You are on page 1of 30

Tugas Kelompok

PROBABILITAS
Oleh :
KELOMPOK 2
Halimatus Sakdiah
Jeperis Nahampun
Nova Irwan

Jurusan : Pendidikan Fisika
Prodi : Magister Pendidikan Fisika
Mata Kuliah : Fisika Statistika
Dosen : Prof. Dr. Sahyar, M.S





PROGRAM PASCASARJANA
UNIVERSITAS NEGERI MEDAN
2013

BAB I
PENDAHULUAN
Mengapa kita belajar fisika statistik? Karena...? Jika kita perhatikan di alam semesta
ini, materi atau benda makroskopik terdiri dari benda-benda mikroskopik seperti molekul,
atom dan yang lebih keci lagi, elektron. Dengan melihat nama mata kuliah Fisika
Statistik, kita dapat menyimpulkan bahwa ada dua komponen yang penting yaitu fisika
yang berkaitan dengan dinamika atom atau molekul, pada khususnya dengan energi dan
statistik yang berhubungan dengan konsep peluang atau probabilitas.
Penggunaan istilah statistika berakar dari istilah-istilah dalam bahasa latin modern
statisticum collegium (dewan negara) dan bahasa Italia statista (negarawan atau
politikus). Pada tahun 1749, Gottfried Achenwall menggunakan statistika dalam bahasa
Jerman sebagai nama bagi kegiatan analisis data kenegaraan, dengan mengartikannya
sebagai ilmu tentang negara (State). Pada awal abad ke-19 telah terjadi pergeseran arti
menjadi ilmu pengumpulan dan klasifikasi data yang dibawa oleh Sir John Sinclair dalam
bahasa Inggris yang dikenal dengan statistics.
Sebagai suatu ilmu, kedudukan statistika merupakan salah satu cabang dari ilmu
matematika terapan. Oleh karena itu untuk memahami statistika pada tingkat yang tinggi,
terebih dahulu diperlukan pemahaman ilmu matematika. Penggunaan statistika pada masa
sekarang dapat dikatakan telah menyentuh semua bidang ilmu pengetahuan, mulai dari
astronomi hingga linguistika. Bidang-bidang ekonomi, biologi dan cabang-cabang
terapannya, serta psikologi banyak dipengaruhi oleh statistika dalam metodologinya.
Akibatnya lahirlah ilmu-ilmu gabungan seperti ekonometrika, biometrika (atau
biostatistika), dan psikometrika.
Sebelum kita mempelajari Fisika statistika lebih lanjut, maka kita perlu mengetahui
beberapa konsep statistika yang akan dipelajari dalam Fisika Statistika. Beberapa konsep
tersebut antara lain: konsep probabilitas, aturan peluang, distribusi peluang, nilai ekspentasi
dan varians dan simpangan baku.






BAB II
ISI
1. KONSEP PROBABILITAS

I. Pengertian Probabilitas dan Manfaat Probabilitas

A. Pengertian Probabilitas
Probabilitas adalah suatu ukuran tentang kemungkinan suatu peristiwa (event) akan
terjadi di masa mendatang. Probabilitas dinyatakan antara 0 sampai 1 dan dinyatakan dalam
desimal (misalnya: 0,65) atau dalam persentase (65%). Probabilitas 0 menunjukkan
peristiwa yang tidak mungkin terjadi. Probabilitas satu menunjukkan peristiwa yang pasti
terjadi. Maka probabilitas dapat didefinisikan sebagai peluang suatu kejadian.

B. Manfaat Probabilitas
Membantu dalam 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 dihasilkan perusahaan (sukses atau tidak )
Dalam Probabilitas ada 3 hal yang penting yaitu percobaan (experiment), hasil (out
come) dan peristiwa (event). Percobaan adalah aktivitas yang menghasilkan suatu peristiwa.
Misalnya: kegiatan melempar uang, akan menghasilkan peristiwa muncul gambar atau
angka. Hasil adalah suatu hasil dari suatu percobaan tersebut, yaitu muncul gambar atau
angka. Sedangkan peristiwa adalah hasil yang terjadi dari suatu kejadian.

II. Pendekatan Terhadap Probabilitas
Untuk menentukan tingkat probabilitas ada 3 pendekatan yaitu : pendekatan klasik,
pendekatan relatif dan pendekatan subjektif.
A. Pendekatan Klasik
Pendekatan klasik mengasumsikan bahwa sebuah peristiwa mempunyai kesempatan untuk
terjadi yang sama (equally likely). Probabilitas suatu peristiwa dinyatakan sebagai ratio
antara jumlah kemungkinan hasil (peristiwa) dengan total kemungkinan hasil

Jumlah kemungkinan hasil (peristiwa)
Probabilitas suatu peristiwa = ------------------------------------------------
Jumlah total kemungkinan hasil


Percobaan Kemungkinan Hasil Jumlah Total Probabilitas
Kegiatan melempar
uang
1 muncul gambar
1 muncul angka
2 0,5
0,5
Mahasiswa belajar 1 lulus memuaskan
1 lulus sangat
memuaskan
1 lulus terpuji
3 0,33
0,33
0,33


Peristiwa saling lepas (mutually exclusive) adalah terjadinya suatu peristiwa sehingga
peristiwa lain tidak terjadi pada waktu yang sama.
Pada suatu percobaan yang mempunyai hasil lebih dari satu, dan semua hasil mempunyai
probabilitas sama serta hanya satu peristiwa terjadi, maka peristiwa ini dikenal dengan
lengkap terbatas kolektif (collective exhaustive).

B. Pendekatan Relatif
Besar probabilitas suatu peristiwa tidak dianggap sama, tetapi tergantung pada berapa
banyak suatu peristiwa terjadi dari keseluruhan percobaan atau kegiatan yang dilakukan.

Jumlah peristiwa yang terjadi
Probabilitas kejadian relatif = ------------------------------------------
Jumlah total percobaan/kegiatan


Pada kegiatan AFI 3 didapatkan 1000 pemirsa TV yang mengirim SMS untuk memilih
bintang idolanya, sehingga didapatkan probabilitas relatif sebagai berikut :

Bintang idola SMS Probabilitas relatif
Arif
Tyas
600
400
0,6
0,4
jumlah 1000

Jadi pendekatan relatif mendasarkan besarnya probabilitas pada banyaknya suatu peristiwa
terjadi dari keseluruhan percobaan, kegiatan atau pengamatan yang dilakukan.

