UNIVERSITAS AIRLANGGA

RANGKUMAN METODE STATISTIKA

1. PENGANTAR STATISTIKA
Dewasa ini metode statistika sudah berkembang sangat luas, untuk
mengakomodasi berbagai kondisi data. Karena dalam aplikasinya hampir tidak bisa
lepas dari peranankomputer, sebagian besar metode tersebut telah diimplementasikan
dalam berbagai paket statistka.
statistik : kumpulan data yg menjelaskan/menggambarkan persoalan kejadian yg
dikumpulkan
ex : statistik pendidikan,statistik penduduk
statistika : ilmu statistik yaitu sebuah proses yang terkait dengan
- mengumpulkan data
- Sampling :random,campuran
- Sensus : semua data
- menyajikan data
- Diagram : lambang(kalau data manusia lambangnya manusia), batang
(berupa batang), titik,garis,lingkaran,peta
- Tabel : kontingensi,baris kolom,distribusi frekuensi
- Mengolah data
- Menganalisis data
- Menyimpulkan data

Macam - macam statistik :

1.statistik deskriptif : Statistika yang hanya menggambarkan atau
mendreskripsikan keadaan data tanpa menarik kesimpulan
2.statistik induktif (inferensial) : Statistika yang dapat menyimpulkan keadaan
populasi dari hasil sampel yang representatif. Untuk dapat menyimpulkan
diperlukan teori peluang.

populasi : keseluruhan pengamatan yang menjadikan objek dari sebuah penelitian

keseluruhan pengamatan
sample : himpunan bagian dari populasi
-random sampling
-non random
Sample dikatakan random jika setiap anggota dari sample tersebut mempunyai
peluang kesempatan yang sama untuk terambil, jika sampling tidak mempunyai
kesempatan yang sama disebut non random

2. UKURAN PEMUSATAN DAN PENYEBARAN DATA

Pada setiap upaya pengumpulan data untuk menjawab suatu masalah, selalu
diperoleh
hasil pengukuran atau pencacahan berupa angka-angka yang cukup banyak. Oleh
karena itu
setiap kegiatan pengumpulan data diikuti oleh suatu kegiatan meringkas data sehingga

Metstat by Kristio.M (080810239) and Thieara .R (08010281) |1

 UNIVERSITAS AIRLANGGA

mendapatkan bentuk yang lebih mudah dipahami. Peringkasan data dimaksudkan

untuk
mencari sesederhana mungkin informasi dari data yang dikumpulkannya tapi
memiliki
pengertian yang dapat menjelaskan data secara keseluruhan. Untuk keperluan ini
dalam
statistika dikenal istilah ukuran pemusatan dan ukuran penyebaran.

a. Ukuran Pemusatan Data

Ukuran pemusatan merupakan suatu gambaran (informasi) yang memberikan
penjelasan bahwa data memiliki satu (mungkin lebih) titik dimana dia memusat
atau
terkumpul.
- Mean
Rata-Rata / Rataan / Nilai Tengah / Nilai Harapan :
n

 xi
n

 yi
x i 1
y  i 1
n n
Contoh (X): 15 12 9 13 13 16 10
7
∑ xi
15+12+ 9+13+13+16+ 10 88
x̄= i=1 = = =12 , 571
7 7 7
- Median
Nilai yang posisinya tepat berada di tengah setelah data diurutkan (jika
banyak data ganjil), atau rata-rata dari dua nilai yang posisinya di tengah
setelah data diurutkan (jika banyak data genap).
Contoh 1:
15 12 9 13 13 16 10 diurutkan jadi 9 10 12 13 13 15 16
Mediannya adalah 13 (nilai pada suku ke-4).
Contoh 2:
25 32 42 15 13 27 diurutkan jadi 42 32 27 25 15 13
Mediannya adalah (27 + 25) / 2 = 26,5
- Modus
yaitu nilai yang memiliki frekwensi muncul paling tinggi. Dalam satu buah
gugus data dapat memiliki lebih dari satu modus, khusus yang memiliki dua
modus disebut bimodus. Apabila semua nilai dalam suatu gugus data memiliki
frekwensi muncul yang sama, maka gugus data tersebut dikatakan tidak
memiliki modus.
Contoh 1:
15 12 9 13 13 16 10 modusnya adalah 13
Contoh 2:
15 12 9 13 13 16 10 9 modusnya adalah 9 dan 13 (bimodus)

Metstat by Kristio.M (080810239) and Thieara .R (08010281) |2

 UNIVERSITAS AIRLANGGA

Deskripsi Data Kelompok

Dalam praktek hasil pengamatan data sering dinyatakan dalam bentuk kelompok.
Deskripsi demikian sering dinamakan daftar distribusi frekuensi.
Rumus :

Mean
x(1) f 1 +...+ x(n) f n n x (i ) f i
x= =∑
f 1+ f 2 +...+f n i−1 n

Median
1
me=L+ c
2
f { }
n−F k

Modus
b1
mo=L+ c {b 1+b 2}
Dalam daftar distribusi frekuensi umumnya bentuk tabel sebagai berikut :
Contoh soal :
1. Hasil ujian mata kuliah metode statistika yang diikuti 25 mahasiswa sebagai
berikut

Hasil ujian X(i) f

31 – 40 10 1
41 – 50 10 2
51 – 60 10 6
61 – 70 10 7
71 – 80 10 5
81 – 90 10 3
91 – 100 10 1
Jumlah 25

Tentukan rata – rata ujian, modus, median data berikut

- Mean
x f 1 +...+ x(n) f n n x (i ) f i
x= (1) =∑
f 1+ f 2 +...+f n i−1 n
10+20+60+70+50+30+ 10
=
7
250
=
7

