HIMATIKA UNIVERSITAS UDAYANA

Modul Statistika Dasar

Pengenalan Statistika
Moh. Heri Setiawan
3/15/2012

Pengenalan Statistika Dasar ini merupakan hasil studi yang saya tempuh selama menjadi mahasiswa
program S1 jurusan Matematika di Universitas Udayana.
 Modul Statistika Dasar by Moh. Heri Setiawan

MODUL STATISTIK
Oleh Moh. Heri Setiawan

BAB I
KONSEP DASAR STATISTIKA

 Konsep dasar statistika

Statistika adalah ilmu yang mempelajari cara – cara pengumpulan data, penyajian data, analisis,
dan penafsiran (interpretasi) data. Secara garis besar metode statistika dibagi menjadi 2 yaitu :
 Statistika deskriptif adalah metode – metode yang berkaitan dengan pengumpulan dan
penyajian suatu gugus data sehingga memberikan suatu informasi yang berguna.
Statistika deskriptif memberikan informasi hanya mengenai data yang dipunyai dan sama
sekali tidak menarik kesimpulan/inferensia apapun tentang gugus data yang lebih besar.
Tergolong dalam statistika deskriptif : table, diagram, grafik, dan besaran – besaran lain.
 Statistika inferensia mencakup semua metode yang berhubungan dengan analisis
sebagian data untuk kemudian sampai pada penarikan kesimpulan mengenai keseluruhan
gugus data induknya.
sedangkan statistik merupakan karakteristik/nilai-nilai yang dimiliki oleh sampel /contoh.
Parameter merupakan seluruh karakteristik yang dimiliki oleh populasi.
Populasi dan contoh
Populasi adalah keseluruhan pengamatan yang menjadi pusat perhatian kita. Banyak
pengamatan atau anggota suatu populasi disebut ukuran populasi. Contoh adalah suatu himpunan
bagian dari populasi.
Teknik pengumpulan data :
1. Survey
2. Eksperimen
Jenis – jenis data :
 Data kualitatif
Data kualitatif merupakan data yang tidak dinyatakan dalam bentuk angka –
angka. Misalnya : suka, sangat suka, tidak suka, baik, sangat baik, dll.
 Data kuantitatif
Data kuantitatif merupakan data yang dinyatakan dalam bentuk angka – angka.
Misalnya : data berat badan, data umur, data harga barang, dll.
Statistika mengenal 4 macam skala pengukuran (measurement scale), tetapi pada hakekatnya
terdapat 2 jenis skala pengukuran yan gdidasarkan pada karakteristik obyek pengamatan yaitu :
1. Skala pengukuran Non-Metrik meliputi skala Nominal dan skala Ordinal
2. Skala pengukuran Metrik meliputi skala interval dan skala rasio

HIMATIKA UNUD Page | 2

Modul Statistika Dasar by Moh. Heri Setiawan

Keterangan :
A. Skala Non-Metrik : skala pengukuran yang tergolong tingkat penskalaan “rendah”
dalam statistika, umumnya terkait erat dengan variable yang bersifat kualitatif, dimana
karakteristik obyek diperoleh dengan cara meminta pendapat responden.
B. Skala Metrik : skala pengukuran ang tergolong tingkat penskalaan “tinggi” dalam
statistika, umumnya terkait erat dengan variable yang bersfat kuantitatif dimana nilai
karakteristik obyek diperoleh dengan cara mencacah atau mengukur obyek pengamatan.
C. Skala Nominal : sering disebut skala kategori, merupakan skala pengukuran terendah
yang hanya mampu melakukan pengelompokan menurut kategori/klas yang dibentuk.
Misal : laki, perempuan, ayah, ibu, anak, dll.
D. Skala Ordinal : skala pengukuran yang mampu melakukan pengelompokan dan
pemeringkatan (urutan) dari karakteristik obyek yang diamati. Sebuah kategori/klas dari
variable yang diamati dapat dibandingkan dengan kategori /klas lainnya melalui
hubungan “lebih besar” atau “kurang dari”.
E. Skala interval : skala pengukuran yang memiliki kemampuan untuk mengelompokkan,
mengurutkan, dan menghitung interval 2 nilai pengamatan. Skala ini belum mampu
menghitung rasio dua nilai, dikatakan bahwa skala interval belum memiliki titik 0
absolut. Contoh : missal suhu benda A 80o F dan benda B suhunya 40o F, namun tidak
dapat dikatakan bahwa suhu benda A dua kali suhu benda B. karena jika suhu dinyatakan
dalam satuan Celsius atau Reamur akan diperoleh angka – angka yang berbeda.
F. Skala rasio : merupakan skala pengukuran tertinggi dalam terminology statistika,
mempunyai kemampuan untuk mengelompokkan, mengurutkan, menghitung interval 2
nilai, dan menghitung rasio 2 nilai pengamatan dengan dicirikan telah adanya titik 0
absolut. Missal berat badan si A 50 kg dan berat si B 100 kg, maka berat si B 2 kali berat
si A apapun satuan yang digunakan.
Data yang telah diolah dapat disajikan dalam bentuk grafik antara lain :
a. Diagram batang
b. Diagram lingkaran
c. Diagram garis
d. Histogram
e. Diagram dahan daun (stem and leaf)
f. Diagram kotak baris dll.
Notasi penjumlahan
Dalam statistika, sering kali melakukan penjumlahan data yang cukup banyak. Untuk
menyederhanakan cara penulisan data, digunakan notasi sigma “∑”.
𝑛