C. Pendekatan Subyektif
Pendekatan Subyektif adalah menentukan besarnya probabilitas suatu peristiwa didasarkan
pada penilaian pribadi dan dinyatakan dalam derajat kepercayaan.

Penilaian Subyektif diberikan karena terlalu sedikit atau tidak ada informasi yang diperoleh
atau berdasarkan keyakinan. Contoh : Menurut masyarakat, penggemar AFI mulai
menurun pada tahun 2006.

III. KONSEP DASAR dan HUKUM PROBABILITAS
Probabilitas kejadian dilambangkan dengan P, apabila kejadian jual saham
dinyatakan dengan huruf A, maka probabilitas jual saham dinyatakan dengan P(A).
Sebaliknya apabila kejadian beli saham adalah B, maka probabilitas beli saham dinyatakan
dengan P(B). Dalam mempelajari hukum dasar probabilitas akan dibahas hukum
penjumlahan dan hukum perkalian.

A. Hukum Penjumlahan
Hukum penjumlahan menghendaki peristiwa yang saling lepas atau mutually
exclusive yaitu apabila suatu peristiwa terjadi, maka peristiwa lain tidak dapat terjadi pada
saat bersamaan. Apabila kejadian menulis berita P(A) , maka kejadian menyiarkan berita
P(B) tidak terjadi pada waktu yang bersamaan.

Jika kejadian A dan B saling lepas hukum penjumlahan menyatakan :
P ( A

B ) = P(A atau B) = P(A) + P(B)



Untuk kejadian yang lebih banyak dilambangkan sampai n, yaitu :
P(A atau B atau ...... n) = P(A) + P(B) + ........... P(n).
Contoh :
Kegiatan jual-beli saham di BEJ untuk 3 perusahaan perbankan dengan jumlah total
sebanyak 200 transaksi.
Jenis transaksi Volume transaksi
Jual saham (A)
Beli saham (B)
120
80
Jumlah 200
Dari tabel di atas diketahui bahwa : P(A) = 120/200 = 0,60
P(B) = 80/200 = 0,40
Sehingga probabilitas A atau B :
P(A atau B) = P(A) + P(B) = 0,6 + 0,4 = 1,0


B. Peristiwa atau Kejadian Bersama
Contohmya dalam kegiatan jual saham pastilah diketahui saham apa yang dijual atau
beli saham, saham apa yang dibeli. Jadi kegiatannya ada 2 jenis yaitu (a) kegiatan jual
saham dan (b) sahamnya adalah saham BCA. Oleh sebab itu ada kegiatan bersama (joint
event), seperti kejadian jual saham dilambangkan P(A) dan sahamnya BCA adalah P(D)
atau kejadian beli P(B) dan sahamnya BCA P(D).
Probabilitas kejadian bersama dilambangkan P(AD) untuk kejadian jual saham BCA
dan P(BD) untuk kejadian beli saham BCA
Contoh :
Hitung berapa probabilitas jual saham BCA : P(AD) dan probabilitas beli saham BCA :
P(BD) dari Tabel berikut.

Tabel 1. Kegiatan Jual-Beli Saham dari Perusahaan BCA, BLP dan BNI
Kegiatan Perusahaan Jumlah
BCA (D) BLP (E) BNI (F)
Jual (A)
Beli (B)
30
40
50
30
40
10
120
80
Jumlah 70 80 50 200

Kegiatan jual saham dan sahamnya BCA ada 30 transaksi. Kegiatan beli saham dan
sahamnya BCA ada 40. Sehingga probabilitas P(AD) dan P(BD) adalah :
P(AD) = 30/200 = 0,15
P(BD) = 40/200 = 0,20

DIAGRAM VENN
Pada peristiwa bersama dua atau lebih peristiwa, lebih mudah dilihat dengan diagram
Venn. Pada diagram Venn terlihat adanya perhitungan ganda yaitu kejadian AD. Kejadian
AD tersebut masuk dihitung ke dalam kejadian A dan kejadian D, maka rumus penjumlahan
probabilitas dirumuskan sebagai berikut :
P(A atau D) = P(A) + P(D) P(AD)
P ( A

D ) = P (A ) + P ( D ) P (A

D)

Berapa probabilitas kejadian jual saham atau saham BCA : P( A atau D)
P(A atau D) = P(A) + P(D) P(AD)
= 0,6 + 0,35 0,15
= 0,80



A AD D



C. Peristiwa Kejadian Saling Lepas ( Mutually Exclusive)
Kejadian saling lepas terjadi apabila hanya satu dari dua atau lebih peristiwa yang terjadi.
Dapat digambarkan dengan diagram Venn sebagai berikut :

A B


Pada diagram Venn terlihat bahwa peristiwa A (jual saham) dan peristiwa B (beli saham )
saling lepas.
P(AB) = 0
Maka P(A atau B) = P(A) + P(B) P (AB)
= P(A) + P(B) - 0
P (A atau B) = P(A) + P(B)
Contoh :
Hitung berapa probabilitas kejadian jual saham dan beli saham : P(AB) dan probabilitas
kejadian untuk saham BCA, BLP dan BNI : P(DEF).
Data lihat Tabel 1.
P (A atau B) = P(A)+ P(B) P(AB)
= 0,6 + 0,4 - 0
= 1
D. Hukum Perkalian
Dalam konsep probabilitas, aturan perkalian diterapkan secara berbeda menurut
jenis kejadiannya. Ada dua jenis kejadian yaitu kejadian
bebas ( independent event ) dan tak bebas ( dependent event )
a). Hukum perkalian untuk probabilitas kejadian A dan B yang saling bebas
(independen) dinyatakan sebagai berikut :
P ( A

B ) = P(A dan B) = P(A) x P(B)


Contoh :
Saudara diminta melemparkan uang logam dua kali ke udara. Berapa probabilitas ke dua
lemparan tersebut menghasilkan gambar ?
Jawab :
Pada lemparan pertama, probabilitas muncul gambar = dan pada lemparan ke dua,
probabilitas muncul angka = .
Maka P(A dan B) = P(A) x P(B)
= x =

b). Probabilitas Bersyarat ( Conditional Probability)

