Exercise Week 10
Essential of Probability
1 Pendahuluan
Probabilitas adalah pilar dasar dalam penalaran statistik yang berfungsi sebagai kerangka kerja sistematis untuk memahami dan mengukur ketidakpastian. Alih-alih mengandalkan intuisi atau dugaan, probabilitas memungkinkan kita untuk:
- Mengukur kemungkinan dari berbagai hasil suatu kejadian.
- Menafsirkan pola dalam data.
- Menganalisis fenomena yang muncul dari proses alam atau eksperimen. Penguasaan probabilitas sangat penting untuk analisis data yang efektif, penelitian ilmiah, dan pengambilan keputusan yang berbasis bukti.
Prinsip-Prinsip Utama Probabilitas:
- Konsep Dasar: Seperti ruang sampel, kejadian, dan aturan komplemen.
- Hubungan Antar Kejadian: Membedakan kejadian independen (tidak saling mempengaruhi) dan dependen (saling mempengaruhi).
- Gabungan Kejadian: Menghitung peluang terjadinya setidaknya satu dari beberapa kejadian.
- Peristiwa Eksklusif dan Lengkap: Memahami bagaimana kejadian berinteraksi dalam suatu ruang sampel.
- Eksperimen dan Distribusi Binomial: Alat untuk menganalisis percobaan yang diulang dengan hanya dua kemungkinan hasil (seperti sukses/gagal).[1]
Kesimpulannya, probabilitas adalah alat pengukur ketidakpastian yang memberikan fondasi kokoh untuk mempelajari metode statistik yang lebih kompleks.
2 Konsep Dasar (Fundamental Concept)
2.1 Ruang Sampel (Sample Space)
Ruang Sampel yang dilambangkan dengan S (set) merupakan himpunan dari semua hasil yang mungkin terjadi dari eksperimen acak.
2.1.1 Contoh & Pembahasan
1. Melempar Dadu
Jika sebuah dadu dilempar ke atas, maka tentukan ruang sampel kemungkinan mata dadu yang muncul adalah 1, 2, 3, 4, 5 atau 6. Sehingga ruang sampelnya dinyatakan dengan S = {1, 2, 3, 4, 5,6}.
2. Produk Pabrik
Suatu pabrik memproduksi sejenis produk kesehatan. Kemungkinan produk yang dihasilkan adalah produk yang “cacat” dan “tidak cacat”. Sehingga ruang sampel dari sebuah produk yang dihasilkan oleh pabrik dapat dinyatakan dengan S = {Cacat, Tidak Cacat}.
3. Melempar Koin
Sebuah koin dilempar ke atas. Setelah jatuh, maka kemungkinan sisi yang muncul paling atas adalah “Gambar” atau “Angka”. Sehingga ruang sampel percobaan tersebut dapat dinyatakan dengan S = {Angka, Gambar}.[2]
2.2 Probabilitas Sederhana (Simple Probability)
Jika semua titik sampel mempunyai peluang yang sama, maka probabilitas suatu kejadian A adalah jumlah titik sampel pada A dibagi jumlah titik sampel pada ruang sampel.[3] \[ P(A) = \frac{\text{jumlah hasil yang menguntungkan } (n(A))} {\text{jumlah total hasil dalam ruang sampel } (n(S))} \]
2.2.1 Contoh & Pembahasan
1. Melempar Dadu
Berapa peluang muncul angka 4 saat melempar satu dadu fair?
Penyelesaian:
Ruang sampel: \[ S = \{1,2,3,4,5,6\} \quad \Rightarrow \quad n(S)=6 \]
Hasil yang menguntungkan: \[ A = \{4\} \quad \Rightarrow \quad n(A)=1 \]
Probabilitas:
\[ P(A) = \frac{1}{6} \]
2. Melempar Dua Koin
Peluang muncul dua gambar (GG)?
Penyelesaian:
Ruang sampel: \[ S = \{GG, GA, AG, AA\} \quad \Rightarrow \quad n(S)=4 \]
Hasil yang menguntungkan: \[ A = \{GG\} \quad \Rightarrow \quad n(A)=1 \]
Probabilitas: \[ P(GG)=\frac{1}{4} \]
3. Mengambil Bola dari Kotak
Kotak berisi 5 bola merah, 3 biru, dan 2 hijau. Peluang mengambil bola merah?
Penyelesaian:
Jumlah total bola: \[ n(S)=5+3+2=10 \]
Jumlah bola merah: \[ n(A)=5 \]
Probabilitas: \[ P(\text{merah})=\frac{5}{10}=\frac{1}{2} \]
2.3 Aturan Komplemen (Complement Rule)
Komplemen dari sebuah peristiwa (\(E\)) adalah himpunan semua hasil di ruang sampel (\(S\)) yang tidak termasuk dalam (\(E\)), dan biasanya dilambangkan dengan \(E^{c}\) atau \(E'\).
Jumlah probabilitas dari suatu peristiwa \(E\) dan probabilitas komplemennya sama dengan 1:
\[ P(E) + P(E^{c}) = 1 \]
Dari persamaan ini, diperoleh rumus:
\[ P(E^{c}) = 1 - P(E) \]
Aturan ini sangat berguna ketika probabilitas peristiwa \(E\) sulit dihitung secara langsung, namun probabilitas komplemennya lebih mudah diperoleh.[4]
2.3.1 Contoh & Pembahasan
Soal 1
Peluang terjadi hujan pada suatu hari adalah 0,3. Berapakah peluang tidak terjadi hujan?
