Anda di halaman 1dari 88

Politeknik Telkom Statistika

i

STATISTICS
























POLITEKNIK TELKOM

Politeknik Telkom Statistika


ii
BANDUNG

2008


HALAMAN PENGARANG DAN COPYRIGHT

Penulis:
1. SRI SURYANI PRASETOWATI M.Si
2. YULIANT SIBARONI S.Si, M.T


















Dilarang menerbitkan kembali, menyebarluaskan atau menyimpan baik
sebagian maupun seluruh isi buku dalam bentuk dan dengan cara
apapun tanpa izin tertulis dari Politeknik Telkom.
Politeknik Telkom Statistika


iii

Hak cipta dilindungi undang-undang @ Politeknik Telkom 2008


No part of this document may be copied, reproduced, printed,
distributed, modified, removed and amended in any form by any means
without prior written authorization of Telkom Polytechnic.

Copyright @ 2008 Telkom Polytechnic. All rights reserved


KATA PENGANTAR


Segala puji bagi Allah SWT, yang telah melimpahkan nikmat-
Nya kepada penulis sehingga dapat menyelesaikan penulisan course
ware ini. Course ware ini digunakan oleh penulis sebagai acuan untuk
mata kuliah Statistika di Politeknik Telkom. Course ware ini ditujukan
bagi mahasiswa program studi diploma.
Course ware ini terdiri dari 12 bab yang secara umum berisi
dasar dasar untuk melakukan pengolahan dan analisis data statistik
baik secara deskriptif maupun inferensia. Dasar peluang juga
diberikan secara terbatas untuk dasar analisis statistik secara inferensia.
Semua materi tersebut merupakan bahan kuliah yang sesuai dan
kurikulum yang berlaku di Politeknik Telkom.
Politeknik Telkom Statistika


iv
Pada kesempatan ini, penulis menyampaikan terima kasih yang
tulus kepada berbagai pihak atas segala bantuan dan dukungannya
sehingga penulis dapat menyelesaikan penulisan course ware ini.
Akhirnya, penulis mohon maaf jika dalam tulisan ini masih banyak
kekurangan. Sumbangan ide, saran, dan kritik yang membangun untuk
perbaikan diktat ini sangat penulis harapkan.

Bandung, Juli 2008



Penulis,



DAFTAR ISI


KATA PENGANTAR ................................................................ iii
DAFTAR ISI .............................................................................. iv
1 MENGENAL DATA ................................................ 1-1
1.1 Populasi dan sampel .................................................... 1-2
1.2 Skala pengukuran ......................................................... 1-4
Latihan ................................................................................... 1-7
2 STATISTIKA DESKRIPTIF ..................................... 2-1
2.1 Ukuran Pemusatan ...................................................... 2-2
2.2 Ukuran Penyebaran .................................................... 2-3
Politeknik Telkom Statistika


v
2.3 Ukuran Letak ................................................................ 2-3
2.4 Distribusi Frekuensi..................................................... 2-4
2.5 Penyajian dalam Bentuk Grafik ................................. 2-6
3 PELUANG, PELUANG BERSYARAT, DAN KAIDAH
BAYES .................................................................... 3-3
3.1 Ruang Sampel dan Kejadian...................................... 3-4
3.2 Peluang ......................................................................... 3-5
3.3 Peluang Bersyarat ....................................................... 3-7
3.4 Kaidah Bayes .............................................................. 3-11
4 PEUBAH ACAK, DISTRIBUSI PELUANG DISKRET,
DAN DISTRIBUSI PELUANG KONTINU ............ 4-17
4.1 Peubah acak ................................................................. 4-2
4.2 Distribusi peluang diskret .......................................... 4-3
4.3 Distribusi peluang kontinu ........................................ 4-3
Latihan ................................................................................... 4-7
5 DISTRIBUSI PELUANG KHUSUS DISKRET DAN
KONTINU .............................................................. 5-1
5.1 Distribusi Peluang Diskret ............................................ 5-2
5.1.1 Distribusi Bernoulli dan binomial ............................ 5-2
5.1.2 Distribusi poisson ..................................................... 5-5
5.2 Distribusi peluang kontinu ........................................ 5-12
5.2.1 Distribusi normal .................................................... 5-12
5.2.2 Distribusi normal baku ........................................... 5-14
5.2.3 Distribusi uniform .................................................... 5-16
5.2.4 Distribusi Eksponensial ............................................ 5-17
Latihan ................................................................................. 5-22
6 DISTRIBUSI SAMPLING DAN DALIL LIMIT PUSAT
............................................................................... 6-1
6.1 Distribusi sampling ..................................................... 6-2
Politeknik Telkom Statistika


vi
6.2 Dalil limit pusat ........................................................... 6-3
Latihan ................................................................................. 6-10
7 UJI KESESUAIAN MODEL .........Error! Bookmark not
defined.
7.1 Tes Chi-kuadrat ... Error! Bookmark not defined.
7.2 Uji Kasus Distribusi Geometrik .. Error! Bookmark not
defined.
7.2.1 Penaksir untuk u ........... Error! Bookmark not defined.
7.2.2 Contoh Data Penelitian Error! Bookmark not defined.
7.2.3 Prosedur pengolahan data ........ Error! Bookmark not
defined.
Latihan .................................... Error! Bookmark not defined.
8 UJI KENORMALAN ..... Error! Bookmark not defined.
8.1 Statistik uji kenormalan Error! Bookmark not defined.
8.2 ShapiroWilk ................. Error! Bookmark not defined.
8.3 Statistik AndersonDarling ........ Error! Bookmark not
defined.
8.4 Statistik KolmogorovSmirnov .. Error! Bookmark not
defined.
9 TRANSFORMASI DATA ............Error! Bookmark not
defined.
9.1 Transformasi untuk satu angkatan data ............... Error!
Bookmark not defined.
9.2 Transformasi untuk beberapa angkatan data
(menyamakan ............... Error! Bookmark not defined.
10 UJI HIPOTESIS NILAI TENGAH DAN PROPORSI
..................................... Error! Bookmark not defined.
10.1 Hipotesis Statistik ......... Error! Bookmark not defined.
( )
2
_
Politeknik Telkom Statistika


vii
10.1.1 Pengujian hipotesis untuk satu nilai tengah.. Error!
Bookmark not defined.
10.1.2 Pengujian hipotesis untuk selisih antara dua nilai
tengah ........................... Error! Bookmark not defined.
10.2 Uji proporsi ................... Error! Bookmark not defined.
10.2.1 Uji terhadap satu nilai proporsi ... Error! Bookmark
not defined.
10.2.2 Pendekatan normal baku untuk uji terhadap satu
nilai Error! Bookmark not defined.
10.2.3 Pengujian perbandingan dua proporsi .......... Error!
Bookmark not defined.
11 ANALISIS VARIANSI .. Error! Bookmark not defined.
11.1 Asumsi-asumsi pada analisis variansi ................. Error!
Bookmark not defined.
11.2 Tabel analisis variansi .. Error! Bookmark not defined.
12 REGRESI LINIER DAN NON-LINIER SEDERHANA
..................................... Error! Bookmark not defined.
12.1 Model untuk regresi linier sederhana ............... Error!
Bookmark not defined.
12.2 Model regresi non linier ............ Error! Bookmark not
defined.
12.2.1 Model eksponensial . Error! Bookmark not defined.
12.2.2 Model geometrik (power ) ..... Error! Bookmark
not defined.
DAFTAR PUSTAKA ............. Error! Bookmark not defined.

Politeknik Telkom Statistika


Mengenal Data
1-1
1 MENGENAL DATA









Overview

Dalam sebuah penelitian, data adalah sebagai komponen utamanya.
Tanpa data, kita tidak bisa membuat kesimpulan apapun berkaitan
dengan penelitian yang telah dilakukan. Berkaitan dengan data, ada
beberapa karakteristik data yang perlu untuk kita kenali antara lain
sumber data (primer, sekunder) jenis pengambilan datanya
(sampel,populasi) dan skala pengukurannya. Pengetahuan tentang
karakteristik data ini tentunya sangat diperlukan agar analisa yang
kita lakukan terhadap data menjadi lebih relevan dan lebih tepat.



Tujuan

1. Mahasiswa memahami konsep data primer ,sekunder, sampel ,
populasi.
2. Mahasiswa memahami skala pengukuran data
Politeknik Telkom Statistika


Mengenal Data
1-2
3. Mahasiswa dapat memberikan contoh data primer, sekunder,
sampel dan populasi
4. Mahasiswa dapat memberikan contoh data sampel berdasarkan
jenis skala pengukurannya

1.1 Populasi dan sampel

Persoalan-persoalan yang muncul dalam berbagai bidang, hampir
seratus persen berhubungan dengan data. Data dalam bidang
statistika merupakan keterangan atau informasi mengenai suatu
kejadian, biasanya dinyatakan dengan angka. Diharapkan nantinya data
dapat memberikan informasi lebih banyak bagi yang bersangkutan.
Sebelum membahas tentang data, terlebih dahulu akan dibahas sekilas
tentang statistika, populasi, dan sampel. Statistika yaitu suatu ilmu
yang mempelajari tentang data, meliputi teknik pengambilan data,
pengolahan dan penyajiannya, kemudian analisis dan kesimpulan serta
pengambilan keputusan dari kesimpulan yang diperoleh lewat analisis.
Sedangkan data itu sendiri merupakan keterangan yang
menggambarkan kondisi saat itu.

Berdasarkan sumbernya data dibedakan menjadi dua, yaitu 1) data
primer dan 2) data sekunder. Data primer adalah keterangan atau
informasi secara umum yang diperoleh oleh dari penelitian peneliti
sendiri. Sedangkan data sekunder merupakan data yang diambil dari
penelitian orang lain pada suatu publikasi.

Berkaitan dengan pengambilan data, terdapat dua istilah yaitu populasi
dan sampel. Populasi adalah seluruh objek yang diamati. Sedangkan
sampel adalah objek yang diamati adalah sebagian dari populasi.
Politeknik Telkom Statistika


Mengenal Data
1-3
Diharapkan pengambilan sampel yang dilakukan dapat mewakili
populasi. Beberapa hal yang mendasari pengambilan sampel adalah :

1. Waktu
Bila waktu untuk penelitian terbatas, maka pengambilan sampel
dapat dipilih sebagai alternatif pengambilan data.

2. Biaya
Untuk penelitian mengenai suatu komponen yang harganya mahal,
bila pengambilan populasi dilakukan, maka biaya yang dikeluarkan
akan besar. Sehingga untuk biaya yang terbatas, perlu dilakukan
pengambilan sampel.


3. Populasi tidak pasti
Salah satu contoh populasi tidak pasti adalah, bila penelitian kita
tentang orang berpenyakit flu burung, maka kita akan kesulitan
menentukan populasinya, karena tanpa pemeriksaan akan sulit
ditentukan seseorang kena flu burung atau tidak. Sehingga
pengambilan sampel perlu dilakukan yaitu pasien flu burung pada
suatu rumah sakit.

4. Ketelitian
Hal ini berhubungan dengan waktu dan biaya yang terbatas. Misal
biaya dan waktu penelitian terbatas, maka jumlah tenaga yang
membantu penelitian akan menjadi pertimbangan, sehingga
hasilnya pengolahannya berpengaruh pada tingkat ketelitian.