Probabilitas bersyarat adalah probabilitas suatu peristiwa akan terjadi dengan ketentuan
peristiwa yang lain telah terjadi. Probabilitas bersyarat dilambangkan dengan P(A|B) yaitu
probabilitas peristiwa A, dengan syarat peristiwa B telah terjadi.
P(Adan B) = P(A) x P(B|A)

Tabel 1. Kegiatan Jual-Beli Saham dari Perusahaan BCA, BLP dan BNI
Kegiatan Perusahaan Jumlah
BCA (D) BLP (E) BNI (F)
Jual (A)
Beli (B)
30
40
50
30
40
10
120
80
Jumlah 70 80 50 200

Contoh : Dengan melihat data pada Tabel 1, berapakah probabilitas terjualnya saham BCA :
P( D|A) dan probabilitas saham BCA terjual : P( A|D) ?

Jawab :
Probabilitas terjualnya saham BCA : P( D|A) : Saham BCA yang terjual 30 dan jumlah
transaksi jual saham 120 maka P(D|A) = 30/120 = 0,25
Probabilitas saham BCA terjual : P( A|D) Jumlah transaksi saham BCA ada 70 dan saham
BCA yang terjual ada 30, maka P(A|D) = 30/70 = 0,43
Dari nilai di atas terlihat bahwa probabilitas P(A|D) dan P(D|A) bisa berbeda, namun bisa
saja sama.

F. Peristiwa Pelengkap ( Complementary Event)

Peristiwa pelengkap menunjukkan bahwa apabila ada dua peristiwa A dan B yang saling
melengkapi, sehingga apabila peristiwa A tidak terjadi, maka peristiwa B pasti terjadi.

P(A) + P(B) = 1 atau P(A) = 1 P(B)

Dinyatakan dengan diagram Venn sebagai berikut :



A B



Peristiwa A dan B dikatakan sebagai peristiwa komplemen.
Contoh : kegiatan jual beli saham menghasilkan dua hasil yaitu kegiatan jual P(A) atau
kegiatan beli P(B). Apabila diketahui P(A) = 0,8, maka P(B) = 1 0,8 = 0,2


IV. DIAGRAM POHON PROBABILITAS

Diagram pohon merupakan suatu diagram yang menyerupai pohon, dimulai dari
batang kemudian menuju ranting dan daun. Berguna dalam membantu menggambarkan
probabilitas atau probabilitas bersyarat dan probabilitas bersama. Diagram ini sangat
berguna untuk menganalisis keputusan-keputusan bisnis dimana terdapat tahapan-tahapan
pekerjaan. Tahapan tahapan tersebut adalah sebagai berikut :
1. Langkah awal kegiatan, dimulai dengan tanda bulatan dengan angka 1. Tahap 1
diumpamakan sebagai pohon utamanya berupa kegiatan di bursa saham. Nilai
probabilitas pada tahap1 adalah = 1.
2. Membuat cabang . Kegiatan di bursa ada 2 yaitu kegiatan jual dan kegiatan beli
saham. Probabilitas jual saham = 0,6 dan probabilitas beli saham = 0,4. Nilai
probabilitas pada cabang = 0,6 + 0,4 = 1,0.
3. Membuat ranting. Pada setiap cabang, baik jual maupun beli ada 3 ranting jenis
saham yaitu BCA, BLP dan BNI. Nilai probabilitas setiap ranting = 0,35 + 0,40 +
0,25 = 1,0.
4. Menghitung probabilitas bersama ( joint probability) antara kejadian pertama A dan
B dengan kejadian ke dua D, E dan F. Kita dapat menghitung probabilitas P(D|A)
atau P(E|B) secara langsung. Nilai probabilitas keseluruhan pada tahap 4 juga harus
sama dengan 1,0.
V. BEBERAPA PRINSIP MENGHITUNG
Beberapa prinsip menghitung yang bermanfaat dalam mempelajari probabilitas yaitu
Faktorial, Permutasi dan Kombinasi .

A. Faktorial
Faktorial digunakan untuk mengetahui berapa banyak cara yang mungkin dalam
mengatur sesuatu dalam suatu kelompok Contohnya adalah berapa cara menyusun
urutan ke tiga bank BCA, BLP dan BNI ? Urutan ke tiga bank tersebut adalah :

BCA BLP BNI BCA BNI BLP BLP BCA BNI
BLP BNI BCA BNI BCA BLP BNI BLP BCA
Jadi ada 6 cara untuk mengurutkan nama bank.

Pola untuk menjawab pertanyaan tersebut adalah untuk meletakkan urutan pertama
dari 3 bank, saudara mempunyai 3 pilihan yaitu BCA, BLP atau BNI. Apabila urutan
pertama saudara tentukan BCA maka urutan ke dua tinggal 2 pilihan yaitu BLP dan
BNI. Apabila urutan ke dua memilih BLP maka urutan ke tiga hanya ada satu pilihan
yaitu BNI.
Dengan demikian banyaknya urutan adalah perkalian dari pilihan tersebut yaitu 3 x
2 x 1 = 6. Dengan demikian mudah untuk mengetahui berapa banyak cara yang
mungkin dalam memilih presiden dari 5 pilihan yang ada.
Dalam matematika perhitungan tersebut dikenal dengan faktorial yang biasa
dilambangkan dengan (!), yang perlu diketahui bahwa 0! didefinisikan dengan 1,
sedangkan
n! = n x (n 1 ) x ( n 2 )x ( n 3 )x ( n 4 ) x . 1.
Contoh :
Ada berapa cara menyusun urutan dari 5 perusahaan yang memberikan dividen yang
terbesar ?
Penyelesaian :
Menyusun urutan 5 perusahaan = 5! = 5 x 4 x 3 x 2 x 1 = 120 cara

B. PERMUTASI
Permutasi digunakan untuk mengetahui sejumlah kemungkinan susunan ( arrangement)
jika terdapat satu kelompok obyek. Pada Permutasi ini kita berkepentingan dengan
susunan atau urutan dari obyek. Permutasi dirumuskan sebagai berikut :

nPr = n! / (n - r)!

