
¿
+ = )
misalnya, pada distribusi kontinu jika nilainya sama, maka dapat dipastikan
bahwa kurva distribusi berbentuk simetris.
a. Koefisien varian ) (
X
s
cv = juga mempunyai peranan yang penting
dalam menduga keluarga distribusi. Untuk nilai koefisien varian
1(satu) maka dapat diduga data berdistribusi eksponensial, jika lebih
besar atau lebih kecil dari satu maka dugaan mengarah kepada
ditribusi Gamma.
b. Untuk distibusi diskrit, maka dari nilai rasio lexis ) (
2
X
s
= t dapat
diduga distribusinya. Jika nilai rasio lexis = 1 dugaan berdistribusi
poisson, Jika nilai rasio lexis < 1 dugaan berdistribusi Binomial dan
Jika nilai rasio lexis > 1 dugaan berdistribusi binomial negatif.
c. Kelandaian distribusi (Skewness)
Rumus Skewness
) (
) ( * 3
s
median mean÷
= t
.
Untuk distribusi simetris, skewness bernilai 0(nol), jika, skewness > 0
distribusi akan menjulur kekanan dan sebaliknya ke kiri. Misal nilai
skewness = 2 berarti data berdistribusi eksponensial.

2. Histogram dan Grafik Garis
Dari bentuk histogram data, maka memcerminkan pola distribusinya.
Sebelum kita melakukan pendugaan pola distribusi dari data yang kita amati,
perlu kita pelajari terlebih dahulu fungsi Distribusi

DISTRIBUSI PROBABILITAS DISKRIT
Himpunan pasangan terurut (x, f(x)) merupakan suatu fungsi probabilitas atau
distribusi proabilitas dari variabel random diskrit, jika

) ( ) ( . 3
1 ) ( . 2
0 ) ( . 1
x f x X P
x f
x f
x
= =
=
>
¿

Rata-rata dan varians dari variabel random diskrit X

¿
¿
÷ = ÷ =
= =
x
x
x f x X E
x xf X E
) ( ) ( ] ) [(
) ( ) (
2 2 2
µ µ o
µ



DISTRIBUSI PROBABILITAS KONTINU
Fungsi f(x) adalah fungsi kepadatan (density) probabilitas untuk variabel kontinu X,
jika

}
}
= < <
=
>
·
·
b
a
dx x f b X a P
dx x f
x f
) ( ) ( . 3
1 ) ( . 2
0 ) ( . 1
-

Rata-rata dan varians dari variabel random kontinu X
}
}
·
· ÷
·
· ÷
÷ = ÷ =
= =
dx x f x X E
dx x xf X E
) ( ) ( ] ) [(
) ( ) (
2 2 2
µ µ o
µ



BEBERAPA DISTRIBUSI PROBABILITAS DISKRIT
Distribusi Binomial
Ciri-ciri percobaan binomial :
1. Percobaan terdiri dari n ulangan
2. Setiap hasil ulangan dapat digolongkan sebagai sukses (S) atau gagal (G)
3. Probabilitas sukses (p) untuk setiap ulangan adalah sama
4. Setiap ulangan harus bersifat independen.

Suatu percobaan dengan n ulangan mempunyai probabilitas sukses p dan gagal
q = 1-p. Jika variabel random X menyatakan banyaknya sukses dalam n ulangan
yang bebas, maka X berdistribusi Binomial dengan distribusi probabilitas :
n x q p
x
n
x n x
,.... 2 , 1 , 0 , p) n, b(x; =
|
|
.
|

\
|
=
÷

Nilai harapan (rata-rata) dan varians dari variabel random yang berdistribusi
Binomial
µ = np
o
2
= npq

Distribusi Hipergeometrik
Ciri-ciri percobaan Hipergeometrik :
1. Sampel acak berukuran n diambil dari populasi berukuran N
2. Dari populasi berukuran N benda, sebanyak k benda diberi label “sukses”, dan
N-k benda diberi label “gagal”.
Dalam populasi N benda, k benda diantaranya diberi label “sukses” dan N-k benda
lainnya diberi label “gagal”. Jika variabel random X menyatakan banyaknya sukses
dalam sampel acak berukuran n, maka X berdistribusi hipergeometrik dengan
distribusi probabilitas
k x
n
N
x n
k N
x
k
,.... 2 , 1 , 0 , k) n, N, h(x; =
|
|
.
|