Politeknik Telkom Statistika


Mengenal Data
1-4
1.2 Skala pengukuran
Skala pengukuran merupakan bagian yang paling mendekati
pengukuran data baik secara diskret maupun kontinu. Skala ini sangat
penting, karena berkaitan dengan pemilihan teknik analisis statistika
yang sangat bergantung pada sifat data dan skala pengukuran yang
digunakan. Ditinjau berdasarkan skala pengukurannya, data dapat
dibedakan menjadi beberapa kelompok, yaitu ( dari yang terendah
sampai yang tertinggi ) :

a. Skala Nominal
Data yang termasuk dalam kelompok ini memiliki ciri bahwa data
tidak memiliki tingkatan. Satu satunya operator matematika yang
berlaku adalah persamaan dan pertidaksamaan.
Contohnya adalah data tentang jenis kelamin, agama, jenis
penyakit dan sebagainya.

b. Skala Ordinal
Sudah ada tingkatan pada data yang masuk kelompok ini, hanya
saja belum ada ketentuan jarak yang sama antar tingkatan,serta
ada hubungan lebih dari.
Contohnya adalah data tentang golongan kepegawaian,
kepangkatan, nilai huruf, peserta kontes kecantikan, jenis komputer
dan sebagainya.

c. Skala Interval
Selain sudah memiliki tingkatan seperti data pada skala ordinal,
data yang masuk dalam kelompok ini juga memiliki sifat bahwa
jarak antar tingkatan adalah sama. Hal ini diperiksa melalui selisih
antar tingkatan selalu tetap Sebagai contoh data suhu yang diukur
dalam Celcius, selisih antara suhu 30 dan 29 akan sama dengan
Politeknik Telkom Statistika


Mengenal Data
1-5
selisih suhu 10 dan 11 atau dengan yang lainnya. Ciri lain dari data
ini adalah nilai 0 belum memiliki arti sebenarnya ( tidak ada).
Contohnya adalah suhu 0 derajat bukan berarti tidak ada suhu,
tahun 0 bukan berarti tidak ada tahun.

d. Skala Rasio
Data yang memiliki skala ini memiliki tingkatan yang paling tinggi.
Semua sifat pada skala interval juga ada pada data skala rasio ini.
Tambahan sifat untuk jenis data ini adalah nilai 0 sudah memiliki
arti yang sebenarnya ( tidak ada ).
Contoh adalah data tentang berat, tinggi, harga, volume dan
sebagainya.

Dengan mengetahui jenis data yang akan diolah, maka kita dapat
menentukan analisis yang tepat untuk data tersebut. Sebagai contoh
data yang memiliki skala Nominal hanya dapat disajikan dalam bentuk
pie chart, bar chart dan tidak dapat ditentukan ukuran ukuran
statistik seperti mean, standard deviation dan sebagainya. Data yang
berskala Ordinal selain dapat dianalisa seperti nominal juga dapat
dianalisa lebih lanjut tetapi sebelumnya harus ditransformasi ke bentuk
numerik. Tetapi, kadang untuk pengolahan lebih lanjut, data berskala
ordinal dan nominal dapat diolah dengan menggunakan statistika
nonparametrik (tanpa distribusi). Sedangkan data yang berskala
interval atau Rasio dapat dilakukan analisa yang lebih lengkap secara
langsung. Analisa yang dapat dilakukan pada data dengan kedua skala
terakhir ini relatif sama.


Contoh
Politeknik Telkom Statistika


Mengenal Data
1-6
Sebuah penelitian dilakukan untuk melihat pengaruh kenaikan BBM
terhadap tingkat pengangguran di kota Bandung. Berikut adalah data
yang bisa digunakan dalam penelitian ini :
Data yang diperlukan antara lain data tentang tingkat pengangguran
sebelum kenaikan BBM dan setelah kenaikan BBM
a. Data Sekunder
i. Data tingkat pengangguran sebelum kenaikan BBM (misalkan
data dari BPS atau hasil penelitian lainnya)
ii. Data tingkat pengangguran setelah kenaikan BBM (misalkan
data dari BPS hasil penelitian lainnya)
b. Data Primer
Yaitu data tingkat pengangguran setelah kenaikan BBM yang dicari
sendiri melalui pendataan secara langsung
c. Data Sampel
Data tingkat pengangguran (sebelum dan kenaikan BBM) yang
diambil dari sebagian penduduk kota Bandung
d. Data Populasi
Data tingkat pengangguran (sebelum dan kenaikan BBM) yang
diambil dari seluruh penduduk kota Bandung
e. Skala Pengukuran
Data yang dikumpulkan dalam penelitian ini antara lain meliputi
data tentang usia(rasio), agama (nominal), status perkawinan
(nominal), Jenis Kelamin (nominal) dan status Bekerja (nominal).







Politeknik Telkom Statistika


Mengenal Data
1-7




Latihan
1. Suatu penelitian dilakukan untuk melihat hubungan antara jumlah
sks dengan nilai IPK yang diperoleh mahasiswa Poltek Telkom.
Tentukan data yang diperlukan untuk penelitian ini beserta jenis
datanya (kerjakan seperti contoh)
2. Suatu penelitian dilakukan untuk melihat hubungan antara
frekuensi penggunaan laboratorium dengan biaya perawatan
laboratorium tersebut . Tentukan data yang diperlukan untuk
penelitian ini beserta jenis datanya (kerjakan seperti contoh)

Politeknik Telkom Statistika


Statistika Deskriptif
2-1
2 STATISTIKA DESKRIPTIF








Overview

Suatu data mentah menjadi kurang berguna bila hanya ditampilkan
seperti aslinya. Sebagian orang bahkan sangat kesulitan ketika melihat
data dalam bentuk numerik. Salah satu teknik dalam Statistika untuk
menampilkan atau menyajikan suatu data agar lebih mudah untuk
dipahami adalah Statistika Deskriptif. Dalam Statistika Deskriptif, secara
umum data akan disajikan dalam bentuk tabel maupun dalam bentuk
grafik tergantung dari jenis datanya. Walaupun tampilan data lebih
sederhana, tetapi setiap orang dapat memiliki persepsi yang berbeda
beda berkaitan dengan data tersebut



Tujuan

1. Mahasiswa mengetahui konsep dan jenis - jenis ukuran
pemusatan, ukuran penyebaran dan ukuran letak
2. Mahasiswa dapat menentukan ukuran pemusatan, ukuran
Politeknik Telkom Statistika


Statistika Deskriptif
2-2
penyebaran dan ukuran letak suatu data
3. Mahasiswa dapat menyajikan data dalam bentuk histogram,
boxplot dan diagram dahan dan daun

2.1 Ukuran Pemusatan

Terdapat beberapa ukuran pemusatan dalam statistika deskriptif antara
lain mean, median, dan modus.
Mean adalah ratarata dari data dan dinotasikan dengan
atau x , di mana x menyatakan ratarata sampel dan
menyatakan ratarata populasi. Secara umum mean memiliki
rumusan sebagai berikut :
n
x
x
i
= , n banyaknya sampel
N
x
i
= , N banyaknya populasi
Median adalah nilai yang membagi suatu gugus data yang telah
terurut menjadi 2 bagian yang sama. Median memiliki sifat
bahwa di bawah nilai median terdapat 50% data. Cara
menentukan median sebagai berikut : Misal X
1
, X
2
, , X
n
adalah
data yang sudah terurut dari kecil ke besar, maka untuk n ganjil
1
2
+
=
n
X median dan untuk n genap |
.
|

\
|
+ =
+1
2 2
2
1
n n
X X median .
Modus yaitu nilai yang paling sering muncul dalam suatu gugus
data

Dalam penggunaannya, mean lebih sering digunakan dari pada ukuran
pemusatan lainnya karena keakuratannya dalam menentukan nilai
Politeknik Telkom Statistika


Statistika Deskriptif
2-3
tengah suatu gugus data, walaupun ada beberapa kasus yang
membuat nilai mean menjadi kurang tangguh, misalkan ada nilai yang
dianggap ekstrim.

2.2 Ukuran Penyebaran

Beberapa ukuran penyebaran antara lain :
Range atau jangkauan yaitu menyatakan selisih antara nilai
maksimum dengan nilai minimum.
Variansi adalah nilai tengah dari kuadrat penyimpangan antara
x
i
terhadap x. Variansi merupakan ukuran penyebaran yang
sering digunakan dalam statistika inferensia. Variansi dinotasikan
S
2
untuk sampel dan o
2
untuk populasi. Variansi memiliki
rumusan sebagai berikut :

( )
1
2
2

=

n
x x
S
i
, di mana n banyaknya sampel

( )
N
x
i

=
2
2

o , di mana N banyaknya populasi
Simpangan baku merupakan akar dari variansi.

2.3 Ukuran Letak

Kuartil menyatakan nilainilai yang membagi gugus data menjadi
empat bagian yang sama besar. Q
1
menyatakan kuartil 1 yang memiliki
sifat bahwa data terletak di bawah Q
1
. Q
2
sama dengan median.
Sedangkan Q
3
memiliki sifat bahwa data terletak di bawah Q
3
. Untuk
ukuran letak yang lainnya adalh desil, persentil dll.
Politeknik Telkom Statistika


Statistika Deskriptif
2-4

2.4 Distribusi Frekuensi

Distribusi frekuensi yaitu penyajian data dalam bentuk tabel. Di mana
pada tabel tersebut menampilkan ciriciri penting sejumlah data yang
diperoleh dengan cara mengelompokkan data menjadi beberapa kelas,
kemudian dari masingmasing kelas dihitung banyaknya pengamatan
yang masuk.
Langkah-langkah membuat tabel frekuensi :
1. Menentukan banyaknya kelas dengan kaidah Sturges yaitu
1
2

=
k
N , dimana N k log 3 . 3 1+ = . Banyaknya kelas sebaiknya
antara 5 sampai 15.
2. Menentukan interval kelas (KI)
k
range
KI =
KI sebaiknya kelipatan 5.
3. Untuk komposisi kelas, perhatikan bahwa kelas tidak tumpang
tindih.
4. Bila tabel distribusi frekuensi, nantinya digunakan untuk membuat
histogram atau poligon, maka komposisinya diubah ke bentuk
batas kelas (batas bawah kikurangi setengah dan batas atas di
tambah setengah)

Bila data disajikan sebagai data kelompok (tabel frekuensi), maka
ukuran pemusatan, penyebaran dan letak dapat dihitung dengan
menggunakan rumusan sebagai berikut :


Politeknik Telkom Statistika


Statistika Deskriptif
2-5
- Ukuran pemusatan
Mean :

=
=
=
n
i
i
n
i
i i
f
x f
x
1
1

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

+ =
2
1
~

b
B = batas bawah kelas median
t
f = frekuensi total
m
f = frekuensi kelas median p= interval kelas
sm
f = frekuensi kumulatif sebelum median

Modus : p
b a
a
B x
b
+
+ =


am m
f f a =
bm m
f f b =

m
f = frekuensi kelas modus

am
f = frekuensi sebelum kelas modus

bm
f = frekuensi sesudah kelas modus


- Ukuran penyebaran

( )
( )
(
(
(
(
(

|
|
.
|

\
|

=

= =
1
2
1 1
2
2 2
n n
c f c f n
p S
n
i
i i
n
i
i i


Politeknik Telkom Statistika


Statistika Deskriptif
2-6

- Ukuran letak
Kuarti (
3 2
, , Q Q Q
i
)

( )
3 , 2 , 1 ,
4
=

+ = i p
f
f f
B Q
p
sp t
i
b i


p
f = frekuensi pada kelas kuartil ke-i

sp
f = frekuensi sebelum kuarti

Pada tabel distribusi frekuensi, dapat juga diberikan coding untuk
mempermudah perhitungan statistik. Coding dilakukan dengan cara
membagi kelas menjadi dua yaitu kelas yang ditengah-tengah diberi
kode nol, sedangkan dua kelas di bawah dan di atasnya diberi kode
negatif dan positif.


2.5 Penyajian dalam Bentuk Grafik
Histogram dibuat berdasarkan tabel distribusi frekuensi. Bila
datanya memiliki skala interval atau rasio, maka histogram dapat
digunakan untuk menyajikan data.

Box plot merupakan bentuk penyajian data yang hanya
menggunakan beberapa statistik yang disebut ringkasan lima
angka yaitu nilai minimum, Q
1
, median, Q
3
, nilai maksimum. Pada
box plot dapat juga ditentukan adanya pencilan atau tidak.
Pencilan yaitu suatu nilai pada data yang apabila dibandingkan
dengan nilai data yang lain tidak konsisten. Pencilan dibedakan
Politeknik Telkom Statistika


Statistika Deskriptif
2-7
menjadi pencilan jauh (dalam) dan pencilan jauh sekali (luar).
Untuk menentukan pencilan digunakan rumusan sebagai berikut :
Pagar dalam (p)
( ) ( )
1 3 3 2 1 3 1 1
5 . 1 5 . 1 Q Q Q p Q Q Q p + =
=


Pagar luar (P)
( ) ( )
1 3 3 2 1 3 1 1
2 2 Q Q Q P Q Q Q P + =
=

Pencilan dikatagorikan sebagai pencilan jauh bila letaknya data di
antara pagar dalam dan pagar luar. Sedangkan pencilan jauh
sekali, bila data di luar pagar luar.

Diagram dahan daun adalah salah satu teknik penyajian data yang
menggunakan data asli secara langsung. Pada dasarnya dalam
diagram dahan daun, penyajian data terbagi atas dua kolom yaitu
dahan dan daun, dimana dahan berisi data dengan satuan yang
lebih besar dari pada kolom daun.

Dari ketiga bentuk penyajian data di atas, dapat dilihat bentuk
distribusi data, apakah simetri, menjulur ke kiri atau ke kanan.
Sedangkan untuk memeriksa kemencengan digunakan metode
Pearson yaitu
S
x x
~

= u . Jika 0 < u , data menceng ke kiri dan 0 > u ,


data menceng ke kanan.

Contoh 1
Data berikut adalah data penjualan voucher telepon di lima kota
provinsi Jawa barat :
Bulan Bandung Sukabumi Garut Tasik Bogor
1 42 8 32 56 51
2 45 14 33 60 58
Politeknik Telkom Statistika


Statistika Deskriptif
2-8
3 51 25 41 58 57
4 61 43 52 62 67
5 69 54 62 63 81
6 76 64 72 68 88
7 78 71 77 69 94
8 78 69 75 71 93
9 72 58 68 69 85
10 62 47 58 67 74
11 51 29 47 61 61
12 44 16 35 58 55

Hasil yang diperoleh (dari pengolahan dengan minitab 15) adalah
sebagai berikut :
Politeknik Telkom Statistika


Statistika Deskriptif
2-9



Politeknik Telkom Statistika


Statistika Deskriptif
2-10



Politeknik Telkom Statistika


Statistika Deskriptif
2-11



Politeknik Telkom Statistika


Statistika Deskriptif
2-12



Dari keempat kota (Bandung, Sukabumi, garut, dan tasik) rata-rata
penjualan voucher telepon tiap bulannya adalah kota tasik yaitu 63.5
dengan variansi terkecil 26,091. Untuk kota Bandung dan Garut
penjualan voucher tiap bulannya hampir merata, kota sukabumi
penjualan terbanyak pada bulan-bulan terakhir, sedangkan untuk kota
tasik penjualan terbanyak pada bulan-bulan pertama pada tahun
tersebut.


Contoh 2
Politeknik Telkom Statistika


Statistika Deskriptif
2-13
Data berikut adalah banyaknya turis asing yang masuk ke kota-kota di
negara bagian Amerika tiap bulannya. Bila informasi yang diperoleh
seperti tampilan di bawah tabel, analisis apa yang dapat anda berikan?




Month Atlanta Bismarck New
York
San
Diego
Phoenix
1 42 8 32 56 51
2 45 14 33 60 58
3 51 25 41 58 57
4 61 43 52 62 67
5 69 54 62 63 81
6 76 64 72 68 88
7 78 71 77 69 94
8 78 69 75 71 93
9 72 58 68 69 85
10 62 47 58 67 74
11 51 29 47 61 61
12 44 16 35 58 55

Informasi yang diperoleh :
Ukuran pemusatan, penyebaran, dan letak
N : 60
Mean : 58.42
Median : 61
Modus : 58
Range : 86
Politeknik Telkom Statistika


Statistika Deskriptif
2-14
Variansi : 338.383
Simpangan baku : 18.395
Minimum : 8
Maksimum : 94
Quarti 1, 2, 3 : 48, 61, 70.5





- histogram dan boxplotnya sebagai berikut :

90 80 70 60 50 40 30 20 10
15
10
5
0
C7
F
r
e
q
u
e
n
c
y
Histogram of C7
Politeknik Telkom Statistika


Statistika Deskriptif
2-15

100 90 80 70 60 50 40 30 20 10 0
C7
Boxplot of C7
Politeknik Telkom Statistika


Peluang, Peluang Bersyarat, Kaidah Bayes
2-1
Latihan
1. Untuk menentukan kelayakan air sungai pada suatu daerah yang
dikonsumsi oleh penduduk setempat, suatu suspensi diteteskan
pada sampel air sungai tersebut dengan konsentrasi tertentu.
Berikut adalah data yang diperoleh 50 penelitian dari beberapa
bagian suatu sungai yang diberi suspensi dengan konsentrasi yang
berbeda-beda :

55.8 60.9 37.0 91.3 65.8
42.3 33.8 60.6 76.0 69.0
45.9 39.1 35.5 56.0 44.6
71.7 61.2 61.5 47.2 74.5
83.2 40.0 31.7 36.7 62.3
47.3 94.6 56.3 30.0 68.2
75.3 71.4 65.2 52.6 58.2
48.0 61.8 78.8 39.8 65.0
60.7 77.1 59.1 49.5 69.3
69.8 64.9 27.1 87.1 66.3

a. Buatlah diagram dahan daun
b. Buat tabel distribusi frekuensi dan histogramnya
c. Hitung ukuran pemusatan, penyebaran, dan letak, kemudian
buat box plotnya
Politeknik Telkom Statistika


Peluang, Peluang Bersyarat, Kaidah Bayes
2-2
d. Kesimpulan apa yang bisa dinyatakan dari data tersebut,
berdasarkan a, b, c.

2. Diketahui tabel distribusi frekuensi di bawah yang menyatakan jarak
(dalam ribuan mil) yang ditempuh oleh 191 bis dari suatu travel
dan bis gagal mencapai tujuan.
Batas kelas Frekuensi
0.5 20.5 6
20.5 40.5 11
40.5 60.5 16
60.5 80.5 25
80.5 100.5 34
100.5 120.5 46
120.5 140.5 33
140.5 160.5 16
160.5 180.5 2
180.5 200.5 2

a. Buat histogramnya
b. Hitung mean ,simpangan baku Q
1
, Q
2
dan Q
3
nya, beri
penjelasan !
c. Buat Boxplot, periksa apakah terdapat pencilan/outlier ?
Politeknik Telkom Statistika


Peluang, Peluang Bersyarat, Kaidah Bayes
3-3
d. Estimasi proporsi dari semua bis yang beroperasi paling sedikit
100.000 mil dan gagal
e. Berapakah proporsi dari semua bis yang beroperasi antara
50.000 sampai 125.000 mil dan gagal


3 PELUANG, PELUANG BERSYARAT, DAN
KAIDAH BAYES









Overview

Dalam kehidupan nyata, sering kali kita dihadapkan dengan situasi
yang tidak pasti dan dipaksa untuk mengambil keputusan yang paling
tepat. Dalam Statistika, masalah yang berkaitan dengan ketidakpastian
dapat dihubungkan dengan masalah probabilitas (peluang). Kejadian
yang pasti terjadi memiliki peluang = 1, kejadian yang mustahil
memiliki peluang = 0 sedangkan kejadian tidak pasti memiliki peluang
antara 0 1. Dengan memahami konsep peluang ini, diharapkan kita
Politeknik Telkom Statistika


Peluang, Peluang Bersyarat, Kaidah Bayes
3-4
dapat mengambil keputusan yang tepat berdasarkan nilai peluang
yang terbesar.



Tujuan

1. Mahasiswa memahami konsep ruang sampel, kejadian dan
peluang.
2. Mahasiswa dapat menghitung peluang suatu kejadian
3. Mahasiswa dapat peluang kejadian A bila kejadian B terjadi
dengan menggunakan konsep peluang bersyarat dan teorema
Bayes

3.1 Ruang Sampel dan Kejadian

Ruang sample dari suatu eksperimen merupakan suatu himpunan
semua kemungkinan hasil suatu eksperimen. Ruang sample
dinotasikan dengan O. Sedangkan kejadian adalah himpunan bagian
dari ruang sample. Kejadian dikelompokkan menjadi dua yaitu kejadian
sederhana (kejadian yang terdiri dari satu hasil eksperimen) dan
kejadian majemuk (kejadian yang terdiri lebih dari satu hasil
eksperimen).

Contoh
Misal suatu eksperimen dilakukan dengan mengamati tiga buah mobil
yang akan keluar dari pintu keluar parkir suatu supermarket, apakah
belok ke kiri (L) atau ke kanan (R). Ruang sample untuk eksperimen
Politeknik Telkom Statistika


Peluang, Peluang Bersyarat, Kaidah Bayes
3-5
tersebut adalah { } RRR RRL RLR LRR LLR LRL RLL LLL , , , , , , , = O . Berikut
adalah beberapa contoh kejadian :

Kejadian sederhana
- { } LLL A = = adalah kejadian ketiga mobil keluar pintu parkir belok
ke kiri
- { } RRR B = = adalah kejadian ketiga mobil keluar pintu parkir belok
ke kanan

Kejadian majemuk
- { } LLR LRL RLL C , , = = adalah kejadian tepat satu mobil yang keluar
pintu parkir belok ke kanan
- { } LLR LRL RLL LLL D , , , = = adalah kejadian paling banyak satu
mobil yang keluar pintu parkir belok ke
kanan

3.2 Peluang

Menurut Athanasios papoulis, untuk mempelajari teori peluang
terdapat beberapa pendekatan yaitu :

1. Definisi aksioma

Misal O adalah ruang sampel yang berhingga dan A suatu kejadian
dalam O . Definisi dari pendekatan aksiomatik adalah : untuk setiap
kejadian A, peluang dari A ditulis sebagai ( ) A P yang merupakan
bilangan real dan memenuhi aksioma :
1. ( ) 0 > A P
Politeknik Telkom Statistika


Peluang, Peluang Bersyarat, Kaidah Bayes
3-6
2. ( ) 1 = O P
3. ( ) ( ) ( ) | = + = B A B P A P B A P ,
Bila ruang sampel tak hingga, maka ( )

=
=
|
|
.
|

\
|
1 1 i
i
i
i
A P A P


Sedangkan sifat-sifat peluang adalah :
1. ( ) ( ) A P A P =1
2. ( ) 0 = | P
3. ( ) ( ) B A B P A P c s ,
4. ( ) 1 s A P
5. ( ) ( ) ( ) ( ) B A P B P A P B A P + =
6. Bila
n
A A A , , ,
2 1
kejadian dalam O, maka
( ) ( )
( ) ( )
n
n
n
j i
j i
n
i
i
n
i
i
A A A P
A A P A P A P

2 1
1
1 1
1

= = =

=
|
|
.
|

\
|


7. Bila
n
A A A , , ,
2 1
kejadian saling lepas, maka
( ) j i A A A P A P
j i
n
i
i
n
i
i
= = =
|
|
.
|

\
|

= =
|

,
1 1

( ) ( ) ( ) B P A P B A P + s

2. Objektif

frekuensi relatif
Andaikan percobaan acak diulang sebanyak n kali. Bila kejadian A
terjadi n kali, maka peluang kejadian A terjadi adalah ( ) A P yang
didefiniskan sebagai berikut
Politeknik Telkom Statistika


Peluang, Peluang Bersyarat, Kaidah Bayes
3-7
( )
( )
n
A n
A P
n
= lim ( ) A n adalah frekuensi relatif kejadian A
Sifat-sifat :
1.
( )
1 0 s s
n
A n

2. Bila A dan B kejadian yang saling lepas, maka
( ) ( ) ( )
n
B n
n
A n
n
B A n
+ =



kejadian equally likely
Misal O adalah ruang sampel berhingga dengan n kejadian
sederhana, yaitu { }
n
S S S , , ,
2 1
= O . Andaikan ( )
i i
P S P = , maka
1. 1 0 s s
i
P
2. 1 P
n
1 i
i
=

=

3. Bila

I i
i
S A
e
= , maka ( ) ( )

e e
= =
I i
i
A S
i
P S P A P
i


3.3 Peluang Bersyarat

Peluang bersyarat dari kejadian A bila diberikan atau diketahui kejadian
B, yang dinyatakan dengan notasi ( ) B A P didefinisikan sebagai
berikut :
- ( )
( )
( )
( ) 0 , > = B P
B P
B A P
B A P



Politeknik Telkom Statistika


Peluang, Peluang Bersyarat, Kaidah Bayes
3-8
- ( )
( )
( )
( ) 0 , > = A P
A P
B A P
A B P



Dari definisi tersebut diatas, dapat diperoleh bahwa :
( ) ( ) ( ) ( ) ( ) B P B A P A P A B P B A P = =
Berikut adalah beberapa aksioma peluang bersyarat :
1. ( ) 0 > B A P
2. ( ) 1 = O B P
3. ( ) ( ) ( ) 0 ,
2 1 2 1 2 1
= + = A A B A P B A P B A A P


Contoh 1
Data di bawah ini menyatakan banyaknya resistor berikut toleransinya :

Resistor (ohm)
Toleransi
Jumlah
5% 10%
22 10 14 24
47 28 16 44
100 24 8 32
Jumlah 62 38 100

- Berikut adalah definisi dari beberapa kejadian
A adalah kejadian terambilnya resistor 47 ohm
B adalah kejadian terambilnya resistor dengan toleransi 5%
C adalah kejadian terambilnya resistor 100 ohm
- Hitung :
a. ( ) B A P b. ( ) C A P c. ( ) C B P
d. ( ) B A P e. ( ) C A P
Politeknik Telkom Statistika


Peluang, Peluang Bersyarat, Kaidah Bayes
3-9
- Jawab :
a. ( ) 28 . 0
100
28
= = B A P
b. ( ) 0 = B A P
c. ( ) 24 . 0
100
24
= = B A P
d. ( )
62
28
= B A P
e. ( ) 0 = C A P

Contoh 2
Untuk memenuhi kebutuhan jumlah tenaga kerja, tiap tahun PT Telkom
melaksanakan proses rekruitasi karyawan. Dari 100% pendaftar, yang
lulus proses adalah 80%. Sebelum terjun ke lapangan, para karyawan
baru diwajibkan tes pendidikan di divlat, ternyata yang lulus hanya
90%. Karena untuk memenuhi kebutuhan jumlah karyawan yang besar,
PT Telkom memanggil lagi para pendaftar yang tidak lulus untuk tes
pendidikan di divlat, dan yang lulus hanya 50%. Berapa prosenkah para
pendaftar yang lulus divlat ?

Jawab
Berikut adalah diagram pohon dari pernyataan di atas :
Politeknik Telkom Statistika


Peluang, Peluang Bersyarat, Kaidah Bayes
3-10

Keterangan
LR : Lulus proses rekruitasi
TL : Tidak Lulus proses rekruitasi
LD : Lulus Divlat
TLD : Tidak Lulus Divlat

Misal prosentase pendaftar yang lulus divlat = DP, maka
( ) ( ) ( ) ( ) ( )
( ) ( ) 82 . 0 2 . 0 5 . 0 8 . 0 9 . 0 = + =
+ = TLR P TLR LD P LR P LR LD P DP P

Jadi pendaftar yang lulus divlat 82%



Rekruitasi
LR
TL
R
LD
TLD
LD
TLD
0.8
0.2
0.9
0.1
0.5
0.5
Politeknik Telkom Statistika


Peluang, Peluang Bersyarat, Kaidah Bayes
3-11
3.4 Kaidah Bayes

Sebelum membahas kaidah bayes, terlebih dahulu dipelajari mengenai
definisi partisi dari ruang sample. Partisi dari suatu ruang sample yaitu
suatu himpunan dari kejadian-kejadianyang saling lepas (mutually
exclusive)
n
F F F F ..., , , ,
3 2 1
sedemikian sehingga

n
i
i
F
1 =
= O .
Theorema : Bila
n
F F F F ..., , , ,
3 2 1
adalah partisi dari O, maka untuk
suatu kejadian E dalam O , berlaku ( ) ( )

=
=
n
i
i
F E P E P
1
.
Theorema tersebut dapat digambarkan pada diagram di bawah ini



F
1
F
2
F
3
F
4
F
5
F
6
F
7
F
8
F
9
E
Politeknik Telkom Statistika


Peluang, Peluang Bersyarat, Kaidah Bayes
3-12


Theorema Bayes

Andaikan kejadian-kejadian
n
F F F F ..., , , ,
3 2 1
merupakan partisi dari
ruang sample O dan E adalah suatu kejadian, maka untuk suatu k
berlaku ( )
( ) ( )
( ) ( )
i i
n
i
k k
k
F E P F P
F E P F P
E F P

=
=
1

Contoh 1

Sebuah pabrik penghasil video cassette recorder, membeli microchip
khusus LS-24 dari tiga supplier yang berbeda, yaitu Hall electronics
(HE), Schuller Sales (SS), dan Cranford Components (CC). Untuk
memenuhi kebutuhan microchip tersebut, 30% dibeli dari HE, 20% dari
SS, dan sisanya dari CC. Pabrik tersebut memiliki banyak pengalaman
dalam hal microchip dari tiga supplier tersebut. Dari microchip pasokan
tiga supplier tersebut 3% chip dari HE cacat, 5% dari SS cacat, 4% dari
CC cacat. Pada saat chip LS-24 tiba, para kuli langsung mengangkut ke
gudang, tanpa memeriksa asal supplier chip tersebut. Pada saat proses
perangkaian, seorang karyawan memilih chip untuk dipasang pada
sebuah VCR, dan menemukan chip tersebut cacat. Berapa peluang chip
tersebut dipasok oleh SS?

Jawab

Misalkan berikut adalah kejadian kejadian yang terjadi
HE : Terpilih supplier Hall electronics
SS : Terpilih supplier Schuller Sales
Politeknik Telkom Statistika


Peluang, Peluang Bersyarat, Kaidah Bayes
3-13
CC : Terpilih supplier Cranford Components







Pernyataan tersebut dapat didiagramkan sebagai berikut :

Peluang bahwa chip yang cacat tersebut dipasok oleh SS adalah
HE
SS
CC
cacat
cacat
bagus
bagus
bagus
cacat
Supplier
Chip
0.3
0.2
0.5
0.03
0.05
0.04
Politeknik Telkom Statistika


Peluang, Peluang Bersyarat, Kaidah Bayes
3-14
( )
( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( )
( ) ( ) ( )
303 . 0
04 . 0 5 . 0 03 . 0 3 . 0 05 . 0 2 . 0
05 . 0 2 . 0
=
+ +
=
+ +
=
CC C P CC P HE C P HE P SS C P SS P
SS C P SS P
C SS P


Contoh 2
Suatu pabrik memproduksi 3 buah produk A,B dan C yang masing
masing berjumlah 1000,2000 dan 4000 buah. Peluang terambil akan
cacat dari produk A =2%, Peluang terambil akan cacat dari produk B
=3% dan Peluang terambil akan cacat dari produk C =5%.

Bila diambil sebuah produk secara acak
a. Berapa peluang produk tsb cacat ?
b. Bila ternyata produk tsb cacat, berapa peluang produk tsb adalah
produk B ?

Jawab
Misalkan
A : Terambil produk A
B : Terambil produk B
C : Terambil produk C
F : Terambil produk Fail / Cacat
Politeknik Telkom Statistika


Peluang, Peluang Bersyarat, Kaidah Bayes
3-15
P(A) = 1/7 P(F|A) = 0,02
P(B) = 2/7 P(F|B) = 0,03
P(C) = 4/7 P(F|C) = 0,05
a. P(F) ?
( ) ( ) ( ) ( ) ( ) ( ) ( )
04 , 0
7
4
05 , 0
7
2
03 , 0
7
1
02 , 0
| | |
= + + =
+ + = C P C F P B P B F P A P A F P F P

b. P(B|F) ?
( )
( ) ( )
( )
214 , 0
04 , 0
7 / 2 . 03 , 0 |
| = = =
F P
B P B F P
F B P
Politeknik Telkom Statistika


Peluang, Peluang Bersyarat, Kaidah Bayes
3-16
Latihan
1. Suatu PT yang bergerak dalam bidang konsultan computer saat ini
memiliki 3 buah proyek. Misal
i
A menyatakan proyek ke-i, i = 1, 2,
3 dan diketahui ( ) 22 . 0
1
= A P , ( ) 25 . 0
2
= A P , ( ) 28 . 0
3
= A P ,
( ) 11 . 0
2 1
= A A P , ( ) 05 . 0
3 1
= A A P , ( ) 07 . 0
3 2
= A A P ,
( ) 01 . 0
3 2 1
= A A A P . Hitung peluang :
a.
2 1
A A b.
c c
A A
2 1


2. Suatu pabrik mempunyai empat buah mesin, yang menghasil
barang yang sama. Mesin I dan II masing-masing menghasilkan
20% dari seluruh produk, sedangkan mesin III dan IV masing-
masing menghasilkan 30% dari seluruh produk. Dari barang yang
diproduksi oleh 4 mesin tersebut, diketahui cacat dengan rincian,
6% dari mesin I, 5% dari mesin II, 8% mesin III, dan 8% dari mesin
IV. Pada saat pemeriksaan produk, diambil secara acak suatu
barang.
a. Berapa peluang barang tersebut cacat ?
b. Bila barang tersebut cacat, berapa peluang bahwa barang
tersebut hasil produksi mesin II ?

3. Salah satu tujuan diadakannya audit adalah untuk menemukan
terjadinya beberapa kesalahan materi, kesalahan prosedur,
maupun kesalahan-kesalahan dalam pencatatan informasi. Sebuah
Kantor Akuntan Publik yang disewa oleh sebuah perusahaan X
yang selama ini telah aktif melakukan pembukuan terhadap
penjualan grosir maupun eceran. Selanjutnya diketahui bahwa 70%
pelanggan merupakan pelanggan eceran dan diketahui kesalahan
pembukuan penjualan eceran 10%, sedangkan kesalahan
pembukuan penjualan grosir 20%.
Politeknik Telkom Statistika


Peluang, Peluang Bersyarat, Kaidah Bayes
4-17
Apabila seorang auditor menemukan kesalahan, berapa peluang
bahwa pembukuan tersebut berasal dari penjualan eceran ?


4 PEUBAH ACAK, DISTRIBUSI PELUANG
DISKRET, DAN DISTRIBUSI PELUANG
KONTINU







Overview

Konsep yang mendasari distribusi peluang adalah peubah acak.
Peubah acak biasanya didefinisikan berdasarkan tujuan penelitian yang
akan dilakukan. Berdasarkan jenis bilangannya, peubah acak dapat
memiliki nilai yang diskret dan juga kontinu. Distribusi peluang diskret
diturunkan berdasarkan peubah acak diskret, demikian juga distribusi
peluang kontinu juga diturunkan berdasarkan peubah acak kontinu



Tujuan

Politeknik Telkom Statistika


Peubah Acak, Distribusi Peluang
4-2
1. Mahasiswa mengetahui beberapa jenis distribusi khusus diskret
dan kontinu
2. Mahasiswa dapat menghitung peluang kejadian dari beberapa
distribusi khusus diskret dan kontinu
3. Mahasiswa dapat meyelesaikan berbagai persoalan dan fenomena
nyata yang terkait dengan distribusi peluang diskret dan kontinu.

4.1 Peubah acak

Pada suatu percobaan statistik, terdapat satu atau lebih karakteristik
yang dapat diamati atau diukur. Tetapi kadangkadang seseorang
hanya tertarik untuk mengamati satu macam karakteristik saja.
Biasanya setelah proses pengambilan titik sampel, dilanjutkan dengan
pengelompokan yang berkaitan dengan nilai numerik . Misalkan
percobaan pelemparan uang logam sebanyak 3 kali, dengan ruang
sampel ( ) O sebagai berikut, dimana A menyatakan angka dan G
menyatakan gambar :
S = { AAA, AAG, AGA, GAA, AGG, GAG, GGA, GGG}

Selanjutnya bila hanya munculnya angka saja yang diamati, maka nilai
numeriknya adalah 0, 1, 2, 3, dimana 0 menyatakan angka tidak
pernah muncul, 1 menyatakan angka satu kali, 2 menyatakan angka
dua kali, dan 3 menyatakan angka tiga kali. Untuk mengkaitkan ruang
sampel dengan nilai numeriknya yang berupa bilangan real diperlukan
suatu fungsi yang dinamakan peubah acak. Peubah acak dinotasikan
dengan huruf kapital, misal X, Y atau lainnya. Sedangkan nilainilainya
dinyatakan dengan huruf kecil, misal x , y atau lainnya.

Politeknik Telkom Statistika


Peubah Acak, Distribusi Peluang
4-3
Bila peubah acak tersebut didefinisikan pada ruang sampel diskret,
maka peubah acaknya disebut peubah acak diskret, dan bila
didefinisikan pada ruang sampel kontinu disebut peubah acak kontinu.
4.2 Distribusi peluang diskret

Distribusi peluang diskret yaitu sebuah tabel yang mencantumkan
semua kemungkinan nilai dari suatu peubah acak beserta peluangnya,
dimana fungsi peluang dari peubah acak diskret X didefinisikan
sebagai ( ) ( ) x p x X P = = .

Sedangkan fungsi distribusi kumulatif dari peubah acak diskret X yaitu
F(x) didefinisikan sebagai berikut

s
= s =
x y y
x y p x X P x F
:
, ) ( ) ( ) (
Mean dan Variansi

Mean X didefinisikan dengan rumus
Mean =

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

= ) ( ) (
2 2
x p x x E
Mean (kX) = K Mean(X)
) ( ) ( X Var k kX Var =
4.3 Distribusi peluang kontinu

Misalkan X adalah peubah acak kontinu, maka distribusi peluang dari X
dari suatu fungsi peluang ( ) x f di antara a x = dan b x = ,
didefinisikan sebagai berikut :
Politeknik Telkom Statistika


Peubah Acak, Distribusi Peluang
4-4

}
= s s
b
a
dx x f b X a P ) ( ) (
yang menyatakan luas daerah dibawah kurva ( ) x f di antara a x =
dan b x = .

Sedangan fungsi distribusi kumulatif dari peubah acak kontinu X, yaitu
( ) x F didefinisikan sebagai berikut :

}

= s =
x
dy y f x X P x F ) ( ) ( ) (
Mean dan Variansi

Mean X didefinisikan dengan rumus
Mean =
}
= dx x f x x E ) ( ) (
Variansi = ( )
2 2
) ( ) ( ) ( x E x E x Var = dimana
}
= dx x f x x E ) ( ) (
2 2



Contoh 1
Suatu pengamatan mengenai nomor telepon yang di dial oleh mesin
penerima secara acak untuk suatu area tertentu, dedefinisikan peubah
acak X sebagai berikut:

=
terdaftar tidak dipilih yang nomor bila , 0
terdaftar dipilih yang nomor bila , 1
X

Bila peluang sebuah nomor terdaftar = 0,3, maka dapat dibuat tabel
distribusi peluang diskret dari pengamatan diatas yaitu

x P(x)
Politeknik Telkom Statistika


Peubah Acak, Distribusi Peluang
4-5
0 0,7
1 0,3

Mean(X) = 3 , 0 3 , 0 . 1 7 , 0 . 0 ) ( ) ( = + = =

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

x p x x E
( ) 21 , 0 ) 3 , 0 ( 3 , 0 ) ( ) ( ) (
2 2 2
= = = x E x E x Var

Contoh 2

Misal diberikan tabel distribusi peluang diskret sebagai berikut

X 1 2 3 4 Jumlah
( ) x p
0.4 0.3 0.2 0.1 1
x.p(x) 0,4 0,6 0,6 0,4 2
X
2
. p(x) 0,4 1,2 1,8 1,6 5

Dengan perhitungan manual , peluang kumulatifnya adalah:
F(1) = p(1) = 0.4
F(2) = P(X s 2) = p(1) + p(2) = 0.4 + 0.3 = 0.7
F(3) = P(X s 3) = p(1) + p(2) + p(3) = 0.4 + 0.3 + 0.2 = 0.9
F(4) = P(X s 4) = p(1) + p(2) + p(3) + p(4) = 0.4 + 0.3 +0.2 + 0.1=1

Mean(X) = 2 ) ( ) (

= = x p x x E
( ) 1 ) 2 ( 5 ) ( ) ( ) (
2 2 2
= = = x E x E x Var

Contoh 3

Politeknik Telkom Statistika


Peubah Acak, Distribusi Peluang
4-6
Misalkan saya berangkat ke kantor naik bus dan setiap 5 menit bus tiba
di halte. Karena saya berangkat ke kantor tiap hari tidak selalu pada
waktu yang sama, maka saya sampai di halte juga pada waktu yang
tidak sama. Misalkan peubah acak X adalah waktu (kontinu) saya
menunggu bus berikutnya dan X dalam interval [0, 5]. Fungsi padat
peluang X didefinisikan sebagai berikut

s s
=
lainnya
x
x f
, 0
5 0 ,
) (
5
1


Grafik dari ( ) x f adalah








x
Akan dihitung :
a. peluang saya akan menunggu antara 1 sampai 3 menit
b. peluang saya menunggu paling lama 5 menit
c. Rata rata waktu saya menunggu
d. Peluang kumulatif


Sehingga :
a.
5
2
3
1
5
3
1
5
1
) 3 1 ( = = = s s
}
x
dx X P
0,2
f(x)
Politeknik Telkom Statistika


Peubah Acak, Distribusi Peluang
4-7
b. 1 ) 5 (
5
0
5
1
5
5
1
= = = s
} }

dx dx X P
c.
} }
= = = = = 5 , 2
10
25
0
5
10
1
5
1
) ( ) (
2
x dx x dx x f x x E menit
d. Sedangkan CDF dari ( ) x f dapat ditabelkan sebagai berikut :
X 0 1 2 3 4 5
CDF 0 0.2 0.4 0.6 0.8 1

Latihan
1. Buatlah suatu percobaan statistik dan tentukan peubah acaknya
baik yang diskret maupun kontinu

2. Suatu bisnis layanan surat lewat komputer mempunyai 6 saluran
telepon. Misalkan X menyatakan banyaknya saluran telepon yang
digunakan pada suatu waktu tertentu. Diberikan tabel berikut yang
berisi nilai x dan p(x) :
X 0 1 2 3 4 5 6
P(x) 0.10 0.15 0.20 0.25 0.20 0.06 0.04

Hitung peluang berikut ini :
a. paling banyak 3 saluran yang digunakan
b. paling sedikit tiga saluran yang digunakan
c. antara 2 dan 5 saluran yang digunakan

3. Misalkan fungsi padat peluang dari magnitude X dari suatu
dynamic load sebuah jembatan (dalam newtons) diberikan sebagai
berikut :
Politeknik Telkom Statistika


Peubah Acak, Distribusi Peluang
4-8

s s +
=
lainnya
x x
x f
, 0
2 0 ,
) (
8
3
8
1

Cari rumus F(x) dari f(x) tersebut
Hitung P( 1 s X s 1.5) dengan menggunakan rumus F(x)
Hitung P( X > 1)

Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-1
5 DISTRIBUSI PELUANG KHUSUS DISKRET
DAN KONTINU








Overview

Dalam kehidupan nyata, terdapat beberapa kejadian yang memiliki
bentuk sebaran tertentu. Bentuk sebaran data tersebut dapat didekati
dengan beberapa jenis distribusi peluang khusus yang terdapat dalam
statistika. Dalam suatu penelitian, adanya pengetahuan tentang
bentuk/jenis distribusi suatu data akan sangat membantu peneliti
dalam membuat estimasi estimasi terkait dengan data yang diteliti.



Tujuan

1. Mahasiswa mengetahui beberapa jenis distribusi khusus diskret
dan kontinu
2. Mahasiswa dapat menghitung peluang kejadian dari beberapa
distribusi khusus diskret dan kontinu
Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-2
3. Mahasiswa dapat meyelesaikan berbagai persoalan dan fenomena
nyata yang terkait dengan distribusi peluang diskret dan kontinu.

5.1 Distribusi Peluang Diskret
5.1.1 Distribusi Bernoulli dan binomial

Suatu percobaan dikatakan sebagai percobaan binomial, bila
memenuhi asumsiasumsi berikut :
1. Percobaan dapat diulang sebanyak n kali
2. Ulanganulangan identik dan setiap ulangan dapat
menghasilkan satu dari dua kemungkinan outcome yang sama,
biasanya dinotasikan dengan S (sukses) dan F (gagal).
3. Masingmasing ulangan saling bebas
4. Peluang sukses dari ulangan konstan , misalkan peluang
sukses p

Bila percobaan tersebut hanya terdiri dari 1 ulangan, maka percobaan
tersebut dinamakan percobaan bernoulli.

Fungsi peluang dari peubah acak X yang berdistribusi binomial sebagai
berikut

=
|
|
.
|

\
|
=

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


Distribusi Peluang Khusus
5-3

=
= = = s
x
y
n x p n y b p n x B x X P
0
...., , 2 , 1 , 0 , ) , ; ( ) , ; ( ) (
Untuk menghitung peluang maupun distribusi kumulatif dari peubah
acak X selain dengan perhitungan di atas dapat menggunakan tabel
binomial. Sedangkan mean dan variansi dari peubah acak X yang
berdistribusi binomial didefiniskan sebagai berikut :
E(X) = n p
Var(X) = n p (1 p)
Pada distribusi binomial, bila n dan p diubah-ubah sedemikian rupa,
maka akan berpengaruh pada bentuk distribusinya. Dengan
menggunakan program matlab berikut diperoleh gambar distribusi di
bawah :


Gambar 5.1. Distribusi binomial n = 10 dan p = 0.5


Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-4

Gambar 5.2 Distribusi binomial n = 10 dan p = 0.3


Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-5
Gambar 5.3 Distribusi binomial n = 10 dan p = 0.8



Gambar 5.4 Distribusi binomial n = 15 dan p = 0.5

Dari keempat gambar tersebut dapat dikatakan bahwa :
- untuk n yang sama, p = 0.5, distribusi binomial mendekati distribusi
normal.
- untuk n yang sama, p diperkecil, distribusinya menjulur ke kanan
- untuk n yang sama, p diperbesar, distribusinya menjulur ke kiri
- bila n diperbesar, p = 0.5, distribusinya menjulur ke kiri
5.1.2 Distribusi poisson
Ciriciri dari percobaan poisson adalah :
Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-6
1. Banyaknya hasil percobaan yang terjadi pada selang waktu atau
suatu daerah tertentu tidak tergantung pada banyaknya hasil
percobaan yang terjadi pada selang waktu atau daerah lain yang
terpisah
2. Peluang terjadinya satu hasil percobaan selama suatu selang waktu
yang singkat sekali atau dalam suatu daerah yang kecil sebanding
dengan panjang selang waktu tersebut atau besarnya daerah
tersebut
3. Peluang bahwa lebih dari satu hasil percobaan akan terjadi dalam
selang waktu yang singkat atau dalam derah yang kecil tersebut
dapat diabaikan

Suatu peubah acak X yang berdistribusi poisson, fungsi peluangnya
didefinisikan sebagai berikut :
.... , 2 , 1 , 0 ,
!
) ; ( = =

x
x
e
x P
x


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

=
= = s
x
y
n x y P x X P
0
...., , 2 , 1 , 0 , ) ; ( ) (
Untuk menghitung peluang maupun distribusi kumulatif dari peubah
acak X selain dengan perhitungan di atas dapat menggunakan tabel
poisson. Sedangkan mean dan variansi dari peubah acak X yang
berdistribusi poisson dengan parameter , mempunyai nilai yang sama
yaitu .

Pada distribusi poisson, bila nilai diubah-ubah sedemikian rupa,
maka akan berpengaruh pada bentuk distribusinya. Dengan
Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-7
menggunakan program matlab berikut diperoleh gambar distribusi di
bawah :


Gambar 5.5 Distribusi poisson dengan = 5

Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-8

Gambar 5.6 Distribusi poisson dengan = 2


Gambar 5.7 Distribusi poisson dengan = 7

Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-9

Gambar 5.8 Distribusi poisson dengan = 8



Gambar 5.9 Distribusi poisson dengan = 10

Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-10
Dari kelima gambar tersebut, dapat dikatakan bahwa untuk x = 015
bila nilai lebih kecil dari 7, distribusinya menjulur ke kanan.
Sedangkan untuk nilai lebih besar dari 7, distribusinya menjulur ke
kiri. Sedangkan untuk nilai = 7 dan 8, distribusinya mendekati
normal.

Contoh 1
Misalkan suatu percobaan yang memenuhi percobaan binomial
dengan n = 4, dan peluang sukses p. Dari percobaan tersebut dapat
dihitung peluang dari semua outcome yang mungkin dan hasilnya
sebagai berikut :

Outcome x Peluang Outcome x Peluang
SSSS 4 p
4
FSSS 3 p
3
(1 p)
SSSF 3 p
3
(1 p) FSSF 2 p
2
(1 p)
2

SSFS 3 p
3
(1 p) FSFS 2 p
2
(1 p)
2

SSFF 2 p
2
(1 p)
2
FSFF 1 p (1 p)
3
SFSS 3 p
3
(1 p) FFSS 2 p
2
(1 p)
2

SFSF 2 p
2
(1 p)
2
FFSF 1 p (1 p)
3

SFFS 2 p
2
(1 p)
2
FFFS 1 p (1 p)
3

SFFF 1 p (1 p)
3
FFFF 0 (1 p)
4


Sehingga dapat dihitung :
b(3 ; 4, p) = P(FSSS) + P(SFSS) + P(SSFS) + P(SSSF)
= 4 p
3
(1 p)

Contoh 2
Misalkan 20% dari semua copy suatu textbook yang diuji kekuatan
sampulnya rusak. Dan peubah acak X menyatakan banyaknya textbook
yang sampulnya rusak dari 15 copy yang diambil secara acak.
Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-11
Hitung :
a. Peluang paling banyak 8 copy textbook yang sampulnya rusak
b. Peluang ada 8 copy textbook yang sampulnya rusak

Jawab
Perhitungan manual (dapat menggunakan tabel) :
a.

=
= = = s
8
0
999 . 0 ) 2 . 0 , 15 ; 8 ( ) 2 . 0 , 15 ; ( ) 8 (
y
B y b X P
b. ) 7 ( ) 8 ( ) 8 ( s s = = X P X P X P
) 2 . 0 , 15 ; 7 ( ) 2 . 0 , 15 ; 8 ( B B =
003 . 0 996 . 0 999 . 0 = =

Contoh 3
Seorang penerbit bukubuku non teknik menyatakan bahwa
bukubukunya bebas dari kesalahan typograpical, sehingga peluang
kesalahan dari sebuah halaman buku paling sedikit satu kesalahan
adalah 0.005 dan kesalahan tiap halaman saling bebas.
a. Berapa peluang bahwa satu dari novelnovel yang jumlah
halamannya 400 akan tepat satu halaman yang salah
b. Berapa peluang paling banyak tiga halaman yang salah

Jawab :
Bila S menyatakan bahawa sebuah halaman buku paling sedikit satu
kesalahan dan F menyatakan tidak ada kesalahan pada halaman buku
tersebut. Misalkan X menyatakan paling sedikit satu kesalahan pada
tiap halaman dan berdistribusi binomial dengan n = 400, p = 0.005.
Karena n nya besar dan p kecil mendekati 0, maka bisa dilakukan
Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-12
pendekatan dengan menggunakan distribusi poisson, dengan = n p
= 2, sehingga :
a. 271 . 0
! 1
2
) 1 (
1 2
= = =

e
X P
b.

= s
3
0
2
!
2
) 3 (
x
x
x
e
X P

857 . 0 18 . 0 271 . 0 271 . 0 135 . 0
) 3 ( ) 2 ( ) 1 ( ) 0 (
= + + + =
+ + + = p p p p


5.2 Distribusi peluang kontinu
5.2.1 Distribusi normal

Distribusi peluang kontinu yang paling penting adalah distribusi
normal. Grafik dari suatu distribusi normal disebut kurva normal,
bentuknya seperti lonceng pada gambar dibawah ini. Suatu peubah
acak X yang distribusinya berbentuk lonceng, dinamakan peubah acak
normal. Persamaan matematika dari distribusi peluang peubah acak
normal kontinu bergantung pada dua parameter yaitu (rataan) dan
o (simpangan baku). Dengan demikian fungsi densitas X dapat
dinyatakan oleh :
( )
( )
2
2
1
2
1
o

o t

=
x
e x f < X < .

Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-13




Sifat-sifat distribusi normal :
1. ( ) 1 =
}


dx x f
2. ( ) x x f > , 0
3. ( ) 0 lim =

x f
x
dan ( ) 0 lim =
+
x f
x

4. ( ) ( ) ( ) = + x f x f
5. Nilai maksimum dari f terjadi pada x
6. Titik belok dari f terjadi pada o = x
Kurva setiap distribusi kontinu dibuat sedemikian rupa
sehingga luas daerah dibawah kurva diantara dua koordinat
1
x x =

dan
2
x x = sama dengan peluang peubah acak X antara
1
x x = dan
2
x x = . Hal tersebut dapat digambarkan sebagai berikut :

x

Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-14


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

=
2
1
2
2
1 2
1
2
1
) , ; (
o

o t
o

= Luas daerah yang diarsir

Untuk mengatasi kesulitan dalam menghitung integral fungsi densitas
maka dibuat table luas kurva normal sehingga akan memudahkan
dalam penggunaannya.
5.2.2 Distribusi normal baku
Perhitungan luas dibawah kurva normal antara dua ordinat sembarang
sangat bergantung pada nilai dan o . Dalam hal ini, tak mungkin
dibuat tabel yang berlainan untuk setiap nilai dan o . Oleh karena
itu, kita perlu mentransformasikan setiap peubah acak yang
bermacam-macam nilai dan o nya , menjadi peubah acak normal
dengan = 0 dan o = 1. Transformasi tersebut berbentuk :

dimana X merupakan peubah acak awal sebelum ditransformasi yang
mempunyai rataan = dan variansi = o . Sementara itu, Z
merupakan peubah acak setelah ditransformasi.
o

=
X
Z

x
2

x
1
x
Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-15
Distribusi normal dengan mean 0 dan variansi 1, dinamakan distribusi
normal baku.









