Statistika Dasar Teori Peluang

MK.
STATISTIKA
DASAR-DASAR
TEORI PELUANG
Amno.statistika,agroekotek.fpub2013
MK. STATISTIKA
Konsep Dasar Probabilitas
Teori Probabilitas didasarkan pada konsep dari

suatu eksperimen random
Random fenomena/eksperimen dimana
keluaran individual tidak pasti tetapi ada
distribusi yg regular dari keluaran utk jumlah
pengulangan yang banyak
Probabilitas proporsi berapa kali suatu
keluaran spesifik akan muncul dlm suatu serie
pengulangan yang panjang dari suatu
eksperimen
Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt.. 27/7/2012

KONSEP DASAR PELUANG =
PROBABILITAS
Probabilitas dan Teori Keputusan
Pengertian
Konsep-Konsep Probabilitas dan
Dasar Probabilitas Manfaat Probabilitas
Pendekatan Terhadap
Probabilitas
Distribusi
Probabilitas Diskrit Hukum Dasar Probabilitas
Distribusi Normal Teorema Bayes
Teori Keputusan Menggunakan MS Excel

Untuk Probabilitas
Definisi:
Probabilitas adalah peluang suatu kejadian
Manfaat:
Manfaat mengetahui probabilitas adalah
membantu 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 diluncurkan perusahaan
(sukses atau tidak), dll.
Probabilitas:
Suatu ukuran tentang kemungkinan suatu
peristiwa (event) akan terjadi di masa
mendatang. Probabilitas dinyatakan antara 0
sampai 1 atau dalam persentase.
Percobaan:
Pengamatan terhadap beberapa aktivitas atau
proses yang memungkinkan timbulnya paling
sedikit dua peristiwa tanpa memperhatikan
peristiwa mana yang akan terjadi.
Hasil (outcome):
Suatu hasil dari sebuah percobaan.
Peristiwa (event):
Kumpulan dari satu atau lebih hasil yang terjadi
pada sebuah percobaan atau kegiatan.
PENGERTIAN PELUANG
Contoh:
Percobaan/ Pertandingan sepak bola

Kegiatan Persita VS PSIS di Stadion
Tangerang, 5 Maret 2003.
Hasil Persita menang

Persita kalah
Seri -- Persita tidak kalah
dan tidak
Peristiwa Persita
menangMenang
PENDEKATAN PROBABILITAS
1.Pendekatan Klasik
2.Pendekatan Relatif
3.Pendekatan Subjektif
PENDEKATAN KLASIK
Definisi:
Setiap peristiwa mempunyai
kesempatan yang sama untuk
terjadi.
Rumus:
Probabilitas = jumlah kemungkinan hasil
suatu peristiwa
jumlah total
kemungkinan hasil
8
PENDEKATAN KLASIK
Percobaa Hasil Probab

n i-litas
Kegiatan 1. Muncul gambar 2
melempar 2.Muncul angka
uang
Kegiatan 1. Menjual saham 2
perdagangan 2. Membeli saham
saham
Perubahan 1.Inflasi (harga 2
harga naik)
2.Deflasi (harga
Mahasiswa turun)
1. Lulus memuaskan 3 1/3
belajar 2. Lulus sangat
memuaskan
3. Lulus terpuji
PENDEKATAN RELATIF
Definisi:
Probabilitas suatu kejadian tidak
dianggap sama, tergantung dari berapa
banyak suatu kejadian terjadi.
Rumus:
Probabilitas = jumlah peristiwa yang terjadi
suatu peristiwa
jumlah total
percobaan
Contoh:
PENDEKATAN SUBJEKTIF
Definisi:
Probabilitas suatu kejadian

didasarkan pada penilaian pribadi
yang dinyatakan dalam suatu derajat
kepercayaan.
KONSEP DASAR HUKUM PROBABILITAS
A. Hukum Penjumlahan
P(A ATAU B) = P(A) + P(B)
Contoh : P(A) = 0,35, P(B) 0,40 DAN P (C) 0,25

Maka P(A ATAU C ) = 0,35 + 0,25 = 0,60
Peristiwa atau Kejadian

Bersama
A AB B
P(A ATAU B) = P(A) + P(B)

P (AB)
Apabila P(AB) = 0,2, maka ,
P(A ATAU B) = 0,35 + 0, 40 0,2 = 0,55
Peristiwa Saling Lepas

