Semester I 2022/2023

Contoh 2.17:

Jika dalam contoh di atas antara kesulitan yang dihadapi tidak ada kaitannya dengan
status/tingkat pendidikan seseorang maka dapat dibuat suatu gambaran kemungkinan sebagai
berikut:

Kesulitan Belajar Kemungkinan

Mengalami kesulitan 0,8
Tidak mengalami kesulitan 0,2

Status/tingkat
Siswa 0,3
Mahasiswa 0,7

Jika kesulitan belajar tidak ada kaitannya dengan tingkat pendidikan, maka kemungkinan di
atas menjadi:

P[ST] = 0,3x0,2 = 0,06

P[MT] = 0,7x0,2 = 0,14
P[SK] = 0,3x0,8 = 0,24
P[MK] = 0,7x0,8 = 0,56

Dari tabel di bawah ini, di sebelah kiri menunjukkan kasus ketergantungan antara status dan
tingkat kesulitan, sedangkan tabel sebelah kanan menunjukkan independensi
(ketidakbergantungan) dari jumlah total populasi 100 orang siswa dan mahasiswa.

Tabel 2.1: Kebergantungan Tabel 2.2: Independensi

Siswa Mahasiswa Siswa Mahasiswa
Kesulitan 20 60 Kesulitan 24 56
Tidak 10 10 Tidak 6 14
Total 30 70 Total 30 70

Contoh 2.18:

Misalnya Contoh 2.16 dimodifikasi menjadi kemungkinan bocor setiap tahun dinyatakan
dengan P[A] = 0,01 kemungkinan banjir setiap tahun P[B] = 0,02, dan kemungkinan banjir dan
bocor terjadi bersamaan adalah P[AÇB] = 0,005.
a) Berapa kemungkinan bahwa bangunan bendung tersebut tidak gagal setiap tahunnya ?
b) Berapa kemungkinan bahwa bangunan bendung ini akan gagal dalam tiga tahun ?

Kemungkinan bahwa bangunan gagal adalah P[A] + P[B] – P[AÇB] = 0,025,

maka kemungkinan bangunan tidak gagal adalah 1 – 0,025 = 0,975

Kemungkinan bangunan tidak gagal selama tiga tahun berturut turut menjadi P[Tidak Gagal]
= 0,9753 = 0,9269.
Dengan demikian kemungkinan bahwa bangunan gedung ini akan gagal dalam tiga tahun
adalah 1 – 0,9269 = 0,0731
 Semester I 2022/2023

2.5. Teorema Probabilitas Total

S

B1 B2 B3 B4

Gambar 2.11: Peristiwa A dan B dalam Ruang Sampel S

Kemungkinan bersyarat yang dinyatakan oleh Persamaan (2.18) dapat dikembangkan lagi
menjadi suatu persamaan penting dalam teori kemungkinan: Jika B1, B2,.... BN merupakan
peristiwa-peristiwa yang yang saling terpisah (mutually exclusive) dan bersama-sama
menghabiskan (collectively exhaustive), sedangkan A adalah peristiwa di dalam ruang sampel
yang sama, seperti ditunjukkan Gambar 2.11, maka P[A] dapat juga dinyatakan sebagai berikut:

P[A] = P[AÇB1] + P[AÇB2] + ... + P[AÇBN] (2.27.a)

N
= å P[ A Ç Bi ] (2.27.b)
i =1
N
= å P[ A | Bi ]P[ Bi ] (2.27.c)
i =1

Persamaan di atas juga dinamakan sebagai teori Probabilitas total. Teori ini mengandung
pengembangan suatu peristiwa (A) dengan suku-suku kemungkinan bersyarat (B) yang
merupakan ekspektansi A. P[A] ini juga dapat dinyatakan sebagai probabilitas rata-rata yang
dibobotkan oleh suku-suku Bi di atas.