Metstat by Kristio.M (080810239) and Thieara .R (08010281) |3

 UNIVERSITAS AIRLANGGA

= 35,7

- Median
1
me=L+ c
2
f{ }
n−F k

{ }
= 70,5 + 10 2
25−7
7
= 70,5 + 7,86
= 78,35

- Modus
b1
mo=L+ c {b 1+b 2}
6
= 70,5 + 10 {
5+6 }
= 75,95

b. UKURAN PENYEBARAN / KERAGAMAN

Ukuran penyebaran data memberikan gambaran seberapa besar data menyebar
dalam
kumpulannya. Dengan ukuran penyebaran kita dapat melihat seberapa jauh data-
data
menyebar dari titik pemusatannya.
Ukuran penyebaran yang sering digunakan antara lain :
- Wilayah / rentan / jangkauan = Nilai terbesar – nilai terkecil ( R )
Ukuran ini cukup baik digunakan untuk mengukur penyebaran data yang
simetrik dan nilai pengamatannya menyebar merata. Tetapi ukuran ini akan
menjadi tidak relevan jika nilai pengamatan maksimum dan minimum
merupakan data-data ekstrem.
Contoh : Data 7, 5, 9, 7, 8, 6 tentukan wilayahnya?
Jawab : R = 9 – 5 = 4

- Variasi / ragam
Ukuran penyebaran data yang paling sering digunakan adalah ragam.
Ragam merupakan ukuran penyebaran data yang mengukur rata-rata jarak
kuadrat semua titik pengamatan terhadap titik pusat (rataan). Apabila x1,
x2, ...,xN adalah anggota suatu populasi terhingga berukuran N, maka ragam
populasinya adalah:
n
2 ( xi 2 − x́)2
Variasi Populasi  =∑
i=1 n

(xi− x́)2
Sampel  s2=∑
n−1

Metstat by Kristio.M (080810239) and Thieara .R (08010281) |4

 UNIVERSITAS AIRLANGGA

n
( xi 2−x́)2
Simpangan Baku Popolasi  ¿
√ ∑ n
i=1

( xi−x́)2

Contoh Kasus:
Sampel  s=
√∑ n−1

Pembandingan harga kopi dalam bungkus 200 gram di empat toko kelontong
yang dipilih secara acak menunjukkan kenaikan dari harga bulan sebelumnya
sebesar 12, 15, 17, dan 20 rupiah. Hitunglah ragam contoh kenaikan harga
kopi tersebut!
Jawab:
Nilai tengah contoh kita peroleh dengan perhitungan:
n 4
∑ xi ∑ x i
12+15+17+ 20 64
x̄= i=1 = i =1 = = =16
nn 4 4 4 4
2 2
∑ ( xi − x̄ ) ∑ ( x i −16 )
2 i=1
s = = i=1
n−1 3
(−4 )2 + (−1 )2 + ( 1 )2 + ( 4 )2
s2=
3
16+1+1+16 34
s2= = =11, 33
3 3

3. Pengantar Probabilitas
Teori probabilitas
Suatu peristiwa yang mempunyai probabilitas untuk terjadi mengandung arti
bahwa ada harapan peristiwa itu akan terjadi. Jika ada kepastian bahwa suatu
peristiwa akan terjadi, maka peluang terjadinya peristiwa itu adalah 1. Jika ada
peluang sama sekali bahwa suatu peristiwa akan terjadi, maka peluangnya adalah 0.
1. Pengertian Peluang
Jika diketahui suatu kejadian A dengan ruang sampel S, maka peluang
kejadian A, ditulis P (A), adalah sebagai berikut:

n( A) banyaknya cara terjadi kejadian A

P ( A )= =
n (S ) banyak semuakemungkinan

2. Ruang sampel
Dalam menghitung peluang suatu kejadian, kita tidak perlu mendaftar unsur-
unsur dari suatu kejadian dan ruang sampelnya, tetapi cukup dengan menghitung
banyaknya titik sampel suatu kejadian dan ruang sampel tersebut. Berdasarkan
banyaknya unsur suatu ruang sampel, ruang sampel dapat dibedakan menjadi dua
jenis yaitu ruang sampel diskret dan ruang sampel kontinu. Suatu ruang sampel
dikatakan diskret jika banyaknya unsur dari ruang sampel tersebut berhingga atau
tidak berhingga terhitung (countable). Sedangkan ruang sampel dikatakan kontinu
jika ruang sampel memua semua bilangan dalam suatu interval tertentu.

Metstat by Kristio.M (080810239) and Thieara .R (08010281) |5

 UNIVERSITAS AIRLANGGA

Kumpulan dari semua hasil dari percobaan statistik, dinyatakan dengan

notasi S
Contoh : Sebuah koin dilemparkan 3 kali secara acak tentukan ruang sampelnya
S = {GGG,GGA,GAG,AGG,GAA,AGA,AAG,AAA}
= 28
= 256
Jika ruang contoh suatu percobaan terdiri atas kejadian dasar yang
diskret terhingga, ada tiga kaidah dasar cara menghitung banyaknya
ukuran ruang contoh, yaitu:

a. pengisian tempat yang tersedia

Ada dua kaidah yang dapat digunakan untuk pengisian tempat yang
tersedia, yaitu kaidahpenggandaan dan kaidah penjumlahan. Pada kaidah
penggandaan, misalnya n1 adalah banyaknya cara mengisi tempat pertama, n2
adalah banyaknya cara mengisi tempat kedua setelah tempat pertama terisi dan
nk adalah banyaknya cara mengisi tempat ke-k setelah (k-1) tempat-tempat
sebelumnya terisi, maka banyaknya cara mengisi k tempat yang tersedia
adalah:
n1.n2. ... .nk
Contoh 4.5
Pada sebuah dealer motor tersedia 4 merk sepeda motor. Masing-masing merk
menyediakan 3 jenis kapasitas silinder. Masing-masing sepeda motor
dikeluarkan dengan 2 macam warna. Jika seorang pengojek hendak membeli
sepeda motor baru, berapa macam pilihan yang dapat dilakukan olehnya?
Pikiran pengojek sewaktu memilih merk bercabang empat, sewaktu memilih
kapasitas silinder bercabang tiga dan sewaktu memilih warna bercabang dua.
Jadi, pilihannya ada
4 x 3 x 2 = 24 macam
Kaidah penjumlahan digunakan jika dalam mengisi tempat kedua setelah
tempat pertama terisi tidak dapat dilakukan menggunakan benda-benda yang
digunakan sebagai pilihan untuk mengisi tempat pertama. Jadi, misalnya n1
adalah banyaknya cara mengisi tempat pertama, n2 adalah banyaknya cara
mengisi tempat kedua dan nk adalah banyaknya cara mengisi tempat ke-k,
maka banyaknya cara mengisi k tempat yang tersedia adalah:
n1 + n2 + ... + nk
Contoh 4.6
Dari Jakarta kita dapat pergi ke Bogor menggunakan kendaraan bermotor
melalui (1)
Parung, (2) jalan lama Cibinong, atau (3) jalan tol Jagorawi. Dari Bogor kita
dapat ke
Bandung melalui (1) Sukabumi atau (2) Cianjur. Dari Jakarta kita juga dapat
ke Bandung
melalui (1) jalan tol Cikampek atau (2) jalan lama Bekasi lewat Purwakarta.
Hanya ada satu jalan raya dari Purwakarta menuju Bandung. Ada berapa
pilihan untuk pergi ke Bandung dari Jakarta?
Jika melalui Bogor ada 3x2 pilihan dan jika melalui Purwakarta ada 2x1
pilihan. Jadi, banyaknya pilihan ada 3x2 + 2x1 = 8 macam