P(AB) = 0
Maka P(A ATAU B) = P (A) + P(B) + 0
= P(A) + P(B)
A B
Hukum Perkalian
P( A DAN B) = P(A) X P(B)
Apabila P(A) 0,35 DAN P(B) = 0,25
Maka P(A DAN B) = 0,35 X 0,25 = 0,0875
Kejadian Bersyarat P(B|A)

P(B|A) = P(AB)/P(A)
Hukum Perkalian
P( A DAN B) = P(A) X P(B)
Apabila P(A) 0,35 DAN P(B) = 0,25
Maka P(A DAN B) = 0,35 X 0,25 = 0,0875
Kejadian Bersyarat P(B|A)

P(B|A) = P(AB)/P(A)
Peristiwa Pelengkap (Complementary Event)

P(A) + P(B) = 1 atau P(A) = 1 P(B)
DIAGRAM POHON
Keputusan Jual atau Beli Jenis Saham Probabilitas bersama
Diagram Probabilitas Bersyarat 1 x 0,6 x 0,35 = 0,21

BCA 0,35
Pohon
Jual BLP 0,40 1 x 0,6 x 0,40 = 0,24
Suatu BNI 0,25 1 x 0,6 x 0,25 = 0,15

0,6
diagram 1
berbentuk
1 x 0,4 x 0,35 = 0,14
pohon yang BCA 0,35
Beli
membantu BLP 0,40 1 x 0,4 x 0,40 = 0,16
mempermuda
h mengetahui BNI 0,25 1 x 0,4 x 0,25 = 0,10
probabilitas
suatu 0,21+0,24+0,15+0,14
Jumlah Harus = 1.0
peristiwa +0,16+0,10 =1,0
TEOREMA BAYES
Merupakan probabilitas bersyarat-suatu

kejadian terjadi setelah kejadian lain
ada.
Rumus:
P(Ai|B) = P(Ai) X P (B|Ai)

P(A1) X P(B|A1)+P(A2) X P(B|A2) +
+ P(Ai) X P(B|AI)
BEBERAPA PRINSIP MENGHITUNG
Factorial (berapa banyak cara yang mungkin

dalam mengatur sesuatu dalam kelompok).
Factorial = n!
Permutasi (sejumlah kemungkinan

susunan jika terdapat satu kelompok
objek).
Kombinasi nCr = n!/r!
(n-r)!
Kombinasi (berapa cara sesuatu diambil
dari keseluruhan objek tanpa
memperhatikan urutannya.
Permutasi nPr = n!/
(n-r)!
MK. STATISTIKA
Diunduh dari: .. 27/7/2012

MK. STATISTIKA

Apakah Probabiltas?
Frekuensi relatif jangka panjang
Jika melempar coin, frekuensi relatif dari head tidak

menentu utk 2, 5 atau 10 pelemparan
Jika pelemparan suatu coin dilakukan bbrp ribu kali,
frekuensi relatif tetap stabil
Probabilitas matematis adalah idealisasi dari apa yg

terjadi thd frekuensi relatif setelah pengulangan
sejumlah tak hingga eksperimen random
Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt .. 27/7/2012

Probabilitas dari Head
Probabilitas didasarkan pd frekuensi relatif

jangka panjang

Model Probabilitas
Sample Space - set dari semua keluaran
(outcomes) yg mungkin dari eksperimen
random (S)
Event suatu keluaran (outcome) atau satu
set outcomes dari suatu eksperimen
Ukuran Probabilitas adalah suatu bilangan
atau fungsi yg memetakan dari events pada
sample space ke bilangan real antara 0 dan 1
Probabilitas dari semua outcomes yg mungkin
(yaitu sample space) harus sama dg 1

Model Probabilitas
Contoh: Pelemparan (toss) suatu dadu
Sample Space: S ={1,2,3,4,5,6}
Event: A = {muncul angka genap},

B = {muncul angka ganjil},
D= {muncul angka 2}
Ukuran Probabilitas:
P(A) = 0,5; P(B) = 0,5; P(D) = 1/6