\
|
|
|
.
|

\
|
÷
÷
|
|
.
|

\
|
=

Nilai harapan dan varians dari variabel random yang berdistribusi Hipergeometrik
adalah
|
.
|

\
|
÷
÷
÷
=
=
N
k
n
k
n
N
n N
N
nk
1 . .
1
2
o
µ

Bila n relatif kecil dibandingkan dengan N, maka distribusi hipergeometrik dapat
dihampiri dengan distribusi binomial
h (x; N, n, k) ÷ b (x; n, p)
Distribusi Poisson
Ciri-ciri percobaan Poisson :
1. Banyaknya hasil percobaan yang terjadi dalam suatu selang waktu tertentu,
tidak tergantung pada banyaknya hasil percobaan yang terjadi pada selang
waktu lain yang terpisah.
2. Probabilitas terjadinya suatu hasil percobaan selama selang waktu yang
singkat, sebanding dengan panjang selang waktu tersebut, dan tidak
tergantung pada banyaknya hasil percobaan yang terjadi di luar selang waktu
tersebut.
3. Probabilitas lebih dari satu hasil percobaan akan terjadi dalam selang waktu
yang singkat, dapat diabaikan.
Jika variabel random X menyatakan banyaknya hasil percobaan yang terjadi dalam
selang waktu tertentu, dan µ adalah rata-rata banyaknya hasil percobaan dalam selang
waktu tersebut, maka X berdistribusi Poisson dengan distribusi probabilitas

,... 2 , 1 , 0 ,
!
) p(x; = =
÷
x
x
e
x
µ
µ
µ

Nilai harapan dan varians dari ariable random yang berdistribusi Poisson keduanya
sama dengan µ.
Misalkan X ~ b(x; n,p), bila n ÷ ·, p ÷ 0, maka
b(x; n,p) ÷ p(x; µ)
dengan µ = np.


DISTRIBUSI PROBABILITAS KONTINU
Distribusi Normal
Variabel random X berdistribusi normal dengan rata-rata µ dan varians o
2
jika
mempunyai fungsi densitas

· < < · =
|
.
|

\
| ÷
÷
x - e
x
,
2
1
) , n(x; = f(x)
2
2
1
o
µ
t o
o µ

Sifat-sifat kurva normal :
1. Modus terjadi pada x = µ
2. Kurva simetris terhadap x = µ
3. Kedua ujung kurva secara asimtotik mendekati sumbu datar x, bila nilai x
bergerak menjauhi µ.
4. Seluruh luas dibawah kurva dan diatas sumbu datar sama dengan 1.

Gambar Kurva Normal

Misalkan ingin dihitung P (x1 < X < x2) dari variabel random X yang berdistribusi
normal, maka berdasar kurva di atas P (x1 < X < x2) = luas daerah yang diarsir.
Untuk menghitung
}
=
2
1
) ( x2) < X < P(x1
x
x
dx x f sulit diselesaikan. Namun dapat
diatasi dengan mentransformasi variabel random normal X jadi variabel random Z
o
µ ÷
=
X
Z
.
Distribusi variabel random Z disebut dengan Distribusi Normal Standart, dengan
fungsi densitas
1. = 2 dan 0 = dengan z - ,
2
1
) (
2
2
µ
t
· < < · =
÷z
e z f

Hampiran Normal Terhadap Distribusi Binomial
Jika variabel random X berdistribusi Binomial dengan mean µ = np dan varians o
2
=
npq, maka variabel random
npq
np X
Z
÷
=

untuk n ÷ · berdistribusi normal standart.


