PENDAHULUAN
A. Latar Belakang
sebagai berikut:
1. Teori Himpunan
pendekatan yaitu :
dan
teori pembuktian, teori model, dan teori rekursi, dikenal sebagai fondasi
matematika.
2. Logika matematis
2
(atau kaitannya dengan pernyataan lain). Kajian awal ini menggunakan
dibuktikan.
3. Teori Bilangan
3
(ii) Konjektur Catalan (sekarang dikenal dengan teorema
berturutan
1994)
dengan integer.
grup berhingga)
4
Pembahasan dimulai dengan teorema Minskowski yang
4. Aljabar
Aljabar elementer
Aljabar Linear
5
Merupakan bentuk perampakan (generalisasi) dari
aljabar.
khususnya pada bidang datar yang salah satu sudutnya adalah 90 derajat.
6
ruang (khususnya bola), disebut dengan segitiga bola (spherical
navigasi.
6. Geometri
(bidang datar) dan ruang dimensi tiga (ruang nyata), biasanya dipelajari
7. Topologi
dari geometri. Sesuai dengan namanya, topologi, kajian awal bidang ini
konsep (melalui definisi) dan teorema, salah satu konsep penting yang
8. Analisis matematis
7
(i) Analisis real, merupakan kajian diferesial dan integral dari fungsi
ukuran.
dan abstraksinya
(iv) Analisis kompleks, seprti analisis real tetapi dikaji dikaji fungsi pada
9. Teori probabilitas
fenomena acak. Obyek utama dalam kajian adalah peubah acak, kejadian
acak, dan proses stokastik. Dua obyek penting dalam kajian ini adalah
hukum bilangan besar (law of large number) dan teorema limit pusat
8
kombinatorial. Kajian khusus dalam fisika teoritis tersebut disebut
10. Statistika
deviation)
9
12. Matematika Terapan
pengertian Faktorial (disimbolkan dengan tanda seru atau !). Nilai suatu
10
1. Permutasi
11
dipentingkan, maka cukup salah satu kolom saja yang diambil. Jika kita
permutasi dari kolom pertama. Dengan demikian, jumlah baris dari tabel
akan sebesar:
12
2. Kombinasi
dari S.
13
himpunan bagian yang mungkin dibentuk dari kumpulan buah tersebut
adalah:
satu buah:
o apel
o jeruk
o mangga
o pisang
dua buah:
o apel, jeruk
o apel, mangga
o apel, pisang
o jeruk, mangga
o jeruk, pisang
o mangga, pisang
tiga buah:
empat buah:
14
Kombinasi r dari sebuah himpunan S, berarti dari himpunan S
nCk = n! / k!(n-k)!
15
Ada 6 kombinasi 2 unsur dari 4 unsur a, b, c, d yaitu ab, ac, ad, bc, bd,
cd.
3. Kaidah Penggandaan
B. Koefisien Binomial
16
Daftar berikut menunjukkan beberapa penjabaran binomial:
1. (a + b)0 = 1a0b0
C. Segitiga Pascal
kita peroleh:
1.
2.
3.
4.
Jika diteruskan, daftar koefisien ini akan membentuk susunan yang disebut
17
1
1 1
1 2 1
1 3 3 1
1 4 6 4 1
1 5 10 10 5 1
1 6 15 20 15 6 1
1 7 21 35 35 21 7 1
1 8 28 56 70 56 28 8 1
D. Membangkitkan Kombinasi
leksikografik
18
Cara paling mudah untuk membangkitkan semua kombinasi (himpunan
3, 2, 1, dan 0.
Himpunan : { a, b, c, d }
Representasi biner : 1 0 1 0
Himpunan bagian : { a, c }
satu bilangan asli. Daftar berikut menunjukkan semua kombinasi dari {a, b, c,
19
Diberikan sebuah himpunan S:
n = banyak elemen S
i = 0 to 2n-1
S' = { }
E. Kombinasi Pengulangan
Jika urutan tidak diperhatikan dan objek bisa dipilih lebih dari sekali, maka
Di mana n adalah jumlah objek yang bisa dipilih dan r adalah jumlah yang
harus dipilih. Sebagai contoh jika kamu pergi ke sebuah toko donat. Toko
donut itu menyediakan 10 jenis donat berbeda. Kamu ingin membeli tiga
kombinasi.
20
Contoh :
Suatu kelompok yang terdiri dari 3 orang pria dan 2 orang wanita akan
memilih 3 orang pengurus. Berapa cara yang dapat dibentuk dari pemilihan
Jawab :
yaitu : L1 L2 W1 ; L1 L3 W1 ; L2 L3 W1 ; L1 L2 W2 ; L1 L3 W2 ; L2 L3
W2
Ketika urutan tidak diperhatikan akan tetapi setiap objek yang ada hanya bisa
Di mana n adalah jumlah objek yang bisa dipilih dan r adalah jumlah yang
harus dipilih.
calon berasal dari Kantor Pusat, 3 calon dari Kantor cabang dan 2 dari
(a) Berapa cara Manajer SDM dapat memilih 6 manajer baru dengan
5!
C35 10
3!2!
3!
C23 3
2!1!
2!
C12 2
1!1!
10 10!
N = Pemilihan 6 dari 10 kandidat manajer = C 6
210
6!4!
22
(c) Berapa peluang 6 manajer baru tersebut terdiri dari 3 dari Kantor
n 60
P(manajer) =
N 210
Contoh :
terbentuk?