Keterangan :
P : Jumlah permutasi atau cara obyek disusun
n : Jumlah total obyek yang disusun
r : Jumlah obyek yang digunakan pada saat bersamaan, jumlah r dapat
sama dengan n atau lebih kecil
! : tanda dari faktorial
Contoh : 1
Ada berapa susunan yang mungkin dari 3 bank yang ada, apabila tiap susunan terdiri
dari 2 bank.
Penyelesaian:

6 1 / ) 1 2 3 ( ! 1 / ! 3 )! 2 3 /( ! 3
2 3
= = = = x x P

Susunan tersebut adalah :
BCA BLP, BCA BNI, BLP BCA, BLP BNI, BNI BCA, BNI BLP

Contoh : 2
Apabila ada 20 perusahaan yang memberikan dividen tahun 2003 dan disusun
berdasarkan kinerja perusahaan dimana tiap kelompok terdiri 5 perusahaan, ada berapa
cara susunan perusahaan tersebut.
Penyelesaian :
480 . 860 . 1 ! 15 / ! 15 16 17 18 19 20 )! 5 20 /( ! 20
5 20
= = = x x x x x P


C. KOMBINASI
Kombinasi digunakan apabila kita tertarik pada berapa cara sesuatu diambil dari
keseluruhan obyek tanpa memperhatikan urutannya. Misalkan ada 10 bank dan kita
hanya mengambil 3 bank, mak ada berapa kombinasi bank yang dapat diambil tanpa
memperhatikan urutannya atau susunannya .
Catatan : Apabila dalam permutasi dibedakan susunan seperti BCA BNI dengan BNI
BCA, maka dalam kombinasi tidak dibedakan susunannya sehingga susunan BCA BNI
dianggap sama dengan BNI BCA.

Jumlah kombinasi dirumuskan sebagai berikut :
nCr = n! / r!(n - r)!

Contoh 3.
Ada 5 bank yang mengajukan kredit portofolio ke Bank Indonesia . Sementara itu Bank
Indonesia hanya akan memilih 2 bank saja . Ada berapa kombinasi bank yang dapat
dipilih oleh bank Indonesia ?
Penyelesaian :
nCr = n! / r!(n - r)!
= 5!/2!(5-2)! = 5!/2!x3! = 5x4x3!/2x1x3!
= 5x2 = 10

Jadi ada 10 kombinasi dan probabilitas setiap kombinasi terpilih adala 1/10

Misalkan nama Bank adalah A, B, C, D, E maka 10 kombinasinya adalah :
AB AC AD AE BC
BD BE CD CE DE

Ringkasan :
Konsep dasar perhitungan dalam probabilitas ada 3 yaitu faktorial, permutasi dan
kombinasi.
a. Faktorial (n!) untuk mengetahui berapa banyak cara yang mungkin dalam
mengatur sesuatu dalam suatu kelompok.
b. Permutasi untuk mengetahui seberapa banyak susunan dari n objek diambil r
objek dengan memperhatikan urutan susunan nya.
nPr = n! / (n - r)!
c. Kombinasi untuk mengetahui susunan yang mungkin terjadi dari n objek
yang diambil r objek tanpa memperhatikan urutan susunannya
nCr = n! / r!(n - r)!

2. PELUANG DAN DISTRIBUSI PELUANG
1.1. Peluang
1.1.1. Definisi Peluang
Peluang berarti kemungkinan dan bagaimana kemungkinan itu terjadi dapat di
definisikan sebagai berikut :
1. Definisi secara klasik
Misalkan sebuah peristiwa E dapat terjadi sebanyak n kali diantara N
peristiwa yang saling ekslusif dan masing-masing terjadi dengan kesempatan
yang sama, maka peluang peristiwa E terjadi adalah n/N dan ditulis dalam
notasi
N
n
E P = ) (


Contoh : Dadu memiliki enam sisi sehingga, 1 sisi mata 1, 1sisi mata 2, 1
sisi mata 3, 1 sisi mata 4, 1 sisi mata 5 dan satu sisi mata 6
Peluang munculnya mata 1 adalah 1/6

2. Definisi secara empirik
Jika diperhatikan frekuensi relatif tentang terjadinya sebuah peristiwa untuk
sejumlah pengamatan, maka peluang peristiwa itu adalah limit dari frekuensi
relatif apabila jumlah pengamatan di perbesar sampai tak hingga banyaknya
dan ditulis dalam notasi
N
n
Lim E P
N
= ) (


Contoh : Coin mempunyai 2 sisi sehingga peluang muncul salah satu sisi jika
di lempar sabanyak 1 kali adalah . Jika dilempar sebanyak 2 kali,
belum tentu kedua sisi muncul bergantian, tetapi jika pelemparan
dilakukan semakin banyak, maka peluanggnya akan semakin
mendekati .

1.1.2. Aturan Peluang
N
n
E P = ) (
N
n
Lim E P
N
= ) (
Ada beberapa aturan peluang :
1. Peluang sebuah kejadian E selalu berkisar antara 0 sampai 1. Tidak mungkin
lebih kecil dari 0 dan tidak mungkin lebih besar dari 1
0 P(E) 1
Contoh : Peluang munculnya mata 1 pada pelemparan dadu = 1/6

2. Jumlah total peluang pada sebuah kejadian keseluruhan sama dengan 1
1 ) ( ) ( = + E P E P

Contoh : Jika peluang munculnya mata 1 pada pelemparan dadu = P(1) = 1/6
Dan peluang munculnya mata bukan 1 (mata 2, mata 3, mata 4, mata
5 dan mata 6) adalah 5/6, maka total peluang pada pelemparan dadu
adalah
1/6 + 5/6 = 1

3. Kejadian yang saling ekslusif, yaitu kondisi dimana jika kejadian yang satu
sudah terjadi maka kejadian yang lain tidak mungkin terjadi
P(E
1
U E
2
) = P(E
1
) + P(E
2
)
Contoh : Jika peluang terambil satu kartu hati pada setumpuk kartu bridge
adalah 13/52 dan peluang terambil kartu wajik adalah 13/52. Maka
peluang terambil kartu hati atau wajik adalah 13/52 + 13/52 =
26/52 atau sama dengan peluang terambil kartu yang merah, artinya
kalau tidak hati berarti wajikyang terambil. Jika yang satu sudah
terambil maka yang lain tidak akan terambil.
P( U ) = P() + P()
= 13/52 + 13/52 =