Aturan-Aturan Probabilitas
Probabilitas dari sembarang event P(A) hrs memenuhi
0 < P(A) < 1
Complement Rule = complement dari sembarang event
A adalah event A tdk terjadi
P(Ac) = 1 - P(A)
Contoh: Lempar suatu dadu: S = {1,2,3,4,5,6};
mis A = {2,4}, Ac = {1,3,5,6}; P(A) = 1/3; P(A c) = 1-1/3 =
2/3
Addition Rule = utk dua events A dan B yg terpisah/
disjoint (no common outcomes)
P (A or B) = P(A) + P (B)
Contoh: Lempar suatu dadu: S = {1,2,3,4,5,6};
mis A = {2}, B = {1,3,5}; P(A or B) = P(A) + P(B) = 1/6 +
1/2 = 2/3

Multiplication Rule = dua events A dan B
adalah independent, jika diketahui bhw salah
satu terjadi/muncul tdk mengubah probabilitas
yg lain muncul
P (A and B) = P(A)*P(B)
Contoh: Lempar sepasang dadu
S = {(1,1),(1,2),.(6,6)} 36 kemungkinan outcomes
mis A ={dadu pertama 6} = {(6,1),(6,2),(6,3),(6,4),(6,5),
(6,6)}
mis B = {dadu kedua 1} = {(1,1),(2,1),(3,1),(4,1),(5,1),
(6,1)}
Maka P(A) = 6/36 = 1/6;
P(B) = 6/36 = 1/6 dan
P(dadu pertama 6, dadu kedua 1) = P(A and B)
= 1/36 = P(A) P(B)
menunjukan independence

Multiplication Rule
Contoh dari kasus Dependent: lempar sepasang dadu
S = {(1,1),(1,2),.(6,6)} 36 kemungkinan outcomes
mis A ={dadu pertama 6} = {(6,1),
(6,2),(6,3),(6,4),(6,5),(6,6)}
mis B = {jumlah dadu pertama & kedua =9} =
{(3,6),(4,5),(5,4),(6,3)}
Maka P(A) = 6/36 = 1/6;
P(B) = 4/36 = 1/9 dan
P(dadu pertama 6, jumlah = 9) = P(A and B) = 1/36
tdk sama P(A) P(B) = 1/54
menunjukan dependence

Contoh: suatu web site memp tiga server A, B,
dan C, yg dipilih secara independent dg
probabilitas:
P(A) = , P(B) = , P(C)= .
(a) Cari probabilitas A atau B dipilih
P(A or B) = + = 3/4
(b) Cari probabilitas A tdk dipilih
P(Ac) = 1 P(A) =
(c) Cari probabilitas server A dipilih dua kali
P(AA) = P(A)P(A) = 1/16
(d) Cari probabilitas urutan seleksi server
ABCA
P(ABCA) = P(A)P(B)P(C)P(A) = (1/4)(1/2)
(1/4)(1/4) = 1/128
Peluang Bersyarat = Conditional Probability
Utk dua event A dan B probabilitas dari event

A diberikan bhw event B telah terjadi
dinyatakan:
P(A|B) dan ditentukan dg
P (A|B) = P(A and B)/P(B)
Contoh: Lempar satu dadu S = {1,2,3,4,5,6}.

mis A ={2}, B={bil genap} = {2,4,6},
P(A|B) = P(A and B)/P(B) = (1/6)/(1/2) = 1/3

Bayes Rule
Utk dua event A dan B yg mempartisi sample space,
yaitu (A atau B) = S dan event ketiga C ditentukan
di atas A dan B
Contoh: Lempar sepasang dadu S = {(1,1) (1,2), .

(6,6)} 36 kemungkinan outcomes. Mis A ={jumlah
dadu 9 atau lebih besar},
A = {(6,3),(5,4), (4,5), (3,6), (6,4), (5,5), (4,6), (6,5),
(5,6), (6,6)}
B = Ac = {jumlah dadu 8 atau kurang} = {(1,1) ,
(1,2,) .(6,2), (2,6)} ---
cat P(A) = 10/36 dan P(B) = 26/36

Bayes Rule
Mis C event jumlah dari dadu adalah bil
genap {2,4,6,8,10,12}, P(C|A) =4/10 dan P(C|
B) = 14/26

PEUBAH ACAK
Suatu random variable X adalah suatu variable
dimana harganya tergantung pd outcome dari
suatu eksperimen random didefinisikan pd
sample space S
Contoh: Mis X, bilangan jumlah dari head pd

pelemparan dua coin yg fair. Sample space S
dari eksperimen adalah:
S ={(t,t),(t,h),(h,t),(h,h)} dimana t
menunjukan tail dan h menunjukan head

