Presentation Statistika Ekonomi Distribusi Probabilitas pOSEW BENGAMPU : BPK. SAT'IN, S.E.1., M.E.Sy ALFIA HAFZHIN IY ee eee ER PROGRAM STUDI EKONOMI SYARIAH SE AULIAURRASYIDIN PROBABILITAS DISKRIT KLP 5-1pptx Halaman 1 dari 19Distribusi probabilitas diskrit adalah suatu daftar dari semua nilai variabel random diskrit dengan probabilitas terjadinya masing — masing nilai itu. Ada bermacam — macam distribusi diskrit, berturut- turut adalah distribusi probabilitas binominal, hipergeometris dan poiss 0.1. VARIABEL RANDOM Variabel Random adalah variabel yang nilainya merupakan hasil suatu pereobaan. Misalnya, dalam pelemparan sebuah mata uang logam sebanyak 3 kali, munculnya sisi kepala 0, atau 1, atau 2, atau 3 kali persoalan kesempatan, Karna nilai-nilai yang dihasilkan tidak berpola maka dikatakan variabel random. Statistika Ekonomi | PROBABILITAS DISKRIT KLP 5-1pptx Halaman 2 dari 19Variabel random terbagi dua yaitu diskrit dan kontinu : Variabel random diskrit hanya mengisi nilai-nilai tertentu yang terpisah dalam suatu interval. Jika digambarkan diatas garis interval,variabel random_|— == diskrit akan berupa sederetan titik-titik yang o 1 terpisah. Contoh : banyak nya pemunculan sisi kepala dalam pelemparan suatu uang logam. Variabel random kontinu dapat mengisi_nilai Manapun dalam suatu interval. Jika digambarkan variabel random kontinu akan berupa sederetan titi titik yang bersambung membentuk garis lurus 100 Contoh : Umur Penduduk Indonesia | Statistika Ekonomi | PROBABILITAS DISKRIT KLP 5-1pptx Halaman 3 dari 190.2: DISTRIBUSI PROBABILITAS BI [AL Distribusi probabilitas binomial menggambarkan data yang dihasilkan oleh suatu percobaan yang dinamakan bernoulli. Ciri- ciri dari percobaan Bernoulli adalah : 1.Setiap percobaan hanya menghasilkan dua peristiwa , misalnya ya atau tidak, berhasil atau gagal, baik atau cacat, kepala atau ekor. 2. Probabilitas suatu peristiwa (misal munculnya sisi kepala) adalah konstan (tidak berubah untuk setiap percobaan). 3.Semua percobaan independen secara statistik artinya peristiwa dari suatu percobaan tidak mempengaruhi atau dipengaruhi peristiwa dalam percobaan lain. ScUnt CeS Coton] PROBABILITAS DISKRIT KLP 5-1pptx Halaman 4 dari 19Misalnya : seorang murid menghadapi 5 pertanyaan pilihan berganda dengan setiap petanyaan memiliki enam jawaban (a, b, ¢, d, e, f) jika sebelum menjawab pertanyaan ia melemparkan dadu, muncul sisi | menjawab a, muncul sisi 2 berarti menjawab b dan seterusnya, berapa probabilitas murid itu akan menjawab 4 soal dengan benar? Karena setiap pertanyaan mempunyai 6 pilihan, sementara dalam menjawab murid berspekulasi,maka: 1, Untuk menjawab benar, P(B) = 1/6 2.Untuk menjawab salah, P(S) = 5/6 Misalkan susunan 4 jawaban yang benar iy percobaan bersifat independen maka P(BBBBS) =P(B)P(B) PB) P(B)_—~P(S) =16 16 1/6 6 5/6 =(1/6) 4 (5/6) u = lah B BBB S, karena masing-masing PROBABILITAS DISKRIT KLP 5-1pptx Halaman 5 dari 19kemungkinan lain dari susunan 4 jawaban yang benar adalah B S B BB , schingga P(BSBBB) =P(B)P(S) PCB) PB) PCB) =16 5/16 1616116 16) (5/6) Ternya probabilitas dari 4 jawaban yang benar dari 5 pertanyaan adalah sama untuk susunan yang manapun, Banyak kemungkinan susunan 4 benar dan | salah dapat dicari dengan Rumus: " — ! (t) Dalam kasus: Keterangan eluruh objek dalam kelompok jenis item tertentu BB BBS n-r = jenis item lain PROBABILITAS DISKRIT KLP 5-1pptx Halaman 6 dari 19dan n-r = | sehingga terdapat: Untuk kasus di atas, memiliki n ot Cee 34S 5 susunan * jika semua susunan ditulis adalah’ ano oan BBBBS 3BBSBB SS BBB B SB 4BSBBB CRC Ce Cec RC: Ane diperoleh dengan menunjukkan probabilitas dari G_ = 5 susunan.f- = banyak pristiwa sukses tere erste CRM acct OTC METTLE MCI! OR ae cee matatc ceme CUM ce L SI SOP RCS sco LR nud cianety Perret orn P(4) = GS. (1/65 . (5/6) = 0,0032 erent Sonne OC CUTE eect CM Crm Tm rece ren] ROOM ICSC bean P(r) =Ce. pe. que Poe os Statistika Ekonomil PROBABILITAS DISKRIT KLP 5-1pptx Halaman 7 dari 19Distribusi probabilitas binomial jawaban yang benar dapat ditunjukkan pada tabel dibawah distribusi binomial untuk n =5 dan p =1/6 distribusi binomial untuk n= 5 dan Banyak jawaban yang Probabilitas © © 0 00,4019 1 0.4019 9,1 $ Na 3 0,0321 4 0,0032 5 0,001, ———— 1,0000 Tae ee ika Ekonomi PROBABILITAS DISKRIT KLP 5-1pptx Halaman 8 dari 190.4 DSTRIBUSI HIPERGEOMETRIS, Distribusi hipergeometris merupakan bagan dari variabel diskrit, perbedaan yang utama antar distribusi binomial dan distribusi hipergeometris adakah pada cara pengambilan sempelnya. Pada distribusi binomial pengambilan sample dilakukan dengan pengembalian, sedangkan distribusi hipergeometris pengambilan sampel dilakukan tanpa pengembalian, misalnya : suatu kotak terdiri dari 100 barang, 90 diantaranya baik dan sisanya cacat. Kemudian dilakukan sampling dengan ukuran sample n = 6 terhadap barang yang ada dalam kotak. Pertanyaan nya , dapatkah dihitung probabilitas memperoleh jumlah yang baik sebanyak 4? Untuk menghitung probabilias jumlah sukses dengan menggunakan rumus hipergegmtrig.. N- umm = : R_ CR ‘eterangan : N= Ukuran populasi LRG) = Ce STE Ce Ea IT RT econ EURT Cg Teen cee uneonn: SEU CBO] PROBABILITAS DISKRIT KLP 5-Lpptx Halaman 9 dari 19Distribusi prohabilitas hipergeometris N= 100, R= 90.n = 6 Tumlah baik dalam Probabilitas Sampel (r) (© cP cm oT or cr 1 0.0000 90! 10! 2 0,007 _ 0.0118 4 0,0965 5 0,3687 Statistika Ekonomi] PROBABILITAS DISKRIT KLP 5-1pptx Halaman 10 dari 190.4 DISTRIBUSI PROBABILITAS POISSON Distribusi poisson sering muncul dalam literatur manajemen karena banyak diterapkan dalam bidang ini, misalnya saja, banyaknya pasien yang datang pada suatu rumah sakit, banyaknya pelanggan yang datang pada jasa pelayanan bank, banyaknya panggilan telepon selama jam sibuk, banyaknya kecelakaan di perempatan’ jalan dan lain-lain. Beberapa proses "kedatangan’ yang telah disebutkan itu