� 𝑥1 + 𝑥2 + 𝑥3 + ⋯ + 𝑥𝑛
𝑖=1

HIMATIKA UNUD Page | 3

Modul Statistika Dasar by Moh. Heri Setiawan

Sifat – sifat notasi sigma untuk variable tak berindeks

a. ∑𝒏𝒌=𝟏 𝒌 = ∑𝒏𝒊=𝟏 𝒊
b. ∑𝒏𝒌=𝒎 𝒄 = (𝒏 − 𝒎 + 𝟏)𝒄 ; 𝒄 = 𝒌𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒂
c. ∑𝒏𝒌=𝟏 𝒄 𝒌 = 𝒄 ∑𝒏𝒌=𝟏 𝒌 ; 𝒄 = 𝒌𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒂
d. ∑𝒏𝒌=𝒎 𝒌 = ∑𝒏+𝒑
𝒌=𝒎+𝒑(𝒌 − 𝒑) ; 𝒑 = 𝒃𝒊𝒍. 𝒃𝒖𝒍𝒂𝒕
e. ∑𝒎−𝟏 𝒏 𝒏
𝒌=𝟏 𝒌 + ∑𝒌=𝒎 𝒌 = ∑𝒌=𝟏 𝒌 ; 𝒎 < 𝑛
𝒔
f. ∑𝒌=𝒔 𝒌 = 𝒔

Sifat – sifat notasi sigma untuk variable berindeks

a. ∑𝒏𝒌=𝟏 𝒂𝒌 = ∑𝒏𝒊=𝟏 𝒂𝒊
b. ∑𝒏𝒌=𝟏 𝒄 𝒂𝒌 = 𝒄 ∑𝒏𝒌=𝟏 𝒂𝒌
c. ∑𝒏𝒌=𝟏(𝒂𝒌 ± 𝒃𝒌 ) = ∑𝒏𝒌=𝟏 𝒂𝒌 + ∑𝒏𝒌=𝟏 𝒃𝒌
d. ∑𝒏𝒌=𝒎 𝒂𝒌 = ∑𝒏+𝒑
𝒌=𝒎+𝒑 𝒂(𝒌−𝒑) ; 𝒑 𝒃𝒊𝒍. 𝒃𝒖𝒍𝒂𝒕
e. ∑𝒌=𝟏 𝒂𝒌 + ∑𝒌=𝒎 𝒂𝒌 = ∑𝒏𝒌=𝟏 𝒂𝒌 ; 𝒎 < 𝑛
𝒎−𝟏 𝒏

f. ∑𝒔𝒌=𝒔 𝒂𝒌 = 𝒂𝒔 ; 𝒂 = 𝟏, 𝟐, 𝟑, 𝟒, … , 𝒏

HIMATIKA UNUD Page | 4

Modul Statistika Dasar by Moh. Heri Setiawan

BAB II
UKURAN STATISTIK BAGI DATA

 Definisi Parameter dan statistik

Terminologi dan notasi yang digunakan statistikawan dalam mengolah data
ststistik bergantung pada apakah data tersebut merupakan data populasi atau contoh yang
diambil dari suatu populasi. Parameter merupakan sembarang nilai yang menjelaskan
cirri dari suatu populasi, sedangkan sembarang nilai yang menjelaskan cirri dari suatu
contoh disebut statistic.
Misal data berikut adalah banyak kesalahan ketik setiap halaman yang dilakukan
seorang sekretaris ketika mengetik dokumen setebal 10 halaman : 1, 0, 2, 3, 4, 1, 2, 3, 1,
dan 0. Bila diasumsikan bahwa dokumen tersebut adalah data suatu populasi kecil. Maka
kita dapat mengatakan bahwa banyak kesalahan terbesar adalah 4, atau nilai tengah
hitung (rata – rata) banyak kesalahan adalah 1,5 merupakan deskripsi bagi populasi yang
disebut parameter populasi.
Secara umum, nilai tengah populasi dilambangkan dengan huruf yunani yaitu µ.
Jadi populasi kesalahan ketik di atas adalah µ = 1,5. Terlihat bahwa parameter populasi
merupakan suatu konstanta yang menjelaskan populasi.
Misalkan data diatas merupakan sebuah contoh 10 halaman yang diambil secara
acak dari naskah setebal 100 halaman, maka data tersebut merupakan data contoh
(sampel). Maka nilai 4 dan 1,5 adalah ukuran deskripsi contoh yang disebut statistic.
Statistic biasanya dinyatakan dalam huruf kecil biasa. Bila statistic itu berupa nilai
tengah contoh, dilambangkan dengan :
𝑥̅ = 1,5
Karena dari populasi yang sama banyak sekali kemungkinan contoh acak yang
dapat diambil, dapat dibayangkan bahwa statistic itu sangat bervariasi dari satu contoh ke
contoh yang lainnya.
 Ukuran pemusatan data
Sembarang ukuran yang menunjukkan pusat segugus data yang telah diurutkan
dari nilai terkecil sampai terbesar ke terkecil disebut ukuran lokasi pusat atau ukuran
pemusatan. Ukuran pemusatan yang paling banyak digunakan adalah nilai tengah,
median, dan modus.
 Nilai tengah
Bila segugus data x1, x2, x3, … , xN, menyusun sebuah populasi terhingga
berukuran N, maka nilai tengah populasi adalah :
∑𝑁𝑖=1 𝑥𝑖
𝜇=
𝑁
Bila segugus data x1, x2, x3, … , xn, merupakan sebuah contoh terhingga
berukuran n, maka nilai tengah contohnya adalah :
∑𝑛𝑖=1 𝑥𝑖
𝑥̅ =
𝑛−1
Dapat dilakukan penyederhanaan perhitungan nilai tengah dengan teknik
pengkodean, menambahkan atau mengurangkan suatu konstanta pada semua nilai
pangamatan, kemudian baru menghitung nilai tangahnya. Misalnya terdapat
hubungan yi = xi + a maka :

HIMATIKA UNUD Page | 5

Modul Statistika Dasar by Moh. Heri Setiawan

∑𝑛𝑖=1 𝑦𝑖 ∑𝑛𝑖=1(𝑥𝑖 + 𝑎)
𝑦� = = = 𝑥̅ + 𝑎
𝑛 𝑛
Bila terdapat hubungan yi = c xi maka :
∑𝑛𝑖=1 𝑦𝑖 ∑𝑛𝑖=1 𝑐 𝑥𝑖
𝑦� = = = 𝑐𝑥̅
𝑛 𝑛
Tengah wilayah merupakan ukuran yang didefinisikan sebagai rata – rata
pengamatan terkecil dan terbesar.
𝑥𝑚𝑖𝑛 + 𝑥𝑚𝑎𝑥 𝑥1 + 𝑥𝑛
𝑥= =
2 2
 Median
Median segugus data yang telah terurus dari nilai terkecil sampai nilai
terbesar atau sebaliknya dari terbesar sampai terkecil adalah pengamatan yang
tepat di tengah – tengah bila banyak pengamatan ganjil (n=ganjil) atau rata – rata
kedua pengamatan yang ditengah bila n = genap

𝑀𝑒 = 𝑄2 = 𝑥�𝑛+1� ; 𝑢𝑛𝑡𝑢𝑘 𝑛 = 𝑔𝑎𝑛𝑗𝑖𝑙

2
1
𝑀𝑒 = 𝑄2 = �𝑥�𝑛� + 𝑥�𝑛+ 1� � ; 𝑢𝑛𝑡𝑢𝑘 𝑛 = 𝑔𝑒𝑛𝑎𝑝
2 2 2
 Modus
Modus dari gugus pengamatan adalah nilai yang paling sering muncul atau
nilai dengan frekuensi tertinggi.modus tidak selalu ada, bila semua pengamatan
mempunyai frekuensi yang sama atau dalam segugus data mungkin memiliki
lebih dari satu modus. Sebaran data yang memiliki dua buah modus disebut
bimodus.

Beberapa ukuran nilai tengah lain

 Nilai tengah terboboti
Rataan k buah nilai x1, x2, x3, … , xk dengan menganggap bahwa sebagian data
lebih penting dari yang lain dengan memberikan pembobot w1, w2, w3, … , wk pada nilai
– nilai tersebut, sedang pembobot – pembobot mengukur pentingnya yang satu relative
terhadap yang lain. Maka nilai tengah terboboti diberikan oleh :
∑𝑘𝑡=1 𝑤𝑖 𝑥𝑖
𝜇𝑤 𝑎𝑡𝑎𝑢 𝑥̅ =
∑𝑘𝑡=1 𝑤𝑖
Bila pembobotnya sama, rumus tersebut menghasilkan nilai tengah hitung biasa.
 Nilai tengah gabungan
Misalkan k sebuah populasi terhingga masing – masing ukuran populasi N1, N2,
N3, … , Nk, mempunyai nilai tengah µ1, µ2, µ3, … , µk maka nilai tengah gabungan dari
semua populasi adalah :
∑𝑘𝑖=1 𝑁𝑖 𝜇𝑖
𝜇𝑔 =
∑𝑘𝑖=1 𝑁𝑖
Bila suatu contoh acak berukuran n1, n2, n3, … , nk yang diambil dari k populasi
tersebut, masing – masing dengan nilai tengah :
𝑥̅1 , 𝑥̅ 2 , 𝑥̅3 , … , 𝑥̅𝑘
Maka nilai tengah contoh gabungannya adalah :
HIMATIKA UNUD Page | 6
Modul Statistika Dasar by Moh. Heri Setiawan

