Politeknik Telkom Statistika

STATISTICS
POLITEKNIK TELKOM
BANDUNG
2008
i
Politeknik Telkom Statistika
HALAMAN PENGARANG DAN COPYRIGHT
Penulis:
1. SRI SURYANI PRASETOWATI M.Si
2. YULIANT SIBARONI S.Si, M.T
Dilarang menerbitkan kembali, menyebarluaskan atau
menyimpan baik sebagian maupun seluruh isi buku dalam
bentuk dan dengan cara apapun tanpa izin tertulis dari
Politeknik Telkom.
Hak cipta dilindungi undang-undang @ Politeknik
Telkom 2008
No part of this document may be copied, reproduced, printed,
distributed, modified, removed and amended in any form by
any means without prior written authorization of Telkom
Polytechnic.
ii
Politeknik Telkom Statistika
Copyright @ 2008 Telkom Polytechnic. All rights
reserved
KATA PENGANTAR
Segala puji bagi Allah SWT, yang telah melimpahkan
nikmat-Nya kepada penulis sehingga dapat menyelesaikan
penulisan course ware ini. Course ware ini digunakan oleh
penulis sebagai acuan untuk mata kuliah Statistika di
Politeknik Telkom. Course ware ini ditujukan bagi mahasiswa
program studi diploma.
Course ware ini terdiri dari 12 bab yang secara umum
berisi dasar – dasar untuk melakukan pengolahan dan analisis
data statistik baik secara deskriptif maupun inferensia. Dasar
peluang juga diberikan secara terbatas untuk dasar analisis
statistik secara inferensia. Semua materi tersebut merupakan
bahan kuliah yang sesuai dan kurikulum yang berlaku di
Politeknik Telkom.
Pada kesempatan ini, penulis menyampaikan terima
kasih yang tulus kepada berbagai pihak atas segala bantuan
dan dukungannya sehingga penulis dapat menyelesaikan
penulisan course ware ini. Akhirnya, penulis mohon maaf jika
dalam tulisan ini masih banyak kekurangan. Sumbangan ide,
saran, dan kritik yang membangun untuk perbaikan diktat ini
sangat penulis harapkan.
iii
Politeknik Telkom Statistika
Bandung, Juli 2008

Penulis,
DAFTAR ISI
KATA PENGANTAR.............................................................iii
DAFTAR ISI...........................................................................iv
1 MENGENAL DATA....................................1
1.1 Populasi dan sampel..........................................................2
1.2 Skala pengukuran..............................................................3
2 STATISTIKA DESKRIPTIF..........................1
2.1 Ukuran Pemusatan..............................................................2
2.2 Ukuran Penyebaran.............................................................3
2.3 Ukuran Letak......................................................................3
2.4 Distribusi Frekuensi............................................................4
2.5 Penyajian dalam Bentuk Grafik..........................................6
3 PELUANG, PELUANG BERSYARAT, DAN
KAIDAH BAYES ...................................3
3.1 Ruang Sampel dan Kejadian...............................................4
3.2 Peluang...............................................................................5
3.3 Peluang Bersyarat...............................................................7
3.4 Kaidah Bayes....................................................................10
4 PEUBAH ACAK, DISTRIBUSI PELUANG
DISKRET, DAN DISTRIBUSI PELUANG
KONTINU...........................................17
4.1 Peubah acak .....................................................................18
iv
Politeknik Telkom Statistika
4.2 Distribusi peluang diskret.................................................19
4.3 Distribusi peluang kontinu................................................19
Latihan ...................................................................................23
5 DISTRIBUSI PELUANG KHUSUS DISKRET
DAN KONTINU .....................................1
5.1 Distribusi Peluang Diskret..................................................2
5.1.1 Distribusi Bernoulli dan binomial..................................2
5.1.2 Distribusi poisson..........................................................5
5.2 Distribusi peluang kontinu...............................................11
5.2.1 Distribusi normal.........................................................11
5.2.2 Distribusi normal baku ..............................................13
5.2.3 Distribusi uniform ........................................................15
5.2.4 Distribusi Eksponensial.................................................16
Latihan....................................................................................21
6 DISTRIBUSI SAMPLING DAN DALIL LIMIT
PUSAT................................................1
6.1 Distribusi sampling..........................................................2
6.2 Dalil limit pusat...............................................................3
KATA PENGANTAR.............................................................iii
DAFTAR ISI...........................................................................iv
1 MENGENAL DATA....................................1
1.1 Populasi dan sampel..........................................................2
1.2 Skala pengukuran..............................................................3
2 STATISTIKA DESKRIPTIF..........................1
2.1 Ukuran Pemusatan..............................................................2
2.2 Ukuran Penyebaran.............................................................3
2.3 Ukuran Letak......................................................................3
2.4 Distribusi Frekuensi............................................................4
2.5 Penyajian dalam Bentuk Grafik..........................................6
3 PELUANG, PELUANG BERSYARAT, DAN
KAIDAH BAYES ...................................3
3.1 Ruang Sampel dan Kejadian...............................................4
3.2 Peluang...............................................................................5
v
Politeknik Telkom Statistika
3.3 Peluang Bersyarat...............................................................7
3.4 Kaidah Bayes....................................................................10
4 PEUBAH ACAK, DISTRIBUSI PELUANG
DISKRET, DAN DISTRIBUSI PELUANG
KONTINU...........................................17
4.1 Peubah acak .....................................................................18
4.2 Distribusi peluang diskret.................................................19
4.3 Distribusi peluang kontinu................................................19
Latihan ...................................................................................23
5 DISTRIBUSI PELUANG KHUSUS DISKRET
DAN KONTINU .....................................1
5.1 Distribusi Peluang Diskret..................................................2
5.1.1 Distribusi Bernoulli dan binomial..................................2
5.1.2 Distribusi poisson..........................................................5
5.2 Distribusi peluang kontinu...............................................11
5.2.1 Distribusi normal.........................................................11
5.2.2 Distribusi normal baku ..............................................13
5.2.3 Distribusi uniform ........................................................15
5.2.4 Distribusi Eksponensial.................................................16
Latihan....................................................................................21
6 DISTRIBUSI SAMPLING DAN DALIL LIMIT
PUSAT................................................1
6.1 Distribusi sampling..........................................................2
6.2 Dalil limit pusat...............................................................3
vi
Politeknik Telkom Statistika
1 MENGENAL DATA
Overview
Dalam sebuah penelitian, data adalah sebagai komponen
utamanya. Tanpa data, kita tidak bisa membuat kesimpulan
apapun berkaitan dengan penelitian yang telah dilakukan.
Berkaitan dengan data, ada beberapa karakteristik data yang
perlu untuk kita kenali antara lain sumber data (primer,
sekunder) jenis pengambilan datanya (sampel,populasi) dan
skala pengukurannya. Pengetahuan tentang karakteristik data
ini tentunya sangat diperlukan agar analisa yang kita
lakukan terhadap data menjadi lebih relevan dan lebih tepat.
Tujuan
1. Mahasiswa memahami konsep data primer ,sekunder,
sampel , populasi.
2. Mahasiswa memahami skala pengukuran data
3. Mahasiswa dapat memberikan contoh data primer,
sekunder, sampel dan populasi
Mengenal Data
1
Politeknik Telkom Statistika
4. Mahasiswa dapat memberikan contoh data sampel
berdasarkan jenis skala pengukurannya
1.1 Populasi dan sampel
Persoalan-persoalan yang muncul dalam berbagai bidang,
hampir seratus persen berhubungan dengan data. Data
dalam bidang statistika merupakan keterangan atau informasi
mengenai suatu kejadian, biasanya dinyatakan dengan
angka. Diharapkan nantinya data dapat memberikan
informasi lebih banyak bagi yang bersangkutan. Sebelum
membahas tentang data, terlebih dahulu akan dibahas sekilas
tentang statistika, populasi, dan sampel. Statistika yaitu suatu
ilmu yang mempelajari tentang data, meliputi teknik
pengambilan data, pengolahan dan penyajiannya, kemudian
analisis dan kesimpulan serta pengambilan keputusan dari
kesimpulan yang diperoleh lewat analisis. Sedangkan data itu
sendiri merupakan keterangan yang menggambarkan kondisi
saat itu.
Berdasarkan sumbernya data dibedakan menjadi dua, yaitu 1)
data primer dan 2) data sekunder. Data primer adalah
keterangan atau informasi secara umum yang diperoleh oleh
dari penelitian peneliti sendiri. Sedangkan data sekunder
merupakan data yang diambil dari penelitian orang lain pada
suatu publikasi.
Berkaitan dengan pengambilan data, terdapat dua istilah
yaitu populasi dan sampel. Populasi adalah seluruh objek
yang diamati. Sedangkan sampel adalah objek yang diamati
adalah sebagian dari populasi. Diharapkan pengambilan
sampel yang dilakukan dapat mewakili populasi. Beberapa hal
yang mendasari pengambilan sampel adalah :
Mengenal Data
2
Politeknik Telkom Statistika
1. Waktu
Bila waktu untuk penelitian terbatas, maka pengambilan
sampel dapat dipilih sebagai alternatif pengambilan data.
2. Biaya
Untuk penelitian mengenai suatu komponen yang
harganya mahal, bila pengambilan populasi dilakukan,
maka biaya yang dikeluarkan akan besar. Sehingga untuk
biaya yang terbatas, perlu dilakukan pengambilan sampel.
3. Populasi tidak pasti
Salah satu contoh populasi tidak pasti adalah, bila
penelitian kita tentang orang berpenyakit flu burung,
maka kita akan kesulitan menentukan populasinya,
karena tanpa pemeriksaan akan sulit ditentukan
seseorang kena flu burung atau tidak. Sehingga
pengambilan sampel perlu dilakukan yaitu pasien flu
burung pada suatu rumah sakit.
4. Ketelitian
Hal ini berhubungan dengan waktu dan biaya yang
terbatas. Misal biaya dan waktu penelitian terbatas, maka
jumlah tenaga yang membantu penelitian akan menjadi
pertimbangan, sehingga hasilnya pengolahannya
berpengaruh pada tingkat ketelitian.

