Professional Documents
Culture Documents
PROBABILITAS
Oleh :
KELOMPOK 2
Halimatus Sakdiah
Jeperis Nahampun
Nova Irwan
Jurusan : Pendidikan Fisika
Prodi : Magister Pendidikan Fisika
Mata Kuliah : Fisika Statistika
Dosen : Prof. Dr. Sahyar, M.S
PROGRAM PASCASARJANA
UNIVERSITAS NEGERI MEDAN
2013
BAB I
PENDAHULUAN
Mengapa kita belajar fisika statistik? Karena...? Jika kita perhatikan di alam semesta
ini, materi atau benda makroskopik terdiri dari benda-benda mikroskopik seperti molekul,
atom dan yang lebih keci lagi, elektron. Dengan melihat nama mata kuliah Fisika
Statistik, kita dapat menyimpulkan bahwa ada dua komponen yang penting yaitu fisika
yang berkaitan dengan dinamika atom atau molekul, pada khususnya dengan energi dan
statistik yang berhubungan dengan konsep peluang atau probabilitas.
Penggunaan istilah statistika berakar dari istilah-istilah dalam bahasa latin modern
statisticum collegium (dewan negara) dan bahasa Italia statista (negarawan atau
politikus). Pada tahun 1749, Gottfried Achenwall menggunakan statistika dalam bahasa
Jerman sebagai nama bagi kegiatan analisis data kenegaraan, dengan mengartikannya
sebagai ilmu tentang negara (State). Pada awal abad ke-19 telah terjadi pergeseran arti
menjadi ilmu pengumpulan dan klasifikasi data yang dibawa oleh Sir John Sinclair dalam
bahasa Inggris yang dikenal dengan statistics.
Sebagai suatu ilmu, kedudukan statistika merupakan salah satu cabang dari ilmu
matematika terapan. Oleh karena itu untuk memahami statistika pada tingkat yang tinggi,
terebih dahulu diperlukan pemahaman ilmu matematika. Penggunaan statistika pada masa
sekarang dapat dikatakan telah menyentuh semua bidang ilmu pengetahuan, mulai dari
astronomi hingga linguistika. Bidang-bidang ekonomi, biologi dan cabang-cabang
terapannya, serta psikologi banyak dipengaruhi oleh statistika dalam metodologinya.
Akibatnya lahirlah ilmu-ilmu gabungan seperti ekonometrika, biometrika (atau
biostatistika), dan psikometrika.
Sebelum kita mempelajari Fisika statistika lebih lanjut, maka kita perlu mengetahui
beberapa konsep statistika yang akan dipelajari dalam Fisika Statistika. Beberapa konsep
tersebut antara lain: konsep probabilitas, aturan peluang, distribusi peluang, nilai ekspentasi
dan varians dan simpangan baku.
BAB II
ISI
1. KONSEP PROBABILITAS
I. Pengertian Probabilitas dan Manfaat Probabilitas
A. Pengertian Probabilitas
Probabilitas adalah suatu ukuran tentang kemungkinan suatu peristiwa (event) akan
terjadi di masa mendatang. Probabilitas dinyatakan antara 0 sampai 1 dan dinyatakan dalam
desimal (misalnya: 0,65) atau dalam persentase (65%). Probabilitas 0 menunjukkan
peristiwa yang tidak mungkin terjadi. Probabilitas satu menunjukkan peristiwa yang pasti
terjadi. Maka probabilitas dapat didefinisikan sebagai peluang suatu kejadian.
B. Manfaat Probabilitas
Membantu dalam pengambilan keputusan yang tepat, karena kehidupan di dunia
tidak ada kepastian dan informasi yang tidak sempurna. Contoh :
- Pembelian harga saham berdasarkan analisis harga saham.
- Peluang produk yang dihasilkan perusahaan (sukses atau tidak )
Dalam Probabilitas ada 3 hal yang penting yaitu percobaan (experiment), hasil (out
come) dan peristiwa (event). Percobaan adalah aktivitas yang menghasilkan suatu peristiwa.