Contoh 1
a. P (Z s 1.25) = u (1.25) = 0.8944
( pada tabel dilihat baris 1.2 kolom 0.05)
b. P ( - 0.38 s Z s 1.25 ) = P ( Z s 1.25 ) P ( Z s - 0.38 )
= u (1.25 ) - u (- 0.38 )
= 0.8944 0.3520
= 0.5424
Contoh 2
0
z
1
z
2

z
o =1
Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-16
Misal peubah acak X menyatakan ketidaksesuaian voltase yang
dispesifikasikan pada suatu diode yang dipilih secara acak. X
berdistribusi normal dengan = 40 volt dan o = 1.5 volt. Berapa
peluang bahwa :
a. Ketidakcocokan voltase antara 39 dan 42 volt
b. Ketidakcocokan voltase minimal 45 volt
Jawab

a. Ketidakcocokan voltase antara 39 dan 42 volt




= P ( - 0.67 s Z s 1.33 )

= u (1.33 ) - u (- 0.67 )
= 0.9082 0.2514
= 0.6568

b. Ketidakcocokan voltase minimal 45 volt

= P ( Z > 3.33 )
= 1 - u (3.33)
= 1 0.9996
= 0.0004

5.2.3 Distribusi uniform

( ) |
.
|

\
|
>

= >
5 . 1
40 45
5 . 1
40
45
X
P X P
( ) |
.
|

\
|
s

= s s
5 . 1
40 42
5 . 1
40
5 . 1
40 39
42 39
X
P X P
Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-17
Bila X merupakan variabel random uniform kontinu yang terdefinisi
pada selang (A,B) maka fungsi peluang dari X adalah

s s

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

>
< s

<
= s
B x
B x A
A B
A x
A x
x X P
1
0
) (
Sedangkan mean dan variansi dari peubah acak X yang berdistribusi
uniform dapat dihitung dan bernilai:
( ) ( ) A B X E + =
2
1

( ) ( )
2
12
1
A B X Var =
5.2.4 Distribusi Eksponensial
Bila X merupakan variabel random eksponensial dengan parameter
yang terdefinisi pada selang (0,) maka fungsi peluang dari X adalah

Distribusi eksponensial paling sering digunakan sebagai model
distribusi waktu dalam fasilitas pelayanan customers( waktu tunggu).
Pengertian customers disini tidak harus berupa orang tetapi bisa
berupa panggilan telepon misalnya. Dalam penggunaannya dalam

> =

lainnya
x e B A x f
x
0
0 ) , ; (
Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-18
model ini, distribusi eksponensial sangat berkaitan dengan distribusi
Poisson yang telah dibicarakan dalam bab sebelumnya.

Bila X menyatakan jumlah kejadian yang terjadi dalam selang waktu t,
maka X akan berdistribusi Poisson. Jika o adalah mean X yaitu rata
rata jumlah kejadian per unit waktu, maka distribusi dari waktu antar 2
kejadian adalah eksponensial dengan parameter o.

Penggunaan disribusi eksponensial yang lain adalah sebagai model
waktu hidup dari suatu komponen. Biasanya dalam model ini disebut
sebagai tingkat kegagalan.
Mean dan variansi dari distribusi eksponensial dengan parameter
berturut turut
2
1
,
1

. Pada distribusi eksponensial, bila nilai


diubah-ubah sedemikian rupa, maka akan berpengaruh pada bentuk
distribusinya. Dengan menggunakan program matlab berikut diperoleh
gambar distribusi di bawah :

Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-19
Gambar 13. Distribusi eksponensial dengan = 2


Gambar 14. Distribusi eksponensial dengan = 5


Gambar 15. Distribusi eksponensial dengan = 0.5

Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-20
Dari ketiga gambar tersebut, dapat dikatakan bahwa untuk x = 010
bila nilai semakin besar, kurvanya semakin landai.

Contoh 1
Dalam sebuah survai dilakukan pengamatan terhadap waktu
kedatangan angkutan kota yang melewati sebuah jalan tertentu. Dari
pengamatan selama 2 jam didapatkan hasil sebagai berikut :
TABEL 1
No Jam No Jam No Jam No Jam No Jam
1 06.01.03 11 06.17.57 21 06.33.43 31 06.47.18 41 07.07.07
2 06.02.56 12 06.20.57 22 06.33.50 32 06.49.55 42 07.09.37
3 06.03.14 13 06.24.32 23 06.34.14 33 06.50.04 43 07.09.49
4 06.04.10 14 06.27.44 24 06.36.32 34 06.50.22 44 07.09.51
5 06.06.57 15 06.28.15 25 06.37.53 35 06.56.51 45 07.14.30
6 06.08.46 16 06.28.27 26 06.38.43 36 06.57.59 46 07.14.43
7 06.10.45 17 06.28.33 27 06.39.11 37 07.00.59 47 07.16.45
8 06.12.03 18 06.28.38 28 06.44.25 38 07.01.11 48 07.17.04
9 06.16.03 19 06.29.45 29 06.44.47 39 07.04.52 49 07.17.23
10 06.17.16 20 06.31.19 30 06.46.00 40 07.06.19 50 07.17.26

Dari data tersebut, kita dapat menghitung waktu tunggu / antar
kedatangan angkutan kota antara pengamatan i dan i+1. Diperoleh 49
nilai yang dihitung dalam detik
TABEL 2
No Lama No lama No lama No lama No lama
1 113 11 180 21 7 31 157 41 150
2 18 12 215 22 24 32 9 42 12
3 56 13 192 23 138 33 18 43 2
4 121 14 31 24 81 34 389 44 279
5 110 15 12 25 290 35 68 45 13
6 119 16 6 26 28 36 180 46 123
Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-21
7 18 17 5 27 314 37 12 47 19
8 240 18 67 28 22 38 221 48 9
9 73 19 94 29 73 39 87 49 3
10 41 20 144 30 78 40 48 50

Bila dihitung rata ratanya nilainya adalah 96 detik. Ini menunjukkan
bahwa rata rata kedatangan angkutan kota adalah 96 detik. Menurut
teori sebelumnya, waktu antar kedatangan ini akan berdistribusi
eksponensial dengan
96
1
= .
Dari data pada tabel terakhir dapat dihitung antara lain nilai
peluangnya. Misalkan dihitung waktu kedatangan kurang 80 detik.
Dalam hal ini rumus yang digunakan adalah

Dalam hal ini menyatakan banyaknya titik sampel yang
nilainya kurang atau sama dengan 80, sedangkan n(S) menyatakan
banyak titik sampel.

Contoh 2
Misal X peubah acak yang menyatakan waktu respon dari suatu
komputer yang on-line (waktu antara user input dan tampil output-
nya). Peubah acak X berdistribusi eksponensial dengan mean 5 detik.
Berapa peluang waktu respon paling lama 10 detik dan waktu
responya antara 5 sampai 10 detik.

Jawab
Bila = 1/ = 5 , maka = 0.2
P ( X s 10 ) = F (10) = 1 e- (0.2) (10) = 1 0.135 = 0.865
55 , 0
49
27
) S ( n
) 80 x ( n
) 80 X ( P = =
s
= s
) 80 x ( n s
Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-22
P ( 5 s X s 10 ) = F (10) F(5) = 0.233
Latihan
1. Bila 90% dari siswa yang baru mulai belajar pemrograman
komputer akan gagal pada waktu menjalankan program
pertamanya, Berapa peluang bahwa dari 15 siswa yang dipilih
secara acak :
a. Paling sedikit 12 siswa gagal menjalankan program
pertamanya
b. Antara 10 dan 13 siswa akan gagal menjalankan program
pertamanya
c. Paling banyak 2 siswa berhasil menjalankan program
pertamanya

2. Misal X menyatakan daya regang suatu komponen logam tertentu
yang berdistribusi normal dengan = 10000 kg/ cm2 dan o =
100 kg/cm2. Semua pengukuran dicatat sampai 50 kg/cm2
terdekat. Hitung peluang bahwa daya regang minimal 10150
kg/cm2 dan daya regang antara 9800 kg/cm2 sampai 10200
kg/cm2

3. Diketahui bahwa mesin penerima panggilan dari suatu kantor
konsultan per menitnya ratarata menerima 6 panggilan. Berapa
peluang bahwa :
a. paling sedikit satu panggilan permenit
b. dalam 4 menit paling sedikit 15 panggilan

4. Dalam satu minggu suatu komputer pada suatu rental akan
mengalami kelambatan merupakan peubah acak yang berditribusi
poisson dengan = 0.3. Berapa peluang bahwa
Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-23
a. suatu komputer akan beroperasi tanpa mengalami kelambatan
dalam waktu 2 minggu
b. paling sedikit lima komputer akan mengalami kelambatan
dalam satu minggu

5. Misal X peubah acak yang menyatakan waktu yang diperlukan
petugas perpustakaan untuk mengecek buku yang baru dipinjam
dengan yang kembali. Nilai harapan untuk waktu pengecekan
sekitar 20 detik. Hitung P ( X s 30 ) dan P ( 20 s X s 30 )

6. Peubah acak X menyatakan waktu antar kedatangan pesawat pada
sebuah bandara, dengan fungsi padat peluang sebagai berikut :
( )

>
=

lainnya x , 0
0 x , e 5 . 0
x f
x 5 . 0

Berapa peluang menunggu paling sedikit 1 menit

7. Diketahui umur dinamo listrik yang diproduksi perusahaan tertentu
menyebar normal dengan mean 6.4 dan simpangan baku 1.1
tahun.
a. Jika sebuah dinamo diberi garansi 5 tahun, berapa peluang
bahwa perusahaan akan memperbaiki dinamo tersebut
sebelum habis masa garansinya ?
b. Jika perusahaan menetapkan bahwa hanya sampai 1%
produksinya diperbaiki sebelum habis masa garansinya, berapa
tahun masa garansi yang diperlukan ?

8. Suatu sistem elektronika mengandung komponen dengan daya
tahan T yang menyebar eksponensial dengan parameter 2 . 0 = .
Bila 5 komponen dipasang pada sistem yang berbeda, berapa
Politeknik Telkom Statistika


Distribusi Peluang Khusus
5-24
peluang bahwa paling sedikit 2 komponen masih berfungsi setelah
akhir tahun ke-8 ?

9. Jika dalam setiap satu jam rata-rata terdapat 3 pesawat yang lepas
landas. Tentukan peluang bahwa dalam periode satu jam tertentu
jumlah pesawat yang lepas landas adalah :
a. tepat tiga pesawat
b. kurang dari 4 pesawat
c. paling kurang 3 pesawat
d. antara 2 dan 6 pesawat



Politeknik Telkom Statistika


Distribusi Sampling, Dalil Limit Pusat
6-1
6 DISTRIBUSI SAMPLING DAN DALIL LIMIT
PUSAT









Overview

Dalam sebuah penelitian, keberadaan data sampel sangat diperlukan.
Seorang peneliti biasanya jarang menggunakan data populasi sebagai
dasar pengolahannya karena penggunaan data populasi akan
membuat biaya dan waktu menjadi tidak efisien. Bervariasinya bentuk
distribusi data sampel terkadang juga dapat menyulitkan seorang
peneliti untuk membuat kesimpulan tentang suatu populasi.
Keberadaan dalil limit pusat cukup membantu kita dapat membuat
estimasi peluang terkait dengan data sampel yang kita miliki.