1.2 Skala pengukuran
Skala pengukuran merupakan bagian yang paling
mendekati pengukuran data baik secara diskret maupun
kontinu. Skala ini sangat penting, karena berkaitan dengan
pemilihan teknik analisis statistika yang sangat bergantung
Mengenal Data
3
Politeknik Telkom Statistika
pada sifat data dan skala pengukuran yang digunakan.
Ditinjau berdasarkan skala pengukurannya, data dapat
dibedakan menjadi beberapa kelompok, yaitu ( dari yang
terendah sampai yang tertinggi ) :
a. Skala Nominal
Data yang termasuk dalam kelompok ini memiliki ciri
bahwa data tidak memiliki tingkatan. Satu – satunya
operator matematika yang berlaku adalah persamaan dan
pertidaksamaan.
Contohnya adalah data tentang jenis kelamin, agama,
jenis penyakit dan sebagainya.
b. Skala Ordinal
Sudah ada tingkatan pada data yang masuk kelompok ini,
hanya saja belum ada ketentuan jarak yang sama antar
tingkatan,serta ada hubungan lebih dari.
Contohnya adalah data tentang golongan kepegawaian,
kepangkatan, nilai huruf, peserta kontes kecantikan, jenis
komputer dan sebagainya.
c. Skala Interval
Selain sudah memiliki tingkatan seperti data pada skala
ordinal, data yang masuk dalam kelompok ini juga
memiliki sifat bahwa jarak antar tingkatan adalah sama.
Hal ini diperiksa melalui selisih antar tingkatan selalu
tetap Sebagai contoh data suhu yang diukur dalam
Celcius, selisih antara suhu 30 dan 29 akan sama dengan
selisih suhu 10 dan 11 atau dengan yang lainnya. Ciri lain
dari data ini adalah nilai 0 belum memiliki arti sebenarnya
( tidak ada).
Contohnya adalah suhu 0 derajat bukan berarti tidak ada
suhu, tahun 0 bukan berarti tidak ada tahun.
Mengenal Data
4
Politeknik Telkom Statistika
d. Skala Rasio
Data yang memiliki skala ini memiliki tingkatan yang
paling tinggi. Semua sifat pada skala interval juga ada
pada data skala rasio ini. Tambahan sifat untuk jenis data
ini adalah nilai 0 sudah memiliki arti yang sebenarnya (
tidak ada ).
Contoh adalah data tentang berat, tinggi, harga, volume
dan sebagainya.
Dengan mengetahui jenis data yang akan diolah, maka kita
dapat menentukan analisis yang tepat untuk data tersebut.
Sebagai contoh data yang memiliki skala Nominal hanya
dapat disajikan dalam bentuk pie chart, bar chart dan tidak
dapat ditentukan ukuran − ukuran statistik seperti mean,
standard deviation dan sebagainya. Data yang berskala
Ordinal selain dapat dianalisa seperti nominal juga dapat
dianalisa lebih lanjut tetapi sebelumnya harus ditransformasi
ke bentuk numerik. Tetapi, kadang untuk pengolahan lebih
lanjut, data berskala ordinal dan nominal dapat diolah dengan
menggunakan statistika nonparametrik (tanpa distribusi).
Sedangkan data yang berskala interval atau Rasio dapat
dilakukan analisa yang lebih lengkap secara langsung. Analisa
yang dapat dilakukan pada data dengan kedua skala terakhir
ini relatif sama.
Contoh
Sebuah penelitian dilakukan untuk melihat pengaruh
kenaikan BBM terhadap tingkat pengangguran di kota
Bandung. Berikut adalah data yang bisa digunakan dalam
penelitian ini :
Data yang diperlukan antara lain data tentang tingkat
pengangguran sebelum kenaikan BBM dan setelah kenaikan
BBM
Mengenal Data
5
Politeknik Telkom Statistika
a. Data Sekunder
i. Data tingkat pengangguran sebelum kenaikan BBM
(misalkan data dari BPS atau hasil penelitian lainnya)
ii. Data tingkat pengangguran setelah kenaikan BBM
(misalkan data dari BPS hasil penelitian lainnya)
b. Data Primer
Yaitu data tingkat pengangguran setelah kenaikan BBM
yang dicari sendiri melalui pendataan secara langsung
c. Data Sampel
Data tingkat pengangguran (sebelum dan kenaikan BBM)
yang diambil dari sebagian penduduk kota Bandung
d. Data Populasi
Data tingkat pengangguran (sebelum dan kenaikan BBM)
yang diambil dari seluruh penduduk kota Bandung
e. Skala Pengukuran
Data yang dikumpulkan dalam penelitian ini antara lain
meliputi data tentang usia(rasio), agama (nominal), status
perkawinan (nominal), Jenis Kelamin (nominal) dan status
Bekerja (nominal).
Latihan
1. Suatu penelitian dilakukan untuk melihat hubungan antara
jumlah sks dengan nilai IPK yang diperoleh mahasiswa
Poltek Telkom. Tentukan data yang diperlukan untuk
Mengenal Data
6
Politeknik Telkom Statistika
penelitian ini beserta jenis datanya (kerjakan seperti
contoh)
2. Suatu penelitian dilakukan untuk melihat hubungan antara
frekuensi penggunaan laboratorium dengan biaya
perawatan laboratorium tersebut . Tentukan data yang
diperlukan untuk penelitian ini beserta jenis datanya
(kerjakan seperti contoh)
Mengenal Data
7
Politeknik Telkom Statistika
2 STATISTIKA DESKRIPTIF
Overview
Suatu data mentah menjadi kurang berguna bila hanya
ditampilkan seperti aslinya. Sebagian orang bahkan sangat
kesulitan ketika melihat data dalam bentuk numerik. Salah
satu teknik dalam Statistika untuk menampilkan atau
menyajikan suatu data agar lebih mudah untuk dipahami
adalah Statistika Deskriptif. Dalam Statistika Deskriptif,
secara umum data akan disajikan dalam bentuk tabel maupun
dalam bentuk grafik tergantung dari jenis datanya. Walaupun
tampilan data lebih sederhana, tetapi setiap orang dapat
memiliki persepsi yang berbeda – beda berkaitan dengan data
tersebut
Tujuan
1. Mahasiswa mengetahui konsep dan jenis - jenis ukuran
pemusatan, ukuran penyebaran dan ukuran letak
2. Mahasiswa dapat menentukan ukuran pemusatan, ukuran
penyebaran dan ukuran letak suatu data
Statistika Deskriptif
1
Politeknik Telkom Statistika
3. Mahasiswa dapat menyajikan data dalam bentuk
histogram, boxplot dan diagram dahan dan daun
2.1 Ukuran Pemusatan
Terdapat beberapa ukuran pemusatan dalam statistika
deskriptif antara lain mean, median, dan modus.
− Mean adalah rata−rata dari data dan dinotasikan
dengan
µ atau x
, di mana
x
menyatakan rata−rata
sampel dan
µ
menyatakan rata−rata populasi. Secara
umum mean memiliki rumusan sebagai berikut :
n
x
x
i ∑
· , n banyaknya sampel
N
x
i ∑
· µ , N banyaknya populasi
− Median adalah nilai yang membagi suatu gugus data
yang telah terurut menjadi 2 bagian yang sama. Median
memiliki sifat bahwa di bawah nilai median terdapat
50% data. Cara menentukan median sebagai berikut :
Misal X
1
, X
2
, …, X
n
adalah data yang sudah terurut dari
kecil ke besar, maka untuk n ganjil
1
2
+
·
n
X median
dan
untuk n genap
,
_

¸
¸
+ ·
+1
2 2
2
1
n n
X X median .
− Modus yaitu nilai yang paling sering muncul dalam
suatu gugus data
Dalam penggunaannya, mean lebih sering digunakan dari
pada ukuran pemusatan lainnya karena keakuratannya dalam
menentukan nilai tengah suatu gugus data, walaupun ada
Statistika Deskriptif
2
Politeknik Telkom Statistika
beberapa kasus yang membuat nilai mean menjadi kurang
tangguh, misalkan ada nilai yang dianggap ekstrim.
2.2 Ukuran Penyebaran
Beberapa ukuran penyebaran antara lain :
− Range atau jangkauan yaitu menyatakan selisih
antara nilai maksimum dengan nilai minimum.
− Variansi adalah nilai tengah dari kuadrat
penyimpangan antara x
i
terhadap
x
. Variansi
merupakan ukuran penyebaran yang sering digunakan
dalam statistika inferensia. Variansi dinotasikan S
2
untuk
sampel dan σ
2
untuk populasi. Variansi memiliki
rumusan sebagai berikut :
( )
1
2
2


·

n
x x
S
i
, di mana n banyaknya sampel
( )
N
x
i ∑

·
2
2
µ
σ
, di mana N banyaknya populasi
− Simpangan baku merupakan akar dari variansi.
2.3 Ukuran Letak
Kuartil menyatakan nilai−nilai yang membagi gugus data
menjadi empat bagian yang sama besar. Q
1
menyatakan
kuartil 1 yang memiliki sifat bahwa ¼ data terletak di bawah
Q
1
. Q
2
sama dengan median. Sedangkan Q
3
memiliki sifat
bahwa ¾ data terletak di bawah Q
3
. Untuk ukuran letak yang
lainnya adalh desil, persentil dll.
Statistika Deskriptif
3
Politeknik Telkom Statistika
2.4 Distribusi Frekuensi
Distribusi frekuensi yaitu penyajian data dalam bentuk tabel.
Di mana pada tabel tersebut menampilkan ciri−ciri penting
sejumlah data yang diperoleh dengan cara mengelompokkan
data menjadi beberapa kelas, kemudian dari masing−masing
kelas dihitung banyaknya pengamatan yang masuk.
Langkah-langkah membuat tabel frekuensi :
1. Menentukan banyaknya kelas dengan kaidah Sturges
yaitu
1
2

·
k
N
, dimana
N k log 3 . 3 1+ ·
. Banyaknya
kelas sebaiknya antara 5 sampai 15.
2. Menentukan interval kelas (KI)
k
range
KI ·
KI sebaiknya kelipatan 5.
3. Untuk komposisi kelas, perhatikan bahwa kelas tidak
tumpang tindih.
4. Bila tabel distribusi frekuensi, nantinya digunakan untuk
membuat histogram atau poligon, maka komposisinya
diubah ke bentuk batas kelas (batas bawah kikurangi
setengah dan batas atas di tambah setengah)
Bila data disajikan sebagai data kelompok (tabel frekuensi),
maka ukuran pemusatan, penyebaran dan letak dapat
dihitung dengan menggunakan rumusan sebagai berikut :
- Ukuran pemusatan
Statistika Deskriptif
4
Politeknik Telkom Statistika
Mean :


·
·
·
n
i
i
n
i
i i
f
x f
x
1
1
i
x
= titik tengan kelas,
i
f
= frekuensi kelas
Median :
( )
p
f
f f
B x
m
sm t
b

+ ·
2
1
~
b
B
= batas bawah kelas median
t
f
= frekuensi
total
m
f
= frekuensi kelas median
p
= interval kelas
sm
f
= frekuensi kumulatif sebelum median
Modus : p
b a
a
B x
b
+
+ ·
ˆ
am m
f f a − ·
bm m
f f b − ·
m
f
= frekuensi kelas modus
am
f
= frekuensi sebelum kelas modus
bm
f
= frekuensi sesudah kelas modus
- Ukuran penyebaran
( )
( )
1
1
1
1
1
]
1

¸

,
_

¸
¸

·
∑ ∑
· ·
1
2
1 1
2
2 2
n n
c f c f n
p S
n
i
i i
n
i
i i
Statistika Deskriptif
5
Politeknik Telkom Statistika
- Ukuran letak
Kuarti (
3 2
, , Q Q Q
i
)
( )
3 , 2 , 1 ,
4
·

+ · i p
f
f f
B Q
p
sp t
i
b i
p
f
= frekuensi pada kelas kuartil ke-i
sp
f
= frekuensi sebelum kuarti
Pada tabel distribusi frekuensi, dapat juga diberikan coding
untuk mempermudah perhitungan statistik. Coding dilakukan
dengan cara membagi kelas menjadi dua yaitu kelas yang
ditengah-tengah diberi kode nol, sedangkan dua kelas di
bawah dan di atasnya diberi kode negatif dan positif.
2.5 Penyajian dalam Bentuk Grafik
− Histogram dibuat berdasarkan tabel distribusi frekuensi.
Bila datanya memiliki skala interval atau rasio, maka
histogram dapat digunakan untuk menyajikan data.
− Box plot merupakan bentuk penyajian data yang hanya
menggunakan beberapa statistik yang disebut ringkasan
lima angka yaitu nilai minimum, Q
1
, median, Q
3
, nilai
maksimum. Pada box plot dapat juga ditentukan adanya
pencilan atau tidak. Pencilan yaitu suatu nilai pada data
yang apabila dibandingkan dengan nilai data yang lain
tidak konsisten. Pencilan dibedakan menjadi pencilan jauh
(dalam) dan pencilan jauh sekali (luar). Untuk menentukan
pencilan digunakan rumusan sebagai berikut :
Pagar dalam (p)
( ) ( )
1 3 3 2 1 3 1 1
5 . 1 5 . 1 Q Q Q p Q Q Q p − + − − ·
·
Statistika Deskriptif
6
Politeknik Telkom Statistika
Pagar luar (P)
( ) ( )
1 3 3 2 1 3 1 1
2 2 Q Q Q P Q Q Q P − + − − ·
·
Pencilan dikatagorikan sebagai pencilan jauh bila letaknya
data di antara pagar dalam dan pagar luar. Sedangkan
pencilan jauh sekali, bila data di luar pagar luar.
− Diagram dahan daun adalah salah satu teknik penyajian
data yang menggunakan data asli secara langsung. Pada
dasarnya dalam diagram dahan daun, penyajian data
terbagi atas dua kolom yaitu dahan dan daun, dimana
dahan berisi data dengan satuan yang lebih besar dari
pada kolom daun.
Dari ketiga bentuk penyajian data di atas, dapat dilihat
bentuk distribusi data, apakah simetri, menjulur ke kiri atau
ke kanan. Sedangkan untuk memeriksa kemencengan
digunakan metode Pearson yaitu
S
x x
~

· Φ . Jika 0 < Φ , data
menceng ke kiri dan 0 > Φ , data menceng ke kanan.
Contoh 1
Data berikut adalah data penjualan voucher telepon di lima
kota provinsi Jawa barat :
Bul
an
Bandu
ng
Sukabu
mi
Gar
ut
Tasi
k
Bog
or
1 42 8 32 56 51
2 45 14 33 60 58
3 51 25 41 58 57
4 61 43 52 62 67
5 69 54 62 63 81
6 76 64 72 68 88
7 78 71 77 69 94
Statistika Deskriptif
7
Politeknik Telkom Statistika
8 78 69 75 71 93
9 72 58 68 69 85
10 62 47 58 67 74
11 51 29 47 61 61
12 44 16 35 58 55
Hasil yang diperoleh (dari pengolahan dengan minitab 15)
adalah sebagai berikut :
Statistika Deskriptif
8
Politeknik Telkom Statistika
Statistika Deskriptif
9
Politeknik Telkom Statistika
Statistika Deskriptif
10
Politeknik Telkom Statistika
Dari keempat kota (Bandung, Sukabumi, garut, dan tasik)
rata-rata penjualan voucher telepon tiap bulannya adalah
kota tasik yaitu 63.5 dengan variansi terkecil 26,091. Untuk
kota Bandung dan Garut penjualan voucher tiap bulannya
hampir merata, kota sukabumi penjualan terbanyak pada
bulan-bulan terakhir, sedangkan untuk kota tasik penjualan
terbanyak pada bulan-bulan pertama pada tahun tersebut.
Contoh 2
Data berikut adalah banyaknya turis asing yang masuk ke
kota-kota di negara bagian Amerika tiap bulannya. Bila
informasi yang diperoleh seperti tampilan di bawah tabel,
analisis apa yang dapat anda berikan?
Statistika Deskriptif
11
Politeknik Telkom Statistika
Mont
h
Atlan
ta
Bismar
ck
New
York
San
Diego
Phoen
ix
1 42 8 32 56 51
2 45 14 33 60 58
3 51 25 41 58 57
4 61 43 52 62 67
5 69 54 62 63 81
6 76 64 72 68 88
7 78 71 77 69 94
8 78 69 75 71 93
9 72 58 68 69 85
10 62 47 58 67 74
11 51 29 47 61 61
12 44 16 35 58 55
Informasi yang diperoleh :
− Ukuran pemusatan, penyebaran, dan letak
N : 60
Mean : 58.42
Median : 61
Modus : 58
Range : 86
Variansi : 338.383
Simpangan baku : 18.395
Minimum : 8
Maksimum : 94
Quarti 1, 2, 3 : 48, 61, 70.5
Statistika Deskriptif
12
Politeknik Telkom Statistika
- histogram dan boxplotnya sebagai berikut :
90 80 70 60 50 40 30 20 10
15
10
5
0
C7
F
r
e
q
u
e
n
c
y
Histogram of C7
Statistika Deskriptif
13
Politeknik Telkom Statistika
100 90 80 70 60 50 40 30 20 10 0
C7
Boxplot of C7
Statistika Deskriptif
14
Politeknik Telkom Statistika
Latihan
1. Untuk menentukan kelayakan air sungai pada suatu
daerah yang dikonsumsi oleh penduduk setempat, suatu
suspensi diteteskan pada sampel air sungai tersebut
dengan konsentrasi tertentu. Berikut adalah data yang
diperoleh 50 penelitian dari beberapa bagian suatu sungai
yang diberi suspensi dengan konsentrasi yang berbeda-
beda :
55.
8
60.
9
37.
0
91.
3
65.
8
42.
3
33.
8
60.
6
76.
0
69.
0
45.
9
39.
1
35.
5
56.
0
44.
6
71.
7
61.
2
61.
5
47.
2
74.
5
83.
2
40.
0
31.
7
36.
7
62.
3
47.
3
94.
6
56.
3
30.
0
68.
2
75.
3
71.
4
65.
2
52.
6
58.
2
48.
0
61.
8
78.
8
39.
8
65.
0
60.
7
77.
1
59.
1
49.
5
69.
3
69.
8
64.
9
27.
1
87.
1
66.
3
Peluang, Peluang Bersyarat, Kaidah Bayes
1
Politeknik Telkom Statistika
a. Buatlah diagram dahan daun
b. Buat tabel distribusi frekuensi dan histogramnya
c. Hitung ukuran pemusatan, penyebaran, dan letak,
kemudian buat box plotnya
d. Kesimpulan apa yang bisa dinyatakan dari data
tersebut, berdasarkan a, b, c.
2. Diketahui tabel distribusi frekuensi di bawah yang
menyatakan jarak (dalam ribuan mil) yang ditempuh oleh
191 bis dari suatu travel dan bis gagal mencapai tujuan.
Batas kelas Frekuensi
0.5 – 20.5 6
20.5 – 40.5 11
40.5 – 60.5 16
60.5 – 80.5 25
80.5 – 100.5 34
100.5 – 120.5 46
120.5 – 140.5 33
140.5 – 160.5 16
160.5 – 180.5 2
180.5 – 200.5 2
a. Buat histogramnya
b. Hitung mean ,simpangan baku Q
1
, Q
2
dan Q
3
nya, beri
penjelasan !
Peluang, Peluang Bersyarat, Kaidah Bayes
2
Politeknik Telkom Statistika
c. Buat Boxplot, periksa apakah terdapat
pencilan/outlier ?
d. Estimasi proporsi dari semua bis yang beroperasi
paling sedikit 100.000 mil dan gagal
e. Berapakah proporsi dari semua bis yang beroperasi
antara 50.000 sampai 125.000 mil dan gagal

3 PELUANG, PELUANG BERSYARAT,
DAN KAIDAH BAYES
Overview
Dalam kehidupan nyata, sering kali kita dihadapkan dengan
situasi yang tidak pasti dan dipaksa untuk mengambil
keputusan yang paling tepat. Dalam Statistika, masalah yang
berkaitan dengan ketidakpastian dapat dihubungkan dengan
masalah probabilitas (peluang). Kejadian yang pasti terjadi
memiliki peluang = 1, kejadian yang mustahil memiliki
peluang = 0 sedangkan kejadian tidak pasti memiliki peluang
antara 0 – 1. Dengan memahami konsep peluang ini,
Peluang, Peluang Bersyarat, Kaidah Bayes
3
Politeknik Telkom Statistika
diharapkan kita dapat mengambil keputusan yang tepat
berdasarkan nilai peluang yang terbesar.
Tujuan
1. Mahasiswa memahami konsep ruang sampel, kejadian dan
peluang.
2. Mahasiswa dapat menghitung peluang suatu kejadian
3. Mahasiswa dapat peluang kejadian A bila kejadian B
terjadi dengan menggunakan konsep peluang bersyarat
dan teorema Bayes
3.1 Ruang Sampel dan Kejadian
Ruang sample dari suatu eksperimen merupakan suatu
himpunan semua kemungkinan hasil suatu eksperimen.
Ruang sample dinotasikan dengan

. Sedangkan kejadian
adalah himpunan bagian dari ruang sample. Kejadian
dikelompokkan menjadi dua yaitu kejadian sederhana
(kejadian yang terdiri dari satu hasil eksperimen) dan
kejadian majemuk (kejadian yang terdiri lebih dari satu hasil
eksperimen).
Contoh
Misal suatu eksperimen dilakukan dengan mengamati tiga
buah mobil yang akan keluar dari pintu keluar parkir suatu
supermarket, apakah belok ke kiri (L) atau ke kanan (R).
Ruang sample untuk eksperimen tersebut adalah
{ } RRR RRL RLR LRR LLR LRL RLL LLL , , , , , , , · Ω
.
Berikut adalah beberapa contoh kejadian :
Peluang, Peluang Bersyarat, Kaidah Bayes
4
Politeknik Telkom Statistika
Kejadian sederhana
-
{ } LLL A ·
= adalah kejadian ketiga mobil keluar pintu
parkir belok ke kiri
-
{ } RRR B ·
= adalah kejadian ketiga mobil keluar pintu
parkir belok ke kanan
Kejadian majemuk
-
{ } LLR LRL RLL C , , ·
= adalah kejadian tepat satu mobil
yang keluar pintu parkir belok ke kanan
-
{ } LLR LRL RLL LLL D , , , ·
= adalah kejadian paling
banyak satu mobil yang keluar
pintu parkir belok ke kanan
3.2 Peluang
Menurut Athanasios papoulis, untuk mempelajari teori
peluang terdapat beberapa pendekatan yaitu :
1. Definisi aksioma
Misal

adalah ruang sampel yang berhingga dan A suatu
kejadian dalam

. Definisi dari pendekatan aksiomatik
adalah : untuk setiap kejadian A, peluang dari A ditulis
sebagai
( ) A P
yang merupakan bilangan real dan memenuhi
aksioma :
1.
( ) 0 ≥ A P
2.
( ) 1 · Ω P
3.
( ) ( ) ( ) φ · + · B A B P A P B A P   ,
Peluang, Peluang Bersyarat, Kaidah Bayes
5
Politeknik Telkom Statistika
Bila ruang sampel tak hingga, maka
( )


·

·
·

,
_

¸
¸
1 1 i
i
i
i
A P A P

Sedangkan sifat-sifat peluang adalah :
1.
( ) ( ) A P A P − ·1
2.
( ) 0 · φ P
3.
( ) ( ) B A B P A P ⊂ ≤ ,
4.
( ) 1 ≤ A P
5.
( ) ( ) ( ) ( ) B A P B P A P B A P   − + ·
6. Bila
n
A A A , , ,
2 1

kejadian dalam

, maka
( ) ( )
( ) ( )
n
n
n
j i
j i
n
i
i
n
i
i
A A A P
A A P A P A P
    
 

2 1
1
1 1
1

≠ · ·
− −
− − ·

,
_

¸
¸
∑ ∑
7. Bila
n
A A A , , ,
2 1

kejadian saling lepas, maka
( ) j i A A A P A P
j i
n
i
i
n
i
i
≠ · ·

,
_

¸
¸

· ·
φ 

,
1 1
( ) ( ) ( ) B P A P B A P + ≤ 
2. Objektif
− frekuensi relatif
Andaikan percobaan acak diulang sebanyak n kali. Bila
kejadian A terjadi n kali, maka peluang kejadian A terjadi
adalah
( ) A P
yang didefiniskan sebagai berikut
( )
( )
n
A n
A P
n ∞ →
· lim
( ) A n
adalah frekuensi relatif
kejadian A
Sifat-sifat :
Peluang, Peluang Bersyarat, Kaidah Bayes
6
Politeknik Telkom Statistika
1.
( )
1 0 ≤ ≤
n
A n
2. Bila A dan B kejadian yang saling lepas, maka
( ) ( ) ( )
n
B n
n
A n
n
B A n
+ ·

− kejadian equally likely
Misal

adalah ruang sampel berhingga dengan n
kejadian sederhana, yaitu { }
n
S S S , , ,
2 1
 · Ω . Andaikan
( )
i i
P S P · , maka
1.
1 0 ≤ ≤
i
P
2.
1 P
n
1 i
i
·

·
3. Bila

I i
i
S A

·
, maka
( ) ( )
∑ ∑
∈ ∈
· ·
I i
i
A S
i
P S P A P
i
3.3 Peluang Bersyarat
Peluang bersyarat dari kejadian A bila diberikan atau
diketahui kejadian B, yang dinyatakan dengan notasi
( ) B A P
didefinisikan sebagai berikut :
-
( )
( )
( )
( ) 0 , > · B P
B P
B A P
B A P

-
( )
( )
( )
( ) 0 , > · A P
A P
B A P
A B P

Peluang, Peluang Bersyarat, Kaidah Bayes
7
Politeknik Telkom Statistika
Dari definisi tersebut diatas, dapat diperoleh bahwa :
( ) ( ) ( ) ( ) ( ) B P B A P A P A B P B A P · · 
Berikut adalah beberapa aksioma peluang bersyarat :
1.
( ) 0 ≥ B A P
2.
( ) 1 · ΩB P
3.
( ) ( ) ( ) 0 ,
2 1 2 1 2 1
≠ + · A A B A P B A P B A A P  
Contoh 1
Data di bawah ini menyatakan banyaknya resistor berikut
toleransinya :
Resistor (ohm)
Toleransi
Jumlah
5% 10%
22 10 14 24
47 28 16 44
100 24 8 32
Jumlah 62 38 100
- Berikut adalah definisi dari beberapa
kejadian
A adalah kejadian terambilnya resistor 47 ohm
B adalah kejadian terambilnya resistor dengan toleransi
5%
C adalah kejadian terambilnya resistor 100 ohm
- Hitung :
a.
( ) B A P 
b.
( ) C A P 
c.
( ) C B P 

d.
( ) B A P
e.
( ) C A P
- Jawab :
a. ( ) 28 . 0
100
28
· · B A P 
Peluang, Peluang Bersyarat, Kaidah Bayes
8
Politeknik Telkom Statistika
b.
( ) 0 · B A P 
c. ( ) 24 . 0
100
24
· · B A P 
d. ( )
62
28
· B A P
e.
( ) 0 · C A P
Contoh 2
Untuk memenuhi kebutuhan jumlah tenaga kerja, tiap tahun
PT Telkom melaksanakan proses rekruitasi karyawan. Dari
100% pendaftar, yang lulus proses adalah 80%. Sebelum
terjun ke lapangan, para karyawan baru diwajibkan tes
pendidikan di divlat, ternyata yang lulus hanya 90%. Karena
untuk memenuhi kebutuhan jumlah karyawan yang besar, PT
Telkom memanggil lagi para pendaftar yang tidak lulus untuk
tes pendidikan di divlat, dan yang lulus hanya 50%. Berapa
prosenkah para pendaftar yang lulus divlat ?
Jawab
Berikut adalah diagram pohon dari pernyataan di atas :
Peluang, Peluang Bersyarat, Kaidah Bayes
9
Politeknik Telkom Statistika
Keterangan
LR : Lulus proses rekruitasi
TL : Tidak Lulus proses rekruitasi
LD : Lulus Divlat
TLD : Tidak Lulus Divlat
Misal prosentase pendaftar yang lulus divlat = DP, maka
( ) ( ) ( ) ( ) ( )
( ) ( ) 82 . 0 2 . 0 5 . 0 8 . 0 9 . 0 · + ·
+ · TLR P TLR LD P LR P LR LD P DP P
Jadi pendaftar yang lulus divlat 82%
3.4 Kaidah Bayes
Peluang, Peluang Bersyarat, Kaidah Bayes
Rekruitasi
LR
TL
R
LD
TLD
LD
TLD
0.8
0.2
0.9
0.1
0.5
0.5
10
Politeknik Telkom Statistika
Sebelum membahas kaidah bayes, terlebih dahulu dipelajari
mengenai definisi partisi dari ruang sample. Partisi dari suatu
ruang sample yaitu suatu himpunan dari kejadian-
kejadianyang saling lepas (mutually exclusive)
n
F F F F ..., , , ,
3 2 1
sedemikian sehingga 
n
i
i
F
1 ·
· Ω
.
Theorema : Bila
n
F F F F ..., , , ,
3 2 1
adalah partisi dari

,
maka untuk suatu kejadian E dalam

, berlaku
( ) ( )

·
·
n
i
i
F E P E P
1

.
Theorema tersebut dapat digambarkan pada diagram di
bawah ini
Peluang, Peluang Bersyarat, Kaidah Bayes
F
1
F
2
F
3
F
4
F
5
F
6
F
7
F
8
F
9
E
11
Politeknik Telkom Statistika
Theorema Bayes
Andaikan kejadian-kejadian
n
F F F F ..., , , ,
3 2 1
merupakan
partisi dari ruang sample

dan E adalah suatu kejadian,
maka untuk suatu k berlaku
( )
( ) ( )
( ) ( )
i i
n
i
k k
k
F E P F P
F E P F P
E F P

·
·
1
Contoh 1
Sebuah pabrik penghasil video cassette recorder, membeli
microchip khusus LS-24 dari tiga supplier yang berbeda, yaitu
Hall electronics (HE), Schuller Sales (SS), dan Cranford
Components (CC). Untuk memenuhi kebutuhan microchip
tersebut, 30% dibeli dari HE, 20% dari SS, dan sisanya dari
CC. Pabrik tersebut memiliki banyak pengalaman dalam hal
microchip dari tiga supplier tersebut. Dari microchip pasokan
tiga supplier tersebut 3% chip dari HE cacat, 5% dari SS
cacat, 4% dari CC cacat. Pada saat chip LS-24 tiba, para kuli
langsung mengangkut ke gudang, tanpa memeriksa asal
supplier chip tersebut. Pada saat proses perangkaian, seorang
karyawan memilih chip untuk dipasang pada sebuah VCR, dan
menemukan chip tersebut cacat. Berapa peluang chip
tersebut dipasok oleh SS?
Jawab
Misalkan berikut adalah kejadian – kejadian yang terjadi
HE : Terpilih supplier Hall electronics
SS : Terpilih supplier Schuller Sales
CC : Terpilih supplier Cranford Components
Peluang, Peluang Bersyarat, Kaidah Bayes
12
Politeknik Telkom Statistika
Pernyataan tersebut dapat didiagramkan sebagai berikut :
Peluang bahwa chip yang cacat tersebut dipasok oleh SS
adalah
( )
( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( )
( ) ( ) ( )
303 . 0
04 . 0 5 . 0 03 . 0 3 . 0 05 . 0 2 . 0
05 . 0 2 . 0
·
+ +
·
+ +
·
CC C P CC P HE C P HE P SS C P SS P
SS C P SS P
C SS P
Peluang, Peluang Bersyarat, Kaidah Bayes
HE
SS
CC
cacat
cacat
bagus
bagus
bagus
cacat
Supplier
Chip
0.3
0.2
0.5
0.03
0.05
0.04
13
Politeknik Telkom Statistika
Contoh 2
Suatu pabrik memproduksi 3 buah produk A,B dan C yang
masing – masing berjumlah 1000,2000 dan 4000 buah.
Peluang terambil akan cacat dari produk A =2%, Peluang
terambil akan cacat dari produk B =3% dan Peluang terambil
akan cacat dari produk C =5%.
Bila diambil sebuah produk secara acak
a. Berapa peluang produk tsb cacat ?
b. Bila ternyata produk tsb cacat, berapa peluang produk
tsb adalah produk B ?
Jawab
Misalkan
A : Terambil produk A
B : Terambil produk B
C : Terambil produk C
F : Terambil produk Fail / Cacat
P(A) = 1/7 P(F|A) = 0,02
P(B) = 2/7 P(F|B) = 0,03
P(C) = 4/7 P(F|C) = 0,05
a. P(F) ?
Peluang, Peluang Bersyarat, Kaidah Bayes
14
Politeknik Telkom Statistika
( ) ( ) ( ) ( ) ( ) ( ) ( )
04 , 0
7
4
05 , 0
7
2
03 , 0
7
1
02 , 0
| | |
· + + ·
+ + · C P C F P B P B F P A P A F P F P
b. P(B|F) ?
( )
( ) ( )
( )
214 , 0
04 , 0
7 / 2 . 03 , 0 |
| · · ·
F P
B P B F P
F B P
Peluang, Peluang Bersyarat, Kaidah Bayes
15
Politeknik Telkom Statistika
Latihan
1. Suatu PT yang bergerak dalam bidang konsultan computer
saat ini memiliki 3 buah proyek. Misal
i
A
menyatakan
proyek ke-i, i = 1, 2, 3 dan diketahui ( ) 22 . 0
1
· A P ,
( ) 25 . 0
2
· A P , ( ) 28 . 0
3
· A P , ( ) 11 . 0
2 1
· A A P  ,
( ) 05 . 0
3 1
· A A P  , ( ) 07 . 0
3 2
· A A P  ,
( ) 01 . 0
3 2 1
· A A A P   . Hitung peluang :
a.
2 1
A A 
b.
c c
A A
2 1