Misalnya: kegiatan melempar uang, akan menghasilkan peristiwa muncul gambar atau
angka. Hasil adalah suatu hasil dari suatu percobaan tersebut, yaitu muncul gambar atau
angka. Sedangkan peristiwa adalah hasil yang terjadi dari suatu kejadian.
II. Pendekatan Terhadap Probabilitas
Untuk menentukan tingkat probabilitas ada 3 pendekatan yaitu : pendekatan klasik,
pendekatan relatif dan pendekatan subjektif.
A. Pendekatan Klasik
Pendekatan klasik mengasumsikan bahwa sebuah peristiwa mempunyai kesempatan untuk
terjadi yang sama (equally likely). Probabilitas suatu peristiwa dinyatakan sebagai ratio
antara jumlah kemungkinan hasil (peristiwa) dengan total kemungkinan hasil
Jumlah kemungkinan hasil (peristiwa)
Probabilitas suatu peristiwa = ------------------------------------------------
Jumlah total kemungkinan hasil
Percobaan Kemungkinan Hasil Jumlah Total Probabilitas
Kegiatan melempar
uang
1 muncul gambar
1 muncul angka
2 0,5
0,5
Mahasiswa belajar 1 lulus memuaskan
1 lulus sangat
memuaskan
1 lulus terpuji
3 0,33
0,33
0,33
Peristiwa saling lepas (mutually exclusive) adalah terjadinya suatu peristiwa sehingga
peristiwa lain tidak terjadi pada waktu yang sama.
Pada suatu percobaan yang mempunyai hasil lebih dari satu, dan semua hasil mempunyai
probabilitas sama serta hanya satu peristiwa terjadi, maka peristiwa ini dikenal dengan
lengkap terbatas kolektif (collective exhaustive).
B. Pendekatan Relatif
Besar probabilitas suatu peristiwa tidak dianggap sama, tetapi tergantung pada berapa
banyak suatu peristiwa terjadi dari keseluruhan percobaan atau kegiatan yang dilakukan.
Jumlah peristiwa yang terjadi
Probabilitas kejadian relatif = ------------------------------------------
Jumlah total percobaan/kegiatan
Pada kegiatan AFI 3 didapatkan 1000 pemirsa TV yang mengirim SMS untuk memilih
bintang idolanya, sehingga didapatkan probabilitas relatif sebagai berikut :
Bintang idola SMS Probabilitas relatif
Arif
Tyas
600
400
0,6
0,4
jumlah 1000
Jadi pendekatan relatif mendasarkan besarnya probabilitas pada banyaknya suatu peristiwa
terjadi dari keseluruhan percobaan, kegiatan atau pengamatan yang dilakukan.
C. Pendekatan Subyektif
Pendekatan Subyektif adalah menentukan besarnya probabilitas suatu peristiwa didasarkan
pada penilaian pribadi dan dinyatakan dalam derajat kepercayaan.
Penilaian Subyektif diberikan karena terlalu sedikit atau tidak ada informasi yang diperoleh
atau berdasarkan keyakinan. Contoh : Menurut masyarakat, penggemar AFI mulai
menurun pada tahun 2006.
III. KONSEP DASAR dan HUKUM PROBABILITAS
Probabilitas kejadian dilambangkan dengan P, apabila kejadian jual saham
dinyatakan dengan huruf A, maka probabilitas jual saham dinyatakan dengan P(A).
Sebaliknya apabila kejadian beli saham adalah B, maka probabilitas beli saham dinyatakan
dengan P(B). Dalam mempelajari hukum dasar probabilitas akan dibahas hukum
penjumlahan dan hukum perkalian.
A. Hukum Penjumlahan
Hukum penjumlahan menghendaki peristiwa yang saling lepas atau mutually
exclusive yaitu apabila suatu peristiwa terjadi, maka peristiwa lain tidak dapat terjadi pada
saat bersamaan. Apabila kejadian menulis berita P(A) , maka kejadian menyiarkan berita
P(B) tidak terjadi pada waktu yang bersamaan.
Jika kejadian A dan B saling lepas hukum penjumlahan menyatakan :
P ( A
D ) = P (A ) + P ( D ) P (A
D)
Berapa probabilitas kejadian jual saham atau saham BCA : P( A atau D)
P(A atau D) = P(A) + P(D) P(AD)
= 0,6 + 0,35 0,15
= 0,80
A AD D
C. Peristiwa Kejadian Saling Lepas ( Mutually Exclusive)
Kejadian saling lepas terjadi apabila hanya satu dari dua atau lebih peristiwa yang terjadi.
Dapat digambarkan dengan diagram Venn sebagai berikut :
A B
Pada diagram Venn terlihat bahwa peristiwa A (jual saham) dan peristiwa B (beli saham )
saling lepas.
P(AB) = 0
Maka P(A atau B) = P(A) + P(B) P (AB)
= P(A) + P(B) - 0
P (A atau B) = P(A) + P(B)
Contoh :
Hitung berapa probabilitas kejadian jual saham dan beli saham : P(AB) dan probabilitas
kejadian untuk saham BCA, BLP dan BNI : P(DEF).
Data lihat Tabel 1.
P (A atau B) = P(A)+ P(B) P(AB)
= 0,6 + 0,4 - 0
= 1
D. Hukum Perkalian
Dalam konsep probabilitas, aturan perkalian diterapkan secara berbeda menurut
jenis kejadiannya. Ada dua jenis kejadian yaitu kejadian
bebas ( independent event ) dan tak bebas ( dependent event )
a). Hukum perkalian untuk probabilitas kejadian A dan B yang saling bebas
(independen) dinyatakan sebagai berikut :
P ( A
=
Contoh : Jika ada 5 huruf A B C D E, kemudian akan diambil 3 huruf untuk di
susun dengan tidak memperhatikan urutan, maka kemungkinan
susunannya :
A B C A B D A B E A C D A C E
A D E B C D B C E B D E C D E
Atau jika dihitung
10
1 . 2 . 1 . 2 . 3
1 . 2 . 3 . 4 . 5
)! 3 5 ( ! 3
! 5
3 5
= =
= P
Jadi ada 10 susunan yang mungkin.
Permutasi
Permutasi sejumlah objek ialah penyusunan objek tersebut dalam suatu urutan
tertentu
)! ( !
!
r n r
n
P
r n
=
10
1 . 2 . 1 . 2 . 3
1 . 2 . 3 . 4 . 5
)! 3 5 ( ! 3
! 5
3 5
= =
= P
Definisi :
Pengaturan atau penyusunan sebanyak r objek yang diambil dari suatu
himpunan yang terdiri dari n objek yang berbeda secara matematis dinamakan
permutasi secara sekaligus sebanyak r dari n objek yang berbeda dimana r n,
dinyatakan
)! (
!
r n
n
P
r n
=
Contoh : Jika ada 5 huruf A B C D E, kemudian akan diambil 3 huruf untuk di
susun dengan memperhatikan urutan, maka jumlah sususnan yang
mungkin ada
60
1 . 2
1 . 2 . 3 . 4 . 5
)! 3 5 (
! 5
3 5
= =
= P
Jadi ada 60 susunan yang mungkin
1.1.4. Teorema Bayes
Jika kita mengamati k buah kejadian B
1
, B
2
, , B
k
dengan peluang terjadinya
kejadian itu masing-masing P(B
1
), P(B
2
), , P(B
k
) kemudian kita mengamati
sebuah kejadian A dalam masing masing kejadian tadi dengan peluang
P(AB
1
), P(AB
2
), , P(AB
k
),
maka peluang terjadi kejadian A adalah :
P(A) = P(B
1
) P(A|B
1
) + P(B
2
) P(A|B
2
) + + P(B
k
) P(A|B
k
)
Dan peluang kejadian A tersebut berasal dari kejadian B
r
adalah
)! (
!