Tujuan

1. Mahasiswa memahami konsep dalil limit pusat
Politeknik Telkom Statistika


Distribusi Sampling, Dalil Limit Pusat
6-2
2. Mahasiswa dapat menggunakan dalil limit pusat untuk membuat
estimasi peluang dari suatu data sampel dari berbagai macam
populasi

6.1 Distribusi sampling

Dalam suatu penelitian, dengan berbagai pertimbangan, pengambilan
sampel dilakukan dari pada pengambilan populasi, di mana sampel
harus mewakili populasi. Pengambilan sampel dari populasi yang sama
dilakukan secara acak, sehingga kombinasi yang muncul banyak sekali.
Hal tersebut akan menyebabkan nilai statistik yang bervariasi dari
sampel yang satu dengan yang lain. Sehingga suatu statistik dapat
dipandang sebagai suatu peubah acak yang hanya bergantung pada
sampel yang diamati dan mempunyai distribusi peluang yang disebut
distribusi sampling. Misal dari suatu populasi diambil sampel
berukuran n yang diulang sebanyak k kali. Kemudian dihitung
rataannya, maka nilai tengah akan mempunyai distribusi yang
dinamakan distribusi sampling dari nilai tengah. Sebaliknya, jika
variansi yang diamati, maka distribusinya disebut distribusi sampling
dari variansi. Tentunya distribusi sampling tersebut bergantung pada
ukuran populasi, ukuran sampel, dan metode pengambilan sampel
yaitu pengambilan sampel dengan pengembalian atau tanpa
pengembalian. Keacakan dari sampel akan sangat menguntungkan
dalam bentuk parameter dan bentuk distribusi. Adapun distribusi
sampling dalam bentuk parameter adalah sebagai berikut :

Misal X berdistribusi sabarang, dengan nilai tengah dan variansi o
2
,
maka :
a. Rata-rata dari rata-rata sampel sama dengan mean populasi
Politeknik Telkom Statistika


Distribusi Sampling, Dalil Limit Pusat
6-3
| | = =
(

=

n
n n
X
E x E
i
1

b. Variansi dari rata-rata sampel sama dengan variansi dari populasi
dibagi ukuran sampel

( ) ( ) ( )
n
n
n
X Var
n
X Var
n
n
X
Var x Var
i i
i
2
2
2
2 2
1
1 1
o
o = =
= =
|
|
.
|

\
|
=


Nilai ( ) x Var diatas sebenarnya adalah nilai untuk pengambilan sampel
dengan pengembalian, hanya saja bila ukuran N relative besar
terhadap n, maka ( ) x Var untuk pengambilan nilai sampel tanpa
pengembalian akan mendekati nilai tersebut.
6.2 Dalil limit pusat

Banyak sekali uji dalam statistik yang mengasumsikan data
berdistribusi Normal. Bila syarat ini tidak dipenuhi tentunya akan
berakibat pada analsis serta kesimpulan yang diperoleh. Dalam
penelitian kita sering menggunakan data sampel untuk menyimpulkan
sesuatu. Menurut teorema limit Pusat serta teorema sampling bahwa
bila suatu sampel berukuran n diambil dari suatu populasi yang besar
atau takhingga dengan mean = dan Simpangan Baku = o maka
rataan sampel ( x ) akan berdistribusi Normal dengan mean = dan
Simpangan Baku =
n
o
. Dengan eksperimen yang sederhana akan
ditunjukkan bahwa teorema ini berlaku. Esperimen ini mungkin belum
sempurna karena jumlah sampel yang dibangkitkan bukan merupakan
keseluruhan kombinasi yang mungkin.
Politeknik Telkom Statistika


Distribusi Sampling, Dalil Limit Pusat
6-4

Berikut adalah contoh pengacakan dari populasi distribusi Normal
dengan mean = 0 dan simpangan baku = 1 dengan jumlah sampel =
80.



0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0
15
10
5
0
C1
F
r
e
q
u
e
n
c
y
dist Xbar dg ukuran sampel 5
0.5 0.4 0.3 0.2 0.1 0.0 -0.1 -0.2 -0.3 -0.4 -0.5
20
10
0
C2
F
r
e
q
u
e
n
c
y
dist Xbar dg ukuran sampel 15 populasi normal
Politeknik Telkom Statistika


Distribusi Sampling, Dalil Limit Pusat
6-5


Variable N Mean Median Tr Mean StDev SE Mean
C1 80 -0.0662 -0.0462 -0.0615 0.4162 0.0465
C2 80 0.0237 0.0136 0.0269 0.2213 0.0247
C3 80 -0.0188 -0.0000 -0.0190 0.1874 0.0210

P-Value (Anderson-Darling)
C1 0.587
C2 0.897
C3 0.554

Dari P-value diatas dapat disimpulkan bahwa semua data x
berdistribusi Normal untuk ukuran sampel 5,15 dan 30 berdasarkan
hasil uji Anderson-Darling. Memang kalau dilihat ukuran sampel= 15
adalah yang paling kuat indikatornya tetapi ini tidak bisa dijadikan
pegangan untuk menyimpulkan bahwa ukuran sampel = 15 adalah
yang terbaik. Ada beberapa alasan antara lain karena jumlah sampel
0.3 0.2 0.1 0.0 -0.1 -0.2 -0.3 -0.4 -0.5 -0.6
15
10
5
0
C3
F
r
e
q
u
e
n
c
y
dist Xbar dg ukuran sampel 30 populasi normal
Politeknik Telkom Statistika


Distribusi Sampling, Dalil Limit Pusat
6-6
yang dibangkitkan adalah tidak maksimum. Bila ditinjau dari nilai mean
dan StDev nya maka dapat dilihat untuk semakin besar sampel yang
diambil ternyata akan mendekati mean populasinya (=0). Sedangkan
simpangan bakunya akan semakin kecil untuk ukuran sampel yang
makin besar sesuai teorema limit pusat. Dari hal ini dapat disimpulkan
dengan pengambilan sampel yang besar maka taksiran untuk mean
populasi akan semakin tepat.
Bila hasil eksperimen diatas ditabelkan, maka akan diperoleh
hasil sebagai berikut
mean Simpangan
baku
Limit Pusat
Populasi 0 1 mean Sampangan
baku
Sampel
n=5
-
0.0662
0.4162 0 0.447
Sampel
n=15
0.0237 0.2213 0 0.258
Sampel
n=30
-
0.0188
0.1874 0 0,183

Bila dilihat perbandingan antara hasil eksperimen dengan hasil yang
berdasarkan teorema limit pusat maka dapat disimpulkan nilai nilai
mean dan simpangan baku pada sampel ukuran 5,15 dan 30 cukup
dekat dengan hasil yang berdasarkan teorema limit pusat.
Politeknik Telkom Statistika


Distribusi Sampling, Dalil Limit Pusat
6-7



4.5 3.5 2.5 1.5 0.5
20
10
0
C4
F
r
e
q
u
e
n
c
y
dist Xbar dg ukuran sampel 5 populasi Poisson lamda 2
3.0 2.8 2.6 2.4 2.2 2.0 1.8 1.6 1.4
20
10
0
C5
F
r
e
q
u
e
n
c
y
dist Xbar dg ukuran sampel 15 populasi Poisson lamda 2
Politeknik Telkom Statistika


Distribusi Sampling, Dalil Limit Pusat
6-8


Variable N Mean Median Tr Mean StDev SE Mean
C4 80 1.9175 2.0000 1.9139 0.5769 0.0645
C5 80 2.0267 2.0000 2.0130 0.3575 0.0400
C6 80 1.9833 1.9667 1.9838 0.2489 0.0278
P-Value
C4 0.008
C5 0.090
C6 0.331

Dari P-value diatas dapat disimpulkan bahwa data x berdistribusi
Normal untuk ukuran sampel 15 dan 30 saja berdasarkan hasil uji
Anderson-Darling. Indikator yang paling kuat ditunjukkan oleh untuk
ukuran sampel = 30. Bila ditinjau dari nilai mean dan StDev nya maka
kesimpulan yang hampir sama dapat diambil yaitu untuk semakin
besar sampel yang diambil ternyata akan mendekati mean populasinya
(=2). Sedangkan simpangan bakunya akan semakin kecil untuk
2.5 2.0 1.5
15
10
5
0
C6
F
r
e
q
u
e
n
c
y
dist Xbar dg ukuran sampel 30 populasi Poisson lamda 2
Politeknik Telkom Statistika


Distribusi Sampling, Dalil Limit Pusat
6-9
ukuran sampel yang makin besar sesuai teorema limit pusat. Dari hal
ini dapat disimpulkan dengan pengambilan sampel yang besar maka
taksiran untuk mean populasi akan semakin tepat.
Dari hasil pengujian dari beberapa macam populasi yang berbeda
kemudian para ahli sepakat bahwa ukuran sampel = 30 adalah cukup
baik sehingga distribusi rataan sampel menjadi Normal .

Contoh 1
Nilai kesalahan baku dari nilai tengah penarikan sampel berukuran 36
sebuah populasi besar adalah 2. Berapa ukuran sampel tersebut harus
dinaikkan agar kesalahan bakunya = 1,2 ?

Jawab
Diketahui sampel dengan n=36 dan 2 =
x
o
Bila diinginkan 2 , 1 =
x
o n = ?
Misalkan
2
o : variansi populasi maka
n
x
2
2
o
o =
36
4
2
o
= 144
2
= o (nilai
2
o ini tetap)
Bila diinginkan 2 , 1 =
x
o maka
n
x
2
2
o
o =
n
144
44 , 1 = n = 100

Contoh 2
Sebuah pesawat terbang membawa 4 penumpang. Beban aman untuk
4 orang penumpang adalah 360 kg. Andaikan seorang penumpang
dipilih secara acak dari distribusi normal dengan mean 75 kg dan
simpangan baku 16

Jawab
Politeknik Telkom Statistika


Distribusi Sampling, Dalil Limit Pusat
6-10
Diketahui X berdistribusi normal dengan 75 =
x
dan 16 =
x
o
Misal Y=4X maka 300 =
y
dan 32 16 4 = = x
y
o
Peluang (terjadi overload) = P (4x > 360)
( ) 032 , 0 875 , 1
32
60
32
300 360
= > = |
.
|

\
|
> = |
.
|

\
|
> Z P Z P Z P
Latihan
1. Bila diketahui data populasi X = {1,2,2,3,3,4} . Lakukan eksperimen
sederhana untuk menunjukkan dalil limit pusat yaitu dengan
mengambil sampel berukuran 3 tanpa pengulangan sebanyak
maksimum kombinasi yang mungkin !
2. Bila semua kemungkinan sampel berukuran 16 ditarik dari suatu
populasi normal dengan nilai tengah 50 dan simpangan baku 5.
hitung peluang nilai tengah sampel akan berada dalam selang
x x
o 9 . 1 sampai
x x
o 4 . 0 ?
3. Sebuah perusahaan baterai mengatakan rata rata umur baterai
mereka 30 jam. Bila 16 unit sampel diambil secara acak dan
didapatkan simpangan baku sampel = 5 jam, tentukan nilai rata
rata sampel terendah yang diijinkan bila perusahaan menetapkan
batas 3 o ?
4. Rata - rata banyaknya panggilan telepon / jam suatu perusahaan
dalam 2 tahun terakhir = 4. Bila dicatat banyaknya telp dalam 2
hari dlm 2 thn terakhir tsb, hitung bahwa peluang bahwa rata
rata banyak nya telp/jam >= 5 ?
5. Masa pakai suatu komponen elektronik (dalam tahun) dinyatakan
dalam X merupakan suatu peubah acak yang mengikuti distribusi
eksponensial dengan pdf
Politeknik Telkom Statistika


Distribusi Sampling, Dalil Limit Pusat
6-11
( )

>
=

lainnya x
x e
x f
x
; 0
0 ;
5
1
5

a. Bila 25 buah komponen secara acak, X menyatakan rata-rata
masa pakai 25 komponen tersebut, hitung ( ) 6 3 < < X P
b. Apabila 5 komponen dipasang secara acak pada suatu sistem,
hitung peluang sedikitnya 2 komponen masih berfungsi
setelah 8 tahun pemakaian