Penyelesaian:
Menggunakan aturan komplemen:
\[ P(A^c) = 1 - P(A) \]
Maka:
\[ P(\text{tidak hujan}) = 1 - 0,3 = 0,7 \]
Soal 2
Sebuah dadu fair dilempar. Berapakah peluang tidak muncul angka 6?
Penyelesaian:
Kejadian \(A = \{\text{muncul 6}\}\), sehingga:
\[ P(A) = \frac{1}{6} \]
Dengan aturan komplemen:
\[ P(A^c) = 1 - \frac{1}{6} = \frac{5}{6} \]
Soal 3
Peluang seorang siswa hadir ke kelas adalah 0,85. Berapakah peluang siswa tersebut tidak hadir?
Penyelesaian:
\[ P(\text{tidak hadir}) = 1 - 0,85 = 0,15 \]
3 Mandiri & Bergantung (Independent & Dependent)
3.1 Mandiri (Independent)
Bahwa dua peristiwa \(E\) dan \(F\) dikatakan saling independen apabila terjadinya salah satu peristiwa tidak memengaruhi probabilitas terjadinya peristiwa lainnya. Definisi formal kejadian independen sebagai berikut:
\[ P(E \cap F) = P(E) \times P(F) \]
Persamaan ini menunjukkan bahwa peluang terjadinya kedua peristiwa secara bersamaan sama dengan hasil kali peluang masing-masing peristiwa. Jika persamaan ini terpenuhi, maka \(E\) dan \(F\) adalah independen. Dari definisi tersebut, menyimpulkan bahwa untuk kejadian independen berlaku:
\[P(E \mid F) = P(E)\] dan \[P(F \mid E) = P(F)\]
Ini berarti bahwa mengetahui salah satu kejadian sudah terjadi tidak mengubah peluang kejadian yang lain. Informasi tentang salah satu peristiwa tidak memberikan informasi baru mengenai peristiwa lainnya.
Aturan independensi ini sangat berguna ketika menghitung probabilitas gabungan dari dua kejadian yang tidak saling memengaruhi.[5]
3.1.1 Contoh & Pembahasan
1. Melempar Dadu
Sebuah dadu enam sisi dilempar sekali.
- Kejadian \(A\): muncul angka
genap
- Kejadian \(B\): muncul angka lebih
dari 3
Pertanyaan: Hitung probabilitas \(A \cap B\) ?
Rumus probabilitas independen:
\[
P(A \cap B) = P(A) \cdot P(B)
\]
Penyelesaian:
\[
P(A) = \frac{3}{6}, \quad P(B) = \frac{3}{6}
\] \[
P(A \cap B) = \frac{3}{6} \cdot \frac{3}{6} = \frac{9}{36} = 0.25
\]
2. Melempar Koin
Dua koin dilempar bersamaan.
- Kejadian \(A\): koin pertama muncul
gambar
- Kejadian \(B\): koin kedua muncul
angka
Pertanyaan: Hitung probabilitas \(A \cap B\)?
Rumus probabilitas independen:
\[
P(A \cap B) = P(A) \cdot P(B)
\]
Penyelesaian:
\[
P(A) = \frac{1}{2}, \quad P(B) = \frac{1}{2}
\] \[
P(A \cap B) = \frac{1}{2} \cdot \frac{1}{2} = \frac{1}{4} = 0.25
\]
3. Memilih Bola
Sebuah kotak berisi 5 bola merah dan 5 bola biru. Bola diambil
dengan pengembalian, dua kali.
- Kejadian \(A\): bola pertama
merah
- Kejadian \(B\): bola kedua biru
Pertanyaan: Hitung probabilitas \(A \cap B\) ?
Rumus probabilitas independen:
\[
P(A \cap B) = P(A) \cdot P(B)
\]
Penyelesaian:
\[
P(A) = \frac{5}{10}, \quad P(B) = \frac{5}{10}
\] \[
P(A \cap B) = \frac{5}{10} \cdot \frac{5}{10} = \frac{25}{100} = 0.25
\]
3.2 Bergantung (Dependent)
Bahwa dua kejadian \(A\) dan \(B\) dikatakan dependent (bergantung) jika terjadinya peristiwa \(A\) mempengaruhi probabilitas terjadinya peristiwa \(B\). Dengan kata lain, jika \(A\) terjadi, probabilitas \(B\) berubah, sehingga berlaku: \[Pr(B \mid A) \neq Pr(B)\] Probabilitas gabungan dari dua kejadian dependent dihitung menggunakan probabilitas bersyarat: \[Pr(A \cap B) = Pr(A) \times Pr(B \mid A)\] Atau secara simetris: \[Pr(A \cap B) = Pr(A) \times Pr(A \mid B)\] Aturan ini sangat berguna ketika menghitung probabilitas gabungan dari dua kejadian yang tidak saling independen.[6]
3.2.1 Contoh & Pembahasan
1. Bola Tanpa Pengembalian
Kotak berisi 6 bola merah dan 4 bola biru. Dua bola diambil satu per satu tanpa dikembalikan.
Pertanyaan:
- Probabilitas bola pertama merah dan bola kedua biru.
- Probabilitas kedua bola berwarna merah.