r n
n
P
r n
=
60
1 . 2
1 . 2 . 3 . 4 . 5
)! 3 5 (
! 5
3 5
= =
= P
) B | P(A ) P(B ) B | P(A ) P(B ) B | P(A ) P(B
) | ( ) (
) | (
k k 2 2 1 1
+ . + +
=
r r
r
B A P B P
A B P
) B | P(A ) P(B ) B | P(A ) P(B ) B | P(A ) P(B
) | ( ) (
) | (
k k 2 2 1 1
+ . + +
=
r r
r
B A P B P
A B P
Contoh :
Tiga orang telah dicalonkan sebagai manajer sebuah perusahaan. Peluang A
terpilih adalah 0,3, peluang B terpilih adalah 0,5, dan peluang C terpilih adalah
0,2. Jika A terpilih, peluang terjadinya kenaikan gaji karyawan adalah 0,8. Jika
B atau C terpilih, peluang kenaikan gaji karyawan masing-masing adalah 0,1
dan 0,4.
B
1
= A terpilih, B
2
= B terpilih, dan B
3
= C terpilih
G = kejadian gaji naik
P(B
1
) = 0.3, P(B
2
) = 0.5, P(B
3
) = 0.2
P(GB
1
) = 0.8, P(GB
2
) = 0.1, P(GB
3
) = 0.4
Peluang terjadi kenaikan gaji karyawan adalah
P(G) = P(B
1
) P(GB
1
) + P(B
2
) P(GB
2
) + P(B
3
) P(GB
3
)
= (0.3)(0.8) + (0.5)(0.1) + (0.2)(0.4)
= 0.37
Jadi peluang kenaikan gaji sebesar 0,37
Peluang kenaikan gaji terjadi jika terpilih C adalah
) B | P(G ) P(B ) B | P(G ) P(B ) B | P(G ) P(B
) | ( ) (
) | (
3 3 2 2 1 1
3 3
3
+ +
=
B G P B P
G B P
37
8
) 4 , 0 )( 2 , 0 ( ) 1 , 0 )( 5 , 0 ( ) 8 , 0 ) 3 , 0 (
) 4 , 0 )( 2 , 0 (
) | (
3
=
+ +
= G B P
Jadi peluang kenaikan gaji jika C terpilih adalah sebesar 0,23
4.1.5. Ekspektasi
) B | P(G ) P(B ) B | P(G ) P(B ) B | P(G ) P(B
) | ( ) (
) | (
3 3 2 2 1 1
3 3
3
+ +
=
B G P B P
G B P
37
8
) 4 , 0 )( 2 , 0 ( ) 1 , 0 )( 5 , 0 ( ) 8 , 0 ) 3 , 0 (
) 4 , 0 )( 2 , 0 (
) | (
3
=
+ +
= G B P
Misalkan sebuah eksperimen yang menghasilkan k buah peristiwa dapat terjadi
dimana peluang terjadinya tiap peristiwa masing-masing p
1
, p
2
, , p
k
dan untuk
tiap peristiwa dengan peluang tersebut terdapat satuan-satuan x
1
, x
2
, ,x
k
, maka
ekspektasi eksperimen itu didefinisikan
= p
i
x
i
= p
1
x
1
+ p
2
x
2
+ + p
k
x
k
Contoh :
Sebuah undian berhadiah yang terdiri dari 1 hadiah pertama seniali 100.000, 2
hadiah kedua masing-masing 50.000 dan 3 hadiah ke tiga masing-masing
25.000. Jika jumlah kupon secara keseluruhan adalah 100, maka peluang
mendapat hadiah pertama 1/100, peluang mendapat hadaiah ke dua 2/100 dan
peluang mendapat hadiah ke tiga 3/100. Jika kopon di jual seharga 1000
perlembar, maka harapan untuk menang scara matematisnya adalah : p
1
=
peluang mendapat hadiah pertama = 1/100
x
1
= peristiwa menang hadiah pertama = 100.000
p
2
= peluang mendapat hadiah pertama = 2/100
x
2
= peristiwa menang hadiah pertama = 50.000
p
3
= peluang mendapat hadiah pertama = 3/100
x
3
= peristiwa menang hadiah pertama = 25.000
p
4
= peluang mendapat hadiah pertama = 94/100
x
4
= peristiwa menang hadiah pertama = (- 1000)
= 1/100 x 100.000 + 2/100 x 50.000 + 3/100 x 25.000 + 94/100 x (-1000)
= 100.000 + 100.000 + 75.000 282.000 = - 7.000
Karena nilai ekspektasi negatif, berarti secara matematika, kemungkinan akan
kalah atau tidak ada harapan untuk mendapatkan hadiah.