belum pasti akan mengikuti proses Poisson. Jika pola kedatangannya diasumsikan mengikuti proses Poisson, rumus proses Poisson dapat digunakan untuk menghitung probabilitas banyaknya kedatangan dalam suatu selang waktu tertentu, Di samping itu, ada bentuk distribusi Poisson yang lain, yaitu distribusi Poisson sebagai pendekatan distribusi Binomial yang dapat digunakan dengan baik untuk menyelesaikan persoalan binomial dalam keadaan tertentu, + Distribusi Paisson Sebagai Pendekatan Distribusi Binomial Rumus paison dapat digunakan untuk mendekati probabilitas jumlah sukses dalam sejumlah percobaan, jika banyak percobaan n 2 20 dan probabilitas sukses p < 5 0,05 atau p 2 0,95. cara umum jika n makin besar dan makin mendekati Oatau 1, penggunaan rumus pisson akan Statistiak Ekonomi PROBABILITAS DISKRIT KLP 5-Lpptx Halaman 11 dari 19Rumus piosson untuk pendekatan probabilitas jumlah sukses dalam sejumlah percobaan adalah: Pir) = Contoh: sebuah perusahaan mempunya 20 mesin ketik. Kemungkinan setiap mesin ketik tak berfungsi pada hari tertentu adalah 0.02, a. Berapa probabilitas 3 mesin ketik harus diperbaiki karena tidak berfungsi. b.Berapa probabilitas 3 mesin ketik harus diperbaiki, jika perusahaan memiliki 50 mesin ketik dan ke an setiap mesin ketik tak berfungsipada hari tertentu adalah 0,01 Dari contoh diata terlihat bahwa penggunaan pendekatan poisson akan memberika hasil yang memuaskan jika n ditambah dan p mendekati 0 akan I karena perbedaan hasilnya akan makin a kecil Statistiak Ekonomi PROBABILITAS DISKRIT KLP 5-1pptx Halaman 12 dari 19Pendekatan pisson P(r) Rumus Binomial P(@) = ‘p ee 0An y= — 2-10.98} a.P3) = —s P(3) = =f05+- (0,98; = 0,00072 a» . OM 7 50! os b.P(3) = 3 P(3) = aff. (0.99) = 0,0126 = 0,122 Tabel ilustrasi_ pendekatan poisson terhadap 8 binomial Statistiak Ekonomi PROBABILITAS DISKRIT KLP 5-1pptx Halaman 13 dari 19+ Proses Poisson a Rumus proses Poisson memberi jawaban tentang berapa probabilitas kedatangan dalam suatu interval waktu, jika kedatangan itu mengikuti proses Poisson yang mempunyai ciri-ciri seperti berikut: 1.Tingkat kedatangan rata-rata dapat diduga berdasar data masa lalu 2. Tingkat kedatangan rata-rata per satuan waktu adalah Konstan, Ini berarti jika dalam satu jam ada 100 kedatangan maka dalam 30 menit terjadi 50 kedatangan dan dalam 10 menit terjadi 16,7 kedatangan 3. Banyaknya kedatangan dalam suatu selang waktu tidak dipengaruhi oleh apa yang terjadi dalam selang waktu sebelumnya. Independensi antarkedatangan menyebabkan proses Poisson dikatakan tidak punya ingatan (no memory), 4. Probabilitas suatu kedatangan dalam selang waktu yang sangat pendek adalah sangat kecilsehingga probabilitas lebih dari satu kedatangan dalam selang waktu yang pendek akan mendekati nol Jika proses kedatangan memepiAti gygeat-syarat seperti di atas, maka rumus proses Poissson dapat P(x) =—___ digunakan untuk menjelaskannya. Probabilitas terjadinya sejumlah kedatangan