PUSTAKA:
Ross, Sheldon M. 2004 Introduction To Probability And Statistics For Engineers
And Scientists 3
rd
Edition, Elsevier Academic Press. Burlington USA,
Walpole, Ronald E. & Myers. 2002 Probability & Statistics For Engineers &
Scientists 9th Edition. Pearson Education. USA
Nugroho, Sigit. 2008 Metode Statistika Nonparametrik Edisi 1. UNIB Press.
Bengkulu

2. jika seorang geolog dikutip ketika mengatakan bahwa ada peluang 60% minyak di suatu daerah tertentu. Dalam penafsiran yang subjektif. akan ada minyak. dengan bayangan bahwa. peluang suatu hasil yang diberikan dari suatu eksperimen diperlakukan sebagai “harta” hasil itu. kebanyakan dari kita mungkin akan menginterpretasikan statemen ini dalam satu dari dua cara yang mungkin: bisa dengan bayangan bahwa: 1. dalam 60 persen dari daerah-daerah yang muncul kondisi lingkungannya sangat serupa dengan kondisi yang berlaku di dalam daerah pembahasan.” kita semua mungkin mempunyai beberapa gagasan yang intuitif seperti apa yang dikatakannya. geolog percaya bahwa sangat mungkin daerah akan berisi minyak dibanding tidak . Ini adalah penafsiran peluang yang paling lazim antar para ilmuwan. Sebagai contoh. Sungguh. mengenai .6 adalah suatu ukuran dari kepercayaan geolog itu di dalam hipotesis terhadap daerah yang berisi minyak. geolog merasakan.PROBABILITAS PENDAHULUAN Konsep peluang peristiwa dari suatu eksperimen adalah tertentu dan tunduk terhadap berbagai maksud atau penafsiran-penafsiran. dan sesungguhnya . hal itu dibayangkan bahwa harta ini dapat secara operasional ditentukan oleh pengulangan berkesinambungan dari eksperimen. atau. Di dalam penafsiran frekuensi. peluang hasil itu akan tampak sebagai hal yang proporsi dari eksperimen yang mengakibatkan hasil tersebut. Kedua penafsiran di atas terhadap peluang dari suatu peristiwa dikenal sebagai penafsiran frekuensi dan secara subjektif yaitu penafsiran peluang. peluang dari suatu hasil bukanlah dipahami sebagai harta dari hasil tetapi lebih dipertimbangkan sebagai suatu statemen tentang kepercayaan dari orang yang sedang mengutip peluang tersebut.

lalu anda perlu merasakan bahwa kemungkinan hujan atau berawan adalah . ada suatu mufakat bahwa matematika peluang adalah sama di dalam kasus manapun. Beberapa contoh sebagai berikut: 1. kami hadirkan aturan-aturan yang disepakati. Dengan mengabaikan satu penafsiran yang memberi peluang. jika anda berpikir bahwa peluang besok akan hujan adalah .5 bebas dari penafsiran pribadi anda terhadap konsep peluang. Himpunan dari semua hasil yang mungkin pada suatu eksperimen dikenal sebagai ruang contoh dari eksperimen dan ditandai dengan S. . Penafsiran peluang ini sering dipakai oleh ahli filsafat dan pembuat keputusan ekonomi tertentu. Jika hasil dari suatu eksperimen mengandung penentuan jenis kelamin dari seorang anak yang baru lahir. Dengan demikian. marilah kita mengira bahwa himpunan dari semua hasil yang mungkin telah dikenal. bagaimanapun.kesempatan bahwa hasil akan terjadi. b} di mana hasil g berarti bahwa anak adalah seorang anak perempuan dan b adalah seorang anak laki-laki. bagaimanapun.3 dan anda merasakan bahwa kemungkinan akan berawan tetapi tanpa hujan adalah . RUANG CONTOH DAN KEJADIAN Mempertimbangkan suatu hasil eksperimen seseorang tidak dapat diprediksi dengan pasti terlebih dahulu. maka: S = {g . Sebagai suatu pendahuluan. peluang menjadi suatu konsep pribadi atau yang subjektif dan tidak memiliki arti terhadap derajat tingkat kepercayaan seseorang. di dalam penafsiran ini. Di dalam bab ini. kita perlu untuk belajar konsep dari ruang contoh dan kejadian dari suatu eksperimen. Sebagai contoh.2. yang digunakan di dalam teori peluang. Meski hasil dari eksperimen itu tidak diketahui terlebih dahulu. atau aksioma-aksioma.