PEUBAH ACAK
Suatu random variable X dikarakteristikan
oleh salah satu:
probability density function (pdf): f(x)
cumulative density function (cdf):
Contoh: perhatikan random variable X, yg

merupakan jumlah head pd pelemparan dua
coin
f(x) diberikan dg P{X = 0} = .25; P{X=1} = .5
; P{X=2} = .25
F(x) diberikan dg

Probability Density
Function
Formula matematis
Memperlihatkan semua
harga, X, & frekuensi, f(X)
f(X) adalah probability
density function (pdf)
Properties
Area di bawah kurva = 1
Mean ()
Standard Deviation ()

Tipe-Tipe Peubah Acak
Suatu random variable X adalah suatu variable
dimana harganya tergantung pd outcome dari
suatu eksperimen random didefinisikan pd
sample space S
Jika S adalah terbatas (finite) atau dp dihitung
(countable) X adalah suatu discrete random
variable (mis., jumlah head pd pelemparan dua
coin)
Jika S adalah kontinyu X adalah suatu random
variable kontinyu (mis., waktu antar queries ke
suatu server database)

Tipe-Tipe Peubah Acak
Jika X discrete random variables maka
Jika X continuous random variables maka

Peubah Acak Diskrit
Discrete Random Variables yg umum:
Bernoulli, Geometric, Binomial dan Poisson
Bernoulli memodelkan eksperimen spt toss

suatu coin
X adalah suatu indicator function
X = 1 sukses; X = 0 gagal
Spt coin toss dg probabilitas p mendpkan head, 1-p

mendpkan tail

Peubah Acak Diskrit
Geometric memodelkan jumlah percobaan X
sampai sukses pertama pd suatu deretan
percobaan Bernoulli trials
P{X = x} = f(x) = (1-p)x-1p;
dimana x = 1,2,3,
Mean = 1/p
Variance = (1-p)/p2
Sbg contoh, memodelkan jumlah tail yg
terlihat sblm head pertama pd suatu deretan
coin tosses

Peubah Acak Diskrit
Binomial memodelkan jumlah sukses X pd n
percobaan/trials. Mis p menyatakan
probabilitas sukses pd 1 trial, probabilitas dari
k sukses diberikan dg
Mean = np, Variance = np(1-p)
Tabel pd textbook memp macam-macam harga

dari P(X = k)

Contoh : Peubah Acak Kontinyu
Eksperimen Random Variable Harga Yg Mungkin
Berat mahasiswa ITB Berat 43.2, 78, Kg
Umur hidup battery Jam 900, 875.9, jam

Lama panggilan
Lama panggilan 3.2, 1,53, menit
telepon
Waktu antar
Waktu antar
kedatangan paket ke 0, 1.3, 2.78, det
kedatangan
router

Contoh : Peubah Acak Kontinyu

Continuous Random Variable
Continuous Random Variables yg umum:

Exponential, Uniform, Normal
Exponential memodelkan waktu antar

kedatangan, lama waktu pelayanan (mis.,
waktu dari panggilan telepon), mis X suatu
exponential random variable dg mean a.

Peubah Acak Kontinyu
Uniform memodelkan kasus equally likely.

Mis. X uniform random variable antara a dan b
yaitu X akan mempunyai harga antara a dan b
dengan kemungkinan equally likely

Peubah Acak Kontinyu
Normal Normal random variable memodelkan
fenomena random alamiah utk jumlah yg besar.
Mis X suatu normal random variable
Standard Normal Z adalah kasus dimana:

Mean = 0, Variance = 1.