4. Kejadian yang saling inklusif, yaitu kondisi dimana jika kejadian yang satu
sudah terjadi maka kejadian yang lain masih mungkin terjadi
P(E
1
U E
2
) = P(E
1
) + P(E
2
) P(E
1
E
2
)
Contoh : Jika peluang terambil satu kartu hati pada setumpuk kartu bridge
adalah 13/52 dan peluang terambil kartu As adalah 4/52. Maka
peluang terambil kartu hati atau As adalah 13/52 + 4/52 1/52 =
16/52. Disini perhitungan di kurangi 1/52 karena pada pengambilan
kartu hati atau As ada kemungkinan terambil kartu hati yang
As dengan peluang 1/52 P( U As) = P() + P(As)
P(( As)
= 13/52 + 4/52 1/52 = 16/52

5. Kejadian yang saling independen, yaitu kondisi dimana jika kejadian yang
satu tidak berhubungan dengan kejadian yang lain
P(E
1
E
2
) = P(E
1
). P(E
2
)
Contoh : Dilakukan pelemparan dua buah dadu. Jika peluang munculnya
mata 1 pada dadu pertama = 1/6 dan peluang munculnya mata 1
pada dadu kedua = 1/6. Maka peluang dalam satu kali pelemparan 2
dadu akan muncul mata 1 pada dadu pertama dan mata 1 pada dadu
kedua adalah 1/6 x 1/6 = 1/36
P(1I 1II) = P(1I). P(1II)
= 1/6 x 1/6 = 1/36

6. Kejadian yang mempunyai hubungan bersyarat, yaitu sebuah kondisi dimana
kejadian yang satu menjadi syarat untuk kejadian berikutnya. Jadi kejadian
kedua terjadi setelah kejadian satu terjadi.
P(E
1
E
2
) = P(E
1
). P(E
2
|E
1
)
Contoh :Sebuah kotak berisi 3 buah bola berwarna kuning, 4 buah bola
berwarna merah dan 5 buah bola berwarna biru, yang sama
ukurannya. 3 K
4 M
5 B

Peluang terambil bola K = P(K) = 3/12, peluang terambil bola M =
P(M) = 4/12 dan peluang terambil bola B = P(B) = 5/12
Jika diambil dua buah bola berurutan, maka peluang terambil
pertama bola merah dan ke dua bola biru adalah 4/12 x 5/11 = 0,79.
Disini peluang terambil bola biru 5/11 karena bola pertama sudah
terambil sehingga jumlah bola keseluruhan tinggal 11
P(M B) = P(M). P(B|M)
= 4/12 x 4/11 = 0,79

1.1.3. Permutasi dan Kombinasi
Kombinasi
Kombinasi dari sejumlah objek merupakan cara pemilihan objek tersebut tanpa
menghiraukan urutan objek itu sendiri
Definisi :
Suatu himpunan yang terdiri dari r objek yang mungkin dipilih dari suatu
himpunan yang terdiri dari n objek yang berbeda tanpa memperhatikan urutan
pemilihannya dinamakan kombinasi secara sekaligus sebanyak r dari n objek
yang berbeda dimana r n, dinyatakan
)! ( !
!
r n r
n
P
r n

=


Contoh : Jika ada 5 huruf A B C D E, kemudian akan diambil 3 huruf untuk di
susun dengan tidak memperhatikan urutan, maka kemungkinan
susunannya :
A B C A B D A B E A C D A C E
A D E B C D B C E B D E C D E
Atau jika dihitung
10
1 . 2 . 1 . 2 . 3
1 . 2 . 3 . 4 . 5
)! 3 5 ( ! 3
! 5
3 5
= =

= P



Jadi ada 10 susunan yang mungkin.

Permutasi
Permutasi sejumlah objek ialah penyusunan objek tersebut dalam suatu urutan
tertentu
)! ( !
!
r n r
n
P
r n

=
10
1 . 2 . 1 . 2 . 3
1 . 2 . 3 . 4 . 5
)! 3 5 ( ! 3
! 5
3 5
= =

= P

Definisi :
Pengaturan atau penyusunan sebanyak r objek yang diambil dari suatu
himpunan yang terdiri dari n objek yang berbeda secara matematis dinamakan
permutasi secara sekaligus sebanyak r dari n objek yang berbeda dimana r n,
dinyatakan
)! (
!
r n
n
P
r n

=


Contoh : Jika ada 5 huruf A B C D E, kemudian akan diambil 3 huruf untuk di
susun dengan memperhatikan urutan, maka jumlah sususnan yang
mungkin ada
60
1 . 2
1 . 2 . 3 . 4 . 5
)! 3 5 (
! 5
3 5
= =

= P


Jadi ada 60 susunan yang mungkin

1.1.4. Teorema Bayes
Jika kita mengamati k buah kejadian B
1
, B
2
, , B
k
dengan peluang terjadinya
kejadian itu masing-masing P(B
1
), P(B
2
), , P(B
k
) kemudian kita mengamati
sebuah kejadian A dalam masing masing kejadian tadi dengan peluang
P(AB
1
), P(AB
2
), , P(AB
k
),

maka peluang terjadi kejadian A adalah :

P(A) = P(B
1
) P(A|B
1
) + P(B
2
) P(A|B
2
) + + P(B
k
) P(A|B
k
)