Penyelesaian:
- Total bola = 6 + 4 = 10
- \(A\) = bola pertama merah
- \(B\) = bola kedua biru
a) Probabilitas bola pertama merah dan bola kedua biru
\[P(A \cap B) = P(A) \times P(B \mid A)\]
- \(P(A) = \frac{6}{10} = 0.6\)
- Jika bola pertama merah, tersisa 5 merah + 4 biru = 9 bola \(P(B \mid A) = \frac{4}{9} \approx 0.444\)
\[P(A \cap B) = 0.6 \times 0.444 \approx 0.2667\]
b) Probabilitas kedua bola merah
\[P(\text{merah pertama} \cap \text{merah kedua}) = P(A) \times P(\text{merah kedua} \mid A)\]
- \(P(A) = 6/10 = 0.6\)
- \(P(\text{merah kedua} \mid A) = 5/9 \approx 0.5556\)
\[P(\text{merah pertama} \cap \text{merah kedua}) = 0.6 \times 0.5556 \approx 0.3333\]
2.Kartu Remi
Diambil 2 kartu secara acak dari 52 kartu (tanpa pengembalian).
Pertanyaan:
- Probabilitas kartu pertama As dan kartu kedua King.
- Probabilitas kedua kartu As.
Penyelesaian:
- Total kartu = 52
- As = 4 kartu, King = 4 kartu
a) Probabilitas As pertama dan King kedua
\[P(A \cap B) = P(A) \times P(B \mid A)\]
- \(P(A) = \frac{4}{52} = \frac{1}{13}\)
- Setelah As diambil, tersisa 51 kartu, King tetap 4 kartu \(P(B \mid A) = \frac{4}{51}\)
\[P(A \cap B) = \frac{1}{13} \times \frac{4}{51} = \frac{4}{663} \approx 0.00603\]
b) Probabilitas kedua kartu As
- \(P(A) = 4/52 = 1/13\)
- Setelah As pertama diambil, tersisa 3 As dari 51 kartu \(P(\text{As kedua} \mid A) = \frac{3}{51} = \frac{1}{17}\)
\[P(\text{As pertama} \cap \text{As kedua}) = \frac{1}{13} \times \frac{1}{17} = \frac{1}{221} \approx 0.00452\]
3. Dadu dan Koin
Dadu dilempar, kemudian koin dilempar. Jika dadu genap, koin muncul kepala dengan peluang 0.75, jika dadu ganjil, peluang kepala = 0.5
Pertanyaan:
- Probabilitas dadu genap dan koin kepala.
- Jelaskan mengapa peristiwa dependent.
Penyelesaian:
- Dadu genap = 2,4,6 → \(P(\text{genap}) = 3/6 = 0.5\)
- Probabilitas kepala jika genap = 0.75 \[P(\text{genap} \cap \text{kepala}) = P(\text{genap}) \times P(\text{kepala} \mid \text{genap}) = 0.5 \times 0.75 = 0.375\]
- Peristiwa dependent, karena peluang muncul kepala dipengaruhi hasil dadu. Jika dadu ganjil, peluang kepala berbeda (0.5), sehingga probabilitas koin tidak independen dari dadu.
4 Penyatuan Peristiwa (Union Of Events)
4.1 Definisi
Penyatuan peristiwa (union of events) adalah peristiwa “\(A\) atau \(B\) terjadi (atau keduanya terjadi)”, yang dilambangkan dengan: \[A \cup B\] Artinya, himpunan hasil dari \(A \cup B\) mencakup semua hasil yang ada di \(A\) dan semua hasil yang ada di \(B\), tanpa menggandakan hasil yang muncul di keduanya.[6]
4.2 Rumus Probabilitas Penyatuan
a. Jika \(A\) dan \(B\) saling meniadakan (mutually exclusive) \[P(A \cup B) = P(A) + P(B)\]
b. Jika \(A\) dan \(B\) tidak saling meniadakan (bisa terjadi bersamaan) \[P(A \cup B) = P(A) + P(B) - P(A \cap B)\] [6] di mana \(P(A \cap B)\) adalah probabilitas keduanya terjadi bersamaan.
c. Untuk lebih dari dua peristiwa \(A\),\(B\),\(C\):
\[P(A \cup B \cup C) =\] \[P(A) + P(B) + P(C) - P(A \cap B) - P(A \cap C) - P(B \cap C) + P(A \cap B \cap C)\]
4.2.1 Contoh & Pembahasan
1. Peristiwa Tidak Saling Meniadakan
Sebuah dadu dilempar satu kali. Diketahui:
- \(A\) = muncul angka genap = {2, 4, 6}
- \(B\) = muncul angka lebih dari 3 = {4, 5, 6}
Tentukan \(P(A \cup B)\).
Penyelesaian
\[P(A) = \frac{3}{6}, P(B) = \frac{3}{6}, A \cap B = \{4,6\} \Rightarrow P(A \cap B) = \frac{2}{6}\] Gunakan rumus penjumlahan:
\[P(A \cup B) = P(A) + P(B) - P(A \cap B) = \frac{3}{6} + \frac{3}{6} - \frac{2}{6} = \frac{4}{6} = \frac{2}{3}\]
2. Peristiwa Saling Meniadakan (Mutually Exclusive)
Sebuah kartu diambil dari set kartu angka 1 sampai 10. Diketahui:
- \(A\) = kartu bilangan genap = {2,4,6,8,10}
- \(B\) = kartu bilangan ganjil kurang dari 5 = {1,3} Karena tidak ada angka yang sama, \(A\) dan \(B\) mutually exclusive.
Tentukan \(P(A \cup B)\).
Penyelesaian
\[P(A) = \frac{5}{10} = \frac{1}{2}, P(B) = \frac{2}{10} = \frac{1}{5}\] Rumus untuk kejadian saling meniadakan:
\[P(A \cup B) = P(A) + P(B) = \frac{1}{2} + \frac{1}{5} = \frac{5}{10} + \frac{2}{10} = \frac{7}{10}\]
3. Gabungan Tiga Peristiwa
Dalam satu kali lemparan dadu, definisikan:
- \(A\) = muncul bilangan prima = {2,3,5}
- \(B\) = muncul bilangan genap = {2,4,6}
- \(C\) = muncul bilangan kurang dari 4 = {1,2,3}
Tentukan \(P(A \cup B \cup C)\).
Penyelesaian:
Hitung probabilitas masing-masing:
\[P(A) = \frac{3}{6} = \frac{1}{2}, P(B) = \frac{3}{6} = \frac{1}{2}, P(C) = \frac{3}{6} = \frac{1}{2}\]
Hitung semua irisan:
\[A \cap B = \{2\} \Rightarrow P(A \cap B) = \frac{1}{6}\] \[A \cap C = \{2,3\} \Rightarrow P(A \cap C) = \frac{2}{6}\] \[B \cap C = \{2\} \Rightarrow P(B \cap C) = \frac{1}{6}\] \[A \cap B \cap C = \{2\} \Rightarrow P(A \cap B \cap C) = \frac{1}{6}\]
Gunakan rumus inklusi-eksklusi:
\[P(A \cup B \cup C) =\] \[P(A) + P(B) + P(C) - P(A \cap B) - P(A \cap C) - P(B \cap C) + P(A \cap B \cap C)\]
Substitusi:
\[= \frac{1}{2} + \frac{1}{2} + \frac{1}{2} - \frac{1}{6} - \frac{2}{6} - \frac{1}{6} + \frac{1}{6} = \frac{3}{2} - \frac{4}{6} + \frac{1}{6} = \frac{3}{2} - \frac{3}{6} =\] \[\frac{3}{2} - \frac{1}{2} = 1\]
Artinya, gabungan tiga peristiwa mencakup semua hasil dadu → wajar jika hasilnya 1.
5 Eksklusif & Lengkap (Exclusive & Exhaustive)
5.1 Eksklusif (Exclusive)
Kejadian saling lepas (mutually exclusive events) adalah dua atau lebih kejadian yang tidak mungkin terjadi secara bersamaan. Dengan kata lain, jika satu kejadian terjadi, maka kejadian lain tidak bisa terjadi pada percobaan yang sama. Secara matematis:
\[A \cap B = \emptyset\] [7]
Bahwa jika A dan B saling lepas, probabilitas terjadinya A atau B dapat dihitung dengan menjumlahkan probabilitas masing-masing:
\[P(A \cup B) = P(A) + P(B)\]
Lebih umum, jika terdapat beberapa peristiwa \(E_1, E_2, \ldots, E_k\) yang saling eksklusif, maka berlaku rumus:
\[P(E_1 \cup E_2 \cup \cdots \cup E_k) = P(E_1) + P(E_2) + \cdots + P(E_k)\]
5.1.1 Contoh & Pembahasan
1. Lempar Dadu
Sebuah dadu enam sisi dilempar sekali.
- Kejadian \(A = \{\text{muncul angka genap}\} = \{2, 4, 6\}\)
- Kejadian \(B = \{\text{muncul angka ganjil}\} = \{1, 3, 5\}\)
Pertanyaan:
- Tentukan apakah \(A\) dan \(B\) saling eksklusif.
- Hitung \(P(A \cup B)\)
Penyelesaian:
- Irisan: \(A \cap B = \emptyset\) → saling eksklusif
- Probabilitas masing-masing:
\[P(A) = \frac{3}{6} = \frac{1}{2}, P(B) = \frac{3}{6} = \frac{1}{2}\] 3. Probabilitas gabungan:
\[P(A \cup B) = P(A) + P(B) = \frac{1}{2} + \frac{1}{2} = 1\]
2. Kartu Remi
Diambil satu kartu dari setumpuk 52 kartu.
- Kejadian \(A = \{\text{kartu hati}\}\)
- Kejadian \(B = \{\text{kartu sekop}\}\)
Pertanyaan:
- Tentukan apakah \(A\) dan \(B\) saling eksklusif.
- Hitung \(P(A \cup B)\).
Penyelesaian:
- Tidak ada kartu yang sekaligus hati dan sekop → saling eksklusif
- Probabilitas masing-masing: \[P(A) = \frac{13}{52} = \frac{1}{4}, P(B) = \frac{13}{52} = \frac{1}{4}\]
- Probabilitas gabungan: \[P(A \cup B) = P(A) + P(B) = \frac{1}{4} + \frac{1}{4} = \frac{1}{2}\]
3. Melempar Koin
Dua koin dilempar bersamaan sekali.
- Kejadian \(A = \{\text{muncul sisi depan koin pertama}\}\)
- Kejadian \(B = \{\text{muncul sisi belakang koin pertama}\}\)
Pertanyaan:
- Tentukan apakah \(A\) dan \(B\) saling eksklusif.
- Hitung \(P(A \cup B)\).
Penyelesaian:
- Koin pertama hanya bisa muncul depan atau belakang, tidak bisa keduanya bersamaan → saling eksklusif
- Probabilitas masing-masing: \[P(A) = \frac{1}{2}, P(B) = \frac{1}{2}\]
- Probabilitas gabungan: \[P(A \cup B) = P(A) + P(B) = \frac{1}{2} + \frac{1}{2} = 1\]
5.2 Lengkap (Exhaustive)
Suatu kumpulan kejadian \((E_1, E_2, \ldots, E_k)\) disebut collectively exhaustive events (kejadian lengkap / kolektif) jika gabungan semua kejadian tersebut menutupi seluruh ruang sampel \(S\) : \[E_1 \cup E_2 \cup \cdots \cup E_k = S\] Artinya, dalam setiap percobaan acak, paling tidak salah satu kejadian dari kumpulan itu pasti terjadi, karena tidak ada hasil di luar gabungan kejadian-kejadian tersebut.[8]
Konsep ini sering digunakan bersama dengan mutually exclusive events (kejadian saling bertentangan) ketika membahas hukum total probabilitas, tetapi istilah collectively exhaustive sendiri hanya berarti gabungan kejadian mencakup seluruh ruang sampel, tidak harus saling eksklusif.
5.2.1 Contoh & Pembahasan
1. Pelemparan Dadu
Sebuah dadu enam sisi dilempar satu kali. Tentukan apakah kejadian-kejadian berikut merupakan collectively exhaustive events: - \(A = \{1, 2, 3\}\) (muncul angka ≤ 3) - \(B = \{4, 5, 6\}\) (muncul angka ≥ 4)
Penyelesaian:
Gabungan kedua kejadian:
\[A \cup B = \{1, 2, 3\} \cup \{4, 5, 6\} = \{1, 2, 3, 4, 5, 6\} = S\] Karena gabungan menutupi seluruh ruang sampel \(S\), maka \(A\) dan \(B\) adalah collectively exhaustive events.
2. Pelemparan Koin
Sebuah koin dilempar sekali. Tentukan apakah kejadian-kejadian berikut membentuk collectively exhaustive events:
- \(C = \{H\}\)
- \(D = \{T\}\)
Penyelesaian:
Ruang sampel: \(S = \{H, T\}\) Gabungan kejadian: \[C \cup D = \{H\} \cup \{T\} = \{H, T\} = S\] Karena gabungan menutupi seluruh ruang sampel, \(C\) dan \(D\) adalah collectively exhaustive events.
3. Pemilihan Angka dari 1–10
Sebuah angka dipilih secara acak dari himpunan \(\{1, 2, 3, 4, 5, 6, 7, 8, 9, 10\}\). Tentukan apakah kejadian-kejadian berikut membentuk collectively exhaustive events:
- \(E = \{1, 3, 5, 7, 9\}\) (angka ganjil)
- \(F = \{2, 4, 6, 8\}\) (angka genap ≤ 8)
Penyelesaian:
Ruang sampel: \(S = \{1, 2, 3, 4, 5, 6, 7, 8, 9, 10\}\) Gabungan: \[E \cup F = \{1, 3, 5, 7, 9\} \cup \{2, 4, 6, 8\} = \{1, 2, 3, 4, 5, 6, 7, 8, 9\} \neq S\] Hasil gabungan tidak menutupi seluruh ruang sampel (angka 10 tidak termasuk), sehingga \(E\) dan \(F\) bukan collectively exhaustive events.
6 Percobaan Binomial (Binomial Experiment)
6.1 Definisi
Percobaan binomial adalah percobaan yang dilakukan berulang-ulang dan setiap ulangannya hanya memiliki dua kemungkinan hasil, yaitu sukses dan gagal, dengan peluang sukses yang tetap pada setiap ulangan.[9] Percobaan ini menjadi dasar terbentuknya variabel acak binomial, karena hasil akhirnya dihitung berdasarkan jumlah sukses dalam beberapa ulangan.
6.2 Syarat Percobaan Binomial
1) Percobaan terdiri dari \(n\) ulangan tetap
jumlah ulangan \((n\)) adalah bilangan tetap dan diketahui.
2) Setiap ulangan hanya memiliki dua hasil (dichotomous)
Hasil tersebut disebut sukses dan gagal.
3) Peluang sukses konstan di setiap ulangan
- Peluang sukses = \(p\).
- Peluang gagal = \(1−p\).
Peluang ini harus tidak berubah di setiap ulangan.
4) Antar-ulangan independen
Hasil satu ulangan tidak memengaruhi ulangan lain. Syarat ini wajib untuk menyebutnya percobaan binomial.[9]
6.3 Variabel Acak
Variabel acak binomial adalah variabel acak yang nilainya ditentukan oleh banyaknya keberhasilan (sukses) dari suatu percobaan yang memenuhi sifat-sifat binomial.
Variabel acak binomial biasanya ditulis sebagai:
\[X \sim \text{Bin}(n, p)\]
di mana:
- \(n\) = banyaknya ulangan (percobaan)
- \(p\) = peluang sukses pada tiap ulangan
6.4 Rumus Binomial (Formula Binomial)
Rumus Peluang Sukses / Gagal
\[p = \Pr(\text{sukses})\] \[q = 1 - p = \Pr(\text{gagal})\]
Rumus Banyaknya Sukses dari \(n\) Ulangan
Jika \(X\) menyatakan banyaknya sukses dari \(n\) ulangan, maka:
\[X = 0, 1, 2, \ldots, n\]
Distribusi Binomial
\[P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}\] [9]
6.4.1 Contoh & Soal
1. Lempar Koin
Sebuah koin dilempar sebanyak 10 kali. Sukses didefinisikan sebagai munculnya sisi gambar. Tentukan apakah percobaan ini merupakan percobaan binomial.
Penyelesaian
- n = 10 (tetap) ✔
- Dua hasil (gambar/angka) ✔
- Peluang sukses tetap (koin fair) ✔
- Ulangan independen ✔
Jawaban: Ya, ini adalah percobaan binomial.
2. Menentukan \(p\) dan \(q\)
Dalam suatu pabrik, peluang sebuah lampu yang dihasilkan berkualitas baik adalah 0.92. Tentukan:
- Peluang sukses \((p)\)
- Peluang gagal \((q)\)
Penyelesaian
- Sukses = “lampu berkualitas baik”
- \(p=0.92\)
- \(q = 1 - p = 1 - 0.92 = 0.08\)
3. Dadu
Sebuah dadu dilempar hingga muncul angka 6 untuk pertama kali. Apakah ini percobaan binomial?
Penyelesaian:
- \(n\) tidak tetap (berapa kali pelemparan tidak ditentukan) ✘
- Dua hasil (6/tidak 6) ✔
- \(p\) tetap ✔
- Ulangan independen ✔
Karena \(n\) tidak tetap, syarat binomial gagal.
Jawaban: Tidak, ini bukan percobaan binomial.
7 Distribusi Binomial (Binomial Distribution)
7.1 Definisi
Distribusi Binomial digunakan untuk memodelkan jumlah keberhasilan dalam sejumlah percobaan independer di mana setiap percobaan memiliki dua kemungkinan hasil berhasil (success) atau gagal (failure).[3]
7.2 Ciri-Ciri Distribusi Binomial
- Percobaan Bernoulli: Hasil dari setiap percobaan hanya terdiri dari dua kemungkinan (misalnya, sukses/gagal).
- Probabilitas Tetap: Probabilitas keberhasilan (p) tetap sama untuk setiap percobaan
- Independensi: Hasil satu percobaan tidak memengaruhi percobaan lainnya
- Jumlah Percobaan Terbatas: Sebanyak n percobaan dilakukan.[3]
7.3 Fungsi Distribusi Probabilitas Binomial
Probabilitas \(k\) keberhasilan dari \(n\) percobaan dihitung menggunakan.
\[P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}\]
di mana:
- \(\binom{n}{k}\) = banyaknya cara memilih \(k\) sukses
- \(p^k\) = peluang \(k\) percobaan berhasil
- \((1-p)^{n-k}\) = peluang sisanya gagal
Rumus ini muncul karena distribusi binomial merepresentasikan kombinasi dari hasil sukses dan gagal.[3]
7.4 Sifat-Sifat Distribusi Binomial
a. Nilai Harapan (Mean)
\[\mu = E(X) = np\]
Artinya, secara rata-rata kita mengharapkan \(np\) sukses dari \(n\) percobaan.[10]
b. Varians
\[\text{Var}(X) = np(1-p)\]
Menyatakan seberapa besar penyebaran peluang jumlah sukses.[10]
c. Standar Deviasi
\[\sigma = \sqrt{np(1-p)}\] [10]
d. Domain Nilai
\[X \in \{0, 1, 2, \ldots, n\}\] [10]
e. Total Probabilitas
\[\sum_{k=0}^{n} P(X=k) = 1\] [10]
f. Bentuk Distribusi
- Jika \(p=0.5\), bentuk distribusi relatif simetris
- Jika \(p<0.5\), distribusi condong ke kiri
- Jika \(p>0.5\), distribusi condong ke kanan [10]
7.4.1 Soal & Pembahasan
1. Tepat 2 sukses dari 5 pelemparan koin
Sebuah koin fair dilempar sebanyak \(n=5\) kali. Misalkan sukses = muncul sisi “angka” dengan \(p = \frac{1}{2}\). Hitung \(P(X=2)\) (tepat 2 sukses).
Penyelesaian:
Cek syarat binomial: ulangan tetap \((n=5)\), dua hasil (angka/gambar), \(p\) konstan, ulangan independen — terpenuhi.
