PELUANG (PROBABILITY)

Slides:



Advertisements
Presentasi serupa
DISTRIBUSI PROBABILITAS YANG UMUM
Advertisements

SEKOLAH TINGGI ILMU STATISTIK
DISTRIBUSI TEORITIS.
Probabilitas & Distribusi Probabilitas
BAB IX DISTRIBUSI TEORITIS
Distribusi Probabilitas
Statistika Uji Binomial.
DISTRIBUSI TEORETIS Tujuan :
PROBABILITAS (PELUANG)
Distribusi Hipergeometrik Distribusi Poisson.
Statistika Inferensi : Estimasi Titik & Estimasi Interval
ESTIMASI.
F2F-7: Analisis teori simulasi
Pendugaan Parameter.
Distribusi Variabel Acak
DISTRIBUSI DISTRIBUSI NORMAL PENDEKATAN NORMAL UNTUK BINOMIAL
BAB XV Distribusi Sampel
Bab 5 Distribusi Sampling
DISTRIBUSI PROBABILITAS / PELUANG
DISTRIBUSI PROBABILITAS diskrit
DISTRIBUSI TEORITIS.
OLEH: RESPATI WULANDARI, M.KES
STATISTIK INFERENSIAL
Kuliah ke 9 ESTIMASI PARAMETER SATU POPULASI
(PROBABILITAS LANJUTAN) DISTRIBUSI PELUANG DISKRIT DAN KONTINU
STATISTIKA Pertemuan 5: Distribusi Peluang Normal Dosen Pengampu MK:
Modul 4 : Probabilitas.
KONSEP STATISTIK.
TEORI PENDUGAAN (TEORI ESTIMASI)
Kuliah Biostatistika Deskriptif
STATISTIKA Pertemuan 4: Pengantar teori peluang dan distribusi peluang
Bagian 4 – DISTRIBUSI DISKRIT Laboratorium Sistem Produksi 2004
UJI HIPOTESIS Septi Fajarwati, M. Pd.
DISTRIBUSI PROBABILITAS
SAMPLING DAN DISTRIBUSI SAMPLING
Probabilitas dan Statistika
Statistika- Kuliah 08 DISTRIBUSI PROBABILITAS
TEORI PENDUGAAN (TEORI ESTIMASI)
ESTIMASI dan HIPOTESIS
DISTRIBUSI PROBABILITAS (DISTRIBUSI BINOMIAL, POISSON, DAN NORMAL)
Probabilitas & Distribusi Probabilitas
DISTRIBUSI SELISIH PROPORSI
DISTRIBUSI PROBABILITAS
DISTRIBUSI PROBABILITAS
PROBABILITAS dan DISTRIBUSI
Distribusi Probabilitas Diskret
DISTRIBUSI PROBABILITAS
TEORI PENDUGAAN STATISTIK
ESTIMASI.
DISTRIBUSI PROBABILITAS DISKRIT TEORITIS 2
Apa itu Statistik? Apa Peranan statistik?.
Distribusi dan Teknik Sampling
Distribusi Variabel Random
Estimasi.
Tutun Juhana Review probabilitas Tutun Juhana
Tutun Juhana Review probabilitas Tutun Juhana
Distibusi Probabilitas Statistik Bisnis -8
Probabilita diskrit.
Distribusi Sampling Tujuan Pembelajaran :
NOTASI SEBARAN BINOMIAL
Distribusi Probabilitas Diskret
DASAR-DASAR UJI HIPOTESIS
Metode Statistik Metode Statistik Statistik Statistik Deskriptif
Bab 5 Distribusi Sampling
DISTRIBUSI PELUANG DISKRIT
DISTRIBUSI PROBABILITAS YANG UMUM
PENGERTIAN DISTRIBUSI TEORITIS
Konsep Probabilitas.
DISTRIBUSI PROBABILITAS YANG UMUM
. Distribusi Binomial adalah suatu distribusi probabilitas yang dapat digunakan bilamana suatu proses sampling dapat diasumsikan sesuai dengan proses.
Transcript presentasi:

PELUANG (PROBABILITY) Kata kunci  MUNGKIN  kita berhadapan dengan sesuatu : q       Mungkin hari ini hujan, yang tidak pasti q       Mungkin saya akan dapat nilai A MUNGKIN  kita beri numeric 0 s/d 1  kita sudah mengubah pengertian mungkin ke dalam Pengertian PELUANG. Peluang hari ini akan hujan adalah 0,8 peluang saya akan dapat nilai A adalah 0,6.

Sebuah coin dilempar dua kali yang kita perhatikan susunan sisi coin yang muncul G H H G  S = [GG, GH, HG, HH] H G = Gambar H = Huruf

DEFINISI PELUANG Definisi Klasik Jika dalam ruang sampel s dan berisi n equally likely dan mutually exclusive sample points, terdapat m favourable sample points to an event A maka praobablita terjadinya events A adalah  

Definisi Empirik (Definisi Statistik) Jika percobaan dilakukan berulang-ulang dalam kondisi yang sama maka

Peluang subyektif, yaitu peluang yang didasarkan kepada tingkat keyakinan seseorang tentang akan terjadinya sesuatu peristiwa tertentu.

HUKUM-HUKUM PELUANG Jika A merupakan sebuah peristiwa yang pasti akan terjadi, maka P (A) =1 Jika A merupakan peristiwa yang tidak mungkin terjadi, maka P (A) = 0 Jika A merupakan sebuah peristiwa tertentu, maka 0  P (A)  1 Jika A merupakan sebuah peristiwa tertentu dan à merupakan peristiwa komplemennya, maka P (Ã) = 1 – P (A) Jika A dan B merupakan dua buah peristiwa yang dapat terjadi bersama- sama, maka P (AB) = P (A) + P (B) – P (AB) Keterangan : P (AB) melambangkan bahwa peristiwa A atau B atau kedua-duanya terjadi P (AB) adalah lambang bahwa peristiwa A dan B terjadi.

Jika A dan B dua buah peristiwa yang mutually exclusive, maka : P (AB) = P (A) + P (B) Jika A dan B independent (saling bebas) maka P (AB) = P(A).P(B) Jika A dan B merupakan dua buah peristiwa yang tidak independent, maka P(AB) = P(A).P(B/A) Peristiwa (B/A) disebut peristiwa terjadinya B dengan syarat bahwa A telah terjadi.

Variabel Random atau Variat (Random Variable/Variat) Kita kembali ke persoalan pelemparan sebuah coin tiga kali. Yang kita perhatikan sekarang adalah banyaknya gambar yang muncul, yang kita beri lambing Y. Sample space susunan keluarnya sisi coin kita gambar sebagai berikut :

Definisi : Sebuah variabel Y disebut variabel random atau variat, apabila untuk setiap nilai Y terdapat peluangnya masing-masing

DISTRIBUSI PELUANG Distribusi Binomial ; Ciri-ciri nya : Variatnya hanya dapat menghasilkan satu diantara dua peristiwa, yang diberi lambang SUKSES dan GAGAL. Peristiwa S (Sukses) atau G (Gagal) dapat terjadi berulang-ulang dalam rentetan peristiwa yang terjadi, dan peristiwa-peristiwa G atau S itu terjadinya independent (bebas) Besarnya peluang untuk terjadinya S adalah P. Peluang P ini besarnya tetap untuk seluruh rentetan peristiwa; tentu saja peluang terjadinya G = I – P

Bentuk Fungsi Distribusi untuk x = 0,1, … , n Distribui Binomial adalah distribusi berparameter dua, yaitu n dan p. jika x mengikuti distribusi Binomial rata-rata x, adalah x = n.p dan simpangan baku

DISTRIBUSI BINOMIAL Syarat : 1. Experiment berulang-ulang dan independen 2. Diklasifikasi  SUKSES dan GAGAL 3. probabilita dari SUKSES atau GAGAL bersifat konstant 4. Experiment dilakukan dalam kondisi yang sama dan jumlahnya tertentu (memenuhi syarat eksperiment Bernoulli)

Contoh : Pelemparan mata uang (coin) 5 kali

Salah satu titik sampelnya adalah : G,G,G,H,H P(G,G,G,H,H) = P (G)3.P(H)2 = (1/2)3.(1/2)2 Titik sampel yang lain merupakan permutasi dari G,G,G,H,H. Yaitu permutasi dari obyek yang tidak semuanya dapat dibedakan

Probabilita (3G, 2H) = P (3G, 2H) =

Pada contoh pelemparan coin 5x kita dapat menyajikan distribusi probabilitas sebagai berikut : f(x) = p(x) x.p(x) X2.p(x) 1 2 3 4 5 0,0312 0,1562 0,3125    : 2,4995  : 7,4979 0,6250 0,9375 0,6248 0,1560 1,2500 2,8125 2,4992 0,7800

Rata-rata distribusi binomial = n.p

Sebuah perusahaan pembuat komputer mengetahui bahwa secara tehnis 10% dari hasil produksinya akan tidak memenuhi kaualitas standar dan dianggap rusak. Jika 15 unit komputer yang dihasilkan dipilih secara acak/random dari seluruh hasil produksi, berapakahprobabilitasnya: a) 3 unit komp.rusak. b)13atau lebih yg baik. Distribusi POISSON Berdasarkan catatan kantor imigrasi, rata-rata setiap bulan terdapat 5 turis berasal dari Italia. Jika banyaknya turis yang datang berdistribusi POISSON, berapa probabilitas setiap bulan 2 orang turis berasal dari Italia ?

DISTRIBUSI NORMAL Distribusi normal merupakan distribusi variat kontinue , kurvanya berbentuk bel (lonceng), simetris berdiri tegak pada  yang sama dengan median dan modusnya. Luas daerah kurva normalnya merupakan probabilitas density function sebesar 100 prsen, dari variabel X yang bergerak dari -  s/d  Untuk menghitung probabilitas dengan distribusi normal, lihat tabel Normal Standar (dist. Z). . .

DISTRIBUSI SAMPLING Dari masing-masing sampel kita dapat menghitung nilai-nilai statistiknya (statistik deskriptif) : x, p, s2, me, mo, dan lain-lain

macam distribusi sampling Distribusi sampling rata-rata Distribusi sampling beda dua rata-rata Distribusi sampling beda dua proporsi Distribusi sampling variance, dan lain-lain

Distribusi Sampling Rata-rata Sebagai ilustrasi, misal kita memiliki 5 angka. Diambil dua angka (satu persatu) dengan pemulihan angka yang sudah terpilih.

DISTRIBUSI SAMPLING OF PROPORTION Ada lima orang mahasiswa yang terpilih dalam nominasi calon pengurus BEM. Kelima mahasiswa tersebut ABCDE, ada 3 tidak memperoleh rekomendasi dari DEKAN. Dan ada 2 yang medapat rekomendasi

ESTIMASI & TEST HIPOTESIS Jika kita mempunyai sampel, kita akan melihat kondisi populasi, salah satu cara dengan cara : -    ESTIMATION - TESTING HYPOTHESIS

ESTIMATION Point Estimation Interval Estimation Dalam estimasi biasanya diambil confidence interval = confidence coefisien = confidence limit = 95% = 1 -   = level of significant = 5%

Test Hipothesis

PERBEDAAN RATA-RATA DARI DUA KELOMPOK BERBEDA Jika kita mempunyai POPULASI I dengan rata-rata M1 dan simpangan baku 1, serta populasi II dengan rata-rata M2 dan simpangan baku 2. Banyaknya sampel untuk masing-masing populasi n1 dan n2 dengan rata-rata X1 dan X2. Dengan demikian selisih rata-rata kedua populasi dan kesalahan bakunya.

Jika simpangan baku populasi tidak diketahui, dapat didekati dengan simpangan baku sampel

Kita akan menguji hipotesis perbedaan rata-rata dua populasi (M1 – M2) Kita akan menguji hipotesis perbedaan rata-rata dua populasi (M1 – M2). Tiga pasangan hipotesis yang dapat terjadi : a.    Ho : 1 – 2 = 0, H1 : 1 – 2  0 b.    Ho : 1 – 2  0, H1 : 1 – 2 < 0 c.    Ho : 1 – 2  o, H1 : 1 – 2 > 0 Apabila sampel besar ( n > 30) kita gunakan uji statistik Z. sedangkan bila sampel kecil (n  30) kita gunakan uji statisik t.

UJI DUA PROPORSI

UJI BEDA RATA-RATA LEBIH DARI 2 Dalam hal ini, kita menggunakan F test, dan kita harus mencari dua variance (S2) yang akan kita bandingkan, yaitu variance antar sampel (between the sample) dan variance dalam sampel (within the sample) yaitu :

Rata-rata jumlah kuadrat Untuk n tidak sama Untuk n tidak sama, asumsinya adalah populasi berdistribusi normal dan homoginitas sejenis . Dalam hal ini kita gunakan tabel ANOVA Sumber variasi d.f Jumlah kwadrat Rata-rata jumlah kuadrat F Rata-rata Antar kelompok Dalam kelompok 1 k –1  (N – 1) ni Ry Ay Dy y2 R = Ry/1 A = AY/k-1 D = Dy/(N – 1) A/D