40! 40! 40 39 38 37 !
C340 = 988
3! (40 3)! 3! 37 ! 3! 37 !
Contoh:
jawab :
B. Tujuan
23
Adapun tujuan dari pembuatan makalah ini adalah untuk memenuhi
Bivariat
C. Manfaat
kehidupan sehari-hari.
24
BAB II
PEMBAHASAN
Dalam statistik, kadang dijumpai nilai yang diperoleh dari salah atu hasil
Contoh
Perusahaan jasa penjualan telur ayam kampung yang dikelola sendiri oleh Pak Hadi,
mempunyai 3 orang karyawan. Setiap bulannya pak Hadi membayar upah setiap
karyawannya sebesar 1 uta rupiah, dia sendiri setiap bulannya mengambil bayaran
sebesar 9 juta rupiah. Kemudian dia mengatakan bahwa rata-rata upah dalam
Dari salah satu permasalahan di atas maka, perlu teknik lain supaya dalam analisa
25
Fungsi Kepadatan Peluang dibedakan menjadi dua jenis, yakni untuk data diskrit
dan untuk data kontinue. Untuk Fungsi Kepadatan Peluang Data Diskrit sering
disebut sebagai fungsi sebaran peluang, sedangkan untuk fungsi data kontinue
sering disebut sebagai fungsi kepadatan peluang (fkp) atau probability Density
Function (PDF)
Definisi:
Keterangan
f(x) lebih besar atau sama dengan nol, jelas, karena f(x) adalah peluang dari
masing masing nilai peubah acak yang diperoleh dari permasalahan, sesuai
Sigma f(x) =1, hal ini dapat dijelaskan yakni, setiap nilai peubah acak
jumlah jika setiap titik sampel yang menjadi pasangan nilai peubah dijumlahkan
maka akan sama dengan ruang sampel, sehingga peluangnya jelas berjumlah 1
karena peluang menjadi ruang sampel dibagi ruang sampel sama dengan 1
Contoh 1
Dua buh dadu di tos 1 kali, diberikan peubah acak X yaitu jumlah mata dadu yang
26
muncul. Tentukan
b. P(X=3)
c. P(X<5)
Jawab
a. Terlebih dahulu kita menentukan nilai peubah acak yang mungkin yakni
b. P(X=3)=f(3) = 2/36
Contoh 2
Lima buah koin di tos 1. Diberikan fungsi peubah acak banyaknya sisi angka yang
muncul, tentukan
a. Terlebih dahulu kita perlu menentukan nilai peubah acaknya yakni {0,1,2,3,4,5}
tiap nilai peubah acak di ruang sampel, dimana banyaknya ruang sampel adalah
32. Untuk mempercepat kita dapat gunakan teknik permutasi atau kombinasi
(Teknik yang paling tepat adalah permutasi, namun dalama aljabar perhitungannya
x,).P(x,x))/32
28
=f(2) + f(3) + (f4) = 10/36 + 10/36 + 5/36 = 25/36
FKP/PDF Diskret
Permasalahan di atas dapat diatasi dengan menentukan nilai peubah acaknya yaitu
Dari fungsi sebaran peluang di atas tampak jelas bahwa karyawan yang mendapat
gaji 1 jt, mempunyai peluang 3/4 lebih besar dari peluang yang mendapat gaji 9 jt,
sehingga sajian data di atas lebih mewakili keadaan sebenarnya. Perhatikan yang
peluangnya nol, karena memang tidak ada yang mendapat gaji pada kisaran yang
dimaksud.
Aksioma Peluang
definisikan n(E) sebagai berapa kali kejadian E terjadi selama n kali ulangan
29
Dengan kata lain, P(E) didefinisikan sebagai persentase (pelimitan) berapa
kejadian E.
Aksioma I
Aksioma II
Aksioma III
artinya untuk
30
Aksioma II menyatakan bahwa, dengan peluang 1, hasil percobaannya
yang saling menyisihkan, peluang setidaknya salah satu dari kejadian itu
P( ) = 0
Ini dapat dibuktikan dari aksioma III dengan cara mendefinisikan sebagai
kejadian kosong untuk semua nilai i yang lebih besar daripada n. Aksioma III
setara dengan persamaan diatas bila ruang contohnya terhingga (finite). Akan
tetapi aksioma III yang lebih umum sifatnya diperlukan bila ruang contohnya
Eksperimen
Hasil
Ruang Sampel
Kejadian
Eksperimen
atau pengamatan.
Hasil
Hasil suatu eksperimen adalah hasil yang mungkin terjadi, jika esperimen
tersebut dilakukan.
Contoh:
- Jika eksperimen adalah melempar sebuah mata uang satu kali, suatu hasil
- Jika eksperimen adalah melempar sebuah dadu satu kali, semua hasil yang
Ruang Sampel
32
Ruang sampel suatu eksperimen adalah himpunan semua hasil eksperimen
tersebut.
adalah S= {M,B}
Kejadian
Kejadian adalah suatu himpunan hasil atau suatu himpunan bagian dari ruang
sampel.
Definisi Peluang
terjadi, maka
3. Definisi subyektif
Peluang Acak
uang dengan sisi muka (M) dan Belakang (B) yang dilemparkan tiga kali
BBM, BBB}. Bila yang diperhatikan banyaknya sisi muