BAB II

STUDI LITERATUR
Studi literatur adalah teori atau bahan-bahan dari berbagai sumber yang
dijadikan sebagai pedoman untuk pengolahan data pada masing-masing modul.
Masing-masing modul memiliki teori dan rumus yang berbeda-beda. Studi
literatur dari masing-masing modul adalah sebagai berikut.
2.1 Distribusi Frekuensi
Distribusi frekuensi sering disebut pula sebagai tabel frekuensi. Bentuk
penyajian ini, data yang semula masih mentah disusun dalam kelompok–
kelompok data atau kelas–kelas data tertentu. Data kuantitatif umumnya diperoleh
dari hasil pengukuran atau observasi sampel yang dipilih secara random dari
populasi tertentu. Data sedemikian itu umumnya disederhanakan ke dalam bentuk
yang mudah dimengerti serta berguna bagi tujuan pengukuran statistik sampel
sebelum dapat digunakan sebagai dasar penarikan kesimpulan (Dajan, 1986).
Sebelum sampai pada cara menyusun sebuah table frekuensi, perhatikan
terlebih dahulu contoh tabel frekuensi berikut.
Tabel 2.1 Distribusi Frekuensi Usia 50 Karyawan PT . American Express
Usia Frekuensi
20 – 24
25 – 29
30 – 34
35 – 39
40 – 44
45 – 49
3
8
17
13
7
2
Jumlah 50
Sumber (Dajan, 1986)
2.1.1 Kelas atau Kelompok Data
Penentuan jumlah kelas tergantung pada pertimbangan-pertimbangan
praktis yang masuk akal dan kegunaan distribusi itu sendiri. Contoh yang
II-1
disajikan pada tabel di atas dapat dilihat pada jumlah kelasnya adalah 6 kelas atau
6 kelompok data. Penentuan jumlah kelas diserahkan sepenuhnya pada penyusun
distribusi frekuensi. Sebagai gambaran, jumlah kelas yang dibutuhkan biasanya
berkisar dari 5 hingga 15 kelas. Untuk memudahkannya dapat digunakan
perumusan Sturges seperti berikut ini.
n kelas jumlah log 322 , 3 1+ ·
………………….(2.1)
Keterangan:
n = Jumlah data observasi.
Hasil perhitungan dengan perumusan tersebut tidak harus digunakan
secara kaku, misalnya hasil perhitungan adalah 6,89. Lazimnya, angka 6,89 harus
dibulatkan ke atas menjadi 7. Akan tetapi, pembulatan ke bawah pun dapat
dilakukan, sehingga jumlah kelasnya bukan 7 melainkan 6 kelas.
2.1.2 Interval Kelas
Interval kelas adalah jangkauan atau jarak antara kelas yang satu dengan
kelas yang lainnya secara berurutan. Besarnya interval kelas bagi tiap-tiap kelas
bertalian erat dengan penentuan jumlah kelas dan sebaliknya diusahakan agar
sama semua serta dalam bilangan-bilangan yang praktis. Bilangan yang praktis
ialah bilangan yang mudah digunakan untuk menghitung atau sebagai pedoman
guna menentukan batas kelas maupun tepi kelas (Dajan, 1986).
Interval kelas tersebut ditentukan dengan menentukan beda antara batas
kelas bawah suatu kelas (jika menggunakan tabel di atas) dengan batas kelas
bawah kelas sebelumnya atau sesudahnya. Ada juga yang menyebutkan interval
kelas dengan lebar kelas, yaitu jarak antara tepi batas kelas bawah dengan tepi
batas kelas atas suatu kelas.
Hampir setiap distribusi frekuensi memiliki interval atau lebar kelas yang
sama seperti yang terlihat pada tabel di atas. Namun demikian, pada situasi
tertentu , dimungkinkan adanya interval atau lembar kelas yang tidak sama.
Kedua contoh di atas, memiliki interval atau lebar kelasnya adalah 5.
II-2
Menentukan interval kelas, perlu diketahui terlebih dahulu jangkauan atau
beda antara angka data terkecil. Selanjutnya dapat digunakan perumusan
sederhana seperti berikut ini.
kelas Jumlah
Jangkauan
Kelas Interval ·
..................................(2.2)
2.1.3 Batas Kelas dan Tepi Batas Kelas
Batas–batas kelas adalah dua angka yang dijadikan sebagai pembatas
kelas, yang terdiri dari batas kelas atas dan batas kelas bawah. Tepi–tepi batas
kelas dikatakan juga sebagai batas kelas nyata (Muttaqin, 1996)
2.1.4 Titik Tengah
Titik tengah setiap kelas dapat dijadikan sebagai penaksir data asli yang
sudah hilang sebagai akibat proses pengelompokan. Titik tengah ini sebenarnya
merupakan rata–rata hitung suatu kelas yang dihitung dengan membagi hasil
jumlah kelas bawah dan batas kelas atas dengan angka 2 (Muttaqin, 1996)
Distribusi frekuensi dengan kelas tertutup adalah distribusi frekuensi yang
secara jelas memiliki batas kelas terkecil dan batas kelas terbesar. Seperti kasus
pada distribusi frekuensi yang memiliki interval kelas yang tidak sama, sebuah
distribusi frekuensi tidak harus memiliki kelas–kelas yang tertutup.
Ada kemungkinan bahwa serangkaian data memiliki sejumlah kecil angka data
(awal atau terakhir jika sudah diurutkan) yang besarnya tergolong ekstrim,
misalnya jauh lebih kecil atau jauh lebih besar dari sebagian besar angka–angka
data yang ada.
2.1.5 Histogram Frekuensi
Histogram frekuensi merupakan sekumpulan empat persegi-panjang yang
digambar dalam suatu bagan salib-sumbu. Sumbu tegak histogram
II-3
menggambarkan frekuensi data dan sumbu mendatarnya menggambarkan
bilangan–bilangan data yang dinyatakan dalam kelas–kelas data. Adapun masing–
masing bidang persegi–panjang tersebut memiliki sisi–sisi (Muttaqin, 1996)
1) Sisi tegak menggambarkan frekuensi kelas.
2) Sisi lebar bidang menggambarkan interval kelas atau lebar kelas.
Hal yang perlu diperhatikan dalam membuat skala pada sumbu datar pada
kasus–kasus tertentu juga pada sumbu tegaknya antara titik pusat hingga angka
skala pertama untuk kelas harus diberi tanda potong yang dalam diagram di atas
diberi tanda “//”. Hal ini dimaksudkan untuk membedakan skala antar titik yang
menggambarkan batas kelas dengan titik pusat dengan titik yang menandakan
batas kelas terkecil.
2.1.6 Poligon Frekuensi
Diagram yang dapat menggambarkan sebuah distribusi frekuensi tidak saja
dapat digambarkan melalui histogram frekuensi, melainkan dapat juga
digambarkan melalui poligon frekuensi. Seperti pada histogram frekuensi, poligon
frekuensi digambar pula dalam suatu bagan salib–sumbu dengan angka–angka
ordinat dan absis yang sama. Masing–masing kelas berikut frekuensinya tidak
dilukiskan dalam bentuk empat persegi–panjang, melainkan dalam bentuk garis
yang menghubungkan tiap titik tengah masing–masing kelas.
2.1.7 Kurva Frekuensi
Kurva frekuensi digambarkan dalam bentuk garis yang menghubungkan
tiap titik tengah untuk masing–masing kelas seperti poligon frekuensi. Hanya saja,
jika pada poligon frekuensi disajikan dalam bentuk garis–garis patah, maka pada
kurva frekuensi, garis digambarkan secara halus. Dengan demikian, frekuensi data
masing–masing kelas tidak lagi nampak secara jelas. Tujuan penyajian distribusi
frekuensi dalam bentuk kurva frekuensi sekedar untuk memperlihatkan bagaimana
bentuk distribusi data tersebut. Di samping itu, dari sebuah kurva frekuensi dapat
diperoleh kecenderungan memusatnya data.
II-4
2.1.8 Frekuensi Kumulatif
Frekuensi tidak lagi disajikan untuk tiap kelas dalam distribusi frekuensi
kumulatif, namun disajikan secara kumulatif ke belakang atau ke depan.
Misalnya, frekuensi pada kelas ketiga, tidak lagi disajikan hanya untuk frekuensi
kelas tersebut, namun meliputi kelas–kelas sebelumnya atau meliputi kelas–kelas
berikutnya. Dengan demikian, distribusi frekuensi kumulatif dibedakan menjadi
dua, yaitu distribusi frekuensi kumulatif “kurang dari” dan distribusi frekuensi
kumulatip “atau lebih”.
2.1.9 Ogive
Distribusi frekuensi kumulatif, selain disajikan dalam bentuk tabel–tabel
dapat juga disajikan dalam bentuk diagram yang dinamakan Ogive.
Penggambarannya juga dilakukan di atas bagan salib–sumbu seperi pada poligon
frekuensi.
Selain dapat disajikan dalam bentuk tabel–tabel yang dapat memberikan
informasi rinci, kadang–kadang pihak–pihak tertentu ingin memperoleh informasi
secara sepintas yang tentu saja keakuratan informasi yang diperolehnya memang
tidak diperhatikan. Data yang telah disajikan dalam bentuk tabel–tabel perlu
disajikan dalam bentuk lain yang lebih menarik. Diagram batang adalah salah satu
bentuk yang dimaksud.
Fungsi diagram garis sebenarnya tidak berbeda dengan fungsi diagram
batang yang memberikan informasi mengenai perkembangan sesuatu dari periode
ke periode. Hanya saja seperti namanya, diagram diwujudkan dengan garis–garis
yang menghubungkan puncak–puncak frekuensi tiap periode.
Langkah-langkah membuat distribusi frekuensi bagi segugus data yang
besar dapat diringkaskan sebagai berikut.
1. Menentukan banyaknya selang kelas yang diperlukan.
2. Menentukan wilayah data tersebut.
II-5
3. Membagi wilayah tersebut dengan menentukan beberapa kelas untuk
memduga lebar selangnya.
4. Menentukan limit bawah kelas bagi selang yang pertama dan kemudian batas
bawah kelasnya. Menambahkan lebar kelas pada batas bawah kelas untuk
mendapatkan batas atas kelasnya.
5. Mendaftarkan semua limit kelas dan batas kelas dengan cara menambahkan
lebar kelas pada limit dan batas selang sebelumnya.
6. Menentukan titik tengah kelas bagi masing-masing selang dengan merata-
ratakan limit kelas atau batas kelasnya.
7. Menentukan frekuensi bagi masing-masing kelas.
Menjumlahkan kolom frekuensi dan periksa apakah hasinya sama dengan
banyaknya total pengamatan (Walpole, 1982).
2.2 Probabilitas
Probabilitas adalah kemungkinan terjadinya suatu peristiwa atau hasil
(yang diharapkan) dari sejumlah peristiwa atau hasil yang diharapkan terjadi
(Setyadji, 2007). Teori probabilitas, menghitung kemungkinan timbulnya gejala
yang diharapkan dari variabel populasinya. Probabililitas menghitung
kemungkinan timbulnya gejala yang diharapkan dari variabel sampelnya. Kata
peluang akan dipakai untuk mewakili kata probability dalam buku-buku teks yang
baku. Peluang berkaitan dengan adanya suatu mekanisme random (random
mechanisme) atau mekanisme alami (natural mechanisme) yang realisasinya tidak
dapat diatur. Peluang yang ditinjau di sini khusus dibatasi pada lingkup bahasan
teori dasar statistika atau statistika matematik. Unsur kerandoman (randomness)
memang datang secara alamiah (natural) seperti misalnya, jenis kelamin bayi
yang ditunggu kelahirannya, sisi mata dadu yang akan muncul pada lemparan
pertama, ukuran curah hujan yang akan turun hari ini, dan sebagainya. Kasus pada
percobaan probabilitas banyak bergantung pada faktor kebetulan, oleh karena itu,
tidak dapat diramalkan dengan pasti. Teori peluang bagi ruang contoh terhingga
II-6
memberikan segugus bilangan nyata yang disebut pembobot atau peluang, dengan
nilai dari 0 sampai 1 yang memungkinkan menghitung peluang terjadinya suatu
kejadian. Setiap titik contoh dalam ruang contohnya satu nilai peluang diberikan
sedemikian sehingga jumlah semua peluang untuk semua titik contohnya sama
dengan 1. Bila mempunyai alasan untuk percaya bahwa sebuah titik contoh
tertentu sangat besar peluangnya untuk terjadi bila dilaksanakan, maka peluang
yang diberikan pada titik itu hendaknya dekat dengan 1. Dipihak lain, nilai
peluang yang lebih dekat dengan nol hendaknya diberikan pada titik contoh yang
kecil sekali peluangnya untuk terjadi. Banyak percobaan, misalnya pelemparan
mata dadu, semua titik contohnya mempunyai peluang yang sama untuk terjadi,
oleh karena itu, semua diberi nilai peluang yang sama. Kejadian-kejadian
sederhana yang tidak mungkin terjadi untuk titik-titik di luar. Bila suatu
percobaan mempunyai N hasil percobaan yang berbeda dan masing-masing
mempunyai kemungkinan yang sama untuk terjadi, dan bila tepat n di antara hasil
percobaan itu menyusun kejadian A, maka peluang kejadian A adalah sebagai
berikut.
n N A P / ) ( ·
...................................................(2.3)
Keterangan:
P(A) = Peluang kejadian A
N = Hasil kejadian yang muncul
n = Jumlah percobaan
Probabilitas klasik adalah outcome yang sama atau mirip (Equally Likely
Outcomes), dua atau lebih outcome yang memiliki probabilitas kemunculan sama.
Metode mendapatkan peluang secara rasio, misalnya rasio banyaknya sisi gambar
dan rasio banyaknya sisi angka relatif terhadap berapa kali pelemparan dilakukan
disebut frekuensi relatif. Penggunaan intuisi, keyakinan diri, dan informasi tidak
langsung lain dalam menentukan peluang disebut frekuensi subjektif (Setyadji,
2007).
Peubah acak adalah suatu fungsi yang nilainya berupa bilangan nyata yang
ditentukan oleh setiap unsur dalam ruang contoh. Fungsi yang mendefinisikan
titik-titik contoh dalam ruang contoh sehingga memiliki nilai berupa bilangan
II-7
nyata disebut Peubah acak atau Variabel acak atau Random variable (beberapa
buku juga menyebutnya sebagai Stochastic variable). X dan x pada peubah acak
biasanya dinotasikan sebagai X (X kapital), nilai dalam X dinyatakan sebagai x
(huruf kecil x). Peubah acak yang didefinisikan di atas ruang contoh yang diskret
dan kontinu masing-masing disebut peubah acak diskret dan peubah acak kontinu.
Pada prakteknya, peubah acak diskret digunakan untuk data yang berupa cacahan,
sedangkan peubah acak kontinu digunakan untuk data yang diukur.
Peubah Acak Diskrit yaitu nilainya berupa bilangan cacah, dapat dihitung
dan terhingga. Suatu ruang contoh yang mengandung jumlah titik contoh yang
terhingga atau suatu barisan unsur yang tidak pernah berakhir tetapi sama
banyaknya dengan bilangan cacah disebut ruang contoh diskrit. Sebaran peluang
diskret adalah sebuah tabel atau rumus yang mencantumkan semua kemungkinan
nilai suatu peubah acak diskret berikut peluangnya. Jika x adalah variabel acak
diskrit, distribusi probabilitas dari x menggambarkan bagimana probabilitas
terdistribusi untuk seluruh nilai x yang mungkin. Karakteristik distribusi
Probabilitas.
1) 0 ≤ P(X) ≤ 1,untuk setiap nilai X.
2) ∑P(X) = 1
Fungsi kumulatif probabilitas (Probability Cummulative) adalah jumlah
total probabilitas untuk nilai sampai batas atas setiap kelas frekuensi. Nilai
menengah (nilai ekspektasi) variabel acak diskrit x.
) ( ) ( X XP X E ∑ · · µ
.......................................(2.4)
Grafik sangat membantu untuk menggambarkan sebaran peluang agar
lebih mudah membacanya, garfik yang biasa digunakan adalah grafik histogram
peluang (Setyadji, 2007).
Peubah Acak Kontinu yaitu nilainya berupa selang bilangan, tidak dapat di
hitung dan tidak terhingga (memungkinkan pernyataan dalam bilangan pecahan)
dan untuk hal-hal yang diukur (jarak, waktu, berat, volume). Suatu ruang contoh
mengandung tak hingga banyaknya titik contoh yang sama dengan banyaknya
II-8
titik pada sebuah ruas garis disebut ruang contoh kontinu. Sebaran peluang pada
peubah acak kontinu tidak bisa disajikan dalam bentuk tabel, tetapi sebaran ini
dapat dinyatakan dalam bentuk rumus. Rumus itu merupakan fungsi nilai-nilai
peubah acak kontinu X, sehingga dapat digambarkan sebagai suatu kurva kontinu.
Fungsi peluang yang digambarkan oleh kurva ini disebut fungsi kepekatan
peluang. Fungsi f disebut fungsi kepekatan peluang bagi peubah acak kontinu X
bila luas daerah di bawah kurva dan di atas sumbu-x sama dengan 1, dan bila luas
daerah di bawah kurva antara x = a dan x = b menyatakan peluang X terletak
antara a dan b.
Bila X dan Y adalah dua peubah acak diskret, sebaran peluang bersamanya
dapat dinyatakan sebagai sebuah fungsi f(x,y) bagi sembarang pasangan nilai (x,y)
yang dapat diambil oleh peubah acak x dan y. fungsi ini biasa disebut sebaran
peluang bersama bagi x dan y. Artinya nilai f(x,y) menyatakan bahwa x dan y
terjadi secara bersamaan. Rumus peubah acak diskret adalah.
); , ( ) , ( y Y x X P y x f · · ·
..................................(2.5)
Bila X dan Y keduanya merupakan peubah acak kontinu, fungsi kepekatan
bersamanya f(x,y) merupakan sebuah permukaan yang terletak diatas bidang xy,
dan P[(X,Y)Є A] sama dengan volume silinder tegak yang di sebelah bawah
dibatasi oleh A dan di sebelah atas dibatasi oleh bidang f(x,y), bila A adalah
senbarang daerah di bidang xy. Sebaran bersyarat bagi peubah acak diskret Y,
untuk X = x, diberikan menurut rumus:
) (
) , (
) , (
x g
y x f
x y f ·
, g(x) < 0 .........................(2.6)
Begitu pula, sebaran bersyarat bagi peubah acak diskret X, untuk Y = y,
diberikan rumus:
) (
) , (
) , (
y h
y x f
y x f ·
, h(y) > 0 .........................(2.7)
II-9
Dua peubah acak yang bebas, peubah acak X dan Y dikatakan bebas jika
F(x,y) = g(x)h(y) untuk semua kemungkinan nilai-nilai X dan Y. Nilai tengah
suatu peubah acak, misalkan X adalah peubah acak diskret dengan sembarang
peluang (Walpole, 1982).
2.2.1 Peristiwa dan Ruang Sampel
Setiap hasil yang terkhayalkan dari sebuah percobaan konseptual yang
dapat diulang dalam kondisi serupa akan disebut sebuah titik sampel atau hasil
elementer atau peristiwa elementer (Walpole, 1982). Totalitas dari hasil-hasil
terangankan (titik sampel, peristiwa elementer) disebut ruang sampel. Sebuah
himpunan bagian sebarang dari ruang sampel dengan titik-titik sampel sebagai
unsur-unsurnya disebut sebuah peristiwa. Himpunan S dari semua peristiwa
elementer (hasil yang mungkin) dalam suatu percobaan tertentu disebut ruang
sampel untuk percobaan itu. Suatu peristiwa itu sebuah himpunan dari beberapa
hasil yang mungkin dari suatu percobaan, yaitu suatu himpunan bagian dari S
(termasuk S sendiri). Himpunan semua kemungkinan hasil suatu percobaan
disebut ruang contoh dan dilambangkan dengan huruf S. Setiap kemungkinan
hasil dalam suatu ruang contoh disebut unsur atau anggota ruang contoh tersebut
atau lebih singkat lagi titik contoh. Seandainya banyaknya unsur ruang contoh
tersebut terhingga, dapat didaftarkan unsur-unsut tersebut dengan menggunakan
koma untuk memisahkan setiap unsur, dan menutupnya dengan dua kurung
kurawal. Jadi, ruang contoh S bagi percobaan pelemparan sekeping uang logam,
dapat ditulis S = {G,A}. Titik-titik contoh di dalam Ruang Sampel (S) dapat
disajikan dalam bentuk numerik atau bilangan (Walpole, 1982).
2.2.2 Permutasi dan Kombinasi
Permutasi adalah suatu susunan yang dibentuk oleh keseluruhan atau
sebagian dari sekumpulan benda (Walpole, 1976). Suatu permutasi itu adalah
pengaturan beberapa obyek secara berurutan. Permutasi dari n objek seluruhnya,
bila n menyatakan bilangan bulat positif, maka hasil penggandaan bilangan
tersebut dari 1 sampai dengan n dinamakan n faktorial dan diberi tanda n!.
II-10
Permutasi dari keseluruhan n objek yang berbeda, jumlah permutasi dari
suatu himpunan yang terdiri dari n objek yang berbeda, secara keseluruhan
menjadi n! dan dinyatakan sebagai berikut.
! n P
n n
·
..................................................(2.8)
Keterangan:
P = permutasi.
n = banyak data.
Permutasi sebanyak r dari n objek yang berbeda. Jumlah permutasi dari
suatu himpunan yang terdiri dari n objek yang berbeda dan yang diambil sekaligus
sebanyak r serta tanpa pengembalian ialah.
)! (
!
r n
n
P
r n

·
.............................................(2.9)
Keterangan:
r = syarat data.
Kombinasi adalah cara pemilihan objek yang bersangkutan tanpa
menghiraukan urutan objek itu sendiri (Walpole, 1976). Suatu himpunan yang
terdiri dari r objek yang dipilih dari suatu himpunan yang terdiri dari n objek yang
berbeda tanpa memperhatikan urutan pemilihannya. Kombinasi demikian
dinyatakan sebagai berikut.

( )
)! ( !
!
r n r
n
n
r

·
........................................(2.10)
2.3 Distribusi Poisson
Salah satu sebaran atau distribusi diskrit yang sangat bermanfaat adalah
sebaran poisson. Sebaran ini dapat dipandang sebagai penghampir sebaran
binomial atau bentuk batas dari sebaran binomial. Poisson dapat juga didekati
sesuai dengan sebaran itu sendiri dengan pertimbangan proses poisson.
Distribusi poisson merupakan distribusi diskrit yang mengestimasi
probabilitas munculnya suatu keluaran dalam suatu standar unit tertentu sebanyak
x kali. Rata-rata kemunculan keluaran tersebut per unitnya konstan sebesar
II-11
standar unit ini dapat berupa interval waktu (menit, detik, hari, dan bulan) atau
luas daerah tertentu (walpole, 1982). Contoh penerapannya adalah jumlah
deringan telepon per jam di suatu kantor, jumlah goresan atau cacat dari suatu
permukaan produk, jumlah bakteri dalam suatu kultur, dan kesalahan sambung
pada nomor telepon.
Karakteristik distribusi poisson yaitu terdiri dari n buah percobaan yang
saling bebas. Ukuran n yang sangat besar dalam setiap percobaan hanya satu hasil
saja yang dijadikan titik pengamatan, probabilitas terjadinya suatu hasil sukses
konstan untuk setiap percobaan dan besarnya proposional terhadap selang waktu
atau luas daerahnya, dan probabilitas terjadinya keluaran lebih dari satu dalam
suatu selang waktu atau interval yang sangat sempit dapat diabaikan.
Distribusi poisson disebut juga distribusi peristiwa yang jarang terjadi,
distribusi poisson diberi nama sesuai dengan penemunya yaitu Siemon D. Poisson
(1781-1841), seorang ahli matematika bangsa Perancis. Distribusi poisson
termasuk distribusi teoritis yang memakai variabel random (variabel acak) diskret.
Distibusi poisson merupakan distribusi probabilitas untuk variabel diskret acak
yang mempunyai nilai 0,1, 2, 3 dan seterusnya. Distribusi poisson adalah
distribusi nilai-nilai bagi suatu variabel random X (X diskret), yaitu banyaknya
hasil percobaan yang terjadi dalam suatu interval waktu tertentu atau disuatu
daerah tertentu. Fungsi probabilitas diskret yang sangat penting dalam beberapa
aplikasi praktis. Poisson memperhatikan bahwa distribusi binomial sangat
bermanfaat dan dapat menjelaskan dengan sangat memuaskan terhadap
probabilitas binomial b(X│n.p) untuk X= 1,2,3 …n. Suatu kejadian dimana n
sangat besar (lebih besar dari 50) sedangkan probabilitas sukses (p) sangat kecil
seperti 0,1 atau kurang, maka nilai binomialnya sangat sulit dicari. Suatu bentuk
dari distribusi ini adalah rumus pendekatan distribusi poisson untuk peluang
binomial yang dapat digunakan untuk pendekatan probabilitas binomial dalam
situasi tertentu.
Ciri-ciri percobaan poisson adalah sebagai berikut.
II-12
1) Banyaknya hasil percobaan yang terjadi dalam suatu selang waktu atau suatu
daerah tertentu, tidak bergantung pada banyaknya hasil percobaan yang terjadi
pada selang waktu atau daerah lain yang terpisah.
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, dan tidak bergantung
pada banyaknya hasil percobaan yang terjadi di luar selang waktu atau daerah
tersebut.
3) Peluang bahwa lebih dari satu hasil percobaan akan terjadi dalam selang
waktu yang singkat tersebut atau dalam daerah kecil tersebut, dapat diabaikan.
Distribusi poisson banyak digunakan dalam hal sebagai berikut.
1) Menghitung probabilitas terjadinya peristiwa menurut satuan waktu, ruang
atau isi, luas, panjang tertentu, saeperti menghitung probabilitas dari
kemungkinan kesalahan pemasukan data atau kemungkinan cek ditolak oleh
bank. Jumlah pelanggan yang harus antri pada pelayanan rumah sakit,
restaurant cepat saji atau antrian yang panjang bila ke ancol. Semua contoh ini
merupakan beberapa hal yang menggambarkan tentang suatu distribusi
poisson.
2) Menghitung distribusi binomial apabila nilai n besar (n ≥ 30) dan p kecil
(p<0,1). Jika kita menghitung sejumlah benda acak dalam suatu daerah
tertentu T, maka proses penghitungan ini dilakukan sebagai berikut.
a. Jumlah rata-rata benda di daerah S T adalah sebanding terhadap ukuran S,
yaitu ECount(S)= λ S, di sini melambangkan ukuran S, yaitu panjang,
luas, volume, dan lain-lain. Parameter λ > 0 menggambarkankan intensitas
proses.
b. Menghitung di daerah terpisah adalah bebas.
c. Kesempatan untuk mengamati lebih dari satu benda di dalam suatu daerah
kecil adalah sangat kecil, yaitu P(Count(S)2) menjadi kecil ketika ukuran
menjadi kecil.
Rumus Poisson dapat digunakan untuk menghitung probabilitas dari
jumlah kedatangan, misalnya probabilitas jumlah kedatangan nasabah pada suatu
II-13
bank pada jam kantor. Distribusi poisson ini digunakan untuk menghitung
probabilitas menurut satuan waktu. Rumus probabilitas poisson suatu peristiwa
yang berdistribusi Poisson dirumuskan sebagai berikut.
!
) (
X
x p
x µ
µ

·

………..............................…(2.11)
Keterangan:
P(x) = Nilai probabilitas distribusi poisson.
µ = Rata-rata hitung dan jumlah nilai sukses, dimana µ = n*p.
e = Bilangan konstan = 2,71828.
X = Jumlah nilai sukses.
P = Probabilitas sukses suatu kejadian.
! = Lambang faktorial.
Distribusi poisson sebagai pendekatan dari distribusi binomial.
Uraian ini akan diarahkan pada pembuktian bahwa distribusi poisson sebagai
pendekatan dari distribusi binomial. Distribusi poisson kumulatif adalah
probabilitas dari peristiwa poisson lebih dari satu.
Menggunakan tabel untuk distribusi poisson yaitu untuk membantu
memperoleh dengan cepat nilai probabilitas distribusi poisson, tabel hasil
distribusi poisson akan sangat membantu. Penggunaan tabel distribusi poisson
menghendaki pengetahuan nilai tengah rata-rata hitung (µ= n.p) dan jumlah
sukses X. Pada baris dapat dilihat nilai µ dan pada kolom dapat dilihat nilai X.
Nilai rata-rata harapan (expected value) dan varian dari suatu fungsi distribusi
poisson adalah sama, yaitu.
π µ
π π
π
.
) 1 ( ) (
. ) (
n
n X V
n X E
·
− ·
·
............................................(2.12)
Percobaan distribusi poisson adalah percobaan yang menghasilkan peubah
acak X yang bernilai numerik, yaitu banyaknya sukses selama selang waktu
tertentu atau dalam daerah tertentu. Selang waktu tertentu dapat berupa sedetik,
II-14
semenit, sejam, sehari, seminggu maupun sebulan. Daerah tertentu dapat berupa
satu meter, satu kilometer persegi dan lain-lain.
Distribusi peluang peubah acak poisson X yang menyatakan banyaknya
sukses yang terjadi dalam suatu selang waktu atau daerah tertentu, diberikan oleh
x = 0,1,2, … µ menyatakan rata-rata banyaknya sukses yang terjadi dalam selang
waktu atau daerah tertentu tersebut dan e = 2,71828
Persoalan menyelesaikan distribusi poisson kita dapat menggunakan tabel
statistik dengan jumlah peluang poisson untuk beberapa nilai tertentu dengan µ
dari 0, 1 sampai 18.
1) Rataan dan variansi distribusi poisson p(x; µ) keduanya sama dengan µ.
2) Bila n besar dan p dekat dengan nol, distribusi poisson dapat digunakan,
dengan µ = np, untuk menghampiri peluang binomial.
3) Bila p dekat dengan 1, distribusi poisson masih dapat dipakai untuk
menghampiri peluang binomial dengan mempertukarkan apa uang telah
dinamai dengan sukses dan gagal, jadi dengan mengganti p dengan suatu nilai
yang dekat dengan nol.
Pendekatan Peluang poisson untuk peluang binomial, dilakukan jika n
besar (n > 20) dan p sangat kecil (p < 0.01) dengan terlebih dahulu menetapkan p
dan kemudian menetapkan μ = n * p. Distribusi poisson juga untuk menghitung
probabilitas timbulnya gejala yang diharapkan (gejala “sukses”) dari sejumlah n
kejadian atau sampel, tetapi untuk kasus yang ”n”-nya besar dan ”π”-nya sangat
kecil.
Perhitungan distribusi binomial dapat didekati dengan menggunakan
distribusi poisson. Distribusi binomial dengan populasi yang cutup besar (N) dan
peluang terjadinya suatu kejadian yang dimaksud p cukup kecil, sehingga q = 1-p
mendekati 1, maka kejadian itu disebut suatu kejadian langka ( rare event ).
Fungsi kepekatan peluangnya,
( )
! r
e
r X P
µ
µ
· · ................................................(2.13)
Keterangan:
II-15
µ = np, yaitu nilai harapan peluang binomial.
e = Bilangan asli, 2,71828.
2.4 Distribusi Hipergeometrik
Percobaan hipergeometrik adalah peluang terambilnya x keberhasilan dari
k benda yang diberi label “berhasil” dan n-x kegagalan dari N-k benda yang diberi
label “gagal”, bila suatu contoh berukuran n diambil dari sebuah populasi
terhingga berukuran N. Cara paling mudah untuk melihat perbedaan antara
distribusi binomial terletak pada cara pengembalian. Macam penggunaan
distribusi hipergeometrik amat mirip dengan binomial, yaitu sama-sama
menghitung peluang untuk banyaknya pengamatan yang jatuh pada kelompok
tertentu. Perbedaan dari distribusi binomial dengan distribusi hipergeometrik
sebagai berikut.
Tabel 2.2 Perbedaan Peluang Binomial dengan Hipergeometrik
Binomial Hipergeometrik
Hanya untuk peluang berhasil Peluang berhasil berhubungan dengan
peluang gagal
Tidak ada penyekatan dan pemilihan
objek ( berhasil atau gagal)
Ada penyekatan dan pemilihan objek
(berhasil atau gagal)
Untuk pengambilan contoh dengan
pemulihan (dengan pengembalian)
Untuk pengambilan contoh tanpa
pemulihan (tanpa pengembalian)
Percobaan hipergeometrik adalah percobaan dengan ciri-ciri sebagai
berikut.
1. Contoh acak berukuran n diambil dari populasi berukuran N.
2. k dari N diklasifikasikan sebagai "BERHASIL" sedangkan N-k
diklasifikasikan sebagai "GAGAL".
Distribusi Hipergeometrik diterapkan pada kasus-kasus penarikan sampel,
dimana sampelnya tidak dikembalikan lagi ke populasi. Distribusi hipergeometris
suatu populasi yang berisi sejumlah N obyek dapat dibagi menjadi 2 kelompok
(sub-populasi), yaitu sub populasi “sukses” dan sub populasi “gagal”, yang
II-16
sifatnya saling berlainan atau berlawanan. Pengertian “sukses” dan “gagal”
maknanya tidak selalu sama dengan pengertian sehari-hari, tetapi sekedar
menunjukkan adanya 2 kategori yang berbeda. Distribusi hipergeometrik
dipergunakan untuk memecahkan masalah penarikan sampel tanpa pengembalian,
ciri-cirinya.
1. Ada n benda.
2. k benda diberi nama sukses.
3. Sisanya n-k benda gagal. Dicari peluang memilih x sukses dari sebanyak k
yang tersedia , bila sampel acak ukuran n diambil dari N benda.
Banyaknya sukses X dalam percobaan hipergeometrik disebut peubah
acak hipergeometrik. Distribusi peluang peubah acak hipergeometrik X, yaitu
banyaknya sukses dalam sampel acak ukuran n yang diambil dari N benda yang
mengandung k bernama sukses dan N-k gagal. Bila dalam populasi N obyek, k
benda termasuk kelas "BERHASIL" dan N-k (sisanya) termasuk kelas "GAGAL",
maka distribusi hipergeometrik peubah Acak X yg menyatakan banyaknya
keberhasilan dalam contoh acak berukuran n adalah.
h x N n k
C C
C
x
k
n x
N k
n
N
( ; , , ) ·



…..………………2.14)
untuk x = 0,1,2,3...,k
Jika x adalah sampel variabel random hipergeometrik, maka probabilitas
fungsi dari x adalah.
....................................2.15)
Keterangan:
X = 0, 1, 2, 3 . . . . . . . , n
N
1
= Sub populasi “gagal”.
N
2
= sub populasi “sukses”.
N = populasi = N
1
+ N
2
.
II-17

,
`

.
|
·

N
n
N
x n
N
x
C
C C
x P
2 1
) (
n = jumlah pengambilan dari populasi.
X = jumlah timbulnya gejala “sukses” dari populasi.
C = rumus kombinasi.
Nilai rata-rata harapan (expected value) dan varians dari suatu
fungsi distribusi hipergeometrik adalah.
........................(2.16)
Bila n relatif kecil dibandingkan dengan N, maka peluang pada setiap
pengambilan akan berubah kecil sekali, sehingga praktis dapat dikatakan bahwa
distribusi ini berhadapan dengan distribusi binomial. Jadi pada dasarnya distribusi
hipergeometrik dapat dihampiri dengan distribusi binomial dengan p = k/N. Rata-
rata dan ragam bagi distribusi hipergeometrik h(x; N, n, k) adalah
Rata-rata =
µ ·
nk
N
......................................(2.17)
Ragam =
σ
2
1
1 ·


× × −
N n
N
n
k
N
k
N
( )
……....………(2.18)
Rumus 2.17 dan 2.18 jika dibandingkan dengan rumus 2.16 maka terlihat bahwa
rataannya sama sedangkan variansinya berbeda sebesar faktor koreksi (N-n)/(N-
1). Besaran ini dapat diabaikan bila n cukup kecil dibandingkan N.
Perluasan distribusi hipergeometrik jika terdapat lebih dari 2 kelas.
Distribusi Hipergeometrik dapat diperluas menjadi penyekatan ke dalam beberapa
kelas. Bila N benda dapat dikelompokan dalam k sel A1, A2, …, Ak masing-
masing berisi a1, a2, …, ak benda, maka distribusi peluang peubah acak X1, X2,
…, Xk yang menyatakan banyaknya benda (anggota) yang terambil dari A1, A2,
…, Ak dalam suatu sampel acak ukuran n ialah.
II-18
( )
( )
( )
]
]
]

,
`

.
|



·

,
`

.
|
·
N
N
n
N
n N
x V
N
N
n x E
N
N
1
1
1
1
) (
) (
1
f x x x a a a N n
C C C
C
k k
x
a
x
a
x
a
n
N
k
k
( , ,..., ; , ,..., , , )
1 2 1 2
1
1
2
2
·
× × × 
.…...(2.19)
Berdasarkan rumus diatas yang perlu diperhatikan adalah.
n x
i
i
k
·
·

1
........................................(2.20)
N a
i
i
k
·
·

1
........................................(2.21)
Keterangan:
N = ukuran populasi atau ruang contoh.
n = ukuran contoh acak.
k = banyaknya penyekatan atau kelas.
x
i
= banyaknya keberhasilan kelas ke-i dalam contoh.
a
i
= banyaknya keberhasilan kelas ke-i dalam populasi.
Pandang sebuah kontainer berisi N buah item objek bernoulli, M item
(M ≤ N) berwarna merah dan sisanya (N-M) berwarna putih. Jika objek-objek
teracak dengan rata, maka kegiatan pengambilan satu item objek secara acak
merupakan percobaan Bernoulli dengan probabilitas sukses mendapatkan item
merah p = M/N. Jika pengmbilan dilakukan sebanyaknya n kali item objek dengan
pengambilan (with replacement) setiap selesai satu item terambil, maka jumlah
item merah diperoleh dalam n pengambilan adalah variabel acak binomial,
masalahnya menjadi berbeda saat item objek yang terambil tidak dikembalikan
(without replacement) ke dalam kontainer sehingga probabilitas berubah p sesuai
dengan warna item yang terambil. Untuk n pengambilan tanpa pengembalian,
probabilitas k buah item pertama (k ≤ n) berwarna merah adalah sebagai berikut.
1. pengambilan pertama, dengan probabilitas M/N.
2. pengambilan kedua, dengan probabilitas (M-1)/(N-1).
3. pengambilan ke k, dengan probabilitas (M-k)/(N-k).
Selanjutnya pada (n-k) pengembalian (setiap pengembalian berwarna
putih) berikutnya.
II-19
1. pengambilan ke k+1, dengan probabilitas (N-M)/(N-k-1).
2. pengembalian ke n, dengan probabilitas ((N-M)-(n-k))/(N-n).
Probabilitas untuk semua pengambilan tersebut adalah.
( )( )
Nn
nk
M N
k n
M
k
n N
N
k n M N
M N
k M
M
n N k N k N N N
k n M N M N M N k M M N
Pn P P




+ − −


·
− − − − −
+ − − − − − − −
·
)! (
!
)! (
)! (
)! (
!
) )..( 1 )( )..( 1 (
) )..( 1 )( )( )..( 1 (
.. 2 1
...
(2.22)
Dapat ditunjukan pula untuk urutan pengmbilan yang lain menghasilkan
probabilitas yang sama. Untuk pengambilan n item yang menghasilkan k item
merah terdapat
( )
n
k
urutan pengambilan berlainan maka semua kemungkinan itu
memberikan PMF
( )( )
( )
N
n
M N
k n
M
k
trik hipergeome
n M N k P


· ) , , , (
....................
(2.23)
Dengan p = M/N, maka
p n mean . ·
................................................
(2.24)

1
. . variansi


·
N
n N
q p n
......................................
(2.25)
Mengingat bahwa untuk jumlah N yang sangat besar relatif terhadap n maka
walaupun tanpa pengembalian, probabilitas item merah didalam kontainer bisa
dikatakan tidak berubah. Dalam hal tersebut maka variabel acak ini dapat
diproksimasi oleh variabel acak binomial dengan selisih yang tidak berarti.
Jika untuk masalah pengambilan tanpa pengembalian n item dari total N
item objek di dalam kontainer tersebut di atas, pernyataan diganti dengan jumlah
pengambilan yang perlu dilakukan untuk mencapai k item berwarna merah maka
ini adalah variabel acak hipergeometrik negatif. Penyederhanaan formulasi
II-20
dilakukan mirip seperti pada pembahasan binomial negatif, yaitu memandang
sebagai dua variabel acak.
1. VA hipergeometrik untuk jumlah (k-1) item merah di dalam (n-1) item.
2. VA bernoulli untuk menghasilkan sukses (pada percobaan ke n) dengan
probabilitas (M-k+1)/(N-n+1).
Berikut ini adalah rumus untuk mencari variabel acak.
( ) ( )
( )
( ) ( )
( )
N
M
n N
k M
n
k
N
n
M N
k n
M
k
o neghiperge
n N
k M
n N k M n M N k P






− −
·
+ −
+ −
· + − + − − −
1
1
1
1
1
1
) 1 /( ) 1 )( 1 , , ; 1 (
....(2.26)
2.5 Distribusi Normal
Distribusi normal merupakan distribusi teoritis dari variabel random yang
kontinu. Pengalaman telah membuktikan bahwa sebagian besar dari variabel
random yang kontinu di berbagai bidang aplikasi yang beraneka ragam umumnya
memiliki distribusi yang dapat didekati dengan distribusi normal atau dapat
menggunakannya sebagai model teoritis. Distribusi normal demikian merupakan
distribusi yang simetris, berbentuk genta dan kontinu serta memiliki fungsi
frekuensi. Fungsi f(x) di atas juga dinamakan fungsi kepekatan normal (normal
density function). Distribusi normal tergantung pada 2 parameternya yaitu rata-
rata µX dan varians σ
2
X. Bila X suatu variabel random normal dengan nilai
tengah µ , dan standar deviasi σ , maka persamaan kurva normalnya adalah
sebagai berikut.
( ) [ ]
2
/ 2 / 1
2 2
1
) , ; (
σ µ
σπ
σ µ
− −
·
x
e X N
.......................(2.30)
untuk nilai x : -∞ < x < ∞ e = 2.71828..... π = 3.14159...
Keterangan:
μ : Rata-rata populasi.
II-21
σ : Simpangan baku populasi.
σ² : ragam populasi.
Nilai peluang peubah acak dalam distribusi peluang normal dinyatakan
dalam luas dari di bawah kurva berbentuk genta atau lonceng (bell shaped curve).
Kurva maupun persamaan normal melibatkan nilai x, μ dan σ. Keseluruhan kurva
akan bernilai 1, ini mengambarkan sifat peluang yang tidak pernah negatif dan
maksimal bernilai satu. Probabilitas kontinu yang terpenting di bidang statistik
adalah distribusi normal. Grafiknya disebut kurva normal, berbentuk lonceng
seperti gambar 2.1. Distribusi ini ditemukan Karl Friedrich (1777-1855) yang
juga disebut distribusi Gauss. Pada gambar (2.2) melukiskan dua kurva normal
dengan simpangan baku yang sama tapi rata-rata berbeda, gambar (2.3)
melukiskan beberapa kurva yang mempunyai mean sama tetapi standart deviasi
bebeda. Gambar (2.4) melukiskan kurva normal dengan mean dan standart
deviasi yang berbeda.
Gambar 2.1 Kurva Normal
( )

· ≤ ≤
b
a
dx x f b X a P ) (
...................................(2.31)
Macam-macam kurva.
1. Kurva berbentuk genta (µ = Md= Mo)
2. Kurva berbentuk simetris
3. Kurva normal berbentuk asimptotis
II-22
a µ b
x
4. Kurva mencapai puncak pada saat X= µ . Luas daerah di bawah kurva
adalah 1, ½ di sisi kanan nilai tengah dan ½ di sisi kiri.
Sifat-sifat distribusi normal.
1. Grafiknya selalu ada diatas sumbu datar x.
2. Bentuknya simetrik terhadap x = µ.
3. Mempunyai satu modus, jadi kurva unimodal, tercapai pada x = µ sebesar
0,3989/σ.
4. Grafiknya mendekati (berasimtootkan) sumbu datar x, mulai dari x = µ + 3 σ
ke kanan dan x = µ + 3 σ kekiri.
5. Luas daerah grafik selalu sama dengan satu unit persegi.
Setiap pasang µ dan σ, sifat-sifat diatas selalu terpenuhi, hanya bentuk
kuvanya saja yang berlainan. Jika σ makin besar kurvanya makin rendah dan
sebaliknya. Distribusi normal bersifat kontinu maka cara perhitungan
probabilitasnya dilakukan dengan jalan menentukan luas dibawah kurva, tetapi
karena fungsi frekuensi normal tidak memiliki integral yang sederhana sehingga
probabilitasnya dihitung dengan menggunakan distribusi normal standar dimana
variabel randomnya ialah Z dengan rata-rata µ = 0 dan simpangan baku σ = 1.
Gambar 2.2 Kurva Distribusi Normal Standar
Jenis-jenis kurva distribusi normal.
1) Distribusi kurva normal dengan µ sama dan σ berbeda.
Terlihat kedua kurva mempunyai titik tengah yang sama pada sumbu
datar, tapi kurva dengan simpangan baku yang lebih besar tampak lebih
rendah dan lebih melebar. Perhatikan bahwa luas dibawah kurva-peluang
II-23
0
1
2
3
4
5
6
7
8
9
10
m
Mesokurtic Platykurtic Leptokurtic
harus sama dengan 1 sehingga bila kumpulan data makin berbeda maka makin
rendah dan melebar pula kurvanya.
Gambar 2.3 Kurva Normal dengan µ Sama dan σ Berbeda
2) Distribusi kurva normal dengan µ berbeda dan σ sama.
Terlihat kedua kurva bentuknya persis sama tapi titik tengahnya terletak di
tempat yang berbeda di sepanjang sumbu datar.
Gambar 2.4 Kurva Normal dengan µ Berbeda dan σ Sama
3) Distribusi kurva normal dengan µ dan σ berbeda.
Jelas keduanya mempunyai letak titik tengah yang berlainan pada sumbu
datar dan bentuknya mencerminkan 2 nilai σ yang berlainan.
II-24
1
5
0
3
0
0
4
5
0
85 850
Gambar 2.5 Kurva Normal dengan µ dan σ Berbeda
Hal yang perlu diperhatikan dalam perhitungan menggunakan tabel.
1. Nilai yang dicantumkan adalah nilai z.
2. Luas kurva yang dicantumkan dalam tabel = 0.50 (setengah bagian kurva
normal).
3. Nilai z yang dimasukkan dalam tabel ini adalah luas dari sumbu 0 sampai
dengan nilai z.
Tabel 2.6 Transformasi dari Nilai X ke Z
Transformasi untuk sebarang variabel acak normal X menjadi suatu nilai
variabel acak normal z, di mana nilai Z.
σ
µ −
·
X
Z
.......................................................(2.32)
Z > 0 jika x > µ
Z < 0 jika x < µ
Simetri : P(0 ≤ Z ≤ b) = P(-b ≤ Z ≤ 0)
( ) b Z P
X X
P X X p ≤ ≤ ·
,
`

.
| −




· ≤ ≤ 0
1
) 1 (
σ
µ
σ
µ
σ
µ µ
µ
............(2.34)
Hubungan distribusi normal dengan distribusi binomial dilihat dari segi
teori banyak distribusi konvergen ke normal sebagaimana parameternya menuju
II-25
ke limit tertentu. Distribusi normal merupakan distribusi yang memudahkan
karena fungsi distribusi kumulatifnya mudah ditabelkan. Distribusi binomial
dihampiri dengan baik oleh distribusi normal dalam praktek bila digunakan fungsi
kumulatif. Distribusi normal dengan µ = n.p dan σ
2
= n.p(1-p) mendekati
distribusi binomial bila n besar dan p dekat dengan 0 atau bila n kecil dan p
mendekati ½ .
II-26

II-2

disajikan pada tabel di atas dapat dilihat pada jumlah kelasnya adalah 6 kelas atau 6 kelompok data. Penentuan jumlah kelas diserahkan sepenuhnya pada penyusun distribusi frekuensi. Sebagai gambaran, jumlah kelas yang dibutuhkan biasanya berkisar dari 5 hingga 15 kelas. Untuk memudahkannya dapat digunakan perumusan Sturges seperti berikut ini. ………………….(2.1)

jm ua lh

ks e l a

= 3,3 1+ 2 2

lg o

n

Keterangan: n = Jumlah data observasi. Hasil perhitungan dengan perumusan tersebut tidak harus digunakan secara kaku, misalnya hasil perhitungan adalah 6,89. Lazimnya, angka 6,89 harus dibulatkan ke atas menjadi 7. Akan tetapi, pembulatan ke bawah pun dapat dilakukan, sehingga jumlah kelasnya bukan 7 melainkan 6 kelas. 2.1.2 Interval Kelas Interval kelas adalah jangkauan atau jarak antara kelas yang satu dengan kelas yang lainnya secara berurutan. Besarnya interval kelas bagi tiap-tiap kelas bertalian erat dengan penentuan jumlah kelas dan sebaliknya diusahakan agar sama semua serta dalam bilangan-bilangan yang praktis. Bilangan yang praktis ialah bilangan yang mudah digunakan untuk menghitung atau sebagai pedoman guna menentukan batas kelas maupun tepi kelas (Dajan, 1986). Interval kelas tersebut ditentukan dengan menentukan beda antara batas kelas bawah suatu kelas (jika menggunakan tabel di atas) dengan batas kelas bawah kelas sebelumnya atau sesudahnya. Ada juga yang menyebutkan interval kelas dengan lebar kelas, yaitu jarak antara tepi batas kelas bawah dengan tepi batas kelas atas suatu kelas. Hampir setiap distribusi frekuensi memiliki interval atau lebar kelas yang sama seperti yang terlihat pada tabel di atas. Namun demikian, pada situasi tertentu , dimungkinkan adanya interval atau lembar kelas yang tidak sama. Kedua contoh di atas, memiliki interval atau lebar kelasnya adalah 5.

In a terv l K s ela = Jan k an g au Ju la mh k s ela ..5 Histogram Frekuensi Histogram frekuensi merupakan sekumpulan empat persegi-panjang yang digambar dalam suatu bagan salib-sumbu..3 Batas Kelas dan Tepi Batas Kelas Batas–batas kelas adalah dua angka yang dijadikan sebagai pembatas kelas....II-3 Menentukan interval kelas... sebuah distribusi frekuensi tidak harus memiliki kelas–kelas yang tertutup. Tepi–tepi batas kelas dikatakan juga sebagai batas kelas nyata (Muttaqin... 1996) 2......(2... Seperti kasus pada distribusi frekuensi yang memiliki interval kelas yang tidak sama... yang terdiri dari batas kelas atas dan batas kelas bawah. 2..2) 2.1... Sumbu tegak histogram . misalnya jauh lebih kecil atau jauh lebih besar dari sebagian besar angka–angka data yang ada..1....4 Titik Tengah Titik tengah setiap kelas dapat dijadikan sebagai penaksir data asli yang sudah hilang sebagai akibat proses pengelompokan... 1996) Distribusi frekuensi dengan kelas tertutup adalah distribusi frekuensi yang secara jelas memiliki batas kelas terkecil dan batas kelas terbesar. perlu diketahui terlebih dahulu jangkauan atau beda antara angka data terkecil.1.... Ada kemungkinan bahwa serangkaian data memiliki sejumlah kecil angka data (awal atau terakhir jika sudah diurutkan) yang besarnya tergolong ekstrim. Selanjutnya dapat digunakan perumusan sederhana seperti berikut ini. Titik tengah ini sebenarnya merupakan rata–rata hitung suatu kelas yang dihitung dengan membagi hasil jumlah kelas bawah dan batas kelas atas dengan angka 2 (Muttaqin....

poligon frekuensi digambar pula dalam suatu bagan salib–sumbu dengan angka–angka ordinat dan absis yang sama. frekuensi data masing–masing kelas tidak lagi nampak secara jelas. Hal yang perlu diperhatikan dalam membuat skala pada sumbu datar pada kasus–kasus tertentu juga pada sumbu tegaknya antara titik pusat hingga angka skala pertama untuk kelas harus diberi tanda potong yang dalam diagram di atas diberi tanda “//”. 1996) 1) Sisi tegak menggambarkan frekuensi kelas. Seperti pada histogram frekuensi. Adapun masing– masing bidang persegi–panjang tersebut memiliki sisi–sisi (Muttaqin. melainkan dapat juga digambarkan melalui poligon frekuensi. Masing–masing kelas berikut frekuensinya tidak dilukiskan dalam bentuk empat persegi–panjang. Hanya saja.1. 2. melainkan dalam bentuk garis yang menghubungkan tiap titik tengah masing–masing kelas.1. Di samping itu. Tujuan penyajian distribusi frekuensi dalam bentuk kurva frekuensi sekedar untuk memperlihatkan bagaimana bentuk distribusi data tersebut.7 Kurva Frekuensi Kurva frekuensi digambarkan dalam bentuk garis yang menghubungkan tiap titik tengah untuk masing–masing kelas seperti poligon frekuensi. 2) Sisi lebar bidang menggambarkan interval kelas atau lebar kelas. 2. maka pada kurva frekuensi.6 Poligon Frekuensi Diagram yang dapat menggambarkan sebuah distribusi frekuensi tidak saja dapat digambarkan melalui histogram frekuensi. jika pada poligon frekuensi disajikan dalam bentuk garis–garis patah. garis digambarkan secara halus. dari sebuah kurva frekuensi dapat diperoleh kecenderungan memusatnya data. . Hal ini dimaksudkan untuk membedakan skala antar titik yang menggambarkan batas kelas dengan titik pusat dengan titik yang menandakan batas kelas terkecil. Dengan demikian.II-4 menggambarkan frekuensi data dan sumbu mendatarnya menggambarkan bilangan–bilangan data yang dinyatakan dalam kelas–kelas data.

1. . selain disajikan dalam bentuk tabel–tabel juga disajikan dalam bentuk diagram yang dinamakan Ogive.1. Selain dapat disajikan dalam bentuk tabel–tabel yang dapat memberikan informasi rinci.II-5 2. yaitu distribusi frekuensi kumulatif “kurang dari” dan distribusi frekuensi kumulatip “atau lebih”. 2. Langkah-langkah membuat distribusi frekuensi bagi segugus data yang besar dapat diringkaskan sebagai berikut. namun meliputi kelas–kelas sebelumnya atau meliputi kelas–kelas berikutnya. 2. Misalnya. distribusi frekuensi kumulatif dibedakan menjadi dua. Menentukan banyaknya selang kelas yang diperlukan. Diagram batang adalah salah satu bentuk yang dimaksud. frekuensi pada kelas ketiga. 1.8 Frekuensi Kumulatif Frekuensi tidak lagi disajikan untuk tiap kelas dalam distribusi frekuensi kumulatif. Penggambarannya juga dilakukan di atas bagan salib–sumbu seperi pada poligon frekuensi. Data yang telah disajikan dalam bentuk tabel–tabel perlu disajikan dalam bentuk lain yang lebih menarik. Hanya saja seperti namanya. Fungsi diagram garis sebenarnya tidak berbeda dengan fungsi diagram batang yang memberikan informasi mengenai perkembangan sesuatu dari periode ke periode. namun disajikan secara kumulatif ke belakang atau ke depan. diagram diwujudkan dengan garis–garis yang menghubungkan puncak–puncak frekuensi tiap periode. Menentukan wilayah data tersebut. Dengan demikian. tidak lagi disajikan hanya untuk frekuensi kelas tersebut.9 dapat Ogive Distribusi frekuensi kumulatif. kadang–kadang pihak–pihak tertentu ingin memperoleh informasi secara sepintas yang tentu saja keakuratan informasi yang diperolehnya memang tidak diperhatikan.

2007). Peluang berkaitan dengan adanya suatu mekanisme random (random mechanisme) atau mekanisme alami (natural mechanisme) yang realisasinya tidak dapat diatur. 6. Mendaftarkan semua limit kelas dan batas kelas dengan cara menambahkan lebar kelas pada limit dan batas selang sebelumnya. oleh karena itu. menghitung kemungkinan timbulnya gejala yang diharapkan dari variabel populasinya.II-6 3. ukuran curah hujan yang akan turun hari ini. Menentukan titik tengah kelas bagi masing-masing selang dengan merataratakan limit kelas atau batas kelasnya. Probabililitas menghitung kemungkinan timbulnya gejala yang diharapkan dari variabel sampelnya. 1982). Teori peluang bagi ruang contoh terhingga . 4. 2. dan sebagainya. Menambahkan lebar kelas pada batas bawah kelas untuk mendapatkan batas atas kelasnya. Kasus pada percobaan probabilitas banyak bergantung pada faktor kebetulan. Kata peluang akan dipakai untuk mewakili kata probability dalam buku-buku teks yang baku. jenis kelamin bayi yang ditunggu kelahirannya. 5. 7.2 Probabilitas Probabilitas adalah kemungkinan terjadinya suatu peristiwa atau hasil (yang diharapkan) dari sejumlah peristiwa atau hasil yang diharapkan terjadi (Setyadji. Teori probabilitas. Membagi wilayah tersebut dengan menentukan beberapa kelas untuk memduga lebar selangnya. tidak dapat diramalkan dengan pasti. Menentukan limit bawah kelas bagi selang yang pertama dan kemudian batas bawah kelasnya. sisi mata dadu yang akan muncul pada lemparan pertama. Peluang yang ditinjau di sini khusus dibatasi pada lingkup bahasan teori dasar statistika atau statistika matematik. Menjumlahkan kolom frekuensi dan periksa apakah hasinya sama dengan banyaknya total pengamatan (Walpole. Menentukan frekuensi bagi masing-masing kelas. Unsur kerandoman (randomness) memang datang secara alamiah (natural) seperti misalnya.

..... nilai peluang yang lebih dekat dengan nol hendaknya diberikan pada titik contoh yang kecil sekali peluangnya untuk terjadi.. misalnya rasio banyaknya sisi gambar dan rasio banyaknya sisi angka relatif terhadap berapa kali pelemparan dilakukan disebut frekuensi relatif........ Fungsi yang mendefinisikan titik-titik contoh dalam ruang contoh sehingga memiliki nilai berupa bilangan ... Bila mempunyai alasan untuk percaya bahwa sebuah titik contoh tertentu sangat besar peluangnya untuk terjadi bila dilaksanakan.(2. semua titik contohnya mempunyai peluang yang sama untuk terjadi...... oleh karena itu. Penggunaan intuisi.II-7 memberikan segugus bilangan nyata yang disebut pembobot atau peluang.... Banyak percobaan.. maka peluang kejadian A adalah sebagai berikut.. keyakinan diri. 2007). maka peluang yang diberikan pada titik itu hendaknya dekat dengan 1.. Metode mendapatkan peluang secara rasio... Setiap titik contoh dalam ruang contohnya satu nilai peluang diberikan sedemikian sehingga jumlah semua peluang untuk semua titik contohnya sama dengan 1......... dua atau lebih outcome yang memiliki probabilitas kemunculan sama.. Kejadian-kejadian sederhana yang tidak mungkin terjadi untuk titik-titik di luar. P ( A) = / n N .. misalnya pelemparan mata dadu..3) Keterangan: P(A) = Peluang kejadian A N n = Hasil kejadian yang muncul = Jumlah percobaan Probabilitas klasik adalah outcome yang sama atau mirip (Equally Likely Outcomes).. Dipihak lain... dengan nilai dari 0 sampai 1 yang memungkinkan menghitung peluang terjadinya suatu kejadian.. semua diberi nilai peluang yang sama. Peubah acak adalah suatu fungsi yang nilainya berupa bilangan nyata yang ditentukan oleh setiap unsur dalam ruang contoh. dan bila tepat n di antara hasil percobaan itu menyusun kejadian A....... Bila suatu percobaan mempunyai N hasil percobaan yang berbeda dan masing-masing mempunyai kemungkinan yang sama untuk terjadi.. dan informasi tidak langsung lain dalam menentukan peluang disebut frekuensi subjektif (Setyadji.

tidak dapat di hitung dan tidak terhingga (memungkinkan pernyataan dalam bilangan pecahan) dan untuk hal-hal yang diukur (jarak. Nilai menengah (nilai ekspektasi) variabel acak diskrit x.. Pada prakteknya. Sebaran peluang diskret adalah sebuah tabel atau rumus yang mencantumkan semua kemungkinan nilai suatu peubah acak diskret berikut peluangnya. Suatu ruang contoh mengandung tak hingga banyaknya titik contoh yang sama dengan banyaknya . Peubah Acak Kontinu yaitu nilainya berupa selang bilangan. 1) 0 ≤ P(X) ≤ 1. X dan x pada peubah acak biasanya dinotasikan sebagai X (X kapital).. Jika x adalah variabel acak diskrit. nilai dalam X dinyatakan sebagai x (huruf kecil x)...... sedangkan peubah acak kontinu digunakan untuk data yang diukur.... Peubah Acak Diskrit yaitu nilainya berupa bilangan cacah. Peubah acak yang didefinisikan di atas ruang contoh yang diskret dan kontinu masing-masing disebut peubah acak diskret dan peubah acak kontinu. µ E( X ) = = X (X ) ∑ P . peubah acak diskret digunakan untuk data yang berupa cacahan... 2007)..... garfik yang biasa digunakan adalah grafik histogram peluang (Setyadji... waktu.4) Grafik sangat membantu untuk menggambarkan sebaran peluang agar lebih mudah membacanya........ volume).(2. Suatu ruang contoh yang mengandung jumlah titik contoh yang terhingga atau suatu barisan unsur yang tidak pernah berakhir tetapi sama banyaknya dengan bilangan cacah disebut ruang contoh diskrit. dapat dihitung dan terhingga.. 2) ∑P(X) = 1 Fungsi kumulatif probabilitas (Probability Cummulative) adalah jumlah total probabilitas untuk nilai sampai batas atas setiap kelas frekuensi.... distribusi probabilitas dari x menggambarkan bagimana probabilitas terdistribusi untuk seluruh nilai x yang mungkin....... berat. Karakteristik distribusi Probabilitas....untuk setiap nilai X.II-8 nyata disebut Peubah acak atau Variabel acak atau Random variable (beberapa buku juga menyebutnya sebagai Stochastic variable).

... Fungsi peluang yang digambarkan oleh kurva ini disebut fungsi kepekatan peluang... dan bila luas daerah di bawah kurva antara x = a dan x = b menyatakan peluang X terletak antara a dan b........... f ( x.......y)..Y)Є A] sama dengan volume silinder tegak yang di sebelah bawah dibatasi oleh A dan di sebelah atas dibatasi oleh bidang f(x..6) Begitu pula......... y ) = f ( x. Sebaran bersyarat bagi peubah acak diskret Y.. untuk Y = y. y ) = X P( =Y x. Rumus peubah acak diskret adalah.....7) ... . diberikan menurut rumus: f ( y.y) bagi sembarang pasangan nilai (x. sebaran peluang bersamanya dapat dinyatakan sebagai sebuah fungsi f(x.y) menyatakan bahwa x dan y terjadi secara bersamaan...y) merupakan sebuah permukaan yang terletak diatas bidang xy.5) Bila X dan Y keduanya merupakan peubah acak kontinu..(2.. diberikan rumus: f ( x.....II-9 titik pada sebuah ruas garis disebut ruang contoh kontinu..y) yang dapat diambil oleh peubah acak x dan y... y ) g ( x) ...(2. Artinya nilai f(x... h(y) > 0 .. g(x) < 0 ...... y ) h( y ) . x) = f ( x..(2.... tetapi sebaran ini dapat dinyatakan dalam bentuk rumus. sehingga dapat digambarkan sebagai suatu kurva kontinu. Bila X dan Y adalah dua peubah acak diskret..... Sebaran peluang pada peubah acak kontinu tidak bisa disajikan dalam bentuk tabel. bila A adalah senbarang daerah di bidang xy.. untuk X = x. = y) ... Fungsi f disebut fungsi kepekatan peluang bagi peubah acak kontinu X bila luas daerah di bawah kurva dan di atas sumbu-x sama dengan 1.. Rumus itu merupakan fungsi nilai-nilai peubah acak kontinu X....... fungsi ini biasa disebut sebaran peluang bersama bagi x dan y.. sebaran bersyarat bagi peubah acak diskret X. dan P[(X.. fungsi kepekatan bersamanya f(x...

Permutasi dari n objek seluruhnya. Himpunan semua kemungkinan hasil suatu percobaan disebut ruang contoh dan dilambangkan dengan huruf S. 2. Titik-titik contoh di dalam Ruang Sampel (S) dapat disajikan dalam bentuk numerik atau bilangan (Walpole.2. Setiap kemungkinan hasil dalam suatu ruang contoh disebut unsur atau anggota ruang contoh tersebut atau lebih singkat lagi titik contoh.1 Peristiwa dan Ruang Sampel Setiap hasil yang terkhayalkan dari sebuah percobaan konseptual yang dapat diulang dalam kondisi serupa akan disebut sebuah titik sampel atau hasil elementer atau peristiwa elementer (Walpole. Suatu peristiwa itu sebuah himpunan dari beberapa hasil yang mungkin dari suatu percobaan. Jadi. 1982). Himpunan S dari semua peristiwa elementer (hasil yang mungkin) dalam suatu percobaan tertentu disebut ruang sampel untuk percobaan itu. Suatu permutasi itu adalah pengaturan beberapa obyek secara berurutan. dan menutupnya dengan dua kurung kurawal. 2.II-10 Dua peubah acak yang bebas. peristiwa elementer) disebut ruang sampel. ruang contoh S bagi percobaan pelemparan sekeping uang logam. Totalitas dari hasil-hasil terangankan (titik sampel. dapat didaftarkan unsur-unsut tersebut dengan menggunakan koma untuk memisahkan setiap unsur. yaitu suatu himpunan bagian dari S (termasuk S sendiri). Nilai tengah suatu peubah acak.2. misalkan X adalah peubah acak diskret dengan sembarang peluang (Walpole. Seandainya banyaknya unsur ruang contoh tersebut terhingga. 1982). maka hasil penggandaan bilangan tersebut dari 1 sampai dengan n dinamakan n faktorial dan diberi tanda n!. bila n menyatakan bilangan bulat positif. peubah acak X dan Y dikatakan bebas jika F(x.2 Permutasi dan Kombinasi Permutasi adalah suatu susunan yang dibentuk oleh keseluruhan atau sebagian dari sekumpulan benda (Walpole. dapat ditulis S = {G. . 1982).A}. 1976). Sebuah himpunan bagian sebarang dari ruang sampel dengan titik-titik sampel sebagai unsur-unsurnya disebut sebuah peristiwa.y) = g(x)h(y) untuk semua kemungkinan nilai-nilai X dan Y.

......II-11 Permutasi dari keseluruhan n objek yang berbeda........... Distribusi poisson merupakan distribusi diskrit yang mengestimasi probabilitas munculnya suatu keluaran dalam suatu standar unit tertentu sebanyak x kali...... 1976).................. ! ( ) =r!( nn−r )! n r ........... Permutasi sebanyak r dari n objek yang berbeda. n P =! n n ............. secara keseluruhan menjadi n! dan dinyatakan sebagai berikut.(2..(2.. jumlah permutasi dari suatu himpunan yang terdiri dari n objek yang berbeda... Sebaran ini dapat dipandang sebagai penghampir sebaran binomial atau bentuk batas dari sebaran binomial. Kombinasi demikian dinyatakan sebagai berikut... Kombinasi adalah cara pemilihan objek yang bersangkutan tanpa menghiraukan urutan objek itu sendiri (Walpole..10) 2. Poisson dapat juga didekati sesuai dengan sebaran itu sendiri dengan pertimbangan proses poisson........ Pr = n! ( n −r )! n ......9) Keterangan: r = syarat data.3 Distribusi Poisson Salah satu sebaran atau distribusi diskrit yang sangat bermanfaat adalah sebaran poisson... Jumlah permutasi dari suatu himpunan yang terdiri dari n objek yang berbeda dan yang diambil sekaligus sebanyak r serta tanpa pengembalian ialah......8) Keterangan: P = permutasi..............(2............... Suatu himpunan yang terdiri dari r objek yang dipilih dari suatu himpunan yang terdiri dari n objek yang berbeda tanpa memperhatikan urutan pemilihannya..... Rata-rata kemunculan keluaran tersebut per unitnya konstan sebesar .............. n = banyak data...

II-12 standar unit ini dapat berupa interval waktu (menit. jumlah bakteri dalam suatu kultur. Contoh penerapannya adalah jumlah deringan telepon per jam di suatu kantor. Poisson (1781-1841).1.3 …n.p) untuk X= 1. hari. jumlah goresan atau cacat dari suatu permukaan produk. Fungsi probabilitas diskret yang sangat penting dalam beberapa aplikasi praktis. Distibusi poisson merupakan distribusi probabilitas untuk variabel diskret acak yang mempunyai nilai 0. Distribusi poisson disebut juga distribusi peristiwa yang jarang terjadi. dan kesalahan sambung pada nomor telepon. 1982). maka nilai binomialnya sangat sulit dicari. yaitu banyaknya hasil percobaan yang terjadi dalam suatu interval waktu tertentu atau disuatu daerah tertentu. 3 dan seterusnya. Poisson memperhatikan bahwa distribusi binomial sangat bermanfaat dan dapat menjelaskan dengan sangat memuaskan terhadap probabilitas binomial b(X│n. Suatu kejadian dimana n sangat besar (lebih besar dari 50) sedangkan probabilitas sukses (p) sangat kecil seperti 0. detik. Karakteristik distribusi poisson yaitu terdiri dari n buah percobaan yang saling bebas. dan bulan) atau luas daerah tertentu (walpole. 2. . dan probabilitas terjadinya keluaran lebih dari satu dalam suatu selang waktu atau interval yang sangat sempit dapat diabaikan. Distribusi poisson adalah distribusi nilai-nilai bagi suatu variabel random X (X diskret). Suatu bentuk dari distribusi ini adalah rumus pendekatan distribusi poisson untuk peluang binomial yang dapat digunakan untuk pendekatan probabilitas binomial dalam situasi tertentu. probabilitas terjadinya suatu hasil sukses konstan untuk setiap percobaan dan besarnya proposional terhadap selang waktu atau luas daerahnya. seorang ahli matematika bangsa Perancis.1 atau kurang. Ukuran n yang sangat besar dalam setiap percobaan hanya satu hasil saja yang dijadikan titik pengamatan.2. Ciri-ciri percobaan poisson adalah sebagai berikut. Distribusi poisson termasuk distribusi teoritis yang memakai variabel random (variabel acak) diskret. distribusi poisson diberi nama sesuai dengan penemunya yaitu Siemon D.

a. 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. Menghitung di daerah terpisah adalah bebas. Jika kita menghitung sejumlah benda acak dalam suatu daerah tertentu T. Jumlah rata-rata benda di daerah S T adalah sebanding terhadap ukuran S. tidak bergantung pada banyaknya hasil percobaan yang terjadi pada selang waktu atau daerah lain yang terpisah. yaitu panjang. b. restaurant cepat saji atau antrian yang panjang bila ke ancol. Jumlah pelanggan yang harus antri pada pelayanan rumah sakit. yaitu ECount(S)= λ S. maka proses penghitungan ini dilakukan sebagai berikut. ruang atau isi.1). yaitu P(Count(S)2) menjadi kecil ketika ukuran menjadi kecil. misalnya probabilitas jumlah kedatangan nasabah pada suatu . dapat diabaikan. 1) Menghitung probabilitas terjadinya peristiwa menurut satuan waktu. c. dan tidak bergantung pada banyaknya hasil percobaan yang terjadi di luar selang waktu atau daerah tersebut. di sini melambangkan ukuran S. Distribusi poisson banyak digunakan dalam hal sebagai berikut.II-13 1) Banyaknya hasil percobaan yang terjadi dalam suatu selang waktu atau suatu daerah tertentu. Kesempatan untuk mengamati lebih dari satu benda di dalam suatu daerah kecil adalah sangat kecil. volume. Rumus Poisson dapat digunakan untuk menghitung probabilitas dari jumlah kedatangan. luas. panjang tertentu. saeperti menghitung probabilitas dari kemungkinan kesalahan pemasukan data atau kemungkinan cek ditolak oleh bank. luas. Parameter λ > 0 menggambarkankan intensitas proses. 3) Peluang bahwa lebih dari satu hasil percobaan akan terjadi dalam selang waktu yang singkat tersebut atau dalam daerah kecil tersebut. Semua contoh ini merupakan beberapa hal yang menggambarkan tentang suatu distribusi poisson. dan lain-lain. 2) Menghitung distribusi binomial apabila nilai n besar (n ≥ 30) dan p kecil (p<0.

.... Distribusi poisson ini digunakan untuk menghitung probabilitas menurut satuan waktu.. Selang waktu tertentu dapat berupa sedetik... poisson sebagai pendekatan dari distribusi binomial... Distribusi Uraian ini akan diarahkan pada pembuktian bahwa distribusi poisson sebagai pendekatan dari distribusi binomial........... Pada baris dapat dilihat nilai µ dan pada kolom dapat dilihat nilai X... Nilai rata-rata harapan (expected value) dan varian dari suatu fungsi distribusi poisson adalah sama... ....p) dan jumlah sukses X.71828.…(2..11) Keterangan: P(x) µ e X P ! = Nilai probabilitas distribusi poisson. = Probabilitas sukses suatu kejadian. yaitu. = Lambang faktorial. Rumus probabilitas poisson suatu peristiwa yang berdistribusi Poisson dirumuskan sebagai berikut... = Bilangan konstan = 2...(2...... p( x ) = µx −µ X! ………. dimana µ = n*p. yaitu banyaknya sukses selama selang waktu tertentu atau dalam daerah tertentu.II-14 bank pada jam kantor.. E ( X ) = n......12) Percobaan distribusi poisson adalah percobaan yang menghasilkan peubah acak X yang bernilai numerik.............. Penggunaan tabel distribusi poisson menghendaki pengetahuan nilai tengah rata-rata hitung (µ= n... = Rata-rata hitung dan jumlah nilai sukses...π . tabel hasil distribusi poisson akan sangat membantu..... = Jumlah nilai sukses.. Menggunakan tabel untuk distribusi poisson yaitu untuk membantu memperoleh dengan cepat nilai probabilitas distribusi poisson.....π V ( X ) = nπ(1 −π) µ = n..... Distribusi poisson kumulatif adalah probabilitas dari peristiwa poisson lebih dari satu.

01) dengan terlebih dahulu menetapkan p dan kemudian menetapkan μ = n * p.. untuk menghampiri peluang binomial. seminggu maupun sebulan.. 1 sampai 18.. sehari.. tetapi untuk kasus yang ”n”-nya besar dan ”π”-nya sangat kecil.... Distribusi binomial dengan populasi yang cutup besar (N) dan peluang terjadinya suatu kejadian yang dimaksud p cukup kecil.. Pendekatan Peluang poisson untuk peluang binomial.... sehingga q = 1-p mendekati 1. maka kejadian itu disebut suatu kejadian langka ( rare event )...... dilakukan jika n besar (n > 20) dan p sangat kecil (p < 0. sejam. 3) Bila p dekat dengan 1... Perhitungan distribusi binomial dapat didekati dengan menggunakan distribusi poisson.. diberikan oleh x = 0..... 1) Rataan dan variansi distribusi poisson p(x.. 2) Bila n besar dan p dekat dengan nol... jadi dengan mengganti p dengan suatu nilai yang dekat dengan nol.. distribusi poisson masih dapat dipakai untuk menghampiri peluang binomial dengan mempertukarkan apa uang telah dinamai dengan sukses dan gagal. Fungsi kepekatan peluangnya. µ) keduanya sama dengan µ. P( X = r ) = eµ µ ..(2..... Daerah tertentu dapat berupa satu meter...13) r! Keterangan: . Distribusi poisson juga untuk menghitung probabilitas timbulnya gejala yang diharapkan (gejala “sukses”) dari sejumlah n kejadian atau sampel.. Distribusi peluang peubah acak poisson X yang menyatakan banyaknya sukses yang terjadi dalam suatu selang waktu atau daerah tertentu. satu kilometer persegi dan lain-lain.. … µ menyatakan rata-rata banyaknya sukses yang terjadi dalam selang waktu atau daerah tertentu tersebut dan e = 2..2.. distribusi poisson dapat digunakan......1.71828 Persoalan menyelesaikan distribusi poisson kita dapat menggunakan tabel statistik dengan jumlah peluang poisson untuk beberapa nilai tertentu dengan µ dari 0. dengan µ = np..II-15 semenit....

2.4 Distribusi Hipergeometrik Percobaan hipergeometrik adalah peluang terambilnya x keberhasilan dari k benda yang diberi label “berhasil” dan n-x kegagalan dari N-k benda yang diberi label “gagal”. e = Bilangan asli. Distribusi Hipergeometrik diterapkan pada kasus-kasus penarikan sampel. Distribusi hipergeometris suatu populasi yang berisi sejumlah N obyek dapat dibagi menjadi 2 kelompok (sub-populasi). 2. Cara paling mudah untuk melihat perbedaan antara distribusi binomial terletak pada cara pengembalian. Perbedaan dari distribusi binomial dengan distribusi hipergeometrik sebagai berikut. yaitu nilai harapan peluang binomial. Tabel 2.71828. Hipergeometrik Peluang berhasil berhubungan dengan peluang gagal Ada penyekatan dan pemilihan objek (berhasil atau gagal) Untuk pengambilan contoh tanpa pemulihan (tanpa pengembalian) adalah percobaan dengan ciri-ciri sebagai 1. yang . Contoh acak berukuran n diambil dari populasi berukuran N. Macam penggunaan distribusi hipergeometrik amat mirip dengan binomial. 2. k dari N diklasifikasikan sebagai "BERHASIL" sedangkan N-k diklasifikasikan sebagai "GAGAL".II-16 µ = np. dimana sampelnya tidak dikembalikan lagi ke populasi.2 Perbedaan Peluang Binomial dengan Hipergeometrik Binomial Hanya untuk peluang berhasil Tidak ada penyekatan dan pemilihan objek ( berhasil atau gagal) Untuk pengambilan contoh dengan pemulihan (dengan pengembalian) Percobaan hipergeometrik berikut. yaitu sama-sama menghitung peluang untuk banyaknya pengamatan yang jatuh pada kelompok tertentu. yaitu sub populasi “sukses” dan sub populasi “gagal”. bila suatu contoh berukuran n diambil dari sebuah populasi terhingga berukuran N.

...2..  C xN 1CnN−2 x P ( x) =   CN n  Keterangan: X = 0... ...2... k C x CnN −k −x h ( x. 2..... tetapi sekedar menunjukkan adanya 2 kategori yang berbeda... Dicari peluang memilih x sukses dari sebanyak k yang tersedia .... N .   .. . N2 = sub populasi “sukses”.14) N Cn untuk x = 0.3... Pengertian “sukses” dan “gagal” maknanya tidak selalu sama dengan pengertian sehari-hari.k Jika x adalah sampel variabel random hipergeometrik. Ada n benda. . 3 . Bila dalam populasi N obyek. n . . k ) = …. Banyaknya sukses X dalam percobaan hipergeometrik disebut peubah acak hipergeometrik.. Distribusi hipergeometrik dipergunakan untuk memecahkan masalah penarikan sampel tanpa pengembalian. k benda diberi nama sukses.15)   . 2. ciri-cirinya.... 3... 1.II-17 sifatnya saling berlainan atau berlawanan. yaitu banyaknya sukses dalam sampel acak ukuran n yang diambil dari N benda yang mengandung k bernama sukses dan N-k gagal. Distribusi peluang peubah acak hipergeometrik X.. .. .. . n N1 = Sub populasi “gagal”.1... maka distribusi hipergeometrik peubah Acak X yg menyatakan banyaknya keberhasilan dalam contoh acak berukuran n adalah. bila sampel acak ukuran n diambil dari N benda.. N = populasi = N1 + N2.. k benda termasuk kelas "BERHASIL" dan N-k (sisanya) termasuk kelas "GAGAL".. Sisanya n-k benda gagal. 1.………………2... maka probabilitas fungsi dari x adalah..

.(2. a2. N  E ( x ) = n 1  N  V ( x) = .18) N −1 N N Rumus 2.………(2. X = jumlah timbulnya gejala “sukses” dari populasi. ….. ak benda... Ak masingmasing berisi a1... Ak dalam suatu sampel acak ukuran n ialah..... Xk yang menyatakan banyaknya benda (anggota) yang terambil dari A1... N.... Perluasan distribusi hipergeometrik jika terdapat lebih dari 2 kelas... maka distribusi peluang peubah acak X1...... ….. A2..(2. ….16 maka terlihat bahwa rataannya sama sedangkan variansinya berbeda sebesar faktor koreksi 1)..... Jadi pada dasarnya distribusi hipergeometrik dapat dihampiri dengan distribusi binomial dengan p = k/N.. maka peluang pada setiap pengambilan akan berubah kecil sekali......17 dan 2.... Ratarata dan ragam bagi distribusi hipergeometrik h(x..... n...... Besaran ini dapat diabaikan bila n cukup kecil dibandingkan N... ….. Bila N benda dapat dikelompokan dalam k sel A1. X2..II-18 n = jumlah pengambilan dari populasi. sehingga praktis dapat dikatakan bahwa distribusi ini berhadapan dengan distribusi binomial.. Distribusi Hipergeometrik dapat diperluas menjadi penyekatan ke dalam beberapa kelas. C = rumus kombinasi.... A2... (N-n)/(N- ..18 jika dibandingkan dengan rumus 2.17) N Rata-rata = µ = Ragam = σ 2 = N −n k k × n × (1 − ) ……... Nilai rata-rata harapan (expected value) dan varians dari suatu fungsi distribusi hipergeometrik adalah..16) 1 ( N − n ) n( N )1 − N1    ( N −1)  N  N    Bila n relatif kecil dibandingkan dengan N.. k) adalah nk ...

...... n = ∑ xi i =1 k .. Jika objek-objek teracak dengan rata. dengan probabilitas (M-1)/(N-1).. a k .....(2. x 2 ... Selanjutnya pada (n-k) pengembalian (setiap pengembalian berwarna putih) berikutnya............ Pandang sebuah kontainer berisi N buah item objek bernoulli.... dengan probabilitas (M-k)/(N-k)..... maka jumlah item merah diperoleh dalam n pengambilan adalah variabel acak binomial... N ..(2. n) = C x11 × C x22 ×× C xkk CnN a a a .... n = ukuran contoh acak. 1. probabilitas k buah item pertama (k ≤ n) berwarna merah adalah sebagai berikut.. maka kegiatan pengambilan satu item objek secara acak merupakan percobaan Bernoulli dengan probabilitas sukses mendapatkan item merah p = M/N...... masalahnya menjadi berbeda saat item objek yang terambil tidak dikembalikan (without replacement) ke dalam kontainer sehingga probabilitas berubah p sesuai dengan warna item yang terambil...... pengambilan pertama.. a1 . M item (M ≤ N) berwarna merah dan sisanya (N-M) berwarna putih. 2.... dengan probabilitas M/N.....…... 3.20) ..... x k ..... pengambilan kedua. Jika pengmbilan dilakukan sebanyaknya n kali item objek dengan pengambilan (with replacement) setiap selesai satu item terambil.. ai = banyaknya keberhasilan kelas ke-i dalam populasi....... ...19) Berdasarkan rumus diatas yang perlu diperhatikan adalah.(2.. a 2 ... xi = banyaknya keberhasilan kelas ke-i dalam contoh....21) N = ∑ ai i =1 k Keterangan: N = ukuran populasi atau ruang contoh. Untuk n pengambilan tanpa pengembalian. k = banyaknya penyekatan atau kelas.II-19 f ( x1 . pengambilan ke k.......

..25) Mengingat bahwa untuk jumlah N yang sangat besar relatif terhadap n maka walaupun tanpa pengembalian. pengembalian ke n.... P1P 2......... (2... pengambilan ke k+1.( N − k )( N − k −1)....... Dalam hal tersebut maka variabel acak ini dapat diproksimasi oleh variabel acak binomial dengan selisih yang tidak berarti... N . n) = ( )( ) ( ) M k N− M n− k N n ...............( N − n) M! ( N − M )! M N −M ( M − k )! ( N − M − n + k )! n = − k Nn −k N! nk ( N − n)! ( )( ) ... dengan probabilitas (N-M)/(N-k-1)...... (2....... v ria si a n =n.. Untuk pengambilan n item yang menghasilkan k item merah terdapat ( ) urutan pengambilan berlainan maka semua kemungkinan itu n k memberikan PMF (2...... Probabilitas untuk semua pengambilan tersebut adalah. Dengan p = M/N.................II-20 1....q N −n N − 1 ...23) P iperg om h e e tr ik ( k .. probabilitas item merah didalam kontainer bisa dikatakan tidak berubah... p n ..( M − k )( N − M )( N − M −1).... p.( N − M − n + k ) N ( N −1)..24) mn e a =..... Jika untuk masalah pengambilan tanpa pengembalian n item dari total N item objek di dalam kontainer tersebut di atas... Penyederhanaan formulasi ...... maka (2.... pernyataan diganti dengan jumlah pengambilan yang perlu dilakukan untuk mencapai k item berwarna merah maka ini adalah variabel acak hipergeometrik negatif.. dengan probabilitas ((N-M)-(n-k))/(N-n)... M ..22) Dapat ditunjukan pula untuk urutan pengmbilan yang lain menghasilkan probabilitas yang sama... 2.... Pn = N ( M −1)...

. Bila X suatu variabel random normal dengan nilai tengah µ ..... M . dan standar deviasi σ .14159.......5 Distribusi Normal Distribusi normal merupakan distribusi teoritis dari variabel random yang kontinu. berbentuk genta dan kontinu serta memiliki fungsi frekuensi.(2. Distribusi normal tergantung pada 2 parameternya yaitu ratarata µX dan varians σ2X. Fungsi f(x) di atas juga dinamakan fungsi kepekatan normal (normal density function). N ( X . 2. ) 2 1 1 µ e − / 2[( x − ) / σ] 2σ 2 π ... Berikut ini adalah rumus untuk mencari variabel acak.. Pengalaman telah membuktikan bahwa sebagian besar dari variabel random yang kontinu di berbagai bidang aplikasi yang beraneka ragam umumnya memiliki distribusi yang dapat didekati dengan distribusi normal atau dapat menggunakannya sebagai model teoritis. n − 1)(M − k + 1) /(N − n + 1) = ( ) N − n+1 M k −1 N−M n− k N n−1 ( )( ) = ( ) n−1 k −1 N−n M −k N M .. maka persamaan kurva normalnya adalah sebagai berikut.. VA hipergeometrik untuk jumlah (k-1) item merah di dalam (n-1) item.71828..... 1. Keterangan: μ : Rata-rata populasi........26) 2.30) untuk nilai x : -∞ < x < ∞ e = 2..II-21 dilakukan mirip seperti pada pembahasan binomial negatif. µσ = .. yaitu memandang sebagai dua variabel acak. Distribusi normal demikian merupakan distribusi yang simetris. π = 3. N . VA bernoulli untuk menghasilkan sukses (pada percobaan ke n) dengan probabilitas (M-k+1)/(N-n+1).. Pneghiperge o ( )( ) M − k + 1 (k − 1. .(2..

. berbentuk lonceng seperti gambar 2...2) melukiskan dua kurva normal dengan simpangan baku yang sama tapi rata-rata berbeda.31) Macam-macam kurva.....4) melukiskan kurva normal dengan mean dan standart deviasi yang berbeda..(2.3) melukiskan beberapa kurva yang mempunyai mean sama tetapi standart deviasi bebeda... Kurva berbentuk simetris Kurva normal berbentuk asimptotis .1.... Kurva maupun persamaan normal melibatkan nilai x.. 1.. Kurva berbentuk genta (µ = Md= Mo) 2.... a x µ b Gambar 2. μ dan σ.. gambar (2.. Keseluruhan kurva akan bernilai 1.. σ² : ragam populasi..... Nilai peluang peubah acak dalam distribusi peluang normal dinyatakan dalam luas dari di bawah kurva berbentuk genta atau lonceng (bell shaped curve). Grafiknya disebut kurva normal.II-22 σ : Simpangan baku populasi.. Distribusi ini ditemukan Karl Friedrich (1777-1855) yang juga disebut distribusi Gauss.. Pada gambar (2..1 Kurva Normal P ( a ≤ X ≤ b ) = ∫ f ( x ) dx a b ... 3..... Probabilitas kontinu yang terpenting di bidang statistik adalah distribusi normal. Gambar (2. ini mengambarkan sifat peluang yang tidak pernah negatif dan maksimal bernilai satu.

Gambar 2. Luas daerah grafik selalu sama dengan satu unit persegi. Kurva mencapai puncak pada saat X= µ . Luas daerah di bawah kurva adalah 1.3989/σ. sifat-sifat diatas selalu terpenuhi.2 Kurva Distribusi Normal Standar Jenis-jenis kurva distribusi normal. 2. ½ di sisi kanan nilai tengah dan ½ di sisi kiri. Setiap pasang µ dan σ. Perhatikan bahwa luas dibawah kurva-peluang 8 7 6 5 4 3 2 1 0 m M outc e kri s Pt kri l yutc a Lp kri et utc o 1 0 . Grafiknya mendekati (berasimtootkan) sumbu datar x. hanya bentuk kuvanya saja yang berlainan. Mempunyai satu modus. tetapi karena fungsi frekuensi normal tidak memiliki integral yang sederhana sehingga probabilitasnya dihitung dengan menggunakan distribusi normal standar dimana variabel randomnya ialah Z dengan rata-rata µ = 0 dan simpangan baku σ = 1. 4. Bentuknya simetrik terhadap x = µ. Jika σ makin besar kurvanya makin rendah dan sebaliknya. jadi kurva unimodal. 1. Sifat-sifat distribusi normal. Grafiknya selalu ada diatas sumbu datar x. Distribusi normal bersifat kontinu maka cara perhitungan probabilitasnya dilakukan dengan jalan menentukan luas dibawah kurva. mulai dari x = µ + 3 σ ke kanan dan x = µ + 3 σ kekiri. 3. Terlihat kedua kurva mempunyai titik tengah yang sama pada sumbu datar.II-23 4. 5. 1) Distribusi kurva normal dengan µ sama dan σ berbeda. tapi kurva dengan simpangan baku yang lebih besar tampak lebih 9 rendah dan lebih melebar. tercapai pada x = µ sebesar 0.

Terlihat kedua kurva bentuknya persis sama tapi titik tengahnya terletak di tempat yang berbeda di sepanjang sumbu datar.4 Kurva Normal dengan µ Berbeda dan σ Sama 3) Distribusi kurva normal dengan µ dan σ berbeda. Gambar 2.3 Kurva Normal dengan µ Sama dan σ Berbeda 2) Distribusi kurva normal dengan µ berbeda dan σ sama. 15 0 30 0 Gambar 2. Jelas keduanya mempunyai letak titik tengah yang berlainan pada sumbu datar dan bentuknya mencerminkan 2 nilai σ yang berlainan. 8 5 80 5 45 0 .II-24 harus sama dengan 1 sehingga bila kumpulan data makin berbeda maka makin rendah dan melebar pula kurvanya.

II-25 Gambar 2..(2.. Nilai yang dicantumkan adalah nilai z......... 2........50 (setengah bagian kurva normal). di mana nilai Z......32) Z > 0 jika x > µ Z < 0 jika x < µ Simetri : P(0 ≤ Z ≤ b) = P(-b ≤ Z ≤ 0) X −µ X 1 −µ   µ −µ p( µ ≤ X ≤ X 1) = P ≤ ≤  = P (0 ≤ Z ≤ b ) σ σ   σ ... Nilai z yang dimasukkan dalam tabel ini adalah luas dari sumbu 0 sampai dengan nilai z.........34) Hubungan distribusi normal dengan distribusi binomial dilihat dari segi teori banyak distribusi konvergen ke normal sebagaimana parameternya menuju ... Tabel 2...6 Transformasi dari Nilai X ke Z Transformasi untuk sebarang variabel acak normal X menjadi suatu nilai variabel acak normal z.........(2..... Z = X −µ σ .. Luas kurva yang dicantumkan dalam tabel = 0.......... 1..5 Kurva Normal dengan µ dan σ Berbeda Hal yang perlu diperhatikan dalam perhitungan menggunakan tabel..... 3...

2 = n.II-26 ke limit tertentu.p dan σ mendekati ½ .p(1-p) mendekati distribusi binomial bila n besar dan p dekat dengan 0 atau bila n kecil dan p . Distribusi binomial dihampiri dengan baik oleh distribusi normal dalam praktek bila digunakan fungsi kumulatif. Distribusi normal merupakan distribusi yang memudahkan karena fungsi distribusi kumulatifnya mudah ditabelkan. Distribusi normal dengan µ = n.

Sign up to vote on this title
UsefulNot useful