yang mengikuti eproses tatistiak Ekonomil PROBABILITAS DISKRIT KLP 5-Lpptx Halaman 14 dari 19a Keterangan: t = banyaknya satuan waktu A = tingkat kedatangan rata-rata persatuan waktu x = banyak kedatangan dalam t satuan waktu Contoh : Kedatangan pasien rat a diruang gawat darurat adalah 5 per hari, jika kedatangan mengikuti proses poisson. a. Berapa probabilitas kedatangan 3 pasien per hari? b. Berapa probabilitas kedata Jawab: n 3 pasien pada malam saja? b) t= = s+ = 0,14042 = 0,21375 ETRE L@ ol ceiteniit] PROBABILITAS DISKRIT KLP 5-1pptx Halaman 15 dari 190.5 EXPECTED VALUE DAN VARIANS, + Expected value Distribusi Mata Dadu Probabilitas Banyaknya Mata Perhitungan yang akan digunakan untuk = Dad menentukam expected value adalah Mata dadu Probabilitas mengikuti perhitungan yang digunakan x i) untuk — mendapatkan “rata-rata._— data 1 7 dikelompokkan, Untuk menunjukkan perhitungan expected value dari suatu 2 1/6 variabel random, misalkan X adalah 3 banyaknya mata dadu yang muncul setelah dilakukan —berkali-kali. —_pelemparan. 4 1/6 Distribusi_probabilitas untuk X disajikan v6 pada abel disamping. _ Mengalihkan masing-masing —nilai =X dengan probabilitasnya P(X), menghasilkan suatu nilai tertimbang. Jumlah dari hasil-hasil ini tatistiak Ekonomil PROBABILITAS DISKRIT KLP 5-1pptx Halaman 16 dari 19hh, = 1 (1/6) + 2 (1/6) + 3 (1/6) + 4 (1/6) + 5 (1/6) + 6 (1/6) = 3 1/2. ® Artinya, secara rata-rata banyaknya mata dadu yang muncul dalam sejumlah besar pelemparan akan sebesar 3 1/2. Karena itu, expected value suatu variabel random diskrit x, yang dilambangkan dengan y, adalah rata-rata tertimbang dari nilai-nilai variabel yang mungkin, dimana probabilitasnya digunakan sebagai timbangan. + Varians Seperti halnya expected value variabel random yang serupa dengan rata-rata tertimbang, penyebaran variabel random dapat diukur dengan cara yang serupa seperti penyebaran dalam populasi atau sampe ukuran itu adalah varians, dan diberi simbol o —_, yang didefinisikan sebagai rata-rata penyimpangan kuadrat dari expected value yang dihitung dengan timbangan probabilitasnya. Os 2[(X= HF. POX] Sebagai contoh, pelemparan mata dadu yang menghasil n distribusi probabilitas seperti hal 15 dan pada tabel berikutnya, menunjukkan bagaimana variaris 0 = 2,924 dihitung untuk banyaki mata dadu yang muncul Statistiak Ekonomi PROBABILITAS DISKRIT KLP 5-1pptx Halaman 17 dari 19Deviasi standar variabel random X, yang dilambangkan dengan & memiliki arti yang serupa seperti deviasi standar populasi, Nilai itu diperoleh dengan mengambil akar pangkat dua varians. 6 = 42,924 = 1,71 Mata Dadu Probabilitas Penyimpangan Penyimpangan _ Penyimpangan x X= 110%) bx HO] [x= wO0}2P() 1 0,167 6.25 1,004 2 0,167 0,376 3 0,167 0,042 4 0,167 05 0,042 5 0,167 Ls 0,376 6 0,167 25 6.25 1,046 6 (x) Statistiak Ekonomi PROBABILITAS DISKRIT KLP 5-1pptx Halaman 18 dari 19THANK YOU 03 April 2024 PROBABILITAS DISKRIT KLP 5-1pptx Halaman 19 dari 19