Bab II - 2
 Semester I 2022/2023

Contoh 2.19:

Suatu contoh dapat diberikan disini mengenai antrian di jalur A dan B (lihat Tabel 2.3). Dari
tabel tersebut diartikan jika jalur B antriannya 10 kendaraan, maka jalur A kemungkinan
antriannya 50% 10 kendaraan, 30% kemungkinannya 15 kendaraan dan 20% kemungkinannya
20 kendaraan, dan seterusnya. Sedangkan kemungkinan jalur B panjang antriannya 10, 15,
dan 20 kendaraan adalah masing-masing 70%, 20%, dan 10%.
Dengan menggunakan teori di atas maka didapatkan:

20
P[A15] = ∑ P[A15 | Bi ]P[Bi ]
i=10
= 0,3x0,7 + 0,4x0,2 + 0,2x0,1
= 0,31

Dengan cara yang sama didapat

P[A10] = 0,42
P[A20] = 0,27
P[A15] = 0,31
1,00

Tabel 2.3: Hubungan Antrian Jalur A dan B

P[A|B]
A10 A15 A20 P[B]
B10 0,5 0,3 0,2 0,7
B15 0,3 0,4 0,3 0,2
B20 0,1 0,2 0,7 0,1

Jika D adalah jumlah antrian kedua jalur, maka:

D35 = (A15 ÇB20)È(A20 ÇB15)
P[D35] = P[A15 ÇB20] + P[A20 ÇB15]
= P[A15|B20]P[B20] + P[A20|B15]P[B15]
= 0,2x0,1 + 0,3x0,2 = 0,08

Dengan cara yang sama didapat kemungkinan yang lainnya sehingga diperoleh:

P[D20] = 0,35
P[D25] = 0,27
P[D30] = 0,23
P[D40] = 0,07
P[D35] = 0,08
1,00

Teorema probabilitas total ini dapat digunakan untuk penghitungan rata-rata dan perkiraan

Bab II - 3
 Semester I 2022/2023

lainnya yang dibobotkan dengan probabilitas:

Contoh 2.20:

Suatu undian berhadiah memberikan peserta undian untuk menebak 2 angka dari kemungkinan
100 angka (dari 00 hingga 99). Jika tebakannya tepat, maka peserta undian tersebut
mendapatkan uangnya kembali dan hadiah 60 kali lipat. Pertanyaan: apakah hal ini
menguntungkan ?

Jawab:
Jika seseorang ikut undian berhadiah, maka peserta tersebut akan membayar senilai X, dan jika
tebakannya tidak tepat (P = 0,99) uang yang ia bayarkan akan hilang. Jika menebak dengan
tepat (P = 0,01) maka selain uang yang dibayarkan akan kembali, juga ia akan mendapat hadiah
60 X.

Dengan teorema probabilitas total didapat:

Ekspektansi keuntungan = 0,99 (– X) + 0,01 (60X) = - 0,39X, artinya peserta undian akan
merugi. Dengan demikian secara statistik, tidak dianjurkan untuk mengikuti undian berhadiah
seperti itu.

Bab II - 4
 Semester I 2022/2023

2.6. Teorema Bayes

Dari hubungan persamaan-persamaan di atas (komutatif) diketahui bahwa

P[AÇBi] = P[Bi ÇA] (2.28)

maka didapat (peristiwa bersyarat)

P[Bi|A] =P[AÇBi]/P[A] = P[BiÇA]/P[A] (2.29)

Dengan menggunakan teori probabilitas total didapatkan:

P[ A | Bi ]P[ Bi ]
P[ Bi | A] = n
(2.30)
å P[ A | B ]P[ B ]
j =1
j j

Teori ini dinamakan teori Bayes yang menjadi dasar bagi teori-teori 'prior probability' dan
'posterior probability'. Thomas Bayes

Contoh 2.21:

Untuk jelasnya diberikan suatu hasil percobaan yang sudah diketahui (prior probability) dari
kekuatan kubus beton:

Kekuatan Kemungkinan
25 MPa 0,3
30 MPa 0,6
35 MPa 0,1

Dari data di atas ternyata pengalaman menunjukkan bahwa hasil test kekuatan beton tidak
selalu menunjukkan kekuatan yang sebenarnya. Maka didapat jika kekuatan beton adalah 25
MPa, misalnya, maka hasil test yang menunjukkan 25 MPa adalah 60%, 30% menunjukkan 30
MPa dan 10% memberikan hasil 35 MPa. Secara lengkapnya Hubungan antara hasil test
dengan kekuatan sebenarnya dinyatakan dalam Tabel 2.4.