∑𝑘𝑖=1 𝑛𝑖 𝑥̅𝑖
𝑥̅𝑔 =
∑𝑘𝑖=1 𝑛𝑖
 Nilai tengah geometric
Nilai tengah geometric, G dari k bilangan positif x1, x2, x3, … , xk adalah akar ke-
k dari hasil kali semua bilangan itu.
𝐺 = 𝑘�𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑘
 Nilai tengah harmonic
Nilai tengah harmonic dari k bilangan x1, x2, x3, … , xk adalah k dibagi dengan
jumlah kebalikan bilangan – bilangan tersebut.
𝑘
𝐻=
1
∑𝑘𝑖=1
𝑥𝑖
 Ukuran keragaman data/penyebaran data
Keragaman/Dispersi data menunjukkan seberapa jauh pengamatan – pengamatan
itu menyebar dari nilai tengahnya. Sangat mungkin kita memiliki dua kumpulan
pengamatan yang mempunyai nilai tengah atau median yang sama namun sangat berbeda
keragamannya. Statistic yang paling penting untuk mengukur keragaman data adalah
wilayah/range dan ragam.
 Wilayah/range
Wilayah/range sekumpulan data adalah beda antara pengamatan terbesar dan
terkecil dalam kumpulan tersebut.
𝑅𝑎𝑛𝑔𝑒 = 𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛
 Ragam dan simpangan baku
Ragam populasi terhingga x1, x2, x3, … , xN didefinisikan sebagai :
2
∑𝑛𝑖=1(𝑥𝑖 − 𝜇)2
𝜎 =
𝑁
Ragam contoh terhingga x1, x2, x3, … , xn didefinisikan sebagai :
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
𝑆2 =
𝑛−1
 Dalil Chebyshev
Dua nilai yang digunakan statistikawan adalah nilai tengah dan simpangan baku.
Simpangan baku yang kecil mengindikasikan bahwa sebagian besar data mengumpul di
sekitar nilai tengahnya, sebaliknya simpangan baku yang besar menunjukkan pengamatan
– pengamatan lebih menyebar jauh dari nilai tengahnya.
Ahli matematika Rusia, P. L. Chebyshev (1821-1894) menemukan bahwa
proporsi pengukuran yang jatuh antara dua nilai yang setangkup terhadap nilai tengahnya
berhungan simpangan bakunya.
Dalil Chebyshev berbunyi “sekurang – kurangnya 1 – 1/k2 bagian data terletak
dalam simpangan baku dan nilai tengahnya”. Untuk k = 2, dalil ini menyatakan bahwa
sekurang – kurangnya 1 – ½2 = ¾ (75%) datanya pasti terletak dalam batas – batas 2
simpangan baku nilai tengahnya. Dengan kalimat lain, 75% atau lebih bagian
pengamatan suatu populasi pasti terletak dalam selang µ ± 2σ. Bila datanya merupakan
data contoh maka dinyatakan sebagai :
𝑥̅ ± 𝑘𝑆

HIMATIKA UNUD Page | 7

Modul Statistika Dasar by Moh. Heri Setiawan

 Nilai Z
Bagaimana membandingkan dua pengamatan dari dua populasi yang berbeda
sehingga dapat menentukan tingkatan atau rank relatifnya. Salah satu cara menentukan
tingkatan kedua pengamatan tersebut adalah mengubahnya menjadi satuan baku yang
dikenal sebagai nilai z atau skor z.
Suatu pengamatan x dari suatu populasi yang mempunyai nilai µ dan simpangan
baku σ, mempunyai nilai z atau skor z yang didefinisikan sebagai :
𝑥− 𝜇
𝑧= ; 𝑢𝑛𝑡𝑢𝑘 𝑠𝑘𝑜𝑟 𝑧 𝑝𝑜𝑝𝑢𝑙𝑎𝑠𝑖
𝜎
𝑥 − 𝑥̅
𝑧= ; 𝑢𝑛𝑡𝑢𝑘 𝑠𝑘𝑜𝑟 𝑧 𝑐𝑜𝑛𝑡𝑜ℎ
𝑆
 Sebaran Frekuensi untuk data kelompok
 Mean
Mean atau rata – rata didefinisikan sebagai :
∑ 𝑥𝑖 ∑ 𝑥𝑖
𝑥̅ = =
𝑛 ∑ 𝑓𝑖
Keterangan :
𝑥̅ = mean
∑ 𝑥𝑖 = jumlah nilai data
𝑛 = ∑ 𝑓𝑖 = jumlah frekuensi
 Median
Median atau nilai tengah didefinisikan sebagai berikut :
1
𝑄2 = 2
�𝑥(𝑛+1) � ; untuk n ganjil
1
𝑄2 = 2
�𝑥�𝑛� + 𝑥�𝑛 + 1� � ; untuk n genap
2 2
 Kuartil
Kuartil merupakan pembagian data yang sudah terurut menjadi 3, dapat
dituliskan sebagai berikut :

𝑖
𝑄𝑖 = 4
�𝑥(𝑛+1) � ; (i = 1,2,3) untuk n ganjil
𝑖
𝑄𝑖 = [𝑛 + 2 ] ; (i = 1,2,3) untuk n genap
4

 Desil
Desil merupakan pembagian data yang sudah terurut menjadi 10 bagian,
dapat dituliskan sebagai berikut :

𝑖
𝐷𝑖 = 10
�𝑥(𝑛+1) � ; (i = 1,2,3, … , 9) untuk n ganjil
𝑖
𝐷𝑖 = [𝑛 + 2 ] ; (i = 1,2,3, … , 9) untuk n genap
10