Metstat by Kristio.M (080810239) and Thieara .R (08010281) |6

 UNIVERSITAS AIRLANGGA

b. Permutasi
Susunan yang dibentuk dari suatu kumpulan obyek yang diambil sebagian
atau seluruhnya
Banyaknya permutasi akibat pengambilan r obyek dari n obyek yang berbeda,
n!
untuk r≤ n, adalah n(n -1)(n – 2) = npr =
(n−r )!
Contoh
a. Bila diambil dua angka dari empat angka, maka berapakah susunan angka
berbeda yang mungkin dibentuk?
Jawab
4!
a. 4p2 = = 12 susunan angka
(4−2) !
c. Kombinasi
Banyaknya cara mengambil r obyek dari n obyek tanpa memperhatikan
urutan
Kombinasi adalah membuat sekatan dengan 2 sel. Satu sel berisi r benda yang
dipilih dan sel yang lain berisi n – r benda yang tidak terpilih.
Banyaknya kombinasi r obyek dari n obyek yang berbeda adalah
n= n!
nCr = ()
r r !( n−r ) !
Contoh
a. Dalam berapa cara 2 pertanyaan dalam soal ujian dapat dipilih, dari 3
pertanyaan yang disediakan?
Jawab
3 3!
()
a. 3C2 = =
2 2 !(3−2)!
=3

3. Event / kejadian
Himpunan bagian dari ruang sample (E)
E = himpunan bagian dari S
Contoh : S = { 1,2,3 } 23 = 8
E kejadian terambilnya koin bergambar 1
Macam – macam kejadian
A. Kejadian saling asing / saling lepas
Suatu kejadian yang tidak dapat terjadi pada saat yang sama

A B A U B =ϕ
P(A U B) = P(ϕ) = 0

P(A U B) = P(A) + P(B) – P(A ⋂ B)

= P(A) + P(n)

B. Dua peristiwa yang tidak saling asing

Metstat by Kristio.M (080810239) and Thieara .R (08010281) |7

 UNIVERSITAS AIRLANGGA

Kejadian bisa terjadi secara bersamaan

A B
A U B ≠ ϕ = P(A) + P(n)

P(A U B) = P(A) + P(B) – P(A ⋂ B)

4. Peluang bersyarat
Seringkali di dalam penerapan kita tertarik pada peluang yang terkait dengan
sebagian dari populasi (ruang sampel). Di sini kita berkepentingan dengan kendala
tambahan yang dikenakan oleh sebagian dari populasi yang mungkin saja tidak
berlaku bagi populasi keseluruhan. Peluang yang terkait dengan subpopulasi ini
dinamakan peluang bersyarat
Jika kejadian A terjadi dengan peluang PA maka peluang kegiatan B terjadi
apabila didahului terjadinya kegiatan A dinyatakan sebagai peluang bersyarat,
yang dirumuskan sebagai berikut
P( B∨ A)=P ¿ ¿
Contoh
 Terdapat sejumlah lulusan Sekolah Menengah Atas yang dapat disajikan
dalam daftar beriku
Jenis Kuliah Bekerja jumlah
Kelamin
Pria 460 40 500
Wanita 140 260 400
Jumlah 600 300 900

Secara acak diambilah lulusan SMA tersebut untuk dimintai komentar

terhadap tujuan kedepannya
a. Jika yang terpilih adalah kuliah, berapakah peluang yang terpilih pria
b. Tentukan peluang perempuan yang bekerja jika yang terpilih adalah
bekerja
Jawab
a. P(L ¿ K) = P ¿ ¿0,77

b. P(W ∨B)=P¿ ¿ = 0,87

 Suatu kantong berisi 4 bola merah dan 3 bola hitam, dan kantong
kedua berisi 3 bola merah dan 5 bola hitam. Satu bola diambil dari
kantong pertama dan dimasukkan tanpa melihatnya kekantong
kedua. Berapakah probabilitas apabila sekarang diambil bola
hitam dari kantong kedua?
`
Jawab
Misalkan H1,H2, dan M1 masing – masing menyatakan mengambil 1 bola
hitam dari kantong 1, 1 bola hitam dari kantong 2, dan 1 bola merah dari

Metstat by Kristio.M (080810239) and Thieara .R (08010281) |8

 UNIVERSITAS AIRLANGGA

kantong 1. Ingin diketahui gabungan dari kejadian mutually exclusive

H1 ⋂H2 dan M1 ⋂ H2. Berbagai kemungkinan dan probabilitasnya
perhatikan gambar di bawah ini

Kantong 2
3M, 6H

Kantong 1
4M, 3H

Kantong 3
4H, 5H

Selanjutnya,
P [( H 1 ⋂ H 2) atau ( M 1 ⋂ H 2) ] =P (H 1 ⋂ H 2)+ P(M 1 ⋂ H 2)
= P ( H 1 ) P ( H 2∨H 1 ) + P ( M 1 ) P ( H 2 ∨M 1 )

= ( 37 )( 69 )+( 47 )( 59 )
38
=
63

5. Kaidah Bayes
Penerapan menarik lainnnya dari peluang bersyarat adalah apa yang disebut
peluang pasterior. Hal ini diberikan oleh Kaidah Bayes. Pada teladan di atas,
dengan mudah kita dapat menjawab pertanyaan berapa peluang terambilnya bola
biru pada ambilan kedua, bila pada ambilanpertama terambil bola merah?
Karena pada ambilan pertama diperoleh merah, maka di dalam kotak masih
ada 1 merah dan 3 biru, sehingga peluang terambilnya bola biru pada ambilan
kedua bila pada ambilan pertama terambil bola merah adalah ¾. Sekarang
pertanyaannya dibalik. Bila pada ambilan kedua terambil bola biru, berapa
peluang pada ambilan pertama terambil bola merah, P(M1|B2)?
Menurut rumus peluang bersyarat,

Akan tetapi

Dan
Metstat by Kristio.M (080810239) and Thieara .R (08010281) |9
 UNIVERSITAS AIRLANGGA

Sehingga

Perhatikan bahwa informasi terjadinya B2 telah mengubah peluang awal dari

P(M1)=2/5 menjadi P(M1|B2)=1/2.