2. Suatu pabrik mempunyai empat buah mesin, yang
menghasil barang yang sama. Mesin I dan II masing-
masing menghasilkan 20% dari seluruh produk,
sedangkan mesin III dan IV masing-masing menghasilkan
30% dari seluruh produk. Dari barang yang diproduksi
oleh 4 mesin tersebut, diketahui cacat dengan rincian, 6%
dari mesin I, 5% dari mesin II, 8% mesin III, dan 8% dari
mesin IV. Pada saat pemeriksaan produk, diambil secara
acak suatu barang.
a. Berapa peluang barang tersebut cacat ?
b. Bila barang tersebut cacat, berapa peluang bahwa
barang tersebut hasil produksi mesin II ?
3. Salah satu tujuan diadakannya audit adalah untuk
menemukan terjadinya beberapa kesalahan materi,
kesalahan prosedur, maupun kesalahan-kesalahan dalam
pencatatan informasi. Sebuah Kantor Akuntan Publik yang
disewa oleh sebuah perusahaan X yang selama ini telah
aktif melakukan pembukuan terhadap penjualan grosir
maupun eceran. Selanjutnya diketahui bahwa 70%
pelanggan merupakan pelanggan eceran dan diketahui
Peluang, Peluang Bersyarat, Kaidah Bayes
16
Politeknik Telkom Statistika
kesalahan pembukuan penjualan eceran 10%, sedangkan
kesalahan pembukuan penjualan grosir 20%.
Apabila seorang auditor menemukan kesalahan, berapa
peluang bahwa pembukuan tersebut berasal dari
penjualan eceran ?
4 PEUBAH ACAK, DISTRIBUSI
PELUANG DISKRET, DAN DISTRIBUSI
PELUANG KONTINU
Overview
Konsep yang mendasari distribusi peluang adalah peubah
acak. Peubah acak biasanya didefinisikan berdasarkan tujuan
penelitian yang akan dilakukan. Berdasarkan jenis
bilangannya, peubah acak dapat memiliki nilai yang diskret
dan juga kontinu. Distribusi peluang diskret diturunkan
berdasarkan peubah acak diskret, demikian juga distribusi
peluang kontinu juga diturunkan berdasarkan peubah acak
kontinu
Peluang, Peluang Bersyarat, Kaidah Bayes
17
Politeknik Telkom Statistika
Tujuan
1. Mahasiswa mengetahui beberapa jenis distribusi khusus
diskret dan kontinu
2. Mahasiswa dapat menghitung peluang kejadian dari
beberapa distribusi khusus diskret dan kontinu
3. Mahasiswa dapat meyelesaikan berbagai persoalan dan
fenomena nyata yang terkait dengan distribusi peluang
diskret dan kontinu.
4.1 Peubah acak
Pada suatu percobaan statistik, terdapat satu atau lebih
karakteristik yang dapat diamati atau diukur. Tetapi
kadang−kadang seseorang hanya tertarik untuk mengamati
satu macam karakteristik saja. Biasanya setelah proses
pengambilan titik sampel, dilanjutkan dengan pengelompokan
yang berkaitan dengan nilai numerik . Misalkan percobaan
pelemparan uang logam sebanyak 3 kali, dengan ruang
sampel
( ) Ω
sebagai berikut, dimana A menyatakan angka
dan G menyatakan gambar :
S = { AAA, AAG, AGA, GAA, AGG, GAG, GGA, GGG}
Selanjutnya bila hanya munculnya angka saja yang diamati,
maka nilai numeriknya adalah 0, 1, 2, 3, dimana 0
menyatakan angka tidak pernah muncul, 1 menyatakan
angka satu kali, 2 menyatakan angka dua kali, dan 3
menyatakan angka tiga kali. Untuk mengkaitkan ruang
sampel dengan nilai numeriknya yang berupa bilangan real
diperlukan suatu fungsi yang dinamakan peubah acak.
Peluang, Peluang Bersyarat, Kaidah Bayes
18
Politeknik Telkom Statistika
Peubah acak dinotasikan dengan huruf kapital, misal X, Y atau
lainnya. Sedangkan nilai−nilainya dinyatakan dengan huruf
kecil, misal x ,
y
atau lainnya.
Bila peubah acak tersebut didefinisikan pada ruang sampel
diskret, maka peubah acaknya disebut peubah acak diskret,
dan bila didefinisikan pada ruang sampel kontinu disebut
peubah acak kontinu.
4.2 Distribusi peluang diskret
Distribusi peluang diskret yaitu sebuah tabel yang
mencantumkan semua kemungkinan nilai dari suatu peubah
acak beserta peluangnya, dimana fungsi peluang dari peubah
acak diskret X didefinisikan sebagai
( ) ( ) x p x X P · ·
.
Sedangkan fungsi distribusi kumulatif dari peubah acak
diskret X yaitu F(x) didefinisikan sebagai berikut


∀ · ≤ ·
x y y
x y p x X P x F
:
, ) ( ) ( ) (
Mean dan Variansi
Mean X didefinisikan dengan rumus
Mean =

· ) ( ) ( x p x x E
Variansi = ( )
2 2
) ( ) ( ) ( x E x E x Var − · dimana

· ) ( ) (
2 2
x p x x E
Mean (kX) = K Mean(X)
) ( ) ( X Var k kX Var ·
4.3 Distribusi peluang kontinu
Peluang, Peluang Bersyarat, Kaidah Bayes
19
Politeknik Telkom Statistika
Misalkan X adalah peubah acak kontinu, maka distribusi
peluang dari X dari suatu fungsi peluang
( ) x f
di antara
a x · dan b x · , didefinisikan sebagai berikut :

· ≤ ≤
b
a
dx x f b X a P ) ( ) (
yang menyatakan luas daerah dibawah kurva
( ) x f
di
antara a x · dan b x · .
Sedangan fungsi distribusi kumulatif dari peubah acak kontinu
X, yaitu
( ) x F
didefinisikan sebagai berikut :

∞ −
· ≤ ·
x
dy y f x X P x F ) ( ) ( ) (
Mean dan Variansi
Mean X didefinisikan dengan rumus
Mean =

· dx x f x x E ) ( ) (
Variansi = ( )
2 2
) ( ) ( ) ( x E x E x Var − · dimana

· dx x f x x E ) ( ) (
2 2
Contoh 1
Suatu pengamatan mengenai nomor telepon yang di dial oleh
mesin penerima secara acak untuk suatu area tertentu,
dedefinisikan peubah acak X sebagai berikut:
¹
'
¹
·
terdaftar tidak dipilih yang nomor bila , 0
terdaftar dipilih yang nomor bila , 1
X
Peluang, Peluang Bersyarat, Kaidah Bayes
20
Politeknik Telkom Statistika
Bila peluang sebuah nomor terdaftar = 0,3, maka dapat
dibuat tabel distribusi peluang diskret dari pengamatan diatas
yaitu
x P(
x)
0 0,
7
1 0,
3
Mean(X) =
3 , 0 3 , 0 . 1 7 , 0 . 0 ) ( ) ( · + · ·

x p x x E
3 , 0 3 , 0 . 1 7 , 0 . 0 ) ( ) (
2 2
· + · ·

x p x x E
( ) 21 , 0 ) 3 , 0 ( 3 , 0 ) ( ) ( ) (
2 2 2
· − · − · x E x E x Var
Contoh 2
Misal diberikan tabel distribusi peluang diskret sebagai
berikut
X 1 2 3 4 Juml
ah
( ) x p
0.
4
0.
3
0.
2
0.
1
1
x.p(x
)
0,
4
0,
6
0,
6
0,
4
2
X
2
.
p(x)
0,
4
1,
2
1,
8
1,
6
5
Dengan perhitungan manual , peluang kumulatifnya adalah:
F(1) = p(1) = 0.4
F(2) = P(X ≤ 2) = p(1) + p(2) = 0.4 + 0.3 = 0.7
Peluang, Peluang Bersyarat, Kaidah Bayes
21
Politeknik Telkom Statistika
F(3) = P(X ≤ 3) = p(1) + p(2) + p(3) = 0.4 + 0.3 + 0.2 = 0.9
F(4) = P(X ≤ 4) = p(1) + p(2) + p(3) + p(4) = 0.4 + 0.3 +0.2
+ 0.1=1
Mean(X) =
2 ) ( ) (

· · x p x x E
( ) 1 ) 2 ( 5 ) ( ) ( ) (
2 2 2
· − · − · x E x E x Var
Contoh 3
Misalkan saya berangkat ke kantor naik bus dan setiap 5
menit bus tiba di halte. Karena saya berangkat ke kantor tiap
hari tidak selalu pada waktu yang sama, maka saya sampai di
halte juga pada waktu yang tidak sama. Misalkan peubah
acak X adalah waktu (kontinu) saya menunggu bus
berikutnya dan X dalam interval [0, 5]. Fungsi padat peluang
X didefinisikan sebagai berikut
¹
'
¹
≤ ≤
·
lainnya
x
x f
, 0
5 0 ,
) (
5
1
Grafik dari
( ) x f
adalah


x
Akan dihitung :
a. peluang saya akan menunggu antara 1 sampai 3 menit
b. peluang saya menunggu paling lama 5 menit
Peluang, Peluang Bersyarat, Kaidah Bayes
0,2
f(x)
22
Politeknik Telkom Statistika
c. Rata – rata waktu saya menunggu
d. Peluang kumulatif
Sehingga :
a.
5
2
3
1
5
3
1
5
1
) 3 1 ( · · · ≤ ≤

x
dx X P
b.
1 ) 5 (
5
0
5
1
5
5
1
· · · ≤
∫ ∫
∞ −
dx dx X P
c.
∫ ∫
· · · · · 5 , 2
10
25
0
5
10
1
5
1
) ( ) (
2
x dx x dx x f x x E
menit
d. Sedangkan CDF dari
( ) x f
dapat ditabelkan sebagai
berikut :
X 0 1 2 3 4 5
CD
F
0 0.
2
0.
4
0.
6
0.
8
1
Latihan
1. Buatlah suatu percobaan statistik dan tentukan peubah
acaknya baik yang diskret maupun kontinu
2. Suatu bisnis layanan surat lewat komputer mempunyai 6
saluran telepon. Misalkan X menyatakan banyaknya
saluran telepon yang digunakan pada suatu waktu
tertentu. Diberikan tabel berikut yang berisi nilai x dan
p(x) :
X 0 1 2 3 4 5 6
P(x
)
0.1
0
0.1
5
0.2
0
0.2
5
0.2
0
0.0
6
0.0
4
Peluang, Peluang Bersyarat, Kaidah Bayes
23
Politeknik Telkom Statistika

Hitung peluang berikut ini :
a. paling banyak 3 saluran yang digunakan
b. paling sedikit tiga saluran yang digunakan
c. antara 2 dan 5 saluran yang digunakan
3. Misalkan fungsi padat peluang dari magnitude X dari
suatu dynamic load sebuah jembatan (dalam newtons)
diberikan sebagai berikut :
¹
'
¹
≤ ≤ +
·
lainnya
x x
x f
, 0
2 0 ,
) (
8
3
8
1
− Cari rumus F(x) dari f(x) tersebut
− Hitung P( 1 ≤ X ≤ 1.5) dengan menggunakan rumus F(x)
− Hitung P( X > 1)
Peluang, Peluang Bersyarat, Kaidah Bayes
24
5 DISTRIBUSI PELUANG KHUSUS
DISKRET DAN KONTINU
Overview
Dalam kehidupan nyata, terdapat beberapa kejadian yang
memiliki bentuk sebaran tertentu. Bentuk sebaran data
tersebut dapat didekati dengan beberapa jenis distribusi
peluang khusus yang terdapat dalam statistika. Dalam suatu
penelitian, adanya pengetahuan tentang bentuk/jenis
distribusi suatu data akan sangat membantu peneliti dalam
membuat estimasi – estimasi terkait dengan data yang
diteliti.
Tujuan
1. Mahasiswa mengetahui beberapa jenis distribusi khusus
diskret dan kontinu
2. Mahasiswa dapat menghitung peluang kejadian dari
beberapa distribusi khusus diskret dan kontinu
3. Mahasiswa dapat meyelesaikan berbagai persoalan dan
fenomena nyata yang terkait dengan distribusi peluang
Distribusi Peluang Khusus
1
diskret dan kontinu.
5.1 Distribusi Peluang Diskret
5.1.1 Distribusi Bernoulli dan binomial
Suatu percobaan dikatakan sebagai percobaan binomial, bila
memenuhi asumsi−asumsi berikut :
1. Percobaan dapat diulang sebanyak n kali
2. Ulangan−ulangan identik dan setiap ulangan dapat
menghasilkan satu dari dua kemungkinan outcome
yang sama, biasanya dinotasikan dengan S (sukses)
dan F (gagal).
3. Masing−masing ulangan saling bebas
4. Peluang sukses dari ulangan konstan , misalkan
peluang sukses p
Bila percobaan tersebut hanya terdiri dari 1 ulangan, maka
percobaan tersebut dinamakan percobaan bernoulli.
Fungsi peluang dari peubah acak X yang berdistribusi
binomial sebagai berikut
¹
¹
¹
'
¹
· −

,
_

¸
¸
·

lainnya
n x p p
x
n
p n x b
x n x
, 0
..., , 2 , 1 , 0 , ) 1 (
) , ; (
Distribusi kumulatif dari peubah acak X yang berdistribusi
binomial (X ∼ B (n, p) ) didefinisikan sebagai berikut