Nilai Z & Peluang
Normal Distribution
Hubungan langsung antara
persentase dan probabilitas
Persentase dari kurva normal dp di-
rephrased sbg problem probabilitas

Nilai Z & Peluang
Suatu konsultan
menyelidiki waktu
diperlukan pekerja pabrik
utk assemble suatu part
stlh mereka ditraining
Konsultan menentukan
bhw waktu dlm detik
Berapakah probabilitas bhw terdistribusi normal dg
pekerja pabrik yg dipilih mean = 75 seconds
random akan melaksanakan dan standard deviation
test dibawah 81 seconds = 6 seconds.
atau diatas 75 seconds? P(X<x) = P(Z <z)
dimana z = (x- )/

P(75 < X < 81)

P(75 < X < 81)

Momentum
Ekspektasi E[x] atau mean atau first
moment dari suatu random variable X di
definisikan dg
Moment lebih tinggi didp dg mengganti x dg

xn

Ragam , Mode, Quantil
Variance didefiniskan sbg
Mode adalah titik dimana f(x) adalah maximum
Quantile quantile dari X ditulis x adalah titik

pd X dimana F(x) =
Cat. 0,5 quantile disebut median dimana 50%

harga pd kedua sisi

Aturan-Aturan untuk Peubah Acak
Aturan utk Means

Suatu transformasi linier dari suatu random
variable menghasilkan suatu linear scaling
dari mean. Yaitu jika X adalah suatu random
variable dg mean X dan a dan b adalah
konstanta maka jika Y = aX + b mean dari Y
diberikan oleh Y = aX + b
Mean dari sum dari suatu set dari random

variables adalah sum dari individual mean.
Yaitu jikaf X dan Y adalah random variables
maka X+Y = X + Y

Aturan-Aturan untuk Peubah Acak
Aturan utk Variances

Suatu transformasi liniear dari suatu random
variable menghasilkan suatu squared scaling
dari variance. Yaitu jika X adalah suatu
random variable dg variance x2 dan a dan b
adalah konstanta maka jika Y = aX + b
variance dari Y diberikan oleh y2 = a2 x2
Variance dari sum dari suatu set dari

independent random variables adalah sum
dari individual variances. Yaitu jika X dan Y
adalah random variables maka x+y2 = x2 + y2

Statistik Inferensial
Menggunakan teori probabilitas utk
membuat kesimpulan mengenai suatu
populasi dari data sampel
Tdk dp memperoleh data dari setiap anggota
populasi maka menguji suatu sampel random
dari populasi dan berdasarkan statistik dari
sampel menyimpulkan mengenai parameter
dari populasi

Statistik Inferensial
Statistical Inference: menggunakan statistik dari suatu

sampel random utk menyimpulkan mengenai
parameter dari suatu populasi
Sbg contoh menguji mean x dari sampel utk
menyimpulkan mean dari populasi
Perlu mengerti bagaimana perubahan statistik dengan
tiap sampel
Sample Distribution: distribusi probabilitas dari suatu

statistik (spt mean, standard deviation) dari semua
sampel yg mungkin dari ukuran yg sama dari suatu
populasi

Distribusi Sampel dari
Counts dan Proporsi
Perhatikan suatu sampel random tetap (fixed) ukuran

n dari observasi independen dari suatu populasi. Tiap
observasi jatuh kedalam satu dari dua kategori,
sukses atau gagal
Probabilitas suatu sukses (p) sama utk tiap observasi
Probabilitas suatu gagal (1-p)
Mis X menyatakan count dari jumlah sukses dalam
suatu sampel ukuran n. X memp distribusi Binomial

Counts dan Proporsi
Ingat distribusi Binomial memodelkan jumlah

sukses X dlm n percobaan Bernoulli dan memp.
Mean = np, Variance = np(1-p)
Dg n bertambah besar distribusi dari X mendekati

distribusi Normal dg mean dan variance

Counts dan Proporsi
Utk estimasi probabilitas atau proportion dari suatu populasi

p kita uji sample proportion:
dimana X adalah jumlah dari sukses dlm suatu sampel

ukuran n
adalah estimasi unbiased dari population proportion p.
Jika ukuran sampel n besar, mendekati suatu distribusi
Normal dg

Sample Distribution of
Means
Perhatikan suatu sampel random ukuran tetap n dari
suatu populasi dg mean dan standard deviation .
Distribusi dari sample mean x (jika dihasilkan dari
repeated random samples) memp. mean = dan
standard deviation
Jika populasi memp. distribusi Normal maka distribusi

dari sample mean adalah Normal
Dari Central Limit Theorem distribusi dari suatu sum

dari random variables mendekati distribusi Normal jika
jumlah terms dlm sum menjadi besar