disebut gabungan kejadian E dan F. 5. Jika eksperimen dari berlangsungnya suatu perlombaan di antara tujuh kuda mempunyai posisi tiang 1. 6. . S = (0. Untuk setiap dua peristiwa E dan F dari suatu ruang contoh S. Setiap E subset dari ruang contoh dikenal sebagai satu peristiwa. Bahwa. lalu kita berkata bahwa E sudah terjadi. 6. Satu peristiwa terdiri dari hasil-hasil yang mungkin dari eksperimen. 7)} Hasil (2. Contoh 1 jika E = {g }. 6. Satu ruang contoh yang mungkin untuk eksperimen ini adalah memperbolehkan S terdiri atas semua bilangan positif. lalu kuda nomor 1 . 4. 3. bahwa kuda nomor 2 kuda yang pertama. dan seterusnya. 7.2. Beberapa contoh kejadian adalah sebagai berikut. untuk semua hasil terdapat di salah satu di dalam E atau dalam F atau di dalam E dan F. maka E adalah peristiwa bahwa anak adalah seorang perempuan. 2. maka: S = {all orderings of (1. Itu jika diperbolehkan. 5. 1. 3. 2. 3. lalu kuda nomor 3 . Jika hasil dari eksperimen itu terdapat di E. 4. Contoh 2 jika E = {semua hasil dalam S dimulai dengan 3} Maka E adalah peristiwa dimana kuda nomor 3 memenangkan perlombaan . 3.∞) di mana hasil akan menjadi x jika pasien bereaksi terhadap suatu dosis berharga x tetapi bukan kepada dosis yang lebih kecil. Umpamakan kita tertarik akan penentuan jumlah dari dosis yang harus diberikan kepada seorang pasien sampai pasien bereaksi secara positif. maka F adalah peristiwa bahwa anak seorang laki-laki. 7) berarti. 4. 5. jika F={b}. kita gambarkan kejadian baru itu E∪F.

dapat juga kita menggambarkan peristiwa yang baru EF. Untuk memberikan nama pada sebuah peristiwa. Didalam contoh 1 jika E = {b} adalah kejadian bahwa anak seorang laki-laki. Jadi ∅ mengacu pada peristiwa yang berisikan hasil. Ec akan terjadi jika hanya E tidak terjadi. yang mana.b}. menyatakan secara tidak langsung bahwa E dan F keduanya tidak dapat terjadi. Peristiwa EF akan terjadi hanya jika keduanya E dan F terjadi. maka EF = (2. maka E∪F adalah peristiwa dimana kuda nomor 6 masuk yang pertama atau yang kedua.10) adalah peristiwa antar 2 dan 10.peristiwa E∪F akan terjadi jika salah satu E atau F terjadi.5) adalah peristiwa yang memerlukan dosis antara 2 dan 5. Dengan cara yang sama. Sebagai contoh. mengacu pada pengimbang E. E∪F akan menjadi keseluruhan ruang contoh S. Sebagai contoh. dalam contoh 3 jika E = (0. Yang mana. Jika EF = ∅. dalam contoh 1 jika E = {g} dan F = {b}. kita dapat mengacu pada peristiwa nol dan ditunjukkan dengan ∅. 5) Adalah peristiwa yang memerlukan dosis kurang dari 5 dan F = (2. maka E∪F ={g. yang disebut persimpangan E dan F. maka E dan F dikatakan satu sama lain saling esklusip. terdiri atas semua hasil yang di dalam keduanya E dan F. . untuk setiap dua kejadian E dan F. untuk berisikan semua hasil didalam ruang contoh S yang bukanlah di dalam E. Dalam contoh 2 jika E = {semua hasil dimulai dengan 6} adalah peristiwa kuda nomor 6 menang dan F = {semua hasil yang memiliki 6 pada posisi kedua} adalah peristiwa kuda nomor 6 masuk yang kedua. Dalam contoh 2 jika E = {semua hasil berakhir dengan lima} adalah kejadian bahwa kuda nomor 5 masuk belakangan dan F = {semua hasil dimulai dengan 5) adalah peristiwa bahwa dimana kuda nomor 5 masuk pertama. kita definisikan peristiwa tersebut Ec. Untuk beberapa kejadian. maka peristiwa EF tidak terdapat hasil sebab itu tidak terjadi.

∪En atau oleh ∪ Ei. i= 1.G…. ditunjukkan salah satu oleh E1 ∪E2∪…..n. maka kita katakan bahwa E terkandung di dalam F dan ditulis E⊂F (atau sama dengan. Dalam faktanya. dengan cara yang sama. . …. …. Jadi jika E⊂F. maka kejadian E dinyatakan juga sebagai kejadian F. pertemuan kejadian Ei. i= 1. kumpulan dari kejadian E1. Dapat juga kita definisikan kumpulan dan pertemuan lebih dari dua kejadian.1.…. Juga dicatat bahwa eksperimen itu harus mengakibatkan beberapa hasil. DIAGRAM VENN DAN ALJABAR DARI KEJADIAN Sebuah gambaran grafis dari kejadian sangat berguna untuk mengilustrasikan logika hubungan diantara mereka adalah diagram Venn.E2. daerah-daerah arsir menunjukkan secara berurut kejadian E ∪F. dengan kata lain. …. 2. adalah gambaran yang terdiri atas semua titik dalam lingkaran yang diberikan kedalam segi empat. Ruang contoh S terdiri dari semua titik didalam luasan segi empat. Diagram Venn pada gambar 3. pertemuan terjadi ketika semua kejadian Ei terjadi. Jika E⊂F dan F⊂E. maka kita katakan bahwa E dan F adalah sama (atau serupa) dan kita tulis E=F. didefinisikan sebagai kejadian yang berisikan seluruh hasil di dalam Ei untuk sedikitnya satu i= 1. Untuk setiap dua kejadian E dan F. di dalam tiga diagram Venn ditunjukkan dalam gambar 3. jika semua hasil di dalam E juga ada didalam F. F⊂E). kesimpulannya adalah Sc=∅. didefinisikan sebagai kejadian yang berisikan hasil itu berada di dalam semua kejadian Ei. 2. dan Ec. Sebagai contoh. 2.En.n.2 menandai bahwa E ⊂ F.F.. dan kejadian E. n. kumpulan Ei terjadi ketika sedikitnya satu dari kejadian Ei terjadi.maka Ec = {g} adalah kejadian bahwa anak adalah seorang perempuan. ditunjukkan oleh E1E2… En. Kejadian yang menarik dapat kemudian ditandai dengan mengarsir daerah-daerah sesuai diagram. EF.

. Sebagai contoh.Operasi pembentukan kumpulan. pertemuan. dan komplemen-komplemen dari kejadian mematuhi aturan-aturan tertentu tidak berbeda dengan ketentuanketentuan aljabar. Satu jalan mempertunjukkan ini adalah dengan bantuan diagram Venn. Kita daftar sedikit tentang ini: Hukum Komutatif E ∪ F = F ∪E EF = FE Hukum Asosiatif (E ∪ F ) ∪ G = E ∪ (F ∪ G) (EF )G = E(FG ) Hukum Distributif (E ∪ F )G = EG ∪ FG EF ∪ G = (E ∪ G )(F ∪ G ) Hubungan-hubungan ini dibuktikan dengan mempertunjukkan bahwa semua hasil yang terdapat di peristiwa pada sisi kiri dari persamaan itu juga terdapat di peristiwa pada sisi kanan dan sebaliknya. Hukum Distributif bisa dibuktikan oleh urutan dari diagram yang ditunjukan dalam Gambar 33.

. (E ∪ F )c = EcF c (EF )c = Ec ∪ F c VARIABEL RANDOM Variabel random adalah suatu fungsi yang memetakan ruang sampel (S) ke himpunan bilangan Real (R). pertemuan. atau 3 dapat diberikan pada setiap titik sampel. Dari percobaan ini dapat didefinisikan beberapa variabel random yang mampu memetakan ruang sampelnya ke dalam bilangan real. GAA. 2. Ruang sampelnya S = {GGG. 1. AAA}. dan komplemen-komplemen dari kejadian dikenal sebagai hukum DeMorgan.Manfaat hubungan berikut antara ke tiga operasi dasar pembentukan kumpulan. Maka nilai numerik 0. AGG. Salah satu variabel random yang dapat dibuat adalah X = banyaknya sisi gambar yang muncul. GAG. AAG. AGA. dan ditulis X : S  R CONTOH : Pelemparan uang logam setimbang sebanyak tiga kali. GGA.

banyaknya yang meninggal karena terserang suatu infeksi pernafasan setiap tahun di Surabaya.lamanya reaksi kimia tertentu . CONTOH: .Ruang Sampel Diskrit adalah apabila ruang sampelnya mengandung titik sampel yang berhingga atau terhitung banyaknya. .jarak yang ditempuh sebuah mobil yang diisi dengan 5 liter bensin. maka dikatakan sistem diskrit. Jika perubahan keadaan yang terjadi hanya pada waktu tertentu. bukan pada setiap titik waktu. . Kedisktritan suatu sistem dapat dilihat dari perubahan keadaan sistem dari waktu ke waktu.banyaknya barang yang cacat. Variabel random yang didefinisikan di atas ruang sampel diskrit disebut variabel random diskrit. DISKRIT DAN KONTINU. Dalam hal lain dikatakan sistem kontinu. dan memuat semua bilangan real dalam suatu interval. Ruang Sampel Kontinu adalah apabila ruang sampelnya mengandung titik sampel yang tak berhingga banyaknya. CONTOH: . dalam pengambilan sampel sebesar k barang. Variabel random yang didefinisikan di atas ruang sampel kontinu disebut variabel random kontinu.

tekanan udara. tetapi pola penyebarannya juga harus kita ketahui. Ada beberapa cara yang bisa ditempuh : 1. berat kemasan. untuk sistem kontinu.Dalam membuat suatu simulasi. jumlah sumber daya manusia. akan dijumpai variabel kontinu. Contoh mendapatkan variabel kontinu dengan menggunakan alat ukur. jumlah mesin yang dibutuhkan. maka kita pelajari mengenai pola distribusinya. tidak hanya sifatnya yang harus kita ketahui. Ringkasan Statistik Beberapa distribusi dapat dikarakteristikan paling tidak oleh ringkasan statistik datanya. Mean x   fixi  fi . pola distribusi variabel acak yang diambil akan sesuai dengan pola distribusi data yang sebenarnya. Contoh mendapatkan variabel diskrit dengan menghitung jumlah produk cacat. waktu proses. harus sesuai dengan perilaku sistem. Agar simulasi yang kita lakukan nantinya sesuai dengan keadaan yang sebenarnya. akan dijumpai variabel diskrit. Dari ringkasan ini dapat diketahui keluarga distribusinya. sehingga pada saat melakukan simulasi nantinya. Dari sistem diskrit. PENDUGAAN POLA DISTRIBUSI Kita perlu mengetahui pola distribusi dari data pengamatan. Dari variabel diatas didapatlah data pengamatan. Nilai-nilai pemusatan merupakan besaran statistik yang cukup penting guna menduga keluarga distribusi. waktu antar kedatangan.

Untuk distribusi simetris.Median (med  batasbawahkelasmed  lebarkelas* (  fi  2  fisebklsmed f kelasmed )) ) misalnya. Untuk nilai koefisien varian 1(satu) maka dapat diduga data berdistribusi eksponensial. pada distribusi kontinu jika nilainya sama. Jika nilai rasio lexis < 1 dugaan berdistribusi Binomial dan Jika nilai rasio lexis > 1 dugaan berdistribusi binomial negatif. a. skewness > 0 distribusi akan menjulur kekanan dan sebaliknya ke kiri. skewness bernilai 0(nol). Koefisien varian (cv  s X ) juga mempunyai peranan yang penting dalam menduga keluarga distribusi. maka dari nilai rasio lexis (  s X ) dapat 2 diduga distribusinya. Untuk distibusi diskrit. Histogram dan Grafik Garis Dari bentuk histogram data. Jika nilai rasio lexis = 1 dugaan berdistribusi poisson. Misal nilai skewness = 2 berarti data berdistribusi eksponensial. c. b. jika lebih besar atau lebih kecil dari satu maka dugaan mengarah kepada ditribusi Gamma. maka dapat dipastikan bahwa kurva distribusi berbentuk simetris. maka memcerminkan pola distribusinya. jika. Kelandaian distribusi (Skewness) Rumus Skewness (  3*( meanmedian) s ) . Sebelum kita melakukan pendugaan pola distribusi dari data yang kita amati. 2. perlu kita pelajari terlebih dahulu fungsi Distribusi .