·
· · · ≤
x
y
n x p n y b p n x B x X P
0
...., , 2 , 1 , 0 , ) , ; ( ) , ; ( ) (
Distribusi Peluang Khusus
2
Untuk menghitung peluang maupun distribusi kumulatif dari
peubah acak X selain dengan perhitungan di atas dapat
menggunakan tabel binomial. Sedangkan mean dan variansi
dari peubah acak X yang berdistribusi binomial didefiniskan
sebagai berikut :
E(X) = n p
Var(X) = n p (1 − p)
Pada distribusi binomial, bila n dan p diubah-ubah sedemikian
rupa, maka akan berpengaruh pada bentuk distribusinya.
Dengan menggunakan program matlab berikut diperoleh
gambar distribusi di bawah :
Gambar 5.1. Distribusi binomial n = 10 dan p = 0.5
Distribusi Peluang Khusus
3
Gambar 5.2 Distribusi binomial n = 10 dan p = 0.3
Gambar 5.3 Distribusi binomial n = 10 dan p = 0.8
Distribusi Peluang Khusus
4
Gambar 5.4 Distribusi binomial n = 15 dan p = 0.5
Dari keempat gambar tersebut dapat dikatakan bahwa :
- untuk n yang sama, p = 0.5, distribusi binomial mendekati
distribusi normal.
- untuk n yang sama, p diperkecil, distribusinya menjulur ke
kanan
- untuk n yang sama, p diperbesar, distribusinya menjulur ke
kiri
- bila n diperbesar, p = 0.5, distribusinya menjulur ke kiri
5.1.2 Distribusi poisson
Ciri−ciri dari percobaan poisson adalah :
1. Banyaknya hasil percobaan yang terjadi pada selang
waktu atau suatu daerah tertentu tidak tergantung pada
banyaknya hasil percobaan yang terjadi pada selang
waktu atau daerah lain yang terpisah
Distribusi Peluang Khusus
5
2. Peluang terjadinya satu hasil percobaan selama suatu
selang waktu yang singkat sekali atau dalam suatu
daerah yang kecil sebanding dengan panjang selang
waktu tersebut atau besarnya daerah tersebut
3. Peluang bahwa lebih dari satu hasil percobaan akan
terjadi dalam selang waktu yang singkat atau dalam derah
yang kecil tersebut dapat diabaikan
Suatu peubah acak X yang berdistribusi poisson, fungsi
peluangnya didefinisikan sebagai berikut :
.... , 2 , 1 , 0 ,
!
) ; ( · ·

x
x
e
x P
x
λ
λ
λ

dimana λ > 0
Distribusi kumulatif dari peubah acak X yang berdistribusi
poisson (X∼P(n,λ)) didefinisikan sebagai berikut

·
· · ≤
x
y
n x y P x X P
0
...., , 2 , 1 , 0 , ) ; ( ) ( λ
Untuk menghitung peluang maupun distribusi kumulatif dari
peubah acak X selain dengan perhitungan di atas dapat
menggunakan tabel poisson. Sedangkan mean dan variansi
dari peubah acak X yang berdistribusi poisson dengan
parameter λ, mempunyai nilai yang sama yaitu λ.
Pada distribusi poisson, bila nilai λ diubah-ubah sedemikian
rupa, maka akan berpengaruh pada bentuk distribusinya.
Dengan menggunakan program matlab berikut diperoleh
gambar distribusi di bawah :
Distribusi Peluang Khusus
6
Gambar 5.5 Distribusi poisson dengan λ = 5
Gambar 5.6 Distribusi poisson dengan λ = 2
Distribusi Peluang Khusus
7
Gambar 5.7 Distribusi poisson dengan λ = 7
Gambar 5.8 Distribusi poisson dengan λ = 8
Distribusi Peluang Khusus
8
Gambar 5.9 Distribusi poisson dengan λ = 10
Dari kelima gambar tersebut, dapat dikatakan bahwa untuk x
= 0…15 bila nilai λ lebih kecil dari 7, distribusinya menjulur ke
kanan. Sedangkan untuk nilai λ lebih besar dari 7,
distribusinya menjulur ke kiri. Sedangkan untuk nilai λ = 7
dan 8, distribusinya mendekati normal.
Contoh 1
Misalkan suatu percobaan yang memenuhi percobaan
binomial dengan n = 4, dan peluang sukses p. Dari
percobaan tersebut dapat dihitung peluang dari semua
outcome yang mungkin dan hasilnya sebagai berikut :
Outcom
e
x Peluang Outcome x Peluang
SSSS 4 p
4
FSSS 3
p
3
(1 − p)
SSSF 3
p
3
(1 − p)
FSSF 2
p
2
(1− p)
2
SSFS 3
p
3
(1 − p)
FSFS 2
p
2
(1− p)
2
SSFF 2
p
2
(1− p)
2
FSFF 1
p (1 − p)
3
Distribusi Peluang Khusus
9
SFSS 3
p
3
(1 − p)
FFSS 2
p
2
(1− p)
2
SFSF 2
p
2
(1− p)
2
FFSF 1
p (1 − p)
3
SFFS 2
p
2
(1− p)
2
FFFS 1
p (1 − p)
3
SFFF 1
p (1 − p)
3
FFFF 0
(1 − p)
4
Sehingga dapat dihitung :
b(3 ; 4, p) = P(FSSS) + P(SFSS) + P(SSFS) + P(SSSF)
= 4 p
3
(1 − p)
Contoh 2
Misalkan 20% dari semua copy suatu textbook yang diuji
kekuatan sampulnya rusak. Dan peubah acak X menyatakan
banyaknya textbook yang sampulnya rusak dari 15 copy yang
diambil secara acak.
Hitung :
a. Peluang paling banyak 8 copy textbook yang sampulnya
rusak
b. Peluang ada 8 copy textbook yang sampulnya rusak
Jawab
Perhitungan manual (dapat menggunakan tabel) :
a.

·
· · · ≤
8
0
999 . 0 ) 2 . 0 , 15 ; 8 ( ) 2 . 0 , 15 ; ( ) 8 (
y
B y b X P
b.
) 7 ( ) 8 ( ) 8 ( ≤ − ≤ · · X P X P X P

) 2 . 0 , 15 ; 7 ( ) 2 . 0 , 15 ; 8 ( B B − ·
003 . 0 996 . 0 999 . 0 · − ·
Contoh 3
Seorang penerbit buku−buku non teknik menyatakan bahwa
buku−bukunya bebas dari kesalahan typograpical, sehingga
peluang kesalahan dari sebuah halaman buku paling sedikit
satu kesalahan adalah 0.005 dan kesalahan tiap halaman
saling bebas.
Distribusi Peluang Khusus
10
a. Berapa peluang bahwa satu dari novel−novel yang jumlah
halamannya 400 akan tepat satu halaman yang salah
b. Berapa peluang paling banyak tiga halaman yang salah
Jawab :
Bila S menyatakan bahawa sebuah halaman buku paling
sedikit satu kesalahan dan F menyatakan tidak ada kesalahan
pada halaman buku tersebut. Misalkan X menyatakan paling
sedikit satu kesalahan pada tiap halaman dan berdistribusi
binomial dengan n = 400, p = 0.005. Karena n nya besar dan
p kecil mendekati 0, maka bisa dilakukan pendekatan dengan
menggunakan distribusi poisson, dengan λ = n p = 2,
sehingga :
a. 271 . 0
! 1
2
) 1 (
1 2
· · ·

e
X P
b.

·

· ≤
3
0
2
!
2
) 3 (
x
x
x
e
X P

857 . 0 18 . 0 271 . 0 271 . 0 135 . 0
) 3 ( ) 2 ( ) 1 ( ) 0 (
· + + + ·
+ + + · p p p p
5.2 Distribusi peluang kontinu
5.2.1 Distribusi normal
Distribusi peluang kontinu yang paling penting adalah
distribusi normal. Grafik dari suatu distribusi normal disebut
kurva normal, bentuknya seperti lonceng pada gambar
dibawah ini. Suatu peubah acak X yang distribusinya
Distribusi Peluang Khusus
11
berbentuk lonceng, dinamakan peubah acak normal.
Persamaan matematika dari distribusi peluang peubah acak
normal kontinu bergantung pada dua parameter yaitu µ
(rataan) dan σ (simpangan baku). Dengan demikian fungsi
densitas X dapat dinyatakan oleh :
( )
( )
2
2
1
2
1
σ
µ
σ π


·
x
e x f
– ∞ < X < ∞.
Sifat-sifat distribusi normal :
1.
( ) 1 ·


∞ −
dx x f
2.
( ) x x f ∀ ≥ , 0
3.
( ) 0 lim ·
∞ − →
x f
x
dan
( ) 0 lim ·
∞ + →
x f
x
4.
( ) ( ) ( ) µ µ − − · + x f x f
5. Nilai maksimum dari f terjadi pada
µ − x
6. Titik belok dari f terjadi pada
σ µt · x
Kurva setiap distribusi kontinu dibuat sedemikian rupa
sehingga luas daerah dibawah kurva diantara dua koordinat
1
x x ·

dan
2
x x · sama dengan peluang peubah acak X
Distribusi Peluang Khusus
12
x
µ
antara
1
x x · dan
2
x x · . Hal tersebut dapat digambarkan
sebagai berikut :


) (
2 1
x X x P < <
=
( )
dx e dx x n
x
x
x
x
x
∫ ∫


·
2
1
2
2
1 2
1
2
1
) , ; (
σ
µ
σ π
σ µ
= Luas daerah yang diarsir
Untuk mengatasi kesulitan dalam menghitung integral fungsi
densitas maka dibuat table luas kurva normal sehingga akan
memudahkan dalam penggunaannya.
5.2.2 Distribusi normal baku
Perhitungan luas dibawah kurva normal antara dua ordinat
sembarang sangat bergantung pada nilai µ dan σ . Dalam
hal ini, tak mungkin dibuat tabel yang berlainan untuk setiap
nilai µ dan σ . Oleh karena itu, kita perlu
mentransformasikan setiap peubah acak yang bermacam-
macam nilai µ dan σ nya , menjadi peubah acak normal
dengan µ = 0 dan σ = 1. Transformasi tersebut berbentuk :
σ
µ −
·
X
Z
Distribusi Peluang Khusus
13
µ
x
2
x
1
x
dimana X merupakan peubah acak awal sebelum
ditransformasi yang mempunyai rataan = µ dan variansi =
σ . Sementara itu, Z merupakan peubah acak setelah
ditransformasi.
Distribusi normal dengan mean 0 dan variansi 1, dinamakan
distribusi normal baku.

