1 / 43

STATISTIKA LINGKUNGAN

STATISTIKA LINGKUNGAN. TEORI PROBABILITAS. Probabilitas - pendahuluan. Statistika deskriptif : menggambarkan data Statistik inferensi  kesimpulan valid dan perkiraan akurat ttg populasi dengan mengobservasi sampel Teori probabilitas sbg dasar statistika inferens.

isi
Télécharger la présentation

STATISTIKA LINGKUNGAN

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. STATISTIKA LINGKUNGAN TEORI PROBABILITAS

  2. Probabilitas - pendahuluan • Statistika deskriptif : menggambarkan data • Statistik inferensi  kesimpulan valid dan perkiraan akurat ttg populasi dengan mengobservasi sampel • Teori probabilitas sbg dasar statistika inferens

  3. Kategori Probabilitas • Probabilitas Apriori: probabilitas yang telah ditentukan sebelumnya P[A]= n (A)/n(S) • Probabilitas frekuensi relatif (empiris): probabilitas berdasarkan fakta setelah kejadian P[A]= f/n ; f=jumlah kejadian A muncul; n= jumlah sampel /eksperimen • Probabilitas subyektif: probabilitas berdasarkan pertimbangan seseorang

  4. Contoh: • Probabilitas bayi cacat yang dilahirkan oleh seorang Ibu yang menderita campak Jerman saat hamil? • Probabilitas anak kidal yang dilahirkan dari pasangan kidal dan tidak kidal? • Hasil analisa air sungai menunjukkan bahwa dari pengalaman yang ada , 8 % dari 100 sampel mengandung kadar fosfat yang tdk terdeteksi jika dianalisa dengan menggunakan metode rutin.

  5. PERANAN PROBABILITAS • Pembuatan model, analisis matematis, simulasi komputer  banyak didasarkan atas asumsi yang dalam kondisi ideal  model kuantitatif mungkin bisa mendekati atau jauh dari kondisi sebenarnya. • Dalam pengembangan desain rekayasa  keputusan dirumuskan pada ketidakpastian  banyak keputusan terpaksa harus diambil: * tanpa memandang kelengkapan informasi * fenomena alamiah bersifat acak atau tak tentu

  6. PERANAN PROBABILITAS • Kuantifikasi ketidakpastian dan penilaian pengaruhnya pada perilaku dan perancangan suatu sistem  melibatkan konsep atau metode probabilitas (kemungkinan). • Variabel acak  variabel yang tidak dapat diramalkan dengan pasti  nilainya hanya dapat diramalkan dengan probabilitas.

  7. PERANAN PROBABILITAS • Ketidakpastian yang lain  pemodelan atau penaksiran tidak sempurna  nilai rerata tidak akan bebas dari kesalahan terutama bila datanya terbatas. • Dalam beberapa hal  taksiran lebih baik  didasarkan atas pertimbangan seorang ahli

  8. DASAR-DASAR PROBABILITAS • Probabilitas • mengacu pada terjadinya suatu peristiwa (event) relatif terhadap peristiwa lain  ada lebih dari satu kemungkinan  masalah menjadi tidak tertentu (non deterministik). • sebagai ukuran numerik dari kecenderungan terjadinya suatu peristiwa relatif terhadap sehimpunan peristiwa lain. • memerlukan identifikasi himpunan semua kemungkinan, yaitu ruang kemungkinan (possibility space) dan peristiwa yang ditinjau

  9. DASAR-DASAR PROBABILITAS • Contoh : aerator  taksiran kemungkinan masa layan selama 6 tahun adalah 50%. Digunakan 3 aerator  pertanyaan: berapa probabilitas 1 aerator masih baik setelah 6 tahun?  Satu aerator yang baik  3 kombinasi : B-R-R, R-R-B dan R-B-R  probabilitas adalah 3/8 atau 37,5%

  10. Konsep Probabilitas • Ruang sampel: gabungan semua kemungkinan dalam suatu masalah probabilitas • Titik Sampel: setiap kemungkinan secara individual • Sifat ruang sampel: Diskrit – kontinu, berhingg atau tidak berhingga. • Suatu peristiwa  sub himpunan dari ruang sampel. S S A

  11. Variabel Diskrit Distribusi probabilitas variabel acak diskrit: gabungan seluruh kemungkinan yang terjadi serta probabilitas untuk terjadi. Expected value: merupakan nilai rata-rata (µx) semua kemungkinan peristiwa, dengan nilai setiap kemungkinan merupakan frekuensi relatif atau probabilitas Dwina Roosmini

  12. ELEMEN TEORI HIMPUNAN • Peristiwa mustahil (impossible event)    peristiwa yang tidak mempunyai titik sampel  himpunan kosong. • Peristiwa tertentu (certain event)  S  peristiwa yang mengandung semua titik sampel dalam ruang sampel. • Peristiwa komplementer (complementary event)  E semua titik sampel dalam S yang tidak terkandung dalam E

  13. ELEMEN TEORI HIMPUNAN

  14. Pasien hipertensi Pasien kelebihan berat badan Pasien perokok Not mutually exclusive

  15. Binatang Unggas Mamalia Mutually exclusive

  16. Independen Peristiwa terjadi dengan bebas Kelinci yang diinokulasi virus polio Darah kelinci mengandung antibodi cacar Kelinci yang diinokulasi virus polio Darah kelinci mengandung antibodi polio

  17. Aturan Probabilitas • Probabilitas adalah nilai antara 0 dan 1 yang merupakan hasil suatu proses atau eksperimen/pengamatan • Peristiwa bahwa A tidak terjadi disebut komplemen A dengan lambang A’. Jika P(A) merupakan probabilitas kejadian A maka P(A’)= 1- P(A) • Jika peristiwa A dan B ME, maka probabilitas A dan B terjadi bersama adalah 0 Dwina Roosmini

  18. Aturan probabilitas (lanj.) • Jikapersitiwa A dan B ME, makaprobabilitasbaik A atau B terjadiadalahjumlahprobabilitasmasing-masing P(A atau B) = P(A U B) = P(A) + P (B) • Jikaperistiwa A dan B not ME, makaprobabilitasbaik A atau B terjadiadalah P(A atauB)= P(A U B) = P(A) + P(B) – P(A dan B) • Jikaduaperistiwasalingdependen, makaprobablilitaskondisional B terjadisetelah A terjadiadalah P(B/A)= P(A dan B)/P(A) Dwina Roosmini

  19. Aturan probabilitas (lanj.) • Jika peristiwa A dan B independen, probabilitas bahwa baik peristiwa A dan B akan terjadi adalah: P(A dan B) = P(AB) = P(A) x P(B) • Jika peristiwa A dan B not independen, probabilitas bahwa A dan B akan terjadi adalah: P(A dan B)= P(AB) = P (A) x P(B/A) Dwina Roosmini

  20. Contoh: • Analisa kimia air laut menunjukkan kandungan Pb dan Hg. Hasil analisa menunjukkan bahwa pada sampel dekat dekat muara sungai, 38% sampel mengandung Hg atau Pb tinggi, 32 % sampel mengandung Pb dan 10% mengandung Pb dan Hg. Berapa probabilitas bahwa sampel tersebut akan mengandung Hg dan berapa yang hanya mengandung Pb? • Probabilitas dalam melempar dadu mendapatkan nilai genap?

  21. Pembelian 1 bh mobil Probabilitas mobil perlu perbaikan ? Probabilitas jumlah mobil br perlu perbaikan dan diproduksi di US? Probabilitas mobil memerlukan perbaikan dan yang tidak memerlukan perbaikan? Probabilitas mobil memerlukan perbaikan dan mobil yang diproduksi di US? Probabilitas mobil baru produksi US yang perlu perbaikan ?

  22. a. Jika dilakukan pembelian satu buah mobil, berapa probabilitas mobil perlu perbaikan pada 90 hari pertama pemakaian ? P(perlu perbaikan)= Jumlah perlu perbaikan/jumlah total mobil baru = 20/500 = 0,04 = 4%

  23. b. Jika dilakukan pembelian satu buah mobil, berapa probabilitas mobil yang diproduksi di USA perlu perbaikan pada 90 hari pertama pemakaian ? P(perlu perbaikan)= Jumlah perlu perbaikan dan diproduksi di USA/jumlah total mobil baru = 7/500 = 0,014 = 0,14%

  24. Mutually Exclusive c. Probabilitas mobil memerlukan perbaikan dan yang tidak memerlukan perbaikan? P(mobil memerlukan perbaikan atau tidak memerlukan perbaikan) = (20/500) + (480/500) = 1

  25. Not Mutually Exclusive d. Probabilitas mobil memerlukan perbaikan dan mobil yang diproduksi di USA P(mobil memerlukan perbaikan atau diproduksi di USA) = P(memerlukan perbaikan)+ P(diproduksi di USA) - P(memerlukan perbaikan dan diproduksi di USA)= (20/500) + (300/500) – (7/500) = 0,626 = 62,6 %

  26. Independen • Probabilitas akan diperoleh angka 5 pada 2 kali pelemparan dadu? P(A dan B) = P(A) x P(B)

  27. Distribusi Probabilitas Terdapat 2 kelompok: Distribusi probabilitas diskrit Distribusi probabilitas kontinu Dwina Roosmini

  28. Distribusi Probabilitas Diskrit Distribusi Probabilitas Kontinu • Binomial • Hypergeometrik • Poisson • Geometrik • Multinomial • Normal • Binomial • Uniform • Log Normal • Gamma Dwina Roosmini

  29. Expected Value µx=E(x)=∑ Xi P(Xi) X= Variabel acak distkrit Xi= Hasil X pada perlakuan I P(Xi)= Probabilitas terjadinya hasil I dari X i = 1,2,3,….,n Varians = σx2=∑(Xi-µx)2 P(Xi) Standard Deviasi = σx Dwina Roosmini

  30. Contoh: Data kecelakaan lalu lintas Nilai rata-rata/Expected value? Varians dan standard deviasi? Dwina Roosmini

  31. Expected value=µx= Ex= ∑ Xi P(Xi)= (0)*(0,10)+(1)*(0,20)+(2)*(0,45)+(3)*(0,15)+(4)*(0,05)+(5)*(0,05)= 2 Varians= (0-2)2*(0,10)+(1-2)2*(0,2)+(2-2)2*(0,45)+ (3-2)2*(0,15)+ (4-2)2*(0,05)+(5-2)2*(0,05)= 1,4 Standard Deviasi= √1,4=1,18 Dwina Roosmini

  32. Distribusi Binomial Digunakan untuk probabilitas yang bersifat diskrit, dengan asumsi: • Terdapat n kejadian pada sampling variabel acak • Hasil dari n independent antara satu dengan lainnya • Hanya ada dua kemungkinan hasil • Probabilitas setiap hasil konstant dari satu pengambilan sampel terhadap pengambilan sampel berikutnya Dwina Roosmini

  33. Distribusi Binomial Probabilitas keberhasilan suatu peristiwa terjadi = p Probabilitas tidak berhasil/kegagalan = q=1-p Probabilitas keberhasilan suatu peristiwa terjadi tepat x kali dalam setiap perlakuan (x berhasil dan n-x gagal) = b Dwina Roosmini

  34. Distribusi Binomial Dimana x= 0,1,2,3,…n n!=n(n-1)(n-2)(n-3)…….. 0!=1 Rerata= =n*p Simpangan baku= Dwina Roosmini

  35. Distribusi Binomial Tentukan probabilitas untuk mendapatkan secara tepat dua peristiwa dalam 4 sampel, dimana probabilitas keberhasilan suatu peristiwa adalah 0,3. Dwina Roosmini

  36. Tabel Distribusi Binomial Dwina Roosmini

  37. Distribusi Hipergeometris • Berlaku jika pengambilan sampel dilakukan tanpa pengembalian kembali • Jumlah sampel n, dari N populasi a diantaranya rusak • Sampel 1= probabilitas mengambil yang rusak = a/N • Sampel 2= terdapat 2 probabilitas mengambil yang rusak: • a/(N-1) jika sampel 1 yang terambil bukan yang rusak dan • (a-1)/(N-1) jika sampel 1 terambil yang rusak • Probabilitas mendapatkan x berhasil dalam n percobaan= h Dwina Roosmini

  38. Distribusi hipergeometrik Dwina Roosmini

  39. Distribusi Hipergeometrik Suatu kotak yang berisi 40 suku cadang akan memenuhi persyaratan penerimaan bila berisi tidak lebih dari 3 suku cadang yang cacat. Dipilih 5 sampel suku cadang secara acak, berapa kemungkinan mendapat tepat satu yang cacat dalam 5 sampel diatas bila dalam kotak tersebut berisi 3 yang cacat Dwina Roosmini

  40. Distribusi Poisson • Observasi yang dapat dilakukan pada kejadian diskret dalam suatu area kesempatan, contoh: jumlah telepon panggilan perjam pada kantor polisi; jumlah laporan kehilangan kopor perhari pada suatu airport, dll • Merupakan pendekatan terhadap distribusi binomial jika n>> dan p<<  n.p ≤10 • Batasan: •  konstant untuk setiap unit waktu dan ruang • probabilitas lebih dari satu peristiwa dalam satu titik waktu atau ruang adalah 0 • peristiwa satu dengan lainnya independen Dwina Roosmini

  41. Distribusi Poisson Hasil pengukuran kualitas udara selama 9 perioda menunjukkan hasil sebagai berikut: 3, 1, 10, 2, 4, 6, 8, 2 ppb Pada konsentrasi rendah hanya akan dilaporkan sampai dengan besaran tertentu. Berapakah probabilitas bahwa pada perioda monitoring berikutnya hanya ada satu atau kurang dari satu ppb? Dwina Roosmini

  42. Distribusi Geometris • Bila peristiwa berhasil pertama akan dicapai setelah x percobaan, gagal= x-1. • Probabilitas berhasil = p, probabilitas gagal (x-1) pada percobaan (x-1) adalah g Dwina Roosmini

  43. Distribusi Multinomial • Sampel n bersifatbebas • Semuahasilmerupakan mutually exclusive • Digunakanjikahasilpengamatanterdapatlebihdari 2, mis: nilai A, B, C, D Dwina Roosmini

More Related