3. f(x)) merupakan suatu fungsi probabilitas atau distribusi proabilitas dari variabel random diskrit. P( X  x)  f ( x) Rata-rata dan varians dari variabel random diskrit X  2  E[( X   ) 2 ]   x ( x   ) 2 f ( x)   E ( X )   x xf ( x) DISTRIBUSI PROBABILITAS KONTINU Fungsi f(x) adalah fungsi kepadatan (density) probabilitas untuk variabel kontinu X. f ( x)  0   - f ( x)dx  1 b a P(a  X  b)   f ( x)dx Rata-rata dan varians dari variabel random kontinu X   E ( X )   xf ( x)dx    2  E[( X   ) 2 ]   ( x   ) 2 f ( x)dx   . 2. 2.DISTRIBUSI PROBABILITAS DISKRIT Himpunan pasangan terurut (x. f ( x)  0  x f ( x)  1 3. jika 1. jika 1.

Probabilitas sukses (p) untuk setiap ulangan adalah sama 4. p)    p x q n  x  x   . Jika variabel random X menyatakan banyaknya sukses dalam n ulangan yang bebas. Percobaan terdiri dari n ulangan 2.. Sampel acak berukuran n diambil dari populasi berukuran N 2. . x  0. sebanyak k benda diberi label “sukses”.BEBERAPA DISTRIBUSI PROBABILITAS DISKRIT Distribusi Binomial Ciri-ciri percobaan binomial : 1..1. Setiap ulangan harus bersifat independen. Suatu percobaan dengan n ulangan mempunyai probabilitas sukses p dan gagal q = 1-p. dan N-k benda diberi label “gagal”. maka X berdistribusi Binomial dengan distribusi probabilitas : n b(x. Dari populasi berukuran N benda. n.n Nilai harapan (rata-rata) dan varians dari variabel random yang berdistribusi Binomial  2 = np = npq Distribusi Hipergeometrik Ciri-ciri percobaan Hipergeometrik : 1..2.. Setiap hasil ulangan dapat digolongkan sebagai sukses (S) atau gagal (G) 3.

N.2.. Jika variabel random X menyatakan banyaknya sukses dalam sampel acak berukuran n. n. N. k)  N   n   . 2. Banyaknya hasil percobaan yang terjadi dalam suatu selang waktu tertentu. p) Distribusi Poisson Ciri-ciri percobaan Poisson : 1. k benda diantaranya diberi label “sukses” dan N-k benda lainnya diberi label “gagal”. x  0.. 1   N 1 n  N  Bila n relatif kecil dibandingkan dengan N. maka X berdistribusi hipergeometrik dengan distribusi probabilitas  k  N  k     x  n  x      h(x.Dalam populasi N benda. k)  b (x. Probabilitas terjadinya suatu hasil percobaan selama selang waktu yang singkat. sebanding dengan panjang selang waktu tersebut. maka distribusi hipergeometrik dapat dihampiri dengan distribusi binomial h (x. .. n. n..n.k Nilai harapan dan varians dari variabel random yang berdistribusi Hipergeometrik adalah nk N N n k  k  2  .1. tidak tergantung pada banyaknya hasil percobaan yang terjadi pada selang waktu lain yang terpisah. dan tidak tergantung pada banyaknya hasil percobaan yang terjadi di luar selang waktu tersebut.

dapat diabaikan..2.  . n. x  0. -  x   1. Modus terjadi pada x =  2.  )  Sifat-sifat kurva normal : 1  2 e 1  x     2   2 . p  0. Nilai harapan dan varians dari ariable random yang berdistribusi Poisson keduanya sama dengan .. ) dengan  = np. maka X berdistribusi Poisson dengan distribusi probabilitas e   x p(x.p)  p(x. Misalkan X  b(x. dan  adalah rata-rata banyaknya hasil percobaan dalam selang waktu tersebut. maka b(x.1. n. Jika variabel random X menyatakan banyaknya hasil percobaan yang terjadi dalam selang waktu tertentu. Kurva simetris terhadap x =  ..3. DISTRIBUSI PROBABILITAS KONTINU Distribusi Normal Variabel random X berdistribusi normal dengan rata-rata  dan varians 2 jika mempunyai fungsi densitas f(x) = n(x.p). Probabilitas lebih dari satu hasil percobaan akan terjadi dalam selang waktu yang singkat.  )  x! . bila n  .