Contoh 1
a. P (Z ≤ 1.25) = Φ (1.25) = 0.8944
( pada tabel dilihat baris 1.2 kolom 0.05)
b. P ( - 0.38 ≤ Z ≤ 1.25 ) = P ( Z ≤ 1.25 ) – P ( Z ≤ - 0.38 )
= Φ (1.25 ) - Φ (- 0.38 )
= 0.8944 – 0.3520
Distribusi Peluang Khusus
14
0
z
1
z
2
z
σ =1
= 0.5424
Contoh 2
Misal peubah acak X menyatakan ketidaksesuaian voltase
yang dispesifikasikan pada suatu diode yang dipilih secara
acak. X berdistribusi normal dengan µ = 40 volt dan σ = 1.5
volt. Berapa peluang bahwa :
a. Ketidakcocokan voltase antara 39 dan 42 volt
b. Ketidakcocokan voltase minimal 45 volt
Jawab
a. Ketidakcocokan voltase antara 39 dan 42 volt

= P ( - 0.67 ≤ Z ≤ 1.33 )

= Φ (1.33 ) - Φ (- 0.67 )
= 0.9082 – 0.2514
= 0.6568
b. Ketidakcocokan voltase minimal 45 volt
( )
,
_

¸
¸ −


· ≥
5 . 1
40 45
5 . 1
40
45
X
P X P
= P ( Z ≥ 3.33 )
= 1 - Φ (3.33)
= 1 – 0.9996
= 0.0004
5.2.3 Distribusi uniform
Distribusi Peluang Khusus
15
( )

,
_

¸
¸ −




· ≤ ≤
5 . 1
40 42
5 . 1
40
5 . 1
40 39
42 39
X
P X P
Bila X merupakan variabel random uniform kontinu yang
terdefinisi pada selang (A,B) maka fungsi peluang dari X
adalah
¹
¹
¹
'
¹
≤ ≤

·
lainnya
B x A
A B
B A x f
0
1
) , ; (
Distribusi kumulatif dari peubah acak X yang berdistribusi
uniform didefinisikan sebagai berikut
¹
¹
¹
'
¹

< ≤


<
· ≤
B x
B x A
A B
A x
A x
x X P
1
0
) (
Sedangkan mean dan variansi dari peubah acak X yang
berdistribusi uniform dapat dihitung dan bernilai:
( ) ( ) A B X E + ·
2
1
( ) ( )
2
12
1
A B X Var − ·
5.2.4 Distribusi Eksponensial
Bila X merupakan variabel random eksponensial dengan
parameter λ yang terdefinisi pada selang (0,∞) maka fungsi
peluang dari X adalah

¹
¹
¹
'
¹
≥ λ ·
λ −
lainnya
x e B A x f
x
0
0 ) , ; (
Distribusi eksponensial paling sering digunakan sebagai
model distribusi waktu dalam fasilitas pelayanan
Distribusi Peluang Khusus
16
customers( waktu tunggu). Pengertian customers disini tidak
harus berupa orang tetapi bisa berupa panggilan telepon
misalnya. Dalam penggunaannya dalam model ini, distribusi
eksponensial sangat berkaitan dengan distribusi Poisson yang
telah dibicarakan dalam bab sebelumnya.
Bila X menyatakan jumlah kejadian yang terjadi dalam selang
waktu t, maka X akan berdistribusi Poisson. Jika α adalah
mean X yaitu rata – rata jumlah kejadian per unit waktu,
maka distribusi dari waktu antar 2 kejadian adalah
eksponensial dengan parameter α.
Penggunaan disribusi eksponensial yang lain adalah sebagai
model waktu hidup dari suatu komponen. Biasanya dalam
model ini λ disebut sebagai tingkat kegagalan.
Mean dan variansi dari distribusi eksponensial dengan
parameter λ berturut – turut
2
1
,
1
λ
λ
. Pada distribusi
eksponensial, bila nilai λ diubah-ubah sedemikian rupa, maka
akan berpengaruh pada bentuk distribusinya. Dengan
menggunakan program matlab berikut diperoleh gambar
distribusi di bawah :
Distribusi Peluang Khusus
17
Gambar 13. Distribusi eksponensial dengan λ = 2
Gambar 14. Distribusi eksponensial dengan λ = 5
Distribusi Peluang Khusus
18
Gambar 15. Distribusi eksponensial dengan λ = 0.5
Dari ketiga gambar tersebut, dapat dikatakan bahwa untuk x
= 0…10 bila nilai λ semakin besar, kurvanya semakin landai.
Contoh 1
Dalam sebuah survai dilakukan pengamatan terhadap waktu
kedatangan angkutan kota yang melewati sebuah jalan
tertentu. Dari pengamatan selama 2 jam didapatkan hasil
sebagai berikut :
TABEL 1
N
o
Jam N
o
Jam N
o
Jam N
o
Jam N
o
Jam
1 06.01.
03
11 06.17.
57
21 06.33.
43
31 06.47.
18
41 07.07.
07
2 06.02.
56
12 06.20.
57
22 06.33.
50
32 06.49.
55
42 07.09.
37
3 06.03.
14
13 06.24.
32
23 06.34.
14
33 06.50.
04
43 07.09.
49
4 06.04.
10
14 06.27.
44
24 06.36.
32
34 06.50.
22
44 07.09.
51
5 06.06.
57
15 06.28.
15
25 06.37.
53
35 06.56.
51
45 07.14.
30
6 06.08. 16 06.28. 26 06.38. 36 06.57. 46 07.14.
Distribusi Peluang Khusus
19
46 27 43 59 43
7 06.10.
45
17 06.28.
33
27 06.39.
11
37 07.00.
59
47 07.16.
45
8 06.12.
03
18 06.28.
38
28 06.44.
25
38 07.01.
11
48 07.17.
04
9 06.16.
03
19 06.29.
45
29 06.44.
47
39 07.04.
52
49 07.17.
23
10 06.17.
16
20 06.31.
19
30 06.46.
00
40 07.06.
19
50 07.17.
26
Dari data tersebut, kita dapat menghitung waktu tunggu /
antar kedatangan angkutan kota antara pengamatan i dan
i+1. Diperoleh 49 nilai yang dihitung dalam detik
TABEL 2
N
o
La
ma
N
o
la
ma
N
o
la
ma
N
o
la
ma
N
o
lam
a
1
113
11 18
0
21
7
31 15
7
41 15
0
2
18
12 21
5
22
24
32
9
42
12
3
56
13 19
2
23 13
8
33
18
43
2
4
121
14
31
24
81
34 38
9
44 27
9
5
110
15
12
25 29
0
35
68
45
13
6
119
16
6
26
28
36 18
0
46 12
3
7
18
17
5
27 31
4
37
12
47
19
8
240
18
67
28
22
38 22
1
48
9
9 73 19 94 29 73 39 87 49 3
10
41
20 14
4
30
78
40
48
50
Distribusi Peluang Khusus
20
Bila dihitung rata − ratanya nilainya adalah 96 detik. Ini
menunjukkan bahwa rata − rata kedatangan angkutan kota
adalah 96 detik. Menurut teori sebelumnya, waktu antar
kedatangan ini akan berdistribusi eksponensial dengan
96
1
· λ .
Dari data pada tabel terakhir dapat dihitung antara lain nilai
peluangnya. Misalkan dihitung waktu kedatangan kurang 80
detik. Dalam hal ini rumus yang digunakan adalah
55 , 0
49
27
) S ( n
) 80 x ( n
) 80 X ( P · ·

· ≤
Dalam hal ini
) 80 x ( n ≤
menyatakan banyaknya titik sampel
yang nilainya kurang atau sama dengan 80, sedangkan n(S)
menyatakan banyak titik sampel.
Contoh 2
Misal X peubah acak yang menyatakan waktu respon dari
suatu komputer yang on-line (waktu antara user input dan
tampil output-nya). Peubah acak X berdistribusi eksponensial
dengan mean 5 detik. Berapa peluang waktu respon paling
lama 10 detik dan waktu responya antara 5 sampai 10 detik.
Jawab
Bila µ = 1/λ = 5 , maka λ = 0.2
P ( X ≤ 10 ) = F (10) = 1 – e- (0.2) (10) = 1 – 0.135 = 0.865
P ( 5 ≤ X ≤ 10 ) = F (10) – F(5) = 0.233
Latihan
1. Bila 90% dari siswa yang baru mulai belajar pemrograman
komputer akan gagal pada waktu menjalankan program
pertamanya, Berapa peluang bahwa dari 15 siswa yang
dipilih secara acak :
Distribusi Peluang Khusus
21
a. Paling sedikit 12 siswa gagal menjalankan program
pertamanya
b. Antara 10 dan 13 siswa akan gagal menjalankan
program pertamanya
c. Paling banyak 2 siswa berhasil menjalankan program
pertamanya
2. Misal X menyatakan daya regang suatu komponen logam
tertentu yang berdistribusi normal dengan µ = 10000 kg/
cm2 dan σ = 100 kg/cm2. Semua pengukuran dicatat
sampai 50 kg/cm2 terdekat. Hitung peluang bahwa daya
regang minimal 10150 kg/cm2 dan daya regang antara
9800 kg/cm2 sampai 10200 kg/cm2
3. Diketahui bahwa mesin penerima panggilan dari suatu
kantor konsultan per menitnya rata−rata menerima 6
panggilan. Berapa peluang bahwa :
a. paling sedikit satu panggilan permenit
b. dalam 4 menit paling sedikit 15 panggilan
4. Dalam satu minggu suatu komputer pada suatu rental
akan mengalami kelambatan merupakan peubah acak
yang berditribusi poisson dengan λ = 0.3. Berapa peluang
bahwa
a. suatu komputer akan beroperasi tanpa mengalami
kelambatan dalam waktu 2 minggu
b. paling sedikit lima komputer akan mengalami
kelambatan dalam satu minggu
5. Misal X peubah acak yang menyatakan waktu yang
diperlukan petugas perpustakaan untuk mengecek buku
yang baru dipinjam dengan yang kembali. Nilai harapan
untuk waktu pengecekan sekitar 20 detik. Hitung P ( X ≤
30 ) dan P ( 20 ≤ X ≤ 30 )
Distribusi Peluang Khusus
22
6. Peubah acak X menyatakan waktu antar kedatangan
pesawat pada sebuah bandara, dengan fungsi padat
peluang sebagai berikut :
( )
¹
¹
¹
'
¹
>
·

lainnya x , 0
0 x , e 5 . 0
x f
x 5 . 0
Berapa peluang menunggu paling sedikit 1 menit
7. Diketahui umur dinamo listrik yang diproduksi perusahaan
tertentu menyebar normal dengan mean 6.4 dan
simpangan baku 1.1 tahun.
a. Jika sebuah dinamo diberi garansi 5 tahun, berapa
peluang bahwa perusahaan akan memperbaiki dinamo
tersebut sebelum habis masa garansinya ?
b. Jika perusahaan menetapkan bahwa hanya sampai 1%
produksinya diperbaiki sebelum habis masa
garansinya, berapa tahun masa garansi yang
diperlukan ?
8. Suatu sistem elektronika mengandung komponen dengan
daya tahan T yang menyebar eksponensial dengan
parameter 2 . 0 · λ . Bila 5 komponen dipasang pada
sistem yang berbeda, berapa peluang bahwa paling
sedikit 2 komponen masih berfungsi setelah akhir tahun
ke-8 ?
9. Jika dalam setiap satu jam rata-rata terdapat 3 pesawat
yang lepas landas. Tentukan peluang bahwa dalam
periode satu jam tertentu jumlah pesawat yang lepas
landas adalah :
a. tepat tiga pesawat
b. kurang dari 4 pesawat
c. paling kurang 3 pesawat
d. antara 2 dan 6 pesawat
Distribusi Peluang Khusus
23
Distribusi Peluang Khusus
24
6 DISTRIBUSI SAMPLING DAN DALIL
LIMIT PUSAT
Overview
Dalam sebuah penelitian, keberadaan data sampel sangat
diperlukan. Seorang peneliti biasanya jarang menggunakan
data populasi sebagai dasar pengolahannya karena
penggunaan data populasi akan membuat biaya dan waktu
menjadi tidak efisien. Bervariasinya bentuk distribusi data
sampel terkadang juga dapat menyulitkan seorang peneliti
untuk membuat kesimpulan tentang suatu populasi.
Keberadaan dalil limit pusat cukup membantu kita dapat
membuat estimasi peluang terkait dengan data sampel yang
kita miliki.
Tujuan
1. Mahasiswa memahami konsep dalil limit pusat
2. Mahasiswa dapat menggunakan dalil limit pusat untuk
membuat estimasi peluang dari suatu data sampel dari
Distribusi Sampling, Dalil Limit Pusat
1
berbagai macam populasi
6.1 Distribusi sampling
Dalam suatu penelitian, dengan berbagai pertimbangan,
pengambilan sampel dilakukan dari pada pengambilan
populasi, di mana sampel harus mewakili populasi.
Pengambilan sampel dari populasi yang sama dilakukan
secara acak, sehingga kombinasi yang muncul banyak sekali.
Hal tersebut akan menyebabkan nilai statistik yang bervariasi
dari sampel yang satu dengan yang lain. Sehingga suatu
statistik dapat dipandang sebagai suatu peubah acak yang
hanya bergantung pada sampel yang diamati dan mempunyai
distribusi peluang yang disebut distribusi sampling. Misal dari
suatu populasi diambil sampel berukuran n yang diulang
sebanyak k kali. Kemudian dihitung rataannya, maka nilai
tengah akan mempunyai distribusi yang dinamakan distribusi
sampling dari nilai tengah. Sebaliknya, jika variansi yang
diamati, maka distribusinya disebut distribusi sampling dari
variansi. Tentunya distribusi sampling tersebut bergantung
pada ukuran populasi, ukuran sampel, dan metode
pengambilan sampel yaitu pengambilan sampel dengan
pengembalian atau tanpa pengembalian. Keacakan dari
sampel akan sangat menguntungkan dalam bentuk
parameter dan bentuk distribusi. Adapun distribusi sampling
dalam bentuk parameter adalah sebagai berikut :
Misal X berdistribusi sabarang, dengan nilai tengah µ dan
variansi σ
2
, maka :
a. Rata-rata dari rata-rata sampel sama dengan mean
populasi
Distribusi Sampling, Dalil Limit Pusat
2
[ ] µ µ · ·
1
]
1