Harapan secara matematik itu ada ketika nilai ekspektasinya positif.
3. DISTRIBUSI PELUANG
Distribusi peluang didefinisikan dengan suatu fungsi peluang, dinotasikan dengan p(x)
atau f(x), yang menunjukkan peluang untuk setiap nilai variabel acak.
Ada dua jenis distribusi, sesuai dengan variabel acaknya. Jika variabel acaknya variabel
diskrit, maka distribusi peluangnya adalah distribusi peluang diskrit, sedangkan jika
variabel acaknya variabel yang kontinu, maka distribusi peluangnya adalah distribusi
kontinu.
3.1. Distribusi Peluang Diskrit
Distribusi peluang diskrit, yaitu apabila variabel acak yang digunakan adalah variabel
diskrit.
Syarat:
1. f(x) 0, nilai peluang selalu lebih besar dari 0.
2.
=
=
0
1 ) (
i
x p , jumlah total peluang pada sebuah kejadian sama dengan 1.
Distribusi peluang diskrit dapat digambarkan dalam bentuk tabel, grafik, maupun
persamaan.
Contoh :
Data penjualan TV di sebuak toko elektronik serta distribusi peluang nya sebagai berikut:
Jumlah TV terjual Jumlah hari x f(x)
0 80 0 0.40
1 50 1 0.25
2 40 2 0.20
3 10 3 0.05
4 20 4 0.10
100 1.00
Atau jika digambarkan sebagai berikut :
Ada beberapa distribusi peluang diskrit :
3.1.1. Distribusi Binomial
peluang
Jumlah TV
Penemu Distribusi Binomial adalah James Bernaulli sehingga dikenal sebagai Distribusi
Bernaulli.
Sifat percobaan Binomial
1. Percobaan dilakukan dalam n kali ulangan yang sama.
2. Kemungkinan yang terjadi pada tiap ulangan hanya ada 2, yaitu sukses atau gagal.
3. Probabilitas sukses yang dinotasikan dengan p selalu tetap pada tiap ulangan.
4. Tiap ulangan saling bebas (independent).
Fungsi Peluang Binomial:
x n x
p p
x n x
n
x p
= ) 1 (
)! ( !
!
) (
3.1
dimana x = banyaknya sukses yang terjadi dalam n kali ulangan
p = peluang sukses
n = banyaknya ulangan
Contoh :
Misalkan sebuah perusahaan asuransi mempunyai 3 calon pelanggan, dan pimpinan
perusahaan yakin bahwa peluang dapat menjual produknya adalah 0,1. Berapa
probabilitas bahwa 1 pelanggan akan membeli produknya?
Pada kasus ini, p = 0,1 n = 3 x = 1
1 3 1
) 1 . 0 1 ( 1 . 0
)! 1 3 ( ! 1
! 3
) 1 (
= = x p
2 1
) 9 . 0 ( 1 . 0
! 2 ! 1
! 3
) 1 ( = = x p
= (3)(0,1)(0,81) = 0,243
Jadi peluang seorang pelanggan akan membeli produknya adalah 0,243
Nilai peluang distribusi Binomial dapat diperoleh dari tabel Binomial seperti contoh
berikut:
Pada kasus ini, p = 0,1 n = 3 x = 1
p
n x ,10 ,15 ,20 ,25 ,30 ,35 ,40 ,45 ,50
3 0 ,7290 ,6141 ,5120 ,4219 ,3430 ,2746 ,2160 ,1664 ,1250
1 ,2430 ,3251 ,3840 ,4219 ,4410 ,4436 ,4320 ,4084 ,3750
2 ,0270 ,0574 ,0960 ,1406 ,1890 ,2389 ,2880 ,3341 ,3750
3 ,0010 ,0034 ,0080 ,0156 ,0270 ,0429 ,0640 ,0911 ,1250
Pada n = 3 dan x = 1, dibawah p = 0,10 diperoleh nilai tabel 0,2430
3.1.2. Distribusi Multinomial
Distribusi multinomial adalah sebuah distribusi dimana percobaan akan menghasilkan
beberapa kejadian.
Misalkan ada k kejadian dalam sebuah percobaan yaitu B1, B2, , Bk. Jika percobaan
di ulang sebanyak n kali dan peluang terjadinya setiap kejadian B adalah P(B1) = p1,
P(B2) = p2, , P(Bk) = pk dengan jumlahnya masing masing sebanyak x1, x2,, xk,
maka fungsi distribusi multinomial nya sebagai berikut:
xk
k
x x
k
p p p
x x x
n
x x x p ...
! !... !
!
) ,..., , (
2
2
1
1
3 2 1
2 1
|
|
.
|
\
|
=
3.2
Dimana : x1, x2,,xk jumlah dari kejadian B1, B2,.., Bk
n jumlah percobaan
=
=
k
i
n xi
1
p1,p2,,pk peluang terjadinya kejadian B1, B2, ,Bk.
3.1.3. Distribusi Poisson
Sifat percobaan Poisson :
1. Peluang suatu kejadian adalah sama untuk 2 (dua) interval yang sama.
2. Kejadian pada suatu inverval saling bebas dengan kejadian pada inverval yang lain
3. Terjadinya kejadian sangat jarang terjadi
Fungsi Peluang Poisson :
!
) (
x
e
x p
x
=
3.3
Dimana x = banyaknya kejadian pada interval waktu tertentu
= rata-rata banyaknya kejadian pada interval waktu tertentu
e = 2.71828
3.1.4. Distribusi Hipergeometrik
Pada distribusi hipergeometrik, percobaan tidak bersifat independen dan peluang sukses
berubah dari satu kejadian ke kejadian yang lain.
Fungsi Peluang Hipergeometrik :
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
=
n
N
x n
r N
x
r
x p ) (
3.4
Dimana : x = banyaknya sukses dalam n kali kejadian
n = banyaknya kejadian
N = banyaknya elemen populasi
r = banyaknya sukses dalam populasi
3.2. Distribusi Peluang Kontinu
Distribusi peluang kontinu, yaitu apabila variabel acak yang digunakan adalah variabel
kontinu.
Syarat:
1. f(x) 0 , nilai peluang selalu lebih besar dari 0.
2.
}
=1 ) (x f , jumlah total peluang sebuah kejadian selalu sama dengan 1.
3. Peluang dihitung untuk nilai dalam suatu interval tertentu.
4. Peluang di suatu titik = 0.
5. Peluang untuk random variabel kontinu (nilai-nilainya dalam suatu interval),
misalkan antara x1 dan x2, didefinisikan sebagai luas daerah di bawah kurva (grafik)
fungsi peluang antara x1 dan x2.