Gambar Kurva Normal Misalkan ingin dihitung P (x1 < X < x2) dari variabel random X yang berdistribusi normal. dengan fungsi densitas 1  z2 2 f ( z)  e 2 . maka berdasar kurva di atas P (x1 < X < x2) = luas daerah yang diarsir. 4. Namun dapat x1 diatasi dengan mentransformasi variabel random normal X jadi variabel random Z Z X   . Distribusi variabel random Z disebut dengan Distribusi Normal Standart. bila nilai x bergerak menjauhi . . -  z   dengan  = 0 dan 2 = 1.3. Seluruh luas dibawah kurva dan diatas sumbu datar sama dengan 1. Untuk menghitung P(x1< X < x2)  x2  f ( x) dx sulit diselesaikan. Kedua ujung kurva secara asimtotik mendekati sumbu datar x.

Walpole. & Myers. 2008 Metode Statistika Nonparametrik Edisi 1. PUSTAKA: Ross. USA Nugroho. Burlington USA. Elsevier Academic Press. 2004 Introduction To Probability And Statistics For Engineers And Scientists 3rd Edition. Bengkulu . Sigit. Ronald E.Hampiran Normal Terhadap Distribusi Binomial Jika variabel random X berdistribusi Binomial dengan mean  = np dan varians 2 = npq. Pearson Education. Sheldon M. maka variabel random Z  X  np npq untuk n   berdistribusi normal standart. UNIB Press. 2002 Probability & Statistics For Engineers & Scientists 9th Edition.

.p) p p(x.. Misalkan X b b(x. Q ) ! x! .3. DISTRIBUSI PROBABILITAS KONTINU Distribusi Normal Variabel random X berdistribusi normal dengan rata-rata Q dan varians W2 jika mempunyai fungsi densitas f(x) = n(x. Modus terjadi pada x = Q 2. x ! 0. Q . dan Q adalah rata-rata banyaknya hasil percobaan dalam selang waktu tersebut. dapat diabaikan. n..2. Jika variabel random X menyatakan banyaknya hasil percobaan yang terjadi dalam selang waktu tertentu. maka X berdistribusi Poisson dengan distribusi probabilitas e Q Q x p(x. Q) dengan Q = np.p). p p 0. Probabilitas lebih dari satu hasil percobaan akan terjadi dalam selang waktu yang singkat. Kurva simetris terhadap x = Q . n. maka b(x. Nilai harapan dan varians dari ariable random yang berdistribusi Poisson keduanya sama dengan Q. W ) ! Sifat-sifat kurva normal : 1 W 2T e 1 ¨ xQ ¸  © ¹ 2ª W º 2 . -g x g 1. bila n p g.1.

x2 Untuk menghitung P(x1 < X < x2) ! ´ f ( x) dx sulit diselesaikan. Seluruh luas dibawah kurva dan diatas sumbu datar sama dengan 1. Kedua ujung kurva secara asimtotik mendekati sumbu datar x. maka berdasar kurva di atas P (x1 < X < x2) = luas daerah yang diarsir.3. bila nilai x bergerak menjauhi Q. dengan fungsi densitas 1  z2 2 f ( z) ! e 2T . Distribusi variabel random Z disebut dengan Distribusi Normal Standart. . -g z g dengan Q = 0 dan 2 = 1. Namun dapat x1 diatasi dengan mentransformasi variabel random normal X jadi variabel random Z Z! X Q W . Gambar Kurva Normal Misalkan ingin dihitung P (x1 < X < x2) dari variabel random X yang berdistribusi normal. 4.

Walpole. 2004 Introduction To Probability And Statistics For Engineers And Scientists 3rd Edition. Bengkulu . & Myers. Sheldon M. PUSTAKA: Ross. 2002 Probability & Statistics For Engineers & Scientists 9th Edition. USA Nugroho. maka variabel random Z ! X  np npq untuk n p g berdistribusi normal standart. Elsevier Academic Press. Ronald E. 2008 Metode Statistika Nonparametrik Edisi 1.Hampiran Normal Terhadap Distribusi Binomial Jika variabel random X berdistribusi Binomial dengan mean Q = np dan varians W2 = npq. Sigit. UNIB Press. Pearson Education. Burlington USA.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->