Central Limit Theorem

Central Limit Theorem
Central limit theorem menyatakan bhw dg

bertambah besarnya ukuran sampel n, tdk
tergantung pd distribusi populasi, distribusi dari
sample mean mendekati distribusi Normal utk
ukuran sampel yg besar, dg mean = dan
standard deviation =

Tipe-Tipe Statistik Inferensial
Confidence Intervals: mengestimasi harga suatu
parameter populasi dg suatu harga rentang
Berapakah mean IQ dari mahasiswa SIT ITB?
Berapakah proporsi dari switches pd suatu
network perlu perbaikan?
Hypothesis Testing: menilai bukti yg disediakan
data menyetujui suatu claim mengenai populasi
Apakah mean IQ dari mhs SIT ITB sama dg dg
IQ populasi secara umum?
Apakah proporsi switches yg memerlukan
perbaikan pd jaringan Telkom berbeda dg
proporsi pd jaringan Indosat?

Titik Estimasi
Menyediakan harga tunggal/single value, mis.,
sample mean, sample proportion
Berdasarkan observasi dari 1 sample
Tdk memberikan informasi mengenai seberapa
dekat harga point estimate thd parameter
populasi yg tdk diketahui
Contoh: Sample mean X = 22.9 adalah point
estimate dari mean populasi yg tdk diketahui

Selang Estimasi
Menyediakan nilai interval (a, b) dimana
parameter populasi diprediksi berada
Interval berdasarkan observasi dari 1 sampel
Memberikan informasi mengenai seberapa
dekat dari estimasi ke parameter populasi yg
tdk diketahui
Dp dinyatakan sbg
Atau dinyatakan dlm terms probabilitas,

(confidence level)

Tingkat Kepercayaan
Nilai adalah probabilitas bhw parameter
tidak berada dalam interval (a,b)
100(1 - ) % adalah confidence level dan
adalah kemungkinan bhw parameter
populasi yg tdk diketahui jatuh dlm interval
(a,b)
Nilai tipikal adalah = .1, .05, .01 yg
memberikan confidence levels masing-
masing 90%, 95%, dan 99%
Contoh: Mean populasi yg tdk diketahui
terletak antara 50 & 70 dg 95% confidence

Element Kunci dari Selang Estimasi

Selang Kepercayaan : Proses

Selang Kepercayaan untuk Rataan
Populasi
Asumsi
Standard deviation populasi diketahui
Ukuran sampel n cukup besar shg hasil central
limit theorem dp diaplikasikan dan sample mean
distribution dp diperkirakan dg distribusi
normal. Aturan umum (Rule of thumb) utk
ukuran sampel adalah (n 30)
100(1-) % confidence interval pd sample
mean diberikan oleh

Selang Kepercayaan untuk Rataan
Populasi
Catatan
x adalah sample mean.
Z(1-/2) adalah nilai standard normal value dimana
/2 adalah tail ke sebelah kanan dari nilai Z
adalah standard deviation populasi
n adalah ukuran sampel

Contoh: Confidence Interval utk
Population Mean
Suatu retailer e-commerce spt Amazon.com, ingin

melakukan studi waktu rata-rata (mean time) yg
diperlukan utk memproses dan mengapalkan
pesanan. Suatu random sample dari waktu utk
proses dan mengapalkan 33 pesanan dikumpulkan
dan dinyatakan sbg n dlm jam di bawah. Dari data
yg lalu standard deviation dari populasi = 9
{23, 33, 14, 15, 42, 28, 33, 45, 23, 34, 39, 21, 36,
23, 34, 36, 25, 9, 11, 19, 35, 24, 31, 29, 16, 23, 34,
24, 38, 15, 13, 35, 28}
Tentukan 90% confidence interval dari rata-rata

waktu proses dan pengapalan pesanan.
sample mean x adalah = 26.9091, ukuran sampel n = 33
pd 90% confidence level Z(1-/2) = Z.95 = 1.645

Contoh: Confidence Interval utk
Population Mean
Krnnya confidence interval adalah

menghasilkan
Cat margin of error kadang-kadang diekspresikan sbg

persentase dari estimasi. Utk contoh e-commerce:
margin of error % = 100 * (2.577 / 26.9091) =
9.57%
Juga confidence interval dp diekspresikan sbg (24.332,

