Untuk menggambarkan hasil-hasil percobaan sebagai nilai-nilai numerik secara sederhana, kita menggunakan apa yang disebut sebagai variabel acak. Jadi variabel acak dapat didefinisikan sebagai deskripsi numerik dari hasil percobaan.

Variabel Acak Diskrit

1. Banyaknya pemunculan sisi muka atau angka dalam pelemparan sebuah  koin (uang logam).
2. Jumlah anak dalam sebuah keluarga.

Variabel Acak Kontinu

1. Usia penduduk suatu daerah.
2. Panjang beberpa helai kain.

• Contoh 1: Sebuah mata uang logam mempunyai sisi dua (H & T) kalau mata uang tersebut dilambungkan satu kali, peluang untuk keluar sisi H adalah ½.
• Contoh 2: Sebuah dadu untuk keluar mata ‘lima’ saat pelemparan dadu tersebut satu kali adalah 1/6 (karena banyaknya permukaan dadu adalah 6).

1. Percobaan adalah pengamatan terhadap beberapa aktivitas atau proses yang memungkinkan timbulnya paling sedikit 2 peristiwa tanpa memperhatikan peristiwa mana yang akan terjadi.
2. Hasil adalah suatu hasil dari sebuah percobaan.
3. Peristiwa adalah kumpulan dari satu atau lebih hasil yang terjadi pada sebuah percobaan atau kegiatan.

Probabilitas suatu peristiwa = Jumlah kemungkinan hasil / Jumlah total kemungkinan hasil

Jika ada a kemungkinan yang dapat terjadi pada kejadian A dan ada b kemungkinan yang dapat terjadi pada kejadian A, serta masing-masing kejadian mempunyai kesempatan yang sama dan saling asing, maka probabilitas/peluang bahwa akan terjadi a adalah:

P (A) = a/a+b ; dan peluang bahwa akan terjadi b adalah:  P (A) = b/a+b

Contoh:

Pelamar pekerjaan terdiri dari 10 orang pria (A) dan 15 orang wanita (B). Jika yang diterima hanya 1, berapa peluang bahwa ia merupakan wanita?

Jawab:

P (A) = 15/10+15 = 3/5

2. Pendekatan Relatif

Besarnya probabilitas suatu peristiwa tidak dianggap sama, tetapi tergantung pada berapa banyak suatu peristiwa terjadi dari keseluruhan percobaan atau kegiatan yang dilakukan. probabilitas dapat dinyatakan sebagai berikut :

Probabilitas kejadian relatif = Jumlah peristiwa yang terjadi / Jumlah total percobaan atau kegiatan

Jika pada data sebanyak N terdapat a kejadian yang bersifat A, maka probabilitas/peluang akan terjadi A untuk N data adalah: P (A) = a/N

Contoh:

Dari hasil penelitian diketahui bahwa 5 orang karyawan akan terserang flu pada musim dingin. Apabila lokakarya diadakan di Puncak, berapa probabilitas terjadi 1 orang sakit flu dari 400 orang karyawan yang ikut serta?

Jawab:

P (A) = 5/400 = P (A) = 1/80

3. Pendekatan Subjektif
Besarnya suatu probabilitas didasarkan pada penilaian pribadi dan dinyatakan dalam derajat kepercayaan. Penilaian subjektif diberikan terlalu sedikit atau tidak ada informasi yang diperoleh dan berdasarkan keyakinan.

D. Konsep Dasar dan Hukum Probabilitas

Dalam mempelajari hukum dasar probabilitas berturut-turut akan dibahas hukum penjumlahan dan hukum perkalian.

1. Hukum Penjumlahan

Hukum penjumlahan menghendaki peristiwa saling lepas (mutually exclusive) dan peristiwa/kejadian bersama (non mutually exclusive).

• Saling meniadakan (mutually exclusive)

Apabila suatu peristiwa terjadi, maka peristiwa lain tidak dapat terjadi pada saat bersamaan.

Rumus penjumlahan untuk kejadian-kejadian yang saling meniadakan:

P (A U B) = P (A atau B)= P (A) + P (B)

Contoh:

Probabilitas untuk keluar mata 2 atau mata 5 pada pelemparan satu kali sebuah dadu adalah:

P(2 U 5) = P (2) + P (5) = 1/6 + 1/6 = 2/6

• Kejadian Bersama (Non Mutually Exclusive)

Peristiwa Non Mutually Exclusive (Joint) dua peristiwa atau lebih dapat terjadi bersama-sama (tetapi tidak selalu bersama).

Rumus penjumlahan untuk kejadian-kejadian yang tidak saling meniadakan:

Dua Kejadian

P (A U B) =P(A) + P (B) – P(A ∩ B)

Tiga Kejadian

P(A U B U C) = P(A) + P(B) + P(C) – P(A ∩ B) – P(A ∩ C) – P(B ∩ C) + P(A ∩ B ∩ C)

Peristiwa terjadinya A dan B merupakan gabungan antara peristiwa A dan peristiwa B. Akan tetapi karena ada elemen yang sama dalam peristiwa A dan B, Gabungan peristiwa A dan B perlu dikurangi peristiwa di mana A dan B memiliki elemen yang sama. Dengan demikian, probabilitas pada keadaan di mana terdapat elemen yang sama antara peristiwa A dan B maka probabilitas A atau B adalah probabilitas A ditambah probabilitas B dan dikurangi probabilitas elemen yang sama dalam peristiwa A dan B.

• Peristiwa Pelengkap (Complementary Event)

Apabila peristiwa A dan B saling melengkapi, sehingga jika peristiwa A tidak terjadi, maka peristiwa B pasti terjadi.  Peristiwa A dan B         dikatakan sebagai peristiwa komplemen.
Rumus untuk kejadian-kejadian yang saling melengkapi :

P(A)+P(B) = 1 atau P(A) = 1 – P(B)

2. Hukum Perkalian

• Hukum Bebas (independent)
  Hukum perkalian menghendaki setiap peristiwa adalah independen, yaitu  suatu peristiwa terjadi tanpa harus menghalangi peristiwa lain terjadi. Peristiwa A dan B independen, apabila peristiwa A terjadi tidak menghalangi terjadinya peristiwa B.

P(A ∩ B) = P (A dan B) = P(A) x P(B)

Contoh soal 1:

Sebuah dadu dilambungkan dua kali, peluang keluarnya mata 5 untuk kedua kalinya adalah:

P (5 ∩ 5) = 1/6 x 1/6 = 1/36

Contoh soal 2:

Sebuah dadu dan koin dilambungkan bersama-sama, peluang keluarnya hasil lambungan berupa sisi H pada koin dan sisi 3 pada dadu adalah:

P (H) = ½, P (3) = 1/6

P (H ∩ 3) = ½ x 1/6 = 1/12

• Peristiwa Bersyarat (Tidak Bebas) / (Conditional Probability)
  Probabilitas bersyarat adalah probabilitas suatu peristiwa akan terjadi dengan ketentuan peristiwa yang lain telah terjadi. Peristiwa B terjadi dengan syarat peristiwa A telah terjadi.

P(A dan B) = P(A x P(B|A) atau P(B dan A) = P(B) x P(A|B)

Contoh :

Dua kartu ditarik dari satu set kartu bridge, peluang untuk yang tertarik keduanya kartu as adalah sebagai berikut: Peluang as I adalah 4/52 -> P (as I) = 4/52

Peluang as II dengan syarat as I sudah tertarik adalah 3/51

P (as II │as I) = 3/51

P (as I ∩ as II) = P (as I) x P (as II│ as I) = 4/52 x 3/51 = 12/2652 =1/221

3. Teorema Hukum Bayes

Dalam teori probabilitas dan statistika, teorema Bayes adalah sebuah teorema dengan dua penafsiran berbeda. Dalam penafsiran Bayes, teorema ini menyatakan seberapa jauh derajat kepercayaan subjektif harus berubah secara rasional ketika ada petunjuk baru. Dalam penafsiran frekuentis teorema ini menjelaskan representasi invers probabilitas dua kejadian. Teorema ini merupakan dasar dari statistika Bayes dan memiliki penerapan dalam sains, rekayasa, ilmu ekonomi (terutama ilmu ekonomi mikro), teori permainan, kedokteran dan hukum. Penerapan teorema Bayes untuk memperbarui kepercayaan dinamakan inferens Bayes. Teorema Bayes, diambil dari nama Rev. Thomas Bayes, menggambarkan hubungan antara peluang bersyarat dari dua kejadian A dan B sebagai berikut:

P(A | B) =	P(B | A) P(A)
	P(B)

or

P(A | B) =	P(B | A) P(A)
	P(B | A)P(A) + P(B | A)P(A)

Contoh aplikasi dari Teorema Bayes

Di sebuah negara, diketahui bahwa 2% dari penduduknya menderita sebuah penyakit langka. 97% dari hasil tes klinik adalah positif bahwa seseorang menderita penyakit itu. Ketika seseorang yang tidak menderita penyakit itu dites dengan tes yang sama, 9% dari hasil tes memberikan hasil positif yang salah.

Jika sembarang orang dari negara itu mengambil test dan mendapat hasil positif, berapakah peluang bahwa dia benar-benar menderita penyakit langka itu?

Secara sepintas, nampaknya bahwa ada peluang yang besar bahwa orang itu memang benar-benar menderita penyakit langka itu. Karena kita tahu bahwa hasil test klinik yang cukup akurat (97%). Tetapi apakah benar demikian? Marilah kita lihat perhitungan matematikanya.

Marilah kita lambangkan informasi di atas sebagai berikut:

• B = Kejadian tes memberikan hasil positif.
• B = Kejadian tes memberikan hasil negatif.
• A = Kejadian seseorang menderita penyakit langka itu.
• A = Kejadian seseorang tidak menderita penyakit langkat itu.

Kita ketahui juga peluang dari kejadian-kejadian berikut:

• P (A) = 2%
• P (A) = 98%
• P (B | A) = 97%
• P (B | A) = 9%

Dengan menggunakan rumus untuk peluang bersyarat, dapat kita simpulkan peluang dari kejadian-kejadian yang mungkin terjadi dalam tabel di bawah ini:

	A (2%)	A (98%)
B	Positif yang benar P (B ∩ A) = P (A) × P (B | A) = 2% × 97% = 0,0194	Positif yang salah P (B ∩ A) = P (A) × P (B | A) = 98% × 9% = 0,0882
B	Negatif yang salah P (B ∩ A) = P (A) × P (B | A) = 2% × 3% = 0,0006	Negatif yang benar P (B ∩ A) = P (A) × P (B | A) = 98% × 91% = 0,8918

Misalnya seseorang menjalani tes klinik tersebut dan mendapatkan hasil positif, berapakah peluang bahwa ia benar-benar menderita penyakit langka tersebut? 

Dengan kata lain, kita mencoba untuk mencari peluang dari A, dimana B atau P (A | B).

Dari tabel di atas, dapat kita lihat bahwa P (A | B) adalah peluang dari positif yang benar dibagi dengan peluang positif (benar maupun salah), yaitu 0,0194 / (0,0194 + 0,0882) = 0,1803.

Kita dapat juga mendapatkan hasil yang sama dengan menggunakan rumus teorema Bayes di atas:

P(A | B) =	P(B ∩ A)
	P(B)
=	P(B | A) × P(A)
	P(B | A)P(A) + P(B | A)P(A)
=	97% × 2%
	(97% × 2%) + (9% × 98%)
=	0.0194
	0.0194 + 0.0882
=	0.0194
	0.1076
P(A | B) =	0.1803

Hasil perhitungan ini sangat berbeda dengan intuisi kita di atas. Peluang bahwa orang yang mendapat hasil tes positif itu benar-benar menderita penyakit langka tidak sebesar yang kita bayangkan. Cuma ada sekitar 18% kemungkinan bahwa dia benar-benar menderita penyakit itu.