Contoh di atas mengilustrasikan teorema berikut yang dikenal sebagai Kaidah

Bayes:

Bila kejadian-kejadian B1, B2, ..., Bk merupakan sekatan dari ruang sampel S
dengan P(Bi)  0
untuk i = 1, 2, ..., k, maka untuk sembarang kejadian A yang bersifat P(A) 0,

Contoh Kasus :
 Tiga anggota koperasi dicalonkan menjadi ketua. peluang Pak Ali terpilih
adalah 0,3; peluang Pak Badu terpilih adalah 0,5; sedangkan peluang Pak
Cokro adalah 0,2. Apabila seseorang merencanakan masuk menjadi anggota
koperasi tersebut, tetapi menundanya beberapa minggu dan kemudian
mengetahui bahwa iuran telah naik, berapakah peluang Pak Cokro terpilih
menjadi ketua?

Jawab :
Dengan menggunakan Kaidah Bayes, diperoleh bahwa :
P ( B 3 ) P ( A∨B 3 )
P ( B 3∨ A ) =
P ( B1 ) P ( A∨B1 ) + P ( B 2) P ( A∨B2 ) + P ( B3 ) P ( A∨B3 )
Selanjutnya, masukkan peluang yang telah dihitung pada contoh sebelumnya,
sehingga diperoleh :
0,08 8
P ( B 3∨ A ) = =
0,24+0,05+0,08 37
Berdasarkan kenyataan bahwa iuran telah naik, maka hasil ini menunjukkan
bahwa kemungkinan besar bukan Pak Cokro yang sekarang menjadi ketua
koperasi tersebut

4. DISTRIBUSI VARIABEL RANDOM

Variabel random adalah sebuah fungsi dengan domain hasil percobaan dan
kodomain adalah bilangan riil, simbol variabel random adalah huruf kapital.

Metstat by Kristio.M (080810239) and Thieara .R (08010281) | 10

 UNIVERSITAS AIRLANGGA

Bila suatu ruang sampel berisi sejumlah kemungkinan terhingga atau urutan yang
tidak terbatas dengan unsur sebanyak jumlah bilangan bulat, ruang sampel model ini
disebut sebagai ruang sampel diskrit
Bila suatu ruang sampel berisi sejumlah kemungkinan tak terhingga yang sama
dengan jumlah titik-titik dalam sebuah segmen garis, ruang sampel model ini disebut
sebagai ruang sampel kontinyu.
Variabel acak diskrit bila himpunan keluarannya dapat dihitung.
Variabel acak dapat mengambil nilai-nilai pada skala kontinyu disebut sebagai
variabel acak kontinyu.

Contoh :
Seorang petugas ruang simpan mengembalikan tiga helm keselamatan secara acak
kepada tiga pegawai pabrik baja yang sudah memeriksa helm tersebut. Bila Smith,
John, dan Brown di dalam urutan itu, menerima salah satu dari 3 helm itu, tulislah
titik-titik contoh bagi urutan yang mungkin dari pengembalian helm tersebut, dan
carilah nilai m dari peubah acak M yang mewakili jumlah kecocokan yang tepat.
Penyelesaian:
Bila S, J dan B masing-masing menunjukkan helm milik Smith, Jones dan Brown
maka susunan yang mungkin dimana helm akan dikembalikan dan jumlah kecocokan
yang benar adalah

Himpunan pasangan nilai-nilai variabel acak X dengan probabilitas nilai-nilai

variabel acak X, P(X = x) disebut probabilitas X atau disingkat distribusi X.
Himpunan pasangan tersusun (x, f(x)) adalah sebuah fungsi probabilitas atau fungsi
kerapatan probabilitas dari variabel acak X untuk setiap keluaran x yang mungkin.
Sifat-sifat fungsi f(x) adalah
a. Variabel acak diskrit
1. f ( x )=P ( X =x )  fungsi probabilitas
2. f ( x )≥0
∑ f ( x ) =1
3. x
b. Variabel acak kontinyu
b
P ( a< X <b )=∫ f ( x )dx
1. a  fungsi kepadatan probabilitas/probability
density function (pdf)

Metstat by Kristio.M (080810239) and Thieara .R (08010281) | 11

 UNIVERSITAS AIRLANGGA

2. f ( x )≥0
∞
3. ∫−∞ f ( x) dx=1
Jika variabel acak X memiliki fungsi probabilitas f(x), maka fungsi distribusi
kumulatif dari X, yaitu F(x) dinyatakan sebagai
∑ f (x) X diskrit
F ( x )=P ( X≤x ) =
{
−∞
X
X ≤x

∫ f ( x ) dt X kontinyu

Fungsi distribusi kumulatif F(x) dapat dinyatakan pada interval a≤X≤b yaitu
sebagai:
P ( a≤ X≤b )=F ( b )−F ( a ) .
Fungsi kerapatan probabilitas f(x) dapat dinyatakan sebagai hubungan dengan
distribusi kumulatif sebagai:
dF ( x )
f ( x )=
dx

Contoh:

Sebuah pengiriman 8 mikrokomputer yang serupa ke suatu jaringan eceran berisi 3

yang cacat. Bila suatu sekolah melakukan suatu pembelian acak 2 dari komputer ini,
carilah sebaran probabilitas untuk jumlah cacat.
Penyelesaian :

Metstat by Kristio.M (080810239) and Thieara .R (08010281) | 12

 UNIVERSITAS AIRLANGGA

Ambil X sebagai peubah acak yang nilai x-nya adalah jumlah komputer cacat yang
mungkin dibeli oleh sekolah tersebut. Maka x dapat menjadi salah satu dari bilangan
0,1,2. Sekarang
 3  5   3  5 
     
0 2 10 1 1 15
f  0   P  X  0       f  1  P  X  1     
8 18 8 18
   
2 ,  2 ,

 3  5 
  
2 0 3
f  2   P  X  0      
8 18
 
2
sehingga sebaran probabilitas dari X adalah
X 0 1 2
f(x) 10
28
15
28
3
28

Harapan matematis berguna untuk menentukan mean ( μ ) , variansi ( σ 2 ) , atau

standar deviasi( σ ) dari populasi yang dirumuskan sebagai:
1. Mean populasi, μ=E ( X )
2. Variansi populasi
∑ ( x−μ )2 f ( x ) X diskrit
2 2
σ =E {( X−μ ) }=
{∫
−∞
∞
X≤ x

( x−μ )2 f ( x ) dx

2
X kontinyu

3. Standar deviasi σ = {( X−μ ) } √

Besarnya variansi dapat disederhanakan menjadi
σ 2 =E {( X−μ )2 }=E ( X 2 ) −μ2
Bila X adalah variabel acak dengan distribusi probabilitas f(x), mean dari variabel
acak g(X) diberikan oleh
μg ( X )=E [ g( X ) ] =∑ g( x ) f ( x )
Untuk X diskrit, dan
∞
μg (X )=E [ g( X )]=∫ g( x)f (x )dx
∞
jika X kontinyu.
Bila X adalah variabel acak dengan distribusi probabilitas f(x) dan mean, μ
, variansi X diberikan oleh

Metstat by Kristio.M (080810239) and Thieara .R (08010281) | 13

 UNIVERSITAS AIRLANGGA

σ 2 =E [ ( X −μ )2 ]=∑ ( X −μ )2 f (x )
untuk X diskrit, dan

σ 2 =E [ ( X −μ )2 ]=∫ ( X −μ )2 f ( x )dx

jika X kontinyu.

Contoh 7.
Misalkan variabel acak X mempunyai distribusi probabilitas:

X -3 6 9
P(X 1 1 1
) 6 2 3

Tentukanlah:
a. E(X) dan E(X2);
b. E{(2X + 1)2};
c. E[{X – E(X)}2 ]!
Penyelesaian :
a. E(X) =  x P( X = x )
= ( -3 ) 1/6 + ( 6 ) 1/2 + ( 9 ) 1/3
= 11 / 2
= 5,5
E(X ) =  x2 P( X = x )
2

= ( -3 )2 1/6 + ( 6 )2 1/2 + ( 9 )2 1/3

= 93 / 2
= 46,5

b. E{(2X + 1)2} = E(4X2 + 4X + 1)

= 4 E(X2) + 4 E(X) + E(1)
= 4 . 46,5 + 4 . 5,5 + 1
= 209

c. E[{X – E(X)}2 ] = E[X2 – 2XE(X) + E(X)2]

= E(X2) – 11 E(X) + 30,25
= 46,5 – 11 . 5,5 + 30,25
= 16,25

5. Distribusi Probabilitas
Secara garis besar, distribusi probabilitas dapat dibedakan atas distribusi
probabilitas variabel diskret dan kontinu. Probabilitas variabel diskret adalah fungsi
peluang dari peubah-peubah acak diskret, seperti Bernoulli, Binomial,
Hipergeometrik, Poisson, dan lain-lain. Sedangkan probabilitas variabel kontinu

Metstat by Kristio.M (080810239) and Thieara .R (08010281) | 14

 UNIVERSITAS AIRLANGGA

adalah fungsi peluang peubah-peubah acak kontinu, antar lain Seragam, Normal, dan
lain-lain.

a. Distribusi Uniform
Bila variabel acak X memiliki nilai x1, x2, .... xk dengan probabilitas yang sama,
maka distribusi uniform diskrit dinyatakan sebagai:

Contoh : Bila lampu pijar dipilih secara acak dari suatu kotak yang berisi lampu
pijar 40 watt, 60 watt, 75 watt, 100 watt, dengan probabilitas masingmasing ¼.
Maka distribusi uniformnya adalah:

b. Distribusi Bernouli
Sebuah variabel X, dikatakan berdistribusi bernouli jika variabel diskritnya
berbentuk
f ( x )= p y . q1− x , y=0,1, …
q=1− p → p+ q=1 p sukses
q gagal
Ciri – ciri Distribusi bernouli
- Hanya mengulang 1 kali kejadian
- Kejadiannya independent
- Percobaanya dilakukan hanya sekali

Contoh:
Peluang seorang mahasiswa lulus ujian statistika. Tentukan peluang thea lulus
ujian, apabila dia hanya mengikuti 1 X ujian
Jawab:
f ( x )= p y . q1− x
= 0,7 1 . 0,31−1=0,7

c. Distribusi Binomial
Bila suatu ulangan binom mempunyai peluang sukses p dan peluang gagal q = 1-
p, maka sebaran peluang bagi peubah acak binom X, yaitu banyaknya kesuksesan
dalam n ulangan yang bebas, adalah

Nilai tengah dan ragam bagi sebaran binom b(x;n,p) adalah

Contoh :

Dari hasil kajian akademik diperoleh bahwa peluang dosen hadir dalam
kegiatan belajar
mengajar sebesar 90%. Jika proses belajar mengajar per semester dilakukan
sebanyak 14 kali, hitunglah :
a. peluang dosen hadir dalam kegiatan belajar mengajar sebanyak 10 kali !
b. peluang dosen hanya tidak hadir satu kali !
c. peluang dosen hanya tidak hadir pada pertemuan ke 14 !

Metstat by Kristio.M (080810239) and Thieara .R (08010281) | 15

 UNIVERSITAS AIRLANGGA

d. peluang dosen hanya hadir pada pertemuan pertama !

Penyelesaian :
X = banyaknya dosen mengajar dalam satu semester
p = 0.9, n = 14

b. Jika dosen tidak hadir sekali, maka ada 14 kemungkinan dosen tersebut tidak
hadir dari pertemuan. Dengan demikian peluangnya :

c. Karena sudah ditentukan bahwa dosen tidak hadir pada pertemuan ke 14, maka
peluangnya :

d. Karena sudah ditentukan bahwa dosen hanya hadir pada pertemuan pertama,
maka peluangnya :

d. Distribusi Hipergeometrik
Ciri-ciri percobaan hipergeometrik :
a. suatu contoh acak berukuran n diambil dari populasi yang berukuran N
b. k dari N benda diklasifikasikan sebagai sukses dan N-k benda diklasifikasikan
sebagai gagal
Bila dalam populasi N benda, k benda diantaranya diberi label sukses dan N-k
benda lainnya diberi label gagal maka sebaran peluang bagi peubah acak
hipergeometrik X, yang menyatakan banyaknya kesuksesan dalam contoh acak
berukuran n, adalah

Contoh
Dalam suatu kantong terdapat 10 bola merah dan 5 bola putih. Bila diambil 3 bola
secara acak,
tentukan peluang untuk memperoleh 0, 1, 2, dan 3 bola merah!
Penyelesaian :
Misalkan :
N1 : banyaknya bola merah =10

Metstat by Kristio.M (080810239) and Thieara .R (08010281) | 16

 UNIVERSITAS AIRLANGGA

N2 : banyaknya bola putih=5

N : banyaknya bola = N1 + N2 = 10+5=15
n : banyaknya sampel yang diambil
X : banyaknya bola merah yang diperoleh
Kombinasi bola merah yang diperoleh adalah (10k )
5
(3−k
Kombinasi bola putih yang diperoleh adalah )
15
Kombinasi semua sampel yang diperoleh adalah ( )
3
Maka peluang untuk memperoleh banyaknya bola merah X=k dalam sampel
tersebut adalah :

6. DISTRIBUSI POISSON
Merupakan sebuah distribusi yangmenyatakan banyaknya hasil percobaan yang terjadi
selama suatu selang waktu atau daerah tertentu yang sering disimbolkan dengan Fx
μ x e−μ
variabel acak f x , μ =
( ) ; dimana x = 0,1,2,...n dan e = 2,7183 ; untuk nilai rata-
x!
rata E(x) = µ dan varian var(x) = µ.
Contoh :
Rata-rata nilai fisika di SMA X adalah 4. Berapa peluang bahwa beberapa siswa SMA X
akan mendapat nilai rata-rata 6 dalam mata pelajaran fisika?
Jawab :
x=6 ; μ=4
6 5
e−4 4 6
p ( 6 ; 4 )= =∑ p ( x ; 4 ) ∑ p ( x ; 4 ) ( li h at tabel A .3 )
6! x=0 x=0

p ( 6 ; 4 )=0.8893−0.7851=0.1042

Metstat by Kristio.M (080810239) and Thieara .R (08010281) | 17

 UNIVERSITAS AIRLANGGA

7. DISTRIBUSI NORMAL
Jika x variabel random yang berdistribusi normal, jika PDF nya berbentuk
x−μ 2
−1
1
f ( x , μ , σ 2 )=
√ 2 πσ
e 2
( )
σ
. Dengan −∞< x <∞ ;−∞< μ< ∞; 0< σ <∞

Kurva normal
Untuk menghitung/ menentukan peluang dengan menggunakan distribusi normal, maka
dapat digunakan tabel normal (A4).
Contoh :
Sebuah lampu merek abal-abal memiliki waktu hidup rata-rata 300 hari, dengan
simpangan baku 50. Hitunglah peluang jika lampu merek abal-abal memiliki waktu
hodup lebih dari 362 hari.
Jawab :
μ=300; σ=50 ; p ( x>362 )
362−300
z= =1.24 ;
50
Dengan demikian :
p ( x>362 ) =p ( z >1.24 )
p ( x>362 ) =1− p ( z>1.24 )
¿ 1−0.8925
p ( x>362 ) =0.1075

8. DISTRIBUSI HAMPIRAN
 Jika n besar, P mendekati 0 atau P mendekati 1, maka kasus binomial dapat
diselesaikan dengan distribusi poisson.
 Jika n besar, maka dapat diselesaikan dengan distribusi normal.
Theorema
Jika x variabel random binomial (diskrit) dengan rata-rata μ=nP dan varian σ 2=nPq
x −μ x−nP
,maka distribusi hampirannya adalah normal baku, dengan; Z= = untuk n
σ √ nPq
mendekati ∞.

Metstat by Kristio.M (080810239) and Thieara .R (08010281) | 18

 UNIVERSITAS AIRLANGGA

Karena perubahan dari distribusi diskrit menjadi distribusi hampiran kontinyu, maka
1
sesalu digunakan koreksi ( ± ) untuk variabel random X.
2
Catatan :
1 1
 a< x <b ↔ a− < x <b−
2 2
1
 x <a ↔ x =a−
2
1
 x >a ↔ x =a+
2
1 1
 x=a ↔ x 1=a− dan x =a+
2 2
Contoh :
Budi mengikuti ujian SNMPTN yang dilaksanakan di UNAIR. Budi diberi 300 soal
kemampuan dasar, yang masing-masing memiliki 5 opsi ,dan 1 diantaranya benar.
Berapakah peluang Budi yang menjawab 100 jawaban acak dari 200 soal yang sama
sekali tidak diketahui jawabanya. Hitung peluang dari yang dijawabnya ada 25 sampai
30 soal benar.
Jawab :
P(25<x<30) => p =1/5, q = 4/5 ,n = 30 (Binomial)
1
μ=np=100 () 5
=20

1 4
σ =npq=100 ( )( )=16
2
5 5

P(25 <μ<30)

x 1−np x −np 24.5−20 30.5−20

p( √npq
<Z < 2
√ npq ) (
=p
√16
< Z<
√ 16 )
4.5 10.5
p[ <Z< = p [1.125< Z <2.625]]
√ 16 √ 16
p[Z<2.625]-p[Z<1.125] = 0,9956-0,8944

0,1012= 10,12 %

9. DISTRIBUSI SAMPLING
Dalam hal penarikan sampel dari sebuah distribusi populasi terdapat beberapa teknik
yakni :
1) Pengambilan sample dengan sistem pengembalian
2) Pengambilan sample tanpa pengembalian
Distribusi sampling merupakan himpunan semua nilai statistik yang direkam dari proses
pengambilan sample dengan sistem pengembalian. Penamaan distribusi
samplingtergantung dari nilai statistik yang dikumpulkan, contoh :

Metstat by Kristio.M (080810239) and Thieara .R (08010281) | 19

 UNIVERSITAS AIRLANGGA

 Jika nilai rata-rata yang dikumpulkan, maka dinamakan distribusi samplig rata-rata.
 Jika selisish / jumlah rata-rata yang dikumpulkan, maka distribusi sampling
dinamakan distribusi sampling selisih / rata-rata.
 dst...