HIMATIKA UNUD Page | 8

Modul Statistika Dasar by Moh. Heri Setiawan

 Persentil
Persentil merupakan pembagian data yang sudah terurut menjadi 100
bagian, dapat dituliskan sebagai berikut :

𝑖
𝑃𝑖 = 100
�𝑥(𝑛+1) � ; (i = 1,2,3, … , 99) untuk n ganjil
𝑖
𝑃𝑖 = [𝑛 + 2 ] ; (i = 1,2,3, … , 99) untuk n genap
100

 Ragam contoh
Ragam contoh didefinisikan sebagai berikut :
∑ 𝑓𝑖 (𝑥𝑖 − 𝑥̅ )2
𝑆2 =
∑𝑓 −1
 Statistika deskriptif
 Skewnass
3(𝑥̅ − 𝑥�)
𝑆𝑘𝑤 =
𝑆
∑(𝑥𝑖 − 𝑥̅ )3
𝑆𝑘𝑤 =
𝑆3
Keterangan :
𝑥̅ = mean
𝑥� = median
S = simpangan baku
 Kurtasi

HIMATIKA UNUD Page | 9

Modul Statistika Dasar by Moh. Heri Setiawan

SEBARAN PEUBAH ACAK

I. Peubah Acak
Misalkan dalam suatu percobaan dengan satu mata uang yang dilemparkan
sebanyak tiga kali. Maka ruang kejadian yang mungkin adalah :
S = {AAA, AAG, AGA, AGG, GAA, GAG, GGA, GGG}
G = Muncul gambar
A = Muncul angka
Bila yang diperlukan adalah jumlah gambar yang muncul dalam percobaan
itu, maka dapat diperoleh daftar berikut :
Jumlah gambar yang
Frekuensi
muncul
0 1
1 3
2 3
3 1
Bila 0, 1, 2, dan 3 yang menyatakan jumlah muka yang muncul merupakan
peubah acak. Jadi, peubah acak adalah suatu fungsi bernilai real yang harganya
ditentukan oleh tipa anggota dalam ruang kejadian (ruang sampel).
Definisi Peubah Acak
Suatu fungsi bernilai bilangan real yang harganya ditentukan oleh tiap
anggota dalam ruang kejadian (ruang contoh).

Dalam percobaan di atas, misalkan X merupakan peubah acak yang

menentukan jumlah gambar yang muncul dan x merupakan harga dari peubah acak
tersebut. Maka nilai – nilai peubah acak dalam percobaan di atas dapat dinyatakan
dalam tabel sebaran peluang berikut :

x 0 1 2 3
Frekuensi 1 3 3 1
P(X=x) 1/8 3/8 3/8 3/8

II. Sebaran Peluang Diskret dan Sebaran Peluang Kontinu

Ruang sampel diskret adalah suatu ruang sampel yang mengandung jumlah
titik sampel yang berhingga atau suatu barisan unsure yang tidak pernah berakhir
tetapi yang sama banyaknya dengan bilangan cacah.

HIMATIKA UNUD Page | 10

Modul Statistika Dasar by Moh. Heri Setiawan

Ruang sampel kontinu adalah suatu ruang sampel yang mengandung

jumlah titik sampel yang tak terhingga yang sama dengan banyaknya titik pada
sebuah garis.
Peubah acak yang didefinisikan pada ruang sampel diskret dan kontinu
masing-masing disebut peubah acak diskret dan peubah acak kontinu.
Pada percobaan pelemparan satu mata uang logam di atas, hasil
percobaannya dapat dilihat dari daftar berikut :
X Frekuensi P(X=x)
0 1 1/8
1 3 3/8
2 3 3/8
3 1 1/8
Jumlah 8 1
X = kejadian muncul gambar

Harga dari P(X=x) merupakan sebaran peluang diskret. Biasanya peubah

acak x dinyatakan dalam bentuk fungsi f(x), g(x), dan seterusnya. Sebaran peluang
diskret biasanya disajikan dalam suatu tabel.
Jadi P(X = x) = f(x)
P(X = 3) = f(3)
Fungsi f(x) adalah suatu fungsi peluang atau sebaran peluang peubah acak
diskret X bila untuk setiap x yang mungkin.

Contoh :
Hitunglah peluang jumlah bilangan yang muncul bila dua dadu dilemparkan.
Jawab :
Jika 2 dadu dilemparkan, maka jumlah mata yang muncul bisa digambarkan
sebagai berikut :
1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
Misalkan X peubah acak dengan nilai x, maka P(X=3) = 3/36, P(X=2) = 1/36 .
sehingga diperoleh sebaran peluang diskret sebagai berikut :

HIMATIKA UNUD Page | 11

Modul Statistika Dasar by Moh. Heri Setiawan

x 2 3 4 5 6 7 8 9 10 11 12
f(x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

Sebaran peluang kontinu tidak dapat disajikan dalam bentuk tabel, tetapi
menggunakan suatu rumusan yang merupakan fungsi nilai-nilai variable kontinu,
sehingga dapat digambarkan sebagai kurva.

Fungsi peluang yang digambarkan oleh sebuah kurva disebut fungsi

kepekatan peluang (probability density function/PDF). PDF dibuat sedemikian
hingga las daerah bawah kurva diatas x sama dengan 1. Bila luas daerah di bawah
kurva antara x = a dan x = b menyatakan peluang X terletak antara a dan b.

f(x)

x
a b
𝒃
𝑷(𝒂 < 𝒙 < 𝒃) = � 𝒇(𝒙)𝒅𝒙 = 𝟏
𝒂

Jika digambarkan dalam bentuk grafik, fungsi densitas peubah acak kontinu
umumnya berbentuk :

III. Sebaran Peluang Bersama

A. Sebaran peluang bersama untuk peubah acak diskret
Definisi
Misalkan X dan Y adalah peubah acak diskret, maka sebaran peluang
bersama untuk X dan Y adalah

HIMATIKA UNUD Page | 12

Modul Statistika Dasar by Moh. Heri Setiawan

p(x,y) = P(X=x, Y=y)

Yang terdefinisi untuk semua bilangan nyata x dan y. Fungsi dari p(x,y)
dinamakan fungsi peluang bersama.
Contoh :
Misalkan bahwa 3 bola diambil dari sebuah kantong yang berisi 3 bola
merah, 4 putih dan 5 biru. Jika X adalah banyaknya bola merah yang terambil
dan Y adalah banyaknya bola putih yang terambil. Carilah fungsi peluang
bersama dari X dan Y, p(i,j)=P{X=i,Y=j)
Jawab :
 Semua kemungkinan pasangan nilai (x,y) yang mungkin adalah (0,0), (0,1),
(0,2), (0,3), (1,0), (1,1), (1,2), (2,0), (2,1), dan (3,0)
 f(0,0) menyatakan peluang terambilnya 0 bola merah dan 0 bola putih
 Banyaknya cara mengambil 3 bola dari 12 bola adalah 12  =220
3
 
 Banyaknya cara mengambil 0 dari 3 bola merah, 0 dari 4 bola putih dan 3
dari 5 bola biru adalah  3  4  5  = 10
   
 f(0,0) adalah 10/220  0  0  3 
Sebaran Peluang Bersama bagi Contoh 1

X
p(x,y) Total Baris
0 1 2 3
0 10/220 30/220 15/220 1/220 56/220
1 40/220 60/220 12/220 12/220
y
2 30/220 18/220 8/220

3 4/220 4/220

Total Kolom 84/220 108/220 27/220 1/220 1

 Sebaran peluang bersama bagi X dan Y untuk contoh ini dapat dinyatakan
dalam rumus berikut
 Untuk X=0,1,2,3; Y=0,1,2,3; 0≤ X+Y ≤3

 3  4  5 
   
 x  x  3 − x − y 
p ( x, y ) =
12 
 
3
B. Sebaran peluang bersama untuk peubah acak kontinu

HIMATIKA UNUD Page | 13

Modul Statistika Dasar by Moh. Heri Setiawan

Misalkan X dan Y adalah peubah acak kontinu yang menyebar bersama

dengan fungsi kepekatan peluang bersama f(x,y) dan fungsi kepekatan marginal
fx(x) dan fy(y), maka fungsi kepektan bersyarat X jika diketahui Y=y adalah
 f ( x, y )
 , f y ( y) > 0
f ( x | y) =  f y ( y)

 0 , selainnya

Contoh :

Misalkan Y adalah peubah acak yang menyatakan banyaknya supply pada

mesin soft drink di awal suatu hari dan X adalah banyaknya soft drink yang
terjual selama hari tersebut (dengan ukuran galon). Bila X dan Y memiliki fungsi
kepekatan bersama sebagai berikut

1/ 2, 0 ≤ x ≤ y, 0 ≤ y ≤ 2
f ( x, y ) = 
 0, selainnya
Hitunglah peluang soft drink yang terjual adalah kurang dari ½ gallon jika
mesin tersebut berisi 1 galon di awal hari

Jawab :
1/ 2 1/ 2
1
∫ f ( x | y= ∫ =dx x=
1/ 2
P(X≤1/2|Y=1) = )dx 1/ 2
0
0 0
1

IV. Nilai Tengah (Nilai Harapan) dan Ragam Peubah Acak

A. Nilai tengah (nilai harapan) dan ragam peubah acak untuk distribusi
peluang diskret
a. Nilai tengah (nilai harapan)
 E(X) merupakan rata-rata distribusi peluang
 E(X) merupakan rata-rata tertimbang dari seluruh hasil yang mungkin
 Jika X adalah variabel acak diskret yang memiliki
 fungsi massa peluang p(xi), nilai harapan X didefinisikan sebagai :
n

𝜇X = E(X) = � xi p(xi )
𝑖=1
b. Ragam peubah acak
 Varian X merupakan ukuran sebaran suatu distribusi
 Var(X) merupakan nilai harapan dari kuadrat beda terhadap mean,
sehingga :
𝜎𝑋 2 = 𝑉𝑎𝑟(𝑋) = 𝐸⌊(𝑋 − 𝜇𝑋 )2 ⌋
B. Nilai tengah (nilai harapan) dan ragam peubah acak untuk distribusi
peluang kontinu
HIMATIKA UNUD Page | 14
Modul Statistika Dasar by Moh. Heri Setiawan

a. Nilai tengah (nilai harapan)