Mengapakah demikian?

Ketika mengira-ngira peluangnya, seringkali kita lupa bahwa dari seluruh populasi negara itu, hanya 2% yang benar-benar menderita penyakit langka itu. Jadi, walaupun hasil tes adalah positif, peluang bahwa seseorang menderita penyakit langka itu tidaklah sebesar yang kita bayangkan.

Kita bisa juga meninjau situasi di atas sebagai berikut. Misalnya populasi negara tersebut adalah 1000 orang. Hanya 20 orang yang menderita penyakit langka itu (2%). 19 orang dari antaranya akan mendapat hasil tes yang positif (97% hasil positif yang benar). Dari 980 orang yang tidak menderita penyakit itu, sekitar 88 orang juga akan mendapat hasil tes positif (9% hasil positif yang salah).

Jadi, 1000 orang di negara itu dapat kita kelompokkan sebagai berikut:

• 19 orang mendapat hasil tes positif yang benar
• 1 orang mendapat hasil tes negatif yang salah
• 88 orang mendapat hasil tes positif yang salah
• 892 orang mendapat hasil tes negatif yang benar

Bisa kita lihat dari informasi di atas, bahwa ada (88 + 19) = 107 orang yang akan mendapatkan hasil tes positif (tidak perduli bahwa dia benar-benar menderita penyakit langka itu atau tidak). Dari 107 orang ini, berapakah yang benar-benar menderita penyakit? Hanya 19 orang dari 107, atau sekitar 18%.

E. Diagram Pohon Probabilitas

Diagram pohon merupakan suatu diagram yang menyerupai pohon dimulai dari batang kemudian menuju ranting dan daun. diagram pohon dimaksudkan untuk membantu menggambarkan probabilitas atau probabilitas bersyarat dan probabilitas bersama. diagram pohon sangat berguna untuk menganalisis keputusan-keputusan bisnis dimana terdapat tahapan-tahapan pekerjaan.

Contoh:

F. Ruang Sampel dan Titik Sampel

Ruang sampel adalah himpunan dari semua hasil yang mungkin pada suatu percobaan/kejadian. Ruang Sampel suatu percobaan dapat dinyatakan dalam bentuk diagram pohon atau tabel.

Titik Sampel adalah anggota-anggota dari ruang sampel atau kemungkinan-kemungkinan yang muncul.

Contoh:

Pada percobaan melempar dua buah mata uang logam (koin) homogen yang berisi angka (A) dan gambar (G) sebanyak satu kali. Tentukan ruang sampel percobaan tersebut.

a. Dengan Diagram Pohon

Kejadian yang mungkin:

AA : Muncul sisi angka pada kedua koin

AG : Muncul sisi angka pada koin 1 dan sisi gambar pada koin 2

b. Dengan Tabel

Ruang sampel = {(A,A), (A,G), (G,A), (G,G)}

Banyak titik sampel ada 4 yaitu (A,A), (A,G), (G,A), dan (G,G)

G. Prinsip Menghitung

1. Faktorial
Faktorial digunakan untuk mengetahui berapa banyak cara yang mungkin dalam mengatur sesuatu. Hasil perkalian semua bilangan bulat positif secara berurutan dari 1 sampai dengan n disebut n faktorial. Dari definisi faktorial tersebut, maka dapat dituliskan prinsip menghitung faktorial sebagai berikut :

Di kantor pusat DJBC Ada 3 orang staff yang dicalonkan untuk menjadi mengisi kekosongan 2 kursi pejabat eselon IV. Tentukan banyak cara yang bisa dipakai untuk mengisi jabatan tersebut?

jawab : Permutasi P (3,2), dengan n =3 (banyaknya staff) dan k =2 (jumlah posisi yang akan diisi)

Permutasi Unsur-unsur  yang sama