¸

·

n
n n
X
E x E
i
1
b. Variansi dari rata-rata sampel sama dengan variansi dari
populasi dibagi ukuran sampel
( ) ( ) ( )
n
n
n
X Var
n
X Var
n
n
X
Var x Var
i i
i
2
2
2
2 2
1
1 1
σ
σ · ·
· ·

,
_

¸
¸
·
∑ ∑

Nilai
( ) x Var
diatas sebenarnya adalah nilai untuk
pengambilan sampel dengan pengembalian, hanya saja bila
ukuran N relative besar terhadap n, maka
( ) x Var
untuk
pengambilan nilai sampel tanpa pengembalian akan
mendekati nilai tersebut.
6.2 Dalil limit pusat
Banyak sekali uji dalam statistik yang mengasumsikan data
berdistribusi Normal. Bila syarat ini tidak dipenuhi tentunya
akan berakibat pada analsis serta kesimpulan yang
diperoleh. Dalam penelitian kita sering menggunakan data
sampel untuk menyimpulkan sesuatu. Menurut teorema limit
Pusat serta teorema sampling bahwa bila suatu sampel
berukuran n diambil dari suatu populasi yang besar atau
takhingga dengan mean = µ dan Simpangan Baku = σ maka
rataan sampel ( x ) akan berdistribusi Normal dengan mean
= µ dan Simpangan Baku =
n
σ
. Dengan eksperimen yang
sederhana akan ditunjukkan bahwa teorema ini berlaku.
Esperimen ini mungkin belum sempurna karena jumlah
Distribusi Sampling, Dalil Limit Pusat
3
sampel yang dibangkitkan bukan merupakan keseluruhan
kombinasi yang mungkin.
Berikut adalah contoh pengacakan dari populasi distribusi
Normal dengan mean = 0 dan simpangan baku = 1 dengan
jumlah sampel = 80.
0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0
15
10
5
0
C1
F
r
e
q
u
e
n
c
y
dist Xbar dg ukuran sampel 5
0.5 0.4 0.3 0.2 0.1 0.0 -0.1 -0.2 -0.3 -0.4 -0.5
20
10
0
C2
F
r
e
q
u
e
n
c
y
dist Xbar dg ukuran sampel 15 populasi normal
Distribusi Sampling, Dalil Limit Pusat
4
0.3 0.2 0.1 0.0 -0.1 -0.2 -0.3 -0.4 -0.5 -0.6
15
10
5
0
C3
F
r
e
q
u
e
n
c
y
dist Xbar dg ukuran sampel 30 populasi normal
Variable N Mean Median Tr Mean StDev SE Mean
C1 80 -0.0662 -0.0462 -0.0615 0.4162 0.0465
C2 80 0.0237 0.0136 0.0269 0.2213 0.0247
C3 80 -0.0188 -0.0000 -0.0190 0.1874 0.0210
P-Value (Anderson-Darling)
C1 0.587
C2 0.897
C3 0.554
Dari P-value diatas dapat disimpulkan bahwa semua data x
berdistribusi Normal untuk ukuran sampel 5,15 dan 30
berdasarkan hasil uji Anderson-Darling. Memang kalau dilihat
ukuran sampel= 15 adalah yang paling kuat indikatornya
tetapi ini tidak bisa dijadikan pegangan untuk menyimpulkan
bahwa ukuran sampel = 15 adalah yang terbaik. Ada
beberapa alasan antara lain karena jumlah sampel yang
dibangkitkan adalah tidak maksimum. Bila ditinjau dari nilai
mean dan StDev nya maka dapat dilihat untuk semakin besar
Distribusi Sampling, Dalil Limit Pusat
5
sampel yang diambil ternyata akan mendekati mean
populasinya (=0). Sedangkan simpangan bakunya akan
semakin kecil untuk ukuran sampel yang makin besar sesuai
teorema limit pusat. Dari hal ini dapat disimpulkan dengan
pengambilan sampel yang besar maka taksiran untuk mean
populasi akan semakin tepat.
Bila hasil eksperimen diatas ditabelkan, maka akan
diperoleh hasil sebagai berikut
mean Simpanga
n baku
Limit Pusat
Populasi 0 1 me
an
Sampanga
n baku
Sampel
n=5
-
0.066
2
0.4162 0 0.447
Sampel
n=15
0.023
7
0.2213 0 0.258
Sampel
n=30
-
0.018
8
0.1874 0 0,183
Bila dilihat perbandingan antara hasil eksperimen dengan
hasil yang berdasarkan teorema limit pusat maka dapat
disimpulkan nilai –nilai mean dan simpangan baku pada
sampel ukuran 5,15 dan 30 cukup dekat dengan hasil yang
berdasarkan teorema limit pusat.
Distribusi Sampling, Dalil Limit Pusat
6
4.5 3.5 2.5 1.5 0.5
20
10
0
C4
F
r
e
q
u
e
n
c
y
dist Xbar dg ukuran sampel 5 populasi Poisson lamda 2
3.0 2.8 2.6 2.4 2.2 2.0 1.8 1.6 1.4
20
10
0
C5
F
r
e
q
u
e
n
c
y
dist Xbar dg ukuran sampel 15 populasi Poisson lamda 2
Distribusi Sampling, Dalil Limit Pusat
7
2.5 2.0 1.5
15
10
5
0
C6
F
r
e
q
u
e
n
c
y
dist Xbar dg ukuran sampel 30 populasi Poisson lamda 2
Variable N Mean Median Tr Mean StDev SE Mean
C4 80 1.9175 2.0000 1.9139 0.5769 0.0645
C5 80 2.0267 2.0000 2.0130 0.3575 0.0400
C6 80 1.9833 1.9667 1.9838 0.2489 0.0278
P-Value
C4 0.008
C5 0.090
C6 0.331
Dari P-value diatas dapat disimpulkan bahwa data x
berdistribusi Normal untuk ukuran sampel 15 dan 30 saja
berdasarkan hasil uji Anderson-Darling. Indikator yang paling
kuat ditunjukkan oleh untuk ukuran sampel = 30. Bila ditinjau
dari nilai mean dan StDev nya maka kesimpulan yang hampir
sama dapat diambil yaitu untuk semakin besar sampel yang
diambil ternyata akan mendekati mean populasinya (λ=2).
Sedangkan simpangan bakunya akan semakin kecil untuk
ukuran sampel yang makin besar sesuai teorema limit pusat.
Dari hal ini dapat disimpulkan dengan pengambilan sampel
Distribusi Sampling, Dalil Limit Pusat
8
yang besar maka taksiran untuk mean populasi akan semakin
tepat.
Dari hasil pengujian dari beberapa macam populasi yang
berbeda kemudian para ahli sepakat bahwa ukuran sampel =
30 adalah cukup baik sehingga distribusi rataan sampel
menjadi Normal .
Contoh 1
Nilai kesalahan baku dari nilai tengah penarikan sampel
berukuran 36 sebuah populasi besar adalah 2. Berapa ukuran
sampel tersebut harus dinaikkan agar kesalahan bakunya =
1,2 ?
Jawab
Diketahui sampel dengan n=36 dan
2 ·
x
σ
Bila diinginkan
2 , 1 ·
x
σ
 n = ?
Misalkan
2
σ
: variansi populasi maka
n
x
2
2
σ
σ · 
36
4
2
σ
· 
144
2
· σ
(nilai
2
σ
ini tetap)
Bila diinginkan
2 , 1 ·
x
σ
maka
n
x
2
2
σ
σ · 
n
144
44 , 1 ·  n = 100
Contoh 2
Sebuah pesawat terbang membawa 4 penumpang. Beban
aman untuk 4 orang penumpang adalah 360 kg. Andaikan
seorang penumpang dipilih secara acak dari distribusi normal
dengan mean 75 kg dan simpangan baku 16
Jawab
Diketahui X berdistribusi normal dengan
75 ·
x
µ
dan
16 ·
x
σ
Distribusi Sampling, Dalil Limit Pusat
9
Misal Y=4X maka
300 ·
y
µ
dan
32 16 4 · · x
y
σ
Peluang (terjadi overload) = P (4x > 360)
( ) 032 , 0 875 , 1
32
60
32
300 360
· > ·
,
_

¸
¸
> ·
,
_

¸
¸ −
> Z P Z P Z P
Latihan
1. Bila diketahui data populasi X = {1,2,2,3,3,4} . Lakukan
eksperimen sederhana untuk menunjukkan dalil limit
pusat yaitu dengan mengambil sampel berukuran 3 tanpa
pengulangan sebanyak maksimum kombinasi yang
mungkin !
2. Bila semua kemungkinan sampel berukuran 16 ditarik dari
suatu populasi normal dengan nilai tengah 50 dan
simpangan baku 5. hitung peluang nilai tengah sampel
akan berada dalam selang
x x
σ µ 9 . 1 −
sampai
x x
σ µ 4 . 0 −
?
3. Sebuah perusahaan baterai mengatakan rata – rata umur
baterai mereka 30 jam. Bila 16 unit sampel diambil secara
acak dan didapatkan simpangan baku sampel = 5 jam,
tentukan nilai rata – rata sampel terendah yang diijinkan
bila perusahaan menetapkan batas µ t 3 σ ?
4. Rata - rata banyaknya panggilan telepon / jam suatu
perusahaan dalam 2 tahun terakhir = 4. Bila dicatat
banyaknya telp dalam 2 hari dlm 2 thn terakhir tsb,
hitung bahwa peluang bahwa rata – rata banyak nya
telp/jam >= 5 ?
5. Masa pakai suatu komponen elektronik (dalam tahun)
dinyatakan dalam X merupakan suatu peubah acak yang
mengikuti distribusi eksponensial dengan pdf
( )
¹
¹
¹
'
¹
>
·

lainnya x
x e
x f
x
; 0
0 ;
5
1
5
Distribusi Sampling, Dalil Limit Pusat
10
a. Bila 25 buah komponen secara acak,
X
menyatakan
rata-rata masa pakai 25 komponen tersebut, hitung
( ) 6 3 < <X P
b. Apabila 5 komponen dipasang secara acak pada suatu
sistem, hitung peluang sedikitnya 2 komponen masih
berfungsi setelah 8 tahun pemakaian
Distribusi Sampling, Dalil Limit Pusat
11

Sign up to vote on this title
UsefulNot useful