29.486) yg dp diinterpretasikan sbg
P(24.332 < < 29.486) = .9

SELANG KEPERCAYAAN =
Confidence Intervals
Trade off antara confidence level 100(1-) %

dan margin of error
Lebih tinggi confidence lebih tinggi harga Z
lebih besar margin of error
Contoh proses dan pengiriman pemesanan e-

commerce. Suatu 95% confidence interval
memp. Z = 1.96 (dimana 90% memp Z = 1.645)
dan sbg hasil

Selang Kepercayaan
Margin of error juga tergantung pd ukuran
sampel n, lebih besar n makin kecil margin of
error
Utk confidence interval pd population mean,
margin of error berkurang setengahnya utk
tiap pertambahan faktor 4 pd ukuran sampel
Utk contoh e-commerce jika utk 90%

confidence interval ukuran sample adalah 4
kali lebih besar (yaitu 132) dg mean dan
standard deviation yg sama interval akan

Selang Kepercayaan
Cat utk margin of error yg diinginkan m kita
dp tentukan ukuran sampel yg diperlukan n
utk mencapai m. Kita mendpkan
Utk contoh e-commerce pd 90% confidence

level jika diinginkan margin of error 3%, m.x =
.03 x 26.9091= .80727 dan selesaikan utk
ukuran sampel n
Cat perlu 337-33= 304 tambahan observasi

Selang Kepercayaan untuk Proporsi
Populasi
Dari aproksimasi Normal pd distribusi Binomial
kita dapatkan 100(1- )% confidence interval
pd suatu population proportion sbg
dimana Z1- /2 adalah /2 critical point dari

standard distribusi Normal

Confidence Interval utk Proportion of
population
Contoh: Perhatikan suatu link komunikasi satelit. Spy dp

mengestimasi packet error rate pd link kita transmit 5000
packets dan observasi bhw 23 diterima error. Tentukan
90% confidence interval pd packet error probability. Dari,
Z.95 = 1.645, n = 5000,
Krnnya 90% confidence interval utk packet error

probability diberikan oleh (.0030, .0062)

Confidence Interval utk
Quantile of population
Quantile: Harga xq dimana CDF mempunyai harga q
disebut q-quantile atau 100-q-percentile
50-percentile (atau 0.5-quantile) disebut median

Posisi dari suatu harga q-quantile value dari suatu
sorted order list x1, x2, x3, , xn adalah
* dibulatkan ke integer terdekat

100(1-)% confidence interval pd suatu
harga populasi q-quantile xq adalah
dimana

Contoh: 45 titik data (n=45)
6, 6, 7, 8, 8.5, 9, 11, 13, 15, 24, 29, 30, 32, 34, 37,
39, 41, 42, 42, 43, 46, 47, 47.5, 49, 50, 52, 54, 55,
59, 62, 63, 66, 68, 71, 81, 83, 84, 88, 93, 97, 103,
108, 111, 116, 134
Cari 90% c.i. pd 0.5 quantile.
Posisi dari 0.5 quantile = (45-1)*0.5 + 1 = 23 x0.5

= 47.5
Krnnya, 90% c.i. pd x0.5 = (41, 59)

MK. STATISTIKA

MK. STATISTIKA

MK. STATISTIKA

MK. STATISTIKA

MK. STATISTIKA

Tugas (kumpulkan minggu depan)
1. Perhatikan N mobile phones dlm suatu cell. Tiap phone

mungkin berusaha utk transmit data pd suatu kanal
shared time slot. Tiap transmisi terjadi tepat pd satu slot,
dan tdk ada pencegahan collision digunakan serta tiap
phone akan transmit dlm suatu slot dg probabilitas p,
independen thd phone lainnya.
a). Berapakah probabilitas suatu time slot kosong,
yaitu tdk ada usaha dari sembarang phone?
b). Berapakah probabilitas suatu transmisi sukses,
yaitu secara tepat satu phone berusaha transmit.
c). Berapakah probabilitas collision pd suatu slot, yaitu
dua atau lebih phone berusaha transmit pd
slot yg sama?
Hendrawan ET6043 Kinerja Jaringan