Dan peluang kejadian A tersebut berasal dari kejadian B
r
adalah


)! (
!
r n
n
P
r n

=
60
1 . 2
1 . 2 . 3 . 4 . 5
)! 3 5 (
! 5
3 5
= =

= P
) B | P(A ) P(B ) B | P(A ) P(B ) B | P(A ) P(B
) | ( ) (
) | (
k k 2 2 1 1
+ . + +
=
r r
r
B A P B P
A B P

) B | P(A ) P(B ) B | P(A ) P(B ) B | P(A ) P(B
) | ( ) (
) | (
k k 2 2 1 1
+ . + +
=
r r
r
B A P B P
A B P


Contoh :
Tiga orang telah dicalonkan sebagai manajer sebuah perusahaan. Peluang A
terpilih adalah 0,3, peluang B terpilih adalah 0,5, dan peluang C terpilih adalah
0,2. Jika A terpilih, peluang terjadinya kenaikan gaji karyawan adalah 0,8. Jika
B atau C terpilih, peluang kenaikan gaji karyawan masing-masing adalah 0,1
dan 0,4.
B
1
= A terpilih, B
2
= B terpilih, dan B
3
= C terpilih
G = kejadian gaji naik
P(B
1
) = 0.3, P(B
2
) = 0.5, P(B
3
) = 0.2
P(GB
1
) = 0.8, P(GB
2
) = 0.1, P(GB
3
) = 0.4

Peluang terjadi kenaikan gaji karyawan adalah
P(G) = P(B
1
) P(GB
1
) + P(B
2
) P(GB
2
) + P(B
3
) P(GB
3
)
= (0.3)(0.8) + (0.5)(0.1) + (0.2)(0.4)
= 0.37
Jadi peluang kenaikan gaji sebesar 0,37

Peluang kenaikan gaji terjadi jika terpilih C adalah
) B | P(G ) P(B ) B | P(G ) P(B ) B | P(G ) P(B
) | ( ) (
) | (
3 3 2 2 1 1
3 3
3
+ +
=
B G P B P
G B P


37
8
) 4 , 0 )( 2 , 0 ( ) 1 , 0 )( 5 , 0 ( ) 8 , 0 ) 3 , 0 (
) 4 , 0 )( 2 , 0 (
) | (
3
=
+ +
= G B P


Jadi peluang kenaikan gaji jika C terpilih adalah sebesar 0,23

4.1.5. Ekspektasi
) B | P(G ) P(B ) B | P(G ) P(B ) B | P(G ) P(B
) | ( ) (
) | (
3 3 2 2 1 1
3 3
3
+ +
=
B G P B P
G B P
37
8
) 4 , 0 )( 2 , 0 ( ) 1 , 0 )( 5 , 0 ( ) 8 , 0 ) 3 , 0 (
) 4 , 0 )( 2 , 0 (
) | (
3
=
+ +
= G B P
Misalkan sebuah eksperimen yang menghasilkan k buah peristiwa dapat terjadi
dimana peluang terjadinya tiap peristiwa masing-masing p
1
, p
2
, , p
k
dan untuk
tiap peristiwa dengan peluang tersebut terdapat satuan-satuan x
1
, x
2
, ,x
k
, maka
ekspektasi eksperimen itu didefinisikan
= p
i
x
i

= p
1
x
1
+ p
2
x
2
+ + p
k
x
k



Contoh :
Sebuah undian berhadiah yang terdiri dari 1 hadiah pertama seniali 100.000, 2
hadiah kedua masing-masing 50.000 dan 3 hadiah ke tiga masing-masing
25.000. Jika jumlah kupon secara keseluruhan adalah 100, maka peluang
mendapat hadiah pertama 1/100, peluang mendapat hadaiah ke dua 2/100 dan
peluang mendapat hadiah ke tiga 3/100. Jika kopon di jual seharga 1000
perlembar, maka harapan untuk menang scara matematisnya adalah : p
1
=
peluang mendapat hadiah pertama = 1/100
x
1
= peristiwa menang hadiah pertama = 100.000
p
2
= peluang mendapat hadiah pertama = 2/100
x
2
= peristiwa menang hadiah pertama = 50.000
p
3
= peluang mendapat hadiah pertama = 3/100
x
3
= peristiwa menang hadiah pertama = 25.000
p
4
= peluang mendapat hadiah pertama = 94/100
x
4
= peristiwa menang hadiah pertama = (- 1000)

= 1/100 x 100.000 + 2/100 x 50.000 + 3/100 x 25.000 + 94/100 x (-1000)
= 100.000 + 100.000 + 75.000 282.000 = - 7.000

Karena nilai ekspektasi negatif, berarti secara matematika, kemungkinan akan
kalah atau tidak ada harapan untuk mendapatkan hadiah.
Harapan secara matematik itu ada ketika nilai ekspektasinya positif.

3. DISTRIBUSI PELUANG
Distribusi peluang didefinisikan dengan suatu fungsi peluang, dinotasikan dengan p(x)
atau f(x), yang menunjukkan peluang untuk setiap nilai variabel acak.
Ada dua jenis distribusi, sesuai dengan variabel acaknya. Jika variabel acaknya variabel
diskrit, maka distribusi peluangnya adalah distribusi peluang diskrit, sedangkan jika
variabel acaknya variabel yang kontinu, maka distribusi peluangnya adalah distribusi
kontinu.
3.1. Distribusi Peluang Diskrit
Distribusi peluang diskrit, yaitu apabila variabel acak yang digunakan adalah variabel
diskrit.
Syarat:
1. f(x) 0, nilai peluang selalu lebih besar dari 0.
2.

=
=
0
1 ) (
i
x p , jumlah total peluang pada sebuah kejadian sama dengan 1.
Distribusi peluang diskrit dapat digambarkan dalam bentuk tabel, grafik, maupun
persamaan.
Contoh :
Data penjualan TV di sebuak toko elektronik serta distribusi peluang nya sebagai berikut:
Jumlah TV terjual Jumlah hari x f(x)
0 80 0 0.40
1 50 1 0.25
2 40 2 0.20
3 10 3 0.05
4 20 4 0.10
100 1.00

Atau jika digambarkan sebagai berikut :







Ada beberapa distribusi peluang diskrit :
3.1.1. Distribusi Binomial
peluang
Jumlah TV

Penemu Distribusi Binomial adalah James Bernaulli sehingga dikenal sebagai Distribusi
Bernaulli.
Sifat percobaan Binomial
1. Percobaan dilakukan dalam n kali ulangan yang sama.
2. Kemungkinan yang terjadi pada tiap ulangan hanya ada 2, yaitu sukses atau gagal.
3. Probabilitas sukses yang dinotasikan dengan p selalu tetap pada tiap ulangan.
4. Tiap ulangan saling bebas (independent).
Fungsi Peluang Binomial:
x n x
p p
x n x
n
x p