10. DISTRIBUSI SAMPLING RATA-RATA

Secara khusus berlaku ketentuan sebagai berikut :
σ
A. μ= x́ dan σ x́ =
√n
 Untuk pengambilan sampel dengan pengembalian.
n
 Perbandingan <5 % .
N
 Populasi tak hingga.
σ N −n
B. x́=μ dan σ x́ =
√
√ n N −1
 Untuk pengambilan sampel tanpa pengembalian
n
 Perbandingan ≥ 5 %.
N
 Populasi terhingga.
Theorema :
Jika semua kemungkinan semua sampel random (n) diambil dengan sistem pengembalian
dari suatu populasi N, yang memiliki rata-rata µ, maka simpangan baku γ ,maka untuk N
distribusi sampling nilai rata-rata akan menghampiri distribusi normal dengan rata-rata
x́ −μ
σ Z= d Z(N ( 0,1 ) )
x́=μ dan simpangan baku γ x́ = . Sehingga σ → .
√n
√n
Dalam prakteknya biasanya rata-rata dan simpangan baku tidak diketahui, maka
estimaternya :
2 2 2 ∑( i
x́ −x́ ) 2
E ( S ) =σ , dengan S =
N −1
Sehingga ;
x́−x
t= α
σ
√n
( z )
terdistribusi t= , n−1 → derajat kebebasan

Dengan demikian, maka

 Jika σ 2 diketahui ( n ≥ 30 ataun<30 ) maka memakai Z.
 Jika σ2 diketahui ( n<30 ) maka memakai t.
 Jiks σ 2 diketahui ( n>30 ) maka dapat memakai t atau Z.
Contoh:
Laptop ACER memiliki life time batreenya selama 6.8 thn dengan simpangan baku 0.5
thn. Laptop DELL memiliki life time batree selama 7.2 thn dengan simp.baku 0.6 thn.

Metstat by Kristio.M (080810239) and Thieara .R (08010281) | 20

 UNIVERSITAS AIRLANGGA

Tentukan peluang sebuah sampel random 25 buah batree ACER mencapai rata-rata
sekurangnya 1 thn lebih lama dari pada life time batree DELL 36 buah.
Jawab :
μ1=6.8 ; μ2 =7.2; σ 1=0.5 ; σ 2=0.6 ; n1=25 ; n2=36
( x́2 −x́1 ) −( μ2 −μ 1 ) 7.2−6.8 0.4
Z= = = =2.828
σ 2 2 σ 12 0.62 0.52 0.1414
√
n 2 n1
+ √
36
+
25
p ( z ≥ 2.828 )=1−p ( z <2.828 )=1−0.9976
p ( z ≥ 2.828 )=0.0024=0 . 24 %

11. DISTRIBUSI SAMPLING SELISIH

Jika sampel bebas diambil dari 2 populasi yang besar (tak hingga) dengan rata-rata
masing-masing μ1 dan μ 2 dengan variansinya σ 1 dan σ 2 maka, selisih kedua nilai sampel
x́ 1− x´2 akan berdistribusi menghampiri distribusi normal.
σ 21 σ 22
μ1−μ 2= x́1 − x́2 atau σ 1−σ 2=
√
( x́ 1− x´2 )−( μ1 −μ 2 )
+
n1 n2

maka , Z= d N ( 0,1)
σ 21 σ 22
√
→
+
n1 n2
Contoh :
Sebuah SMA di Kediri didapatkan 30 siswa kelas XII memiliki kemampuan rata-rata IQ
81 dan simp.baku 9, sedangkan 35 para siswi kelas XII berkemampuan IQ rata-rata 100
dengan simp.baku 10. Hitunglah jika siswi kelas XII akan melampaui nilai rata-rata
siswa kelas XII sekurang-kurangnya 4,5 tetapi kurang dari 6.
Jawab:
μ1=30 ; μ2=35; σ 1=9 ; σ 2 =10; n1=81 ; n2=100
4.5< x< 6
4.5−( 35−30 ) 4.5−5
Z1 = = =−0.353
10 2 92 √2
√
100 81
+

6−( 35−30 ) 6−5

Z2 = = =0.707
10 9 2 2 √2
√ +
100 81
p ( Z 1 < Z< Z 2 )= p (−0.353< Z <0.707 )
p ( Z 1 < Z< Z 2 )= p ¿
p ( Z 1 < Z< Z 2 )=0.7794−0.6368=0.1426=14.26 %

12. ESTIMASI PARAMETER POPULASI

Bagian dari statistik infersi yang berfungsi untuk menduga nilai-nilai parameter populasi
(tidak diketahui besarnya) dengan menggunakan penduga sampel (statistik)

Metstat by Kristio.M (080810239) and Thieara .R (08010281) | 21

 UNIVERSITAS AIRLANGGA

Sifat-sifat penduga estimasi parameter yaitu :

 Bersifat tidak bias / tidak menyimpang dari nilai yang sebenarnya.
Secara statistik jika parameter populasi disimbolkan dengan σ dan statistik
sampel dinyatakan dengan σ^ maka penduga parameter dinamakan tak bias jika
terpenuhi E ( σ^ ) =σ.
Secara umum estimasi dibedakan menjadi 2, yakni :
1) Point estimasi (titik estimasi) → cenderung ke nilai kesalahan estimasi
2) Interval estimasi → lebih umum
Secara matematis, parameter estimasi dapat diformulasikan :
P [ σ^1 <σ < σ^2 ]=1−α , α= L.O.S (Level of Segnificant) (%) atau kesalahan menolak suatu
yang benar (kesalahan type 1).