Lab. Telematika - ITB Telekomunikasi & Komputer
Tugas (cont.)
2. Dlm suatu access switched data network, user bisa request suatu
koneksi utk di-set up utk suatu transfer data. Jika suatu call-setup
request tiba, suatu access network node akan menentukan apakah
menerima permintaan atau menolak berdasarkan ketersediaan
resources. Jika permintaan ditolak, user akan mengulang usaha
sampai 10 kali sblm menyerah. Asumsikan bhw tiap permintaan call-
setup memp. probabilitas 0.02 utk diterima dan usaha permintaan
panggilan adalah independent.
a). Berapakah probabilitas suatu permintaan panggilan diberikan pd
usaha pertama?
b). Berapakah probabilitas bhw suatu panggilan pertama diterima
adalah usaha yg ke-empat?
c). Berapakah probabilitas bhw memerlukan lebih dari lima usaha
bagi user utk koneksi?
d). Berapakah probabilitas bhw user akhirnya menyerah?
e). Berapakah rata-rata jumlah usaha panggilan diperlukan utk
koneksi?

Tugas (cont.)
3. Perhatikan waktu transaksi pd suatu aplikasi
web-based, dari 3000 transaksi terdistribusi
normal dg mean 66 sec dan standard deviation 3
sec. jika 80 sampel masing-masing terdiri dari 25
transaksi didapat,
a). berapakah mean dan standard deviation yg
diharapkan sbg hasil dari mean dari
distribusi sampling?
b). Dalam berapa banyak sampel kita bisa
mengharapkan mean: (i) antara 64.8 dan
66.3 sec dan (ii) kurang dari 64.4 sec?


Statistika Dasar Teori Peluang

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Statistika Dasar Teori Peluang

Uploaded by

Copyright:

Available Formats

MK.

Teori Probabilitas didasarkan pada konsep dari

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt.. 27/7/2012

Probabilitas dan Teori Keputusan

Distribusi Normal Teorema Bayes

Teori Keputusan Menggunakan MS Excel

Percobaan/ Pertandingan sepak bola

Hasil Persita menang

Percobaa Hasil Probab

Probabilitas suatu kejadian

P(A ATAU B) = P(A) + P(B)

Contoh : P(A) = 0,35, P(B) 0,40 DAN P (C) 0,25

Peristiwa atau Kejadian

P(A ATAU B) = P(A) + P(B)

Peristiwa Saling Lepas

Kejadian Bersyarat P(B|A)

Kejadian Bersyarat P(B|A)

Peristiwa Pelengkap (Complementary Event)

Keputusan Jual atau Beli Jenis Saham Probabilitas bersama

Diagram Probabilitas Bersyarat 1 x 0,6 x 0,35 = 0,21

Suatu BNI 0,25 1 x 0,6 x 0,25 = 0,15

Merupakan probabilitas bersyarat-suatu

P(Ai|B) = P(Ai) X P (B|Ai)

Factorial (berapa banyak cara yang mungkin

Permutasi (sejumlah kemungkinan

Diunduh dari: .. 27/7/2012

Diunduh dari: .. 27/7/2012

Jika melempar coin, frekuensi relatif dari head tidak

Probabilitas matematis adalah idealisasi dari apa yg

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt .. 27/7/2012

Probabilitas didasarkan pd frekuensi relatif

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt .. 27/7/2012

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt .. 27/7/2012

Sample Space: S ={1,2,3,4,5,6}

Event: A = {muncul angka genap},

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt .. 27/7/2012

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt .. 27/7/2012

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt .. 27/7/2012

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt .. 27/7/2012

Utk dua event A dan B probabilitas dari event

P (A|B) = P(A and B)/P(B)

Contoh: Lempar satu dadu S = {1,2,3,4,5,6}.

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt .. 27/7/2012

Contoh: Lempar sepasang dadu S = {(1,1) (1,2), .

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt .. 27/7/2012

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt .. 27/7/2012

Contoh: Mis X, bilangan jumlah dari head pd

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt .. 27/7/2012

Contoh: perhatikan random variable X, yg

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt .. 27/7/2012

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt .. 27/7/2012

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt .. 27/7/2012

Jika X discrete random variables maka

Jika X continuous random variables maka

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt .. 27/7/2012

Bernoulli memodelkan eksperimen spt toss

Spt coin toss dg probabilitas p mendpkan head, 1-p

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt .. 27/7/2012

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt .. 27/7/2012

Mean = np, Variance = np(1-p)

Tabel pd textbook memp macam-macam harga

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt .. 27/7/2012

Eksperimen Random Variable Harga Yg Mungkin