= ) 1 (
)! ( !
!
) (
3.1

dimana x = banyaknya sukses yang terjadi dalam n kali ulangan
p = peluang sukses
n = banyaknya ulangan
Contoh :
Misalkan sebuah perusahaan asuransi mempunyai 3 calon pelanggan, dan pimpinan
perusahaan yakin bahwa peluang dapat menjual produknya adalah 0,1. Berapa
probabilitas bahwa 1 pelanggan akan membeli produknya?
Pada kasus ini, p = 0,1 n = 3 x = 1
1 3 1
) 1 . 0 1 ( 1 . 0
)! 1 3 ( ! 1
! 3
) 1 (

= = x p

2 1
) 9 . 0 ( 1 . 0
! 2 ! 1
! 3
) 1 ( = = x p

= (3)(0,1)(0,81) = 0,243

Jadi peluang seorang pelanggan akan membeli produknya adalah 0,243
Nilai peluang distribusi Binomial dapat diperoleh dari tabel Binomial seperti contoh
berikut:
Pada kasus ini, p = 0,1 n = 3 x = 1
p
n x ,10 ,15 ,20 ,25 ,30 ,35 ,40 ,45 ,50
3 0 ,7290 ,6141 ,5120 ,4219 ,3430 ,2746 ,2160 ,1664 ,1250
1 ,2430 ,3251 ,3840 ,4219 ,4410 ,4436 ,4320 ,4084 ,3750
2 ,0270 ,0574 ,0960 ,1406 ,1890 ,2389 ,2880 ,3341 ,3750
3 ,0010 ,0034 ,0080 ,0156 ,0270 ,0429 ,0640 ,0911 ,1250

Pada n = 3 dan x = 1, dibawah p = 0,10 diperoleh nilai tabel 0,2430
3.1.2. Distribusi Multinomial
Distribusi multinomial adalah sebuah distribusi dimana percobaan akan menghasilkan
beberapa kejadian.
Misalkan ada k kejadian dalam sebuah percobaan yaitu B1, B2, , Bk. Jika percobaan
di ulang sebanyak n kali dan peluang terjadinya setiap kejadian B adalah P(B1) = p1,
P(B2) = p2, , P(Bk) = pk dengan jumlahnya masing masing sebanyak x1, x2,, xk,
maka fungsi distribusi multinomial nya sebagai berikut:

xk
k
x x
k
p p p
x x x
n
x x x p ...
! !... !
!
) ,..., , (
2
2
1
1
3 2 1
2 1
|
|
.
|

\
|
=
3.2

Dimana : x1, x2,,xk jumlah dari kejadian B1, B2,.., Bk
n jumlah percobaan

=
=
k
i
n xi
1

p1,p2,,pk peluang terjadinya kejadian B1, B2, ,Bk.




3.1.3. Distribusi Poisson
Sifat percobaan Poisson :
1. Peluang suatu kejadian adalah sama untuk 2 (dua) interval yang sama.
2. Kejadian pada suatu inverval saling bebas dengan kejadian pada inverval yang lain
3. Terjadinya kejadian sangat jarang terjadi
Fungsi Peluang Poisson :

!
) (
x
e
x p
x


=
3.3

Dimana x = banyaknya kejadian pada interval waktu tertentu
= rata-rata banyaknya kejadian pada interval waktu tertentu
e = 2.71828
3.1.4. Distribusi Hipergeometrik
Pada distribusi hipergeometrik, percobaan tidak bersifat independen dan peluang sukses
berubah dari satu kejadian ke kejadian yang lain.
Fungsi Peluang Hipergeometrik :
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
=
n
N
x n
r N
x
r
x p ) (
3.4

Dimana : x = banyaknya sukses dalam n kali kejadian
n = banyaknya kejadian
N = banyaknya elemen populasi
r = banyaknya sukses dalam populasi
3.2. Distribusi Peluang Kontinu
Distribusi peluang kontinu, yaitu apabila variabel acak yang digunakan adalah variabel
kontinu.
Syarat:
1. f(x) 0 , nilai peluang selalu lebih besar dari 0.
2.
}


=1 ) (x f , jumlah total peluang sebuah kejadian selalu sama dengan 1.
3. Peluang dihitung untuk nilai dalam suatu interval tertentu.
4. Peluang di suatu titik = 0.
5. Peluang untuk random variabel kontinu (nilai-nilainya dalam suatu interval),
misalkan antara x1 dan x2, didefinisikan sebagai luas daerah di bawah kurva (grafik)
fungsi peluang antara x1 dan x2.
Distribusi peluang kontinu dapat digambarkan dalam bentuk tabel, grafik, maupun
persamaan.
3.2.1. Distribusi Normal
Distribusi normal adalah sebuah distribusi yang paling luas penggunaannya.
Karakterisik Distribusi Peluang Normal
1. Bentuk kurva normal seperti bel dan simetris.
2. Parameter o, menunjukkan lebar dari kurva normal (semakin besar nilainya,
semakin lebar).
3. Titik tertinggi dari kurva nomal terletak pada nilai ratarata= median=modus.
4. Luas total area di bawah kurva normal adalah 1.(luas bagian disebelah kiri =
sebelah kanan ).
5. Peluang suatu variabel acak normal sama dengan luas di bawah kurva normal.
Persamaan distribusi normal tergantung pada 2 parameter, yaitu dan .
Persamaannya sebagai berikut :
2
2
1
2
1
) (
|
.
|

\
|

=
o

t o
x
e x f
3.5

Dimana : = rata-rata (mean)
o = simpangan baku (standard deviation)
t = 3.14159
e = 2.71828
Jika digambarkan sebagai berikut :






Persentase nilai pada interval yang sering digunakan
1. 68,26% nilai dari suatu variabel acak normal berada pada interval o
2. 95,46% nilai dari suatu variabel acak normal berada pada interval 2o
3. 99,74% nilai dari suatu variabel acak normal berada pada interval 3o
Untuk mencari peluang sebuah interval pada distribusi normal, maka fungsi distribusi
itu harus diintegralkan dengan batas-batas peluang :
( )
2
2
1
2
1
2 1
2
1
) (
o

t o

}
= < <
x
e x x x p
x
x



= F(x2) F(x1)
Atau luas daerah yang dibawah kurva dengan batasan dari x1 sampai x2 seperti
berikut :