Tabel 2.4: Kemungkinan Hasil Test

Hasil Test Kuat Tekan [MPa]

[MPa] 25 30 35
S1 (= 25) 0,6 0,2 0,1
S2 (= 30) 0,3 0,6 0,2
S3 (= 35) 0,1 0,2 0,7

Angka di atas menunjukkan P[S1|25] =0,6, P[S2|25] = 0,3, P[S3|25] = 0,1, dan seterusnya.
Dari persamaan Bayes ini maka persoalan dapat dibalik yaitu jika hasil test menunjukkan S1
maka kemungkinan kekuatan beton yang sesungguhnya adalah:

P[25|S1] = P[S1|25]P[25]/( P[S1|25]P[25] + P[S1|30]P[30] + P[S1|35]P[35])

= 0,6 x 0,3/(0,6 x 0,3 + 0,2 x 0,6 + 0,1 x 0,1)
= 0,18/0,31

Bab II - 5
 Semester I 2022/2023

= 0,581

P[30|S1] = 0,2x0,6/0,31
= 0,387

P[35|S1] = 0,1x0,1/0,31
= 0,032
Manfaat teorema Bayes ini untuk memberikan cara memasukkan informasi baru kedalam
analisis probabilitas yaitu jika pada awalnya kemungkinan kekuatan Beton sebesar 25, 30, dan
35 MPa adalah masing-masing 0,3, 0,6 dan 0,1, maka setelah ada hasil test yang menunjukkan
kekuatan 25, distribusi kemungkinan kekuatan berubah masing-masing menjadi 0,581, 0,387
dan 0,032 Distribusi ini akan berubah lagi setelah adanya data atau informasi baru. Keadaan
sebelum dan sesudah adanya informasi baru ini disebut prior dan posterior.

Contoh 2.22:

Dari Tabel 2.5 dilihat ada macam macam kualitas produk. Data awal distribusi macam-macam
kualitas tersebut ditunjukkan pada kolom (2).

Tabel 2.5: Aplikasi Teorema Bayes

(1) (2) (3) (4) (5) (6)
Persentase Data Setelah Persentase Data Setelah
Gagal awal gagal Berhasil awal Berhasil
20% 0,30 0,143 80% 0,30 0,414
40% 0,40 0,381 60% 0,40 0,414
60% 0,20 0,286 40% 0,15 0,138
80% 0,10 0,190 20% 0,10 0,034
Total 1.00 1.000 Total 1.00 1.00

Dari data awal tersebut dapat dihitung rata-rata kegagalan produk tersebut yaitu 20%x0,3 +
40%x0,4 + 60%x0,20 + 80%x0,1 = 42%.

Jika setelah satu pengujian ternyata produk tersebut gagal, maka data awal harus dikoreksi
P[20%|G] = P[G|20%] P[20%]/SP[G|i% ]P[i% ]
P[20%|G] = 0,2 x 0,3/42% = 0,143 dan hasil sisanya seperti tercantum pada kolom (3). Terlihat
bahwa setelah pengujian yang gagal distribusi bergeser ke arah persentase gagal yang besar.

Jika setelah satu pengujian ternyata yang terjadi sebaliknya, yaitu produk tersebut berhasil,
maka bentuk penyajian harus diubah menjadi seperti kolom (4) dan rata-rata keberhasilan = 1-
42% = 58%. Dan koreksi data awal menjadi

P[80%|B] = P[B|80%] P[80%]/SP[B|i% ]P[i% ]

P[80%|B] = 0,8 x 0,3/58% = 0,414 dan hasil sisanya seperti tercantum pada kolom (6). Terlihat
bahwa setelah pengujian yang berhasil distribusi bergeser ke arah persentase gagal yang kecil.

Demikian seterusnya jika percobaan diteruskan akan terjadi koreksi terus menerus.