Distribusi peluang kontinu dapat digambarkan dalam bentuk tabel, grafik, maupun
persamaan.
3.2.1. Distribusi Normal
Distribusi normal adalah sebuah distribusi yang paling luas penggunaannya.
Karakterisik Distribusi Peluang Normal
1. Bentuk kurva normal seperti bel dan simetris.
2. Parameter o, menunjukkan lebar dari kurva normal (semakin besar nilainya,
semakin lebar).
3. Titik tertinggi dari kurva nomal terletak pada nilai ratarata= median=modus.
4. Luas total area di bawah kurva normal adalah 1.(luas bagian disebelah kiri =
sebelah kanan ).
5. Peluang suatu variabel acak normal sama dengan luas di bawah kurva normal.
Persamaan distribusi normal tergantung pada 2 parameter, yaitu dan .
Persamaannya sebagai berikut :
2
2
1
2
1
) (
|
.
|
\
|
=
o
t o
x
e x f
3.5
Dimana : = rata-rata (mean)
o = simpangan baku (standard deviation)
t = 3.14159
e = 2.71828
Jika digambarkan sebagai berikut :
Persentase nilai pada interval yang sering digunakan
1. 68,26% nilai dari suatu variabel acak normal berada pada interval o
2. 95,46% nilai dari suatu variabel acak normal berada pada interval 2o
3. 99,74% nilai dari suatu variabel acak normal berada pada interval 3o
Untuk mencari peluang sebuah interval pada distribusi normal, maka fungsi distribusi
itu harus diintegralkan dengan batas-batas peluang :
( )
2
2
1
2
1
2 1
2
1
) (
o
t o
}
= < <
x
e x x x p
x
x
= F(x2) F(x1)
Atau luas daerah yang dibawah kurva dengan batasan dari x1 sampai x2 seperti
berikut :
4. Nilai ekspektasi
Nilai ekspektasi untuk sebuah variabel x dengan probabilitas P(x) didefinisikan sebagai
berikut,
( )
i
N
i
i
x P x x
=
) ( .... ) ( ) (
2 2 1 1 n n
x P x x P x x P x + + + =
Nilai rata-rata untuk variabel x2 didefinisikan dengan,
( )
i
i
i x P x x
=
2 2
4.1
Secara umum nilai rata-rata suatu kuantitas g adalah :
( )
i
i
i
x P g g
=
4.2
Jika g merupakan sebuah fungsi yang kontinu, g(x), maka symbol diganti dengan
integrasi dan P(x) f(x)dx.
Sebagai contoh:
) exp( ) (
2
x x f |
t
|
=
4.3
kita mendapatkan nilai rata-rata,
0 ) exp(
2
= =
}
dx x x x |
t
|
4.4
|
|
t
|
2
1
) exp(
2 2 2
= =
}
dx x x x
4.5
Sebuah kuantitas yang sering diperlukan dalam eksperimen adalah kuantitas yang
menyatakan seberapa besar hasil eksperimen berbeda dengan nilai rata-rata. Umpamanya
kita mencoba mendefinisikan sebuah beda x x , nilai ekspektasi beda ini adalah
) ( ) (
i
i
i
x P x x x x =
4.6
0 ) ( ) ( = = =
x x x P x x P x
i
i
i
i i i
Karena nilai beda adalah nol, maka kita tidak bisa menggunakan deviasi dengan cara di
atas. Metode lain yang sering digunakan adalah kuadrat beda, (x
2
) x . Ekspektasi
kuadrat beda yaitu :
2
2 2
2 ) ( x x x x x x + =
) var(
2
2
x x x = =
4.7
atau yang disebut variansi (x) atau disebut juga dispersi.