4. Nilai ekspektasi
Nilai ekspektasi untuk sebuah variabel x dengan probabilitas P(x) didefinisikan sebagai
berikut,

( )
i
N
i
i
x P x x

=
) ( .... ) ( ) (
2 2 1 1 n n
x P x x P x x P x + + + =
Nilai rata-rata untuk variabel x2 didefinisikan dengan,
( )
i
i
i x P x x

=
2 2
4.1

Secara umum nilai rata-rata suatu kuantitas g adalah :
( )
i
i
i
x P g g

=
4.2

Jika g merupakan sebuah fungsi yang kontinu, g(x), maka symbol diganti dengan
integrasi dan P(x) f(x)dx.
Sebagai contoh:
) exp( ) (
2
x x f |
t
|
=
4.3

kita mendapatkan nilai rata-rata,
0 ) exp(
2
= =
}


dx x x x |
t
|
4.4

|
|
t
|
2
1
) exp(
2 2 2
= =
}


dx x x x
4.5

Sebuah kuantitas yang sering diperlukan dalam eksperimen adalah kuantitas yang
menyatakan seberapa besar hasil eksperimen berbeda dengan nilai rata-rata. Umpamanya
kita mencoba mendefinisikan sebuah beda x x , nilai ekspektasi beda ini adalah
) ( ) (
i
i
i
x P x x x x =

4.6


0 ) ( ) ( = = =

x x x P x x P x
i
i
i
i i i

Karena nilai beda adalah nol, maka kita tidak bisa menggunakan deviasi dengan cara di
atas. Metode lain yang sering digunakan adalah kuadrat beda, (x
2
) x . Ekspektasi
kuadrat beda yaitu :
2
2 2
2 ) ( x x x x x x + =

) var(
2
2
x x x = =
4.7

atau yang disebut variansi (x) atau disebut juga dispersi.
Untuk fungsi kontinu,
dx x f x x x
x
x
) ( ) ( ) var(
2
2
1
}
=
4.8

Nilai deviasi diperoleh dari nilai variansi dengan persamaan,
) var(x = o
4.9

Kuantitas x dan var(x) tidaklah sepenuhnya menentukan sifat sifat sistem yang kita
pelajari, tetapi dua kuantitas ini menentukan sifat-sifat penting sistem tersebut.
Selain nilai ekspektasi dan deviasi, kita akan menggunakan konsep nilai yang sering
muncul atau most probable event atau nilai yang memiliki probabilitas tertinggi atau
modus. Nilai modus diperoleh dengan menggunakan kondisi bahwa nilai kemiringan
atau turunan pada titik puncak adalah nol atau
0
) (
=
m
x
dx
x df
4.10
Penyeleaian persamaan 4.10 untuk mendapatkan nilai modus.

5. SIMPANGAN BAKU DAN VARIANS
a. Pengertian simpangan baku dan Varians
Standar deviasi menurut kamus besar bahasa indonesia berarti simpangan baku.
Dalam statistika dan probabilitas, simpangan baku atau deviasi standar adalah ukuran
sebaran statistik yang paling lazim. Singkatnya, ia mengukur bagaimana nilai-nilai data
tersebar. Bisa juga didefinisikan sebagai, rata-rata jarak penyimpangan titik-titik data diukur
dari nilai rata-rata data tersebut. Dan Simpangan baku didefinisikan sebagai akar
kuadrat varians. Simpangan baku merupakan bilangan tak-negatif, dan memiliki satuan
yang sama dengan data. Misalnya jika suatu data diukur dalam satuan meter, maka
simpangan baku juga diukur dalam meter pula.
Istilah simpangan baku pertama kali diperkenakan oleh Karl Pearsonpada tahun
1894, dalam bukunya On the dissection of asymmetrical frequency curves.


Gambar distribusi normal , tiap warna mewakili 1 simpangan baku

Dalam Statistik, wilayah data yang berada di antara +/- 1 simpangan baku akan
berkisar 68.2%, wilayah data yang berada di antara +/- 2 simpangan baku akan berkisar
95.4%, dan wilayah data yang berada di antara +/- 3 simpangan baku akan berkisar 99.7%.



b. Rumus simpangan baku dan varians
Adapun rumus simpangan baku adalah:
( )
1
2
1


=
n
x
s


Varians merupakan jumlah kuadran semua deviasi nilai-nilai individu terhadap
rata-rata kelompok sehingga adapun rumus varians adalah:
( )
1
2
1


=
n
X
S


Keterangan
S = simpangan baku sampel
n = jumlah sampel
Xi = hasil pengamatan
= nilai rata-rata kelompok

c. Contoh
Suatu penelitian dilakukan di RS PKU muhammadiya tentang hasil berat badan
10 perawat. Hasil penelitian adalah sebagai berikut:
60, 70, 65, 80, 70, 65, 75, 80, 70, 75.
Berdasarkan data tersebut berapa variansi dan standard deviasi data berat badan
perawat tersebut..?

Penyelesaian:
Dari data tersebut kita dapan mencari rata ratanya dengan:



No Nilai


1 60 -11
121
2 70 -1
1
3 65 -6
36
4 80 9
81
5 70 -1
1
6 65 -6
36
7 75 4
16
8 80 9
81
9 70 -1
1
10 75 4
16
710 0
390


( )
1
2
1


=
n
X
S


39
10
390
= = S
Jadi besar varians adalah 39
Dan simpangan bakunya adalah:

( )
1
2
1


=
n
x
s










Daftar Pustaka

Astuti Yuni. 2010. Konsep-konsep dasar probabilitas. Jakarta: Pusat pengembangan bahan
ajar-UMB
Herawati, Aty. 2008. Peluang dan Distribusi Peluang. Jakarta: Universitas Mercu Buana.
http://www.scribd.com/doc/19597064/Statistik-Ukuran-Tendensi-Sentral
Sudjana. 2005.Metode Statistika.Bandung: Taristo

You might also like