Rumus binomial:
\[P(X = x) = \binom{n}{x} p^x (1-p)^{n-x}\]
Masukkan nilai \(n = 5\), \(x = 2\), \(p = \frac{1}{2}\):
\[P(X = 2) = \binom{5}{2} \left(\frac{1}{2}\right)^2 \left(\frac{1}{2}\right)^{5-2} = \binom{5}{2} \left(\frac{1}{2}\right)^5\]
Hitung kombinasi:
\[\binom{5}{2} = \frac{5!}{2!3!} = \frac{120}{2 \cdot 6} = 10\]
Jadi
\[P(X = 2) = 10 \cdot \frac{1}{32} = \frac{10}{32} = \frac{5}{16} = 0,3125\]
Visualisasi
Visualisasi grafik batang ini menunjukkan distribusi probabilitas binomial untuk percobaan melempar koin fair sebanyak 5 kali, dimana batang pada titik \(X=2\) yang memiliki tinggi 0,3125 (31,25%) secara spesifik merepresentasikan peluang mendapatkan tepat 2 angka dari 5 pelemparan tersebut. Nilai ini sesuai dengan perhitungan teoritis menggunakan rumus binomial yang menghasilkan 0,3125. Pola grafik yang simetris, dengan puncak pada 1 dan 3 sukses serta probabilitas yang menurun untuk hasil yang lebih ekstrem (0 atau 5 sukses), mengonfirmasi karakteristik distribusi binomial dengan probabilitas sukses \(p=0,5\), sekaligus menegaskan bahwa outcome 2 sukses merupakan salah satu hasil yang paling mungkin terjadi dalam percobaan ini.
2. Paling banyak 2 sukses dari 8 percobaan \((p = 0.3)\)
Sebuah percobaan diulang \(n=8\) kali dengan peluang sukses \(p=0.3\) setiap ulangan. Hitung \(P(X \leq 2)\) (paling banyak 2 sukses).
Penyelesaian:
Cek syarat binomial: terpenuhi (\(n\) tetap, dua hasil, \(p\) konstan, independen).
Hitung
\[P(X \leq 2) = P(X = 0) + P(X = 1) + P(X = 2)\]
dengan
\[P(X = k) = \binom{8}{k} (0.3)^k (0.7)^{8-k}\]
Hitung masing-masing:
- \(P(X = 0) = \binom{8}{0} (0.3)^0 (0.7)^8 = (0.7)^8 \approx 0,05764801\)
- \(P(X = 1) = \binom{8}{1} (0.3)^1 (0.7)^7 = 8 \cdot 0.3 \cdot (0.7)^7 \approx 0,19765032\)
- \(P(X = 2) = \binom{8}{2} (0.3)^2 (0.7)^6 = \frac{8 \cdot 7}{2} \cdot 0.3^2 \cdot (0.7)^6 = 28 \cdot 0.09 \cdot (0.7)^6\) \[\approx 0,29647548\]
Jumlahkan:
\[P(X \leq 2) \approx 0,05764801 + 0,19765032 + 0,29647548 = 0,55177381\]
Visualisasi
Visualisasi grafik batang ini merepresentasikan distribusi probabilitas binomial untuk 8 percobaan independen dengan peluang sukses setiap percobaan \(p=0,3\), dimana probabilitas “paling banyak 2 sukses” \((X≤2)\) ditunjukkan oleh penjumlahan tiga batang pertama yaitu \(P(X=0)+P(X=1)+P(X=2)\) yang mencapai 0,5518 atau 55,18%. Nilai ini berasal dari kontribusi masing-masing probabilitas: 0,0576 untuk 0 sukses, 0,1977 untuk 1 sukses, dan 0,2965 untuk 2 sukses, yang secara visual terlihat sebagai tiga batang dengan tinggi kumulatif yang dominan dibandingkan dengan outcome lainnya. Grafik juga memperlihatkan pola distribusi yang miring ke kiri (right-skewed) yang khas untuk binomial dengan \(p<0,5\), dimana probabilitas semakin menurun secara drastis untuk jumlah sukses yang lebih tinggi, dengan \(X=7\) dan \(X=8\) memiliki peluang hampir mendekati nol.
3. Paling sedikit 3 sukses dari 10 percobaan \((p = 0.2)\)
Dalam \(n=10\) ulangan, peluang sukses tiap ulangan \(p=0.2\). Hitung \(P(X \geq 3)\) (paling sedikit 3 sukses).
Penyelesaian:
Syarat binomial terpenuhi.
Menghitung komplemen:
\[P(X \geq 3) = 1 - P(X \leq 2) = 1 - (P(X = 0) + P(X = 1) + P(X = 2))\]
dengan
\[P(X = k) = \binom{10}{k} (0.2)^k (0.8)^{10-k}\]
Hitung:
\(P(X = 0) = \binom{10}{0} (0.2)^0 (0.8)^{10} = (0.8)^{10} \approx 0,1073741824\)
\(P(X = 1) = \binom{10}{1} (0.2)^1 (0.8)^9 = 10 \cdot 0.2 \cdot (0.8)^9 \approx 0,2684354560\)
\(P(X = 2) = \binom{10}{2} (0.2)^2 (0.8)^8 = \frac{10 \cdot 9}{2} \cdot 0.04 \cdot (0.8)^8\) \[= 45 \cdot 0.04 \cdot (0.8)^8 \approx 0,3019898880\]
Jumlah:
\[P(X \leq 2) \approx 0,1073741824 + 0,2684354560 + 0,3019898880 = 0,6777995264\]
Maka
\[P(X \geq 3) = 1 - 0,6777995264 \approx 0,3222004736\]
Visualisasi
Visualisasi grafik batang ini menunjukkan distribusi probabilitas binomial untuk 10 percobaan dengan peluang sukses \(p=0,2\), dimana area yang diarsir pada batang \(X≥3\) merepresentasikan probabilitas “paling sedikit 3 sukses” sebesar 0,3222 atau 32,22%, yang diperoleh melalui pendekatan komplemen dengan mengurangkan 1 dari jumlah tiga batang pertama \((P(X≤2)=67,78%)\). Grafik dengan jelas memperlihatkan distribusi yang sangat miring ke kanan (right-skewed) yang konsisten dengan nilai \(p=0,2\) yang kecil, dimana probabilitas tertinggi berada pada \(X=1\) dan \(X=2\) (masing-masing sekitar 26,84% dan 30,20%), sementara probabilitas untuk outcome yang lebih tinggi dari 3 sukses menurun secara drastis, dengan \(X≥6\) sudah memiliki peluang di bawah 1%.