Untuk fungsi kontinu,
dx x f x x x
x
x
) ( ) ( ) var(
2
2
1
}
=
4.8
Nilai deviasi diperoleh dari nilai variansi dengan persamaan,
) var(x = o
4.9
Kuantitas x dan var(x) tidaklah sepenuhnya menentukan sifat sifat sistem yang kita
pelajari, tetapi dua kuantitas ini menentukan sifat-sifat penting sistem tersebut.
Selain nilai ekspektasi dan deviasi, kita akan menggunakan konsep nilai yang sering
muncul atau most probable event atau nilai yang memiliki probabilitas tertinggi atau
modus. Nilai modus diperoleh dengan menggunakan kondisi bahwa nilai kemiringan
atau turunan pada titik puncak adalah nol atau
0
) (
=
m
x
dx
x df
4.10
Penyeleaian persamaan 4.10 untuk mendapatkan nilai modus.
5. SIMPANGAN BAKU DAN VARIANS
a. Pengertian simpangan baku dan Varians
Standar deviasi menurut kamus besar bahasa indonesia berarti simpangan baku.
Dalam statistika dan probabilitas, simpangan baku atau deviasi standar adalah ukuran
sebaran statistik yang paling lazim. Singkatnya, ia mengukur bagaimana nilai-nilai data
tersebar. Bisa juga didefinisikan sebagai, rata-rata jarak penyimpangan titik-titik data diukur
dari nilai rata-rata data tersebut. Dan Simpangan baku didefinisikan sebagai akar
kuadrat varians. Simpangan baku merupakan bilangan tak-negatif, dan memiliki satuan
yang sama dengan data. Misalnya jika suatu data diukur dalam satuan meter, maka
simpangan baku juga diukur dalam meter pula.
Istilah simpangan baku pertama kali diperkenakan oleh Karl Pearsonpada tahun
1894, dalam bukunya On the dissection of asymmetrical frequency curves.
Gambar distribusi normal , tiap warna mewakili 1 simpangan baku
Dalam Statistik, wilayah data yang berada di antara +/- 1 simpangan baku akan
berkisar 68.2%, wilayah data yang berada di antara +/- 2 simpangan baku akan berkisar
95.4%, dan wilayah data yang berada di antara +/- 3 simpangan baku akan berkisar 99.7%.
b. Rumus simpangan baku dan varians
Adapun rumus simpangan baku adalah:
( )
1
2
1
=
n
x
s
Varians merupakan jumlah kuadran semua deviasi nilai-nilai individu terhadap
rata-rata kelompok sehingga adapun rumus varians adalah:
( )
1
2
1
=
n
X
S
Keterangan
S = simpangan baku sampel
n = jumlah sampel
Xi = hasil pengamatan
= nilai rata-rata kelompok
c. Contoh
Suatu penelitian dilakukan di RS PKU muhammadiya tentang hasil berat badan
10 perawat. Hasil penelitian adalah sebagai berikut:
60, 70, 65, 80, 70, 65, 75, 80, 70, 75.
Berdasarkan data tersebut berapa variansi dan standard deviasi data berat badan
perawat tersebut..?
Penyelesaian:
Dari data tersebut kita dapan mencari rata ratanya dengan:
No Nilai
1 60 -11
121
2 70 -1
1
3 65 -6
36
4 80 9
81
5 70 -1
1
6 65 -6
36
7 75 4
16
8 80 9
81
9 70 -1
1
10 75 4
16
710 0
390
( )
1
2
1
=
n
X
S
39
10
390
= = S
Jadi besar varians adalah 39
Dan simpangan bakunya adalah:
( )
1
2
1
=
n
x
s
Daftar Pustaka
Astuti Yuni. 2010. Konsep-konsep dasar probabilitas. Jakarta: Pusat pengembangan bahan
ajar-UMB
Herawati, Aty. 2008. Peluang dan Distribusi Peluang. Jakarta: Universitas Mercu Buana.
http://www.scribd.com/doc/19597064/Statistik-Ukuran-Tendensi-Sentral
Sudjana. 2005.Metode Statistika.Bandung: Taristo