2.7. Proses dan Rantai Markov

Bab II - 6
 Semester I 2022/2023

Variabel v berproses dari awal hingga status ke n. Kemungkinan variabel v mencapai status ke
n dinyatakan sebagai

P[vn = sn| (v0 = s0) ∩ (v1 = s1) ∩ (v2 = s2) ∩ (v3 = s3) … ∩ (vn-1 = sn-1)] (2.31.a)

Proses dinamakan Markovian (mengikuti proses Markov) jika status pada tahap berikutnya
hanya tergantung dari status saat ini saja:

P[xn+1 = n+1| (x0 = 0) ∩ (x1 = 1) ∩ (x2 = 2) ∩ … ∩ (xn = n)] =

= P[xn+1 = n+1| (xn = n)] (2.31.c)

Disebut Rantai Markov. Kemungkinan terjadinya status pada tahap berikutnya adalah
memoryless walaupun sebelumnya harus melewati beberapa status pada tahap-tahap
sebelumnya. Jika tidak demikian bukan proses Markov.

Kemungkinan bahwa pada saat n status x akan menjadi j setelah pada saat m status x adalah i
dinyatakan dengan

Pi,j(m,n) = P[xn = j| (xm = i)] (2.32)

Rantai Markov dikatakan homogen jika dikatakan bahwa sifat probabilistik hanya tergantung
dari selisih antara m dan n (misalnya k = n – m), atau dengan rumus dinyatakan sebagai

Pi,j(k) = P[xn+k = j| (xn = i)] = P[xm+k = j| (xm = i)] = ... P[xk = j| (x0 = i)] (2.33)

Untuk setiap k > 0. Rantai Markov yang homogen dapat dinyatakan sebagai matriks transisi
satu tahap saja (dari tahap k ke k + 1 untuk sebarang k) yang dituliskan sebagai pi,j(1) atau
secara sederhana pi,j

é p1,1 p1, 2 ... p1, m ù

êp p2, 2 ... p2, m úú
P=ê
2 ,1
(2.34)
ê ... ... ... ... ú
ê ú
ë pm,1 pm, 2 ... pm , m û

Bab II - 7
 Semester I 2022/2023

Matriks P: matriks probabilitas transisi.

é p1,1 p1, 2 ... p1, m ù

êp p2, 2 ... p2, m úú
P=ê
2 ,1
(2.34)
ê ... ... ... ... ú
ê ú
ë pm,1 pm, 2 ... pm , m û

pi,j adalah kemungkinan bahwa x berpindah ke status j dari status i. Untuk rantai Markov yang
tidak homogen matriks P tergantung pada tahap mana rantai tersebut ditinjau.

Perpindahan dari suatu status ke status-status lainnya merupakan peristiwa yang mutually
exclussive dan collectively exhaustive untuk setiap nilai i berlaku

åpj =1
i, j =1 (2.35)

Contoh 2.23:

Misalnya status 1 tidak ada antrian, status 2 ada antrian 1 mobil, dan status 3 ada antrian 2
mobil dan peninjauan suatu tahapan didefinisikan (diukur) pada setiap 10 detik.

é0,20 0,50 0,30 ù

ê0,60 0,15 0,25ú
ê ú
êë 0,10 0,85 0,05úû

Jumlah angka dalam satu baris = 1,0.

Matriks baris untuk suatu tahap (waktu) k

P(k) = [p1(k), p2(k), ...... pm(k)] (2.36)

dengan pj(k) = P[xk=j].

Contoh P(1) = [0.1, 0.3, 0.4, 0.2]

Semua status pada suatu tahapan adalah mutually exclussive dan collectively exhaustive, jika
awalnya status yang ada adalah a, b, c saja berdasarkan teorema probabilitas total besaran
Kemungkinan status menjadi d adalah

P[ xk = d] = P[ xk-1 = a] P[ xk = d| xk-1 = a] + P[ xk-1 = b] P[ xk = d| xk-1 = b]

+ P[ xk-1 = c] P[ xk = d| xk-1 = c] (2.37)

Bab II - 8
 Semester I 2022/2023

Contoh 2.24:

Jika pada suatu saat, kemungkinan antrian kosong dan hanya 1 mobil adalah masing-masing
50% sedangkan 2 mobil tidak terjadi, dan matriks transisi adalah seperti pada Contoh 2.13,
maka vektor kemungkinan antrian akan kosong, ada 1 mobil, dan ada 2 mobil dalam waktu 10
detik berikutnya adalah P(n+1) = P(n)P dan karena bersifat Markovian maka P(n) = P(n-1) P
yaitu

é0,20 0,50 0,30 ù

[ 0,5 0,5 0] ê0,60 0,15 0,25ú = [0,4 0,325 0,275]
ê ú
êë 0,10 0,85 0,05úû

P(k) = P(k-1)P (2.37.c)

P(k-1) = P(k-2)P (2.37.d)

Jika diurut hingga P(0) dan disubstitusikan P(i) = P(i-1)P untuk setiap i, didapatkan untuk
sebarang n

P(n) = P(0)Pn (2.37.e)

P(n+k) = P(n)Pk (2.37.f)

Contoh 2.25:

Jika pada suatu saat antrian kosong (tidak ada mobil) dan matriks probabilitas transisi adalah
seperti pada Contoh 2.23, maka dalam waktu 20 detik kemudian vektor kemungkinan menjadi

é0,20 0,50 0,30 ù é0,20 0,50 0,30 ù

[1 0 0] êê0,60 0,15 0,25úú êê0,60 0,15 0,25úú
êë 0,10 0,85 0,05úû êë 0,10 0,85 0,05úû
é0,370 0,430 0,200ù
[1 0 0] êê0,235 0,535 0,230úú = [0,37 0,43 0,20]
êë0,535 0,220 0,245úû

(kemungkinan kosong, 1 mobil, 2 mobil)

Jika dilanjutkan hingga detik ke 100, k = 10

kondisi awal [1 0 0] menjadi [0,345 0,433 0,222]
kondisi awal [0 1 0] menjadi [0,336 0,438 0,226]
kondisi awal [0,2 0,5 0,3] menjadi [0,351 0,426 0,223].

Jika dilanjutkan lagi hingga detik ke 120 maka apapun kondisi awalnya akan sudah menjadi
[0,348 0,429 0,223]
Steady state condition
Hal ini menunjukkan pada akhirnya kemungkinannya menjadi sama (konvergen) tanpa

Bab II - 9
 Semester I 2022/2023

tergantung kondisi awal.

Kasus khusus rantai Markov: pada saat akhir probabilitas akan mencapai vektor probabilitas
yang konvergen (steady state)
Berlaku P(n+1) = P(n) untuk n yang besar walaupun persamaan P(n+1) = P(n) P masih tetap
berlaku.
Jika dimisalkan P(n+1) = P(n) = P* maka didapatkan

P* = P*P (2.38.a)

Atau
é p1,1 p1, 2 ... p1, m ù
êp p2, 2 ... p2, m úú
[p1* p2* ..... pm*] = [p1* p2* ..... pm*] ê
2 ,1
(2.38.b)
ê ... ... ... ... ú
ê ú
ë pm,1 pm, 2 ... pm, m û

Jika dijabarkan maka persamaan di atas menjadi

p1* = p1,1 p1* + p2,1 p2* + ... pm,1 pm*

p2* = p1,2 p1* + p2,2 p2* + ... pm,2 pm*
...... (2.38.c)
pm* = p1,m p1* + p2,m p2* + ... pm,m pm*

Ternyata persamaan ini menghasilkan m persamaan tetapi salah satunya saling bergantungan.
Oleh karena itu salah satu dari m persamaan di atas digantikan oleh persamaan

p1* + p2* + ... pm* = 1 (2.39.a)

Contoh 2.26:

Probabilitas steady state untuk matriks probabilitas transisi Contoh 2.23 adalah

p1* = 0,20 p1* + 0,60 p2* + 0,10 p3*

p2* = 0,50 p1* + 0,15 p2* + 0,85 p3*
1 = p1* + p2* + p3*

Dari solusi persamaan di atas didapatkan

p1* = 0,349 p2* = 0,428 p3* = 0,223

Jika saja matriks transisi di atas tidak termasuk kondisi yang mencapai steady state, maka
angka (komponen vektor) p* yang dihasilkan ada yang negatif atau lebih besar dari 1.

Bab II - 10