13. ESTIMASI TITIK

[ statistik− parameter ] < d
^
[ θ−θ ] <d ⟹ marginerror ( ≤2 % ) , dengan d =simp . baku sampel × statistik tabel
2
Z d ×σ Z d ×σ
[ x́−μ ] <d ⟹ d=Z d × σ ⇒ n= 2
2 √n √ d
→n= 2
d ( )
14. ESTIMASI INTERVAL
Secara analog, pendugaan parameter dengan interval, merupakan pendugaan yang lebih
umum dari rumus utama P [ θ^ 1 <θ< θ^ 2 ] =1−α dapat disederhanakan sebagai berikut:
P [ θ^ 1 <θ< θ^ 2 ] =1−α
x́ −μ
Z= ; Z 1 dan Z 2=Z d ;
P [ Z 1 <Z < Z 2 ] =1−α ; σ 2
√n
x́−μ

[
P −Z d ≤
2

σ
σ
√n
≤ Z d =1−α
2
] σ
[
P −Z d ×
2 √n
≤ μ−x́ ≤ Z d ×
2 √n
=1−α
]
P[ x ̅ −Z(d ⁄ 2) ×σ ⁄ √ n ≤ μ−x ̅ ≤ x ̅ + Z(d ⁄ 2) × σ ⁄ √ n]=1−α
Maka dapat disimpulkan :
a) Semakin kecil α maka rantangnya semakin lebar dan semakin baik.
b) Jika margin error diketahui, maka jumlah samel dihitung dari :
d=Zα ⁄ 2× σ ⁄ √ n sehingga √ (n)=(Zα ⁄ 2 ×σ ) ⁄ d → n=(( Zα ⁄ 2 × σ) ⁄ d)2
Jika varian populasi tidak diketahui, maka dapat diganti S 2 dengan demikian selang
kepercayaan untuk rata-rata populasi dengan syarat populasi tidak diketahui adalah :
( x t )̅ −t ((d ⁄ 2 ,υ)) s ⁄ √ n ≤ μ ≤( x t )̅ +t ((d ⁄ 2 , υ)) s ⁄ √ n ; dengan υ=¿ df(deegre of freedom) =
n-1 (derajat kebebasan).
Untuk interval selisih rata-rata dengan σ 12 dan σ 22 ,diktahui :

Metstat by Kristio.M (080810239) and Thieara .R (08010281) | 22

 UNIVERSITAS AIRLANGGA

σ 21 σ 22 σ 21 σ 22
( x́ 1−x́ 2 )−Z d
2 √ + ≤ μ 1−μ2 ≤ ( x́ 1−x́ 2 )−Z d
n1 n 2 2 √
+
n1 n 2
Untuk interval selisih rata-rata dengan σ1 , σ22 yang tidak diketahui, maka diganti dengan
2

Sg2 ; (σ12= σ22= σ2).

1 1 1 1
( x́ 1−x́ 2 )−t α −υ s g
(2 ) √ + ≤ μ −μ ≤ ( x́ 1−x́ 2 )−t α s g
n 1 n2 1 2 (2 )
−υ n 1
+
√n2
( n1−1 ) s + ( n 2−1 ) s 22
2
1
Dengan : υ=n 1+ n2−2 ; sehingga : s g=
n 1+ n2−2
2 2
Jika σ1 , σ2 tidak diketahui dan tidak sama dengan 0, maka:

s 21 s22 s 21 s22
( x́ 1−x́ 2 )−t α −υ s g
(2 ) √ + ≤ μ −μ ≤ ( x́ 1−x́ 2 )−t α s g
n 1 n2 1 2
2
√ +
( 2 −υ ) n1 n2
s 21 s 22

υ=
( +
n1 n 2 )
Dengan : s21 s22

( ( ) ( )
n1
+
n2
)
n1−1 n2−1
Contoh :
36 peserta kuis fisika dari daerah kediri mendapatkan nilai rata-rata 80 dan simp.baku 10
dengan α=5%, buatlah selang kepercayaanya.
Jawab :
N = 80 ; x́= 80; σ = 10 ; α = 5%
Z α =1−Z α =1−0.025=0.975 ( li h at tabel A .4 ) Z α =1.96
2 2 2
σ σ
x́−Z α . ≤ μ ≤ x́ + Z α .
2 √n 2 √n
10 10
80−1.96 . ≤ μ ≤80+1.96 .
√ 36 √ 36
80−3.3 ≤ μ ≤ 80+3.3
76.7 ≤ μ ≤ 83.3

15. UJI HIPOTESIS

Dalam statistika interfensi, uji hipotesis merupakan bagian penting karena menguji benar
tidaknya parameter populasi yang tidak diketahui.
Secara umum hipotesis adalah suatu pernyataan yang nilai kebenarannya maasih perlu
diklarifikasi lebih lanjut dalam teori hipotesis. Teori hipotesis sendiri terbagi atas :
1) Hipotesis awal / nol (H0) → hipotesis yang akan diuji.
2) Hipotesis akhir / alternatif (H1)
H0 dan H1 saling berlawanan.

Terima H0 Tolak H0

Metstat by Kristio.M (080810239) and Thieara .R (08010281) | 23

 UNIVERSITAS AIRLANGGA

H0 Benar Keputusan benar Kesalahan I (α I)

H0 Salah Kesalahan II (α II) Keputusan benar
α ≫→β ≪
α ≪ dan β ≪ ; maka n≫
Macam-macam Hipotesis :
a) Sederhana
H 0=θ=θ0
H 1=θ=θ1
b) Majemuk
 H 0=θ=θ0
H 1=θ>θ 1
 H 0=θ=θ0
H 1=θ<θ 1
 H 0=θ=θ0
H 1=θ ≠ θ1
 H 0=θ ≥ θ0
H 1=θ<θ 1
 H 0=θ ≤ θ0
H 1=θ>θ 1
Prosedur pengujian hipotesis :
1. Tentukan rumusan H0 dan H1nya.
2. Catat info dalam soal parameter-parameter yang diketahui, termasuk tentukan
statistik tabelnya.
3. Tentukan statistik hitung dengan rumus.
nilai statistik−nilai parameter
Sh=
simpangan baku statitik
4. Tentukan kriteria kapan H0 ditolak/diterima dengan memperhatikan hipotesis
langkah 1 dan statistik tabelnya.
5. Bandingakan langkah 3 dan 4
6. Simpulkan

Metstat by Kristio.M (080810239) and Thieara .R (08010281) | 24