8 Kesimpulan
Berdasarkan penjelasan di atas, dapat disimpulkan bahwa:
1. Probabilitas merupakan fondasi statistika yang memberikan kerangka kerja sistematis untuk mengukur dan menganalisis ketidakpastian, sehingga memungkinkan pengambilan keputusan berbasis data yang lebih akurat daripada sekadar mengandalkan intuisi.
2. Konsep dasar probabilitas meliputi:
- Ruang sampel sebagai himpunan semua hasil yang mungkin
- Probabilitas sederhana yang menghitung peluang kejadian dengan asumsi titik sampel equally likely
- Aturan komplemen yang memudahkan perhitungan dengan menggunakan pendekatan “peluang tidak terjadi”
3. Hubungan antar kejadian diklasifikasikan menjadi
- Kejadian independen dimana terjadi tidak saling mempengaruhi \(P(A \cap B) = P(A) \times P(B)\)
- Kejadian dependen dimana terjadi satu kejadian mempengaruhi peluang kejadian lain \(P(A \cap B) = P(A) \times P(B|A)\)
4. Penyatuan kejadian memiliki dua kasus:
- Mutually exclusive (saling lepas): \(P(A \cup B) = P(A) + P(B)\)
- Non-mutually exclusive: \(P(A \cup B) = P(A) + P(B) - P(A \cap B)\)
5. Konsep eksklusif dan lengkap menjelaskan bahwa:
- Mutually exclusive berarti kejadian tidak bisa terjadi bersamaan
- Collectively exhaustive berarti gabungan kejadian mencakup seluruh ruang sampel
6. Percobaan binomial adalah eksperimen dengan karakteristik:
- \(n\) ulangan tetap
- Hanya dua hasil (sukses/gagal)
- Peluang sukses konstan \((p)\)
- Ulangan independen
7. Distribusi binomial digunakan untuk memodelkan jumlah sukses dalam percobaan binomial dengan:
- Rumus: \(P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}\)
- Mean: \(μ = np\)
- Varians: \(σ² = np(1-p)\)
- Standar deviasi: \(σ = √[np(1-p)]\)
Penguasaan konsep-konsep probabilitas ini sangat penting sebagai landasan untuk mempelajari metode statistika yang lebih kompleks, analisis data, penelitian ilmiah, dan pengambilan keputusan yang berbasis bukti dalam berbagai bidang.
9 Referensi
[1] Siregar, B. Introductory Statistics. Bookdown. Tautan: https://bookdown.org/dsciencelabs/intro_statistics/06-Essentials_of_Probability.html
[2] Nur Hayati, S.ST, MT . (2017). Modul Statistika dan Probabilitas. Universitas Tanjungpura. Tautan: https://hmsifmipauntan.com/wp-content/uploads/2019/09/Statistika-dan-Probabilitas-1.pdf
[3] Siregar, B., Rahadi, A,P., Manurung, M,M. (2025). Statistika Dasar: Fundamental Sains Data. Bookdown. Tautan: https://bookdown.org/dsciencelabs/statistika_dasar/_book/Konsep_Dasar_Probabilitas.html
[4] Fatimah, S. STATISTIKA “PROBABILITAS”. (2020). Anyflip. Tautan: https://anyflip.com/bomuw/dfly/basic
[5] Drs. Haryono, M.Sc., Ratnaningsih, D,J. S.Si, M.Si. Modul Statistika dan Probabilitas. Tautan: https://lppm.handayani.ac.id/gambar/dokumen/B2019030003SATS4322-M1.pdf
[6] Dr. Rakhman, A. M.Si. Modul Probabilitas. Tautan: https://repository.ut.ac.id/3980/1/MATA4450-M1.pdf
[7] Rizki, N,A. Modul Peluang Kejadian Majemuk. (2020). FlipHTML5. Tautan: https://fliphtml5.com/oxikc/udwc/Modul_Peluang_Kejadian_Majemuk/
[8] Tamin, R,Z. (2020). BAB 2 - Dasar-Dasar Probabilitas [Presentasi]. Scribd. Tautan: https://www.scribd.com/presentation/452994787/BAB-2-Dasar-Dasar-Probabilitas-020209
[9] Dr. Yuniarti,Y,S.M.Pd. (2021) . Modul Matematika Peminatan Kelas XII. FlipHTML5. Tautan: https://fliphtml5.com/btyjq/vxaq/XII_Modul_Matematika_Peminatan_KD_3.5/2/
[10] Diez, D. M., Barr, C. D., & Çetinkaya-Rundel, M. (2019). OpenIntro Statistics (Edisi 4). OpenIntro. Bab 3.4: Binomial Distribution Tautan: https://www.openintro.org/book/os/index.php?section=3&subsection=4