 Jika X adalah variable acak kontinu memiliki fungsi padat peluang f(x),
maka :
f(x) dx ≈ P(x ≤ X ≤ x + dx) untuk dx bernilai kecil
 Mudah dilihat bahwa dengan menganalogikan pada definisi pada variable
acak diskret untuk mendefinisikan nilai harapan X yaitu :
∞
𝐸[𝑋] = � 𝑥 𝑓(𝑥)𝑑𝑥
−∞
b. Ragam peubah acak
 Varian dari variabel acak kontinu X didefinisikan secara tepat seperti
pada variabel acak diskret. Sebut, X adalah variabel acak kontinu dengan
nilai harapan μ, maka varian X didefinisikan dengan :
𝑉𝑎𝑟[𝑋] = 𝐸⌊(𝑋 − 𝜇)2 ⌋
 Rumus alternatifnya adalah :
𝑉𝑎𝑟[𝑋] = 𝐸⌊𝑋 2 ⌋ − (𝐸⌊𝑋⌋)2
Yang ditetapkan dengan cara yang sama seperti pada variabel acak
diskret
V. Jenis – jenis Sebaran Peluang Diskret
Jenis – jenis sebaran peluang diskret antara lain :

a. Sebaran Uniform (seragam)

Sebaran uniform memiliki ciri – cirri antara lain :
 Bila nilai variable random mempunyai peluang terjadi sama
Definisi Sebaran Uniform
Bila peubah acak binom mempunyai nilai x1, x2, … , xk dengan peluang
yang sama. Maka sebaran uniformnya diberikan oleh:
1
𝑃(𝑋 = 𝑥) = , 𝑢𝑛𝑡𝑢𝑘 𝑥 = 𝑥1 , 𝑥2 , … , 𝑥𝑘
𝑘
Contoh :
Jika sebuah dadu dilempar, maka setiap elemen dari ruang sampelnya
S = {1,2,3,4,5,6} terjadi dengan peluang yang sama 1/6, sehingga kita
mempunyai distribusi seragam :
1
𝑃(𝑋 = 6) = , 𝑥 = 1,2,3,4,5,6
6

b. Sebaran Binomial
Sebaran binomial memiliki ciri – ciri antara lain :
 Percobaan terdiri atas n kali Bernoulli trial yang identik
 Hanya ada 2 keluaran, yaitu S = SUKSES dan F = GAGAL untuk tiap trial
 P(S) = p dan P(F) = q, bernilai tetap dari satu trial ke trial lain
 Semua trial saling independent

HIMATIKA UNUD Page | 15

Modul Statistika Dasar by Moh. Heri Setiawan

 Variable random binomial X adalah jumlah S dalam n trial

Definisi Sebaran Binomial
Bila suatu ulangan mempunyai peluang keberhasilan p, dan peluang
kegagalan q=1 – p , maka sebaran peluang bagi peubah acak binom X
(banyaknya keberhasilan dalam n ulangan yang bebas) adalah :

𝑛
𝑃(𝑋 = 𝑥) = � � 𝑝 𝑥 𝑞 𝑛−𝑥 , 𝑢𝑛𝑡𝑢𝑘 𝑥 = 1,2,3, … , 𝑛
𝑥
Keterangan :
p = peluang sukses dalam trial tunggal
q=1–p
n = jumlah trial
x = jumlah sukses dalam trial
Contoh kasus :
Seorang insinyur elektro sedang mengamati problem arus listrik pada
computer. Hasil survey terakhir menunjukkan bahwa 10% computer yang
dipakai mengalami problem ini. Jika 5 sampel random dipilih dari seluruh
populasi amatan, hitung peluang :
a. Terdapat 3 komputer terpilih mengalami kerusakan
b. Paling sedikit 3 komputer terpilih mengalami kerusakan
c. Kurang dari 3 komputer terpilih mengalami kerusakan

Jawab :

a. Tepat 3 komputer, x = 3
5
𝑃(3) = � � (10%)2 (90%)(2) = 0,0081
3
b. Paling sedikit 3 komputer, x = 3, 4, dan 5
P(X ≥ 3) = P(3) + P(4) + P(5)
P(3) = 0,0081
5
𝑃(4) = � � (10%)4 (90%)(1) = 0,00045
4
5
𝑃(5) = � � (10%)5 (90%)(0) = 0,00001
5
Maka P(X ≥ 3) = 0,0081 + 0,00045 + 0,00001 = 0,00856

c. Kurang dari 3, x = 0, 1, dan 2

P(X < 3) = 1 – P(X ≥ 3) = 1 – 0,00856 = 0,99144

d. Sebaran Multinomial

HIMATIKA UNUD Page | 16

Modul Statistika Dasar by Moh. Heri Setiawan

Percobaan binomial akan menjadi percobaan multinomial apabila tiap usaha

dapat memberikan lebih dari DUA hasil yang mungkin. Misal, pembagian hasil
output pabrik menjadi ringan, berat, atau masih dapat diterima. Contoh lain
adalah pengambilan suatu kartu dengan perhatian kempat jenis kartu.
a. Ciri – ciri
1. Percobaan terdiri atas n kali trial yang identik ;
2. Terdapat k jenis keluaran untuk tiap trial ;
3. p1, p2, p3,..,pk, yaitu peluang dari masing – masing keluaran, bernilai tetap
dari satu trial ke trial lain, dan p1+ p2+ p3 + …+ pk = 1;
4. Semua trial bersifat independent ;
5. Variabel random multinomial adalah y1, y2, y3,…,yk untuk setiap k jenis
keluaran.
Dapat disajikan sebagai berikut :
𝑛!
P(𝑌1 , 𝑌2 , … , 𝑌k ) = 𝑝 𝑦1 , 𝑝2 𝑦2 , 𝑝3 𝑦3 , … , 𝑝𝑘 𝑦𝑘
𝑦1 !, 𝑦2 !, … , 𝑦k ! 1

Keterangan :
pi = peluang keluaran ke-I dalam trial tunggal
p1 + p2 + p3 + … + pk = 1
n = y1+ y2+ y3+ …+ yk= jumlah trial
yi= jumlah kemunculan keluaran ke–i dalamn trial

Contoh :
Sebuah penelitian menunjukkan bahwa 10% monitor komputer memberikan
radiasi tinggi, 30 % sedang, dan 60% rendah. Bila diambil sampel acak 40
monitor dari sebuah populasi amatan, hitunglah :
a. Peluang bahwa10 monitor memilikiradiasitinggi, 10 sedang, 20 rendah

Jawab :
Ditentukan :
y1 = jumlah monitor radiasi tinggi
y2 = jumlah monitor radiasi sedang
y3 = jumlah monitor radiasi rendah
p1 = peluang terpilihnya monitor radiasi tinggi
p2 = peluang terpilihnya monitor radiasi sedang
p3 = peluang terpilihnya monitor radiasirendah

Sehingga:
40!
P(10,10,20) = (10%)10 (30%)10 (60%)20 = 0,0005498
10! 10! 20!
e. Sebaran Hipergeometri
Sebaran hipergeometri memiliki ciri – ciri :

HIMATIKA UNUD Page | 17

Modul Statistika Dasar by Moh. Heri Setiawan

 Percobaan terdiri atas pengambilan random n elemen tanpa

pengembalian dari total N elemen
 Terdapat S (SUKSES) sebanyak r dan F(GAGAL) sebanyak N –r
 Ukuran n dianggap besar sebanding N (n/ N > 0,05)
 Variabel random hypergeometric Y adalah jumlah S (SUKSES) dalam
pengambilan n elemen.

Dapat disajikan sebagai berikut :

r N–r
�y� � �
n-y
P(Y=y) = , 𝑢𝑛𝑡𝑢𝑘 𝑦 = 0, 1, 2, 3, … , 𝑛
N
� �
n
dengan:
N = jumlah total elemen
r = jumlah SUKSES dalam N
n = jumlah elemen pengambilan
y = jumlah SUKSES dalam pengambilan (n)

Contoh :
Dari 10 katalis yang ada diperlukan 3 untuk keperluan pembuatan produk
kimia baru. Dari sepuluh katalis tersebut terdapat 4 jenis katalisberkadar asam
tinggi dan 6 jenisberkadar asam rendah.
a. tentukan peluang bahwa katalis yang terpilih semua berkadar asam rendah
b. tentukan peluang bahwa dari3 katalis yang dipilih, hanya1 yang memiliki
kadar asam tinggi.
Jawab :
y = jumlah katalis berkadar asam tinggi dari 3 katalis terpilih
N = 10, n = 3, r = 4
Maka

4 6
� �� �
y 3-y
P(Y = y) =
10
� �
3
4 6
� �� � 1
0 3
a. P(Y = 0) = 10 = 6
� �
3
4 6
� �� � 1
1 2
b. P(Y = 1) = 10 = 2
� �
3
f. Sebaran Poisson
Sebaran poisson memiliki cirri-ciri sebagai berikut :
1. Variabel random y = jumlah kemunculan kejadian yang diamati selama unit
ukuran tertentu(contoh: jarak, area, volume, dll)
2. Nilai peluang dari sebuah kejadian adalah sama untuk setiap ukuran tertentu

HIMATIKA UNUD Page | 18

Modul Statistika Dasar by Moh. Heri Setiawan

3. Jumlah kejadian yang muncul untuk setiap unit adalah independent

4. ‫ = ג‬rata–rata jumlah kejadian dalam setiap unit ukuran
Dapat disajikan sebagai berikut :
‫ 𝑒 𝑦ג‬−‫ג‬
P(Y = y) = , 𝑢𝑛𝑡𝑢𝑘 𝑦 = 0, 1, 2, …
𝑦!

Contoh :

Sejumlah y retak pada spesimen beton untuk sebuah jenis semen mengikuti
distribusi poisson. Dengan pengamatan awal diketahui bahwa jumlah rata–rata
keretakan setiap spesimen adalah 2,5. Tentukan peluang bahwa sebuah
spesimen yang dipilih secara random memiliki jumlah keretakan 5

Jawab :

μ= ‫ =ג‬2,5

sehingga

2,55 𝑒−2,5
P(Y = 5) = = 0,067
5!

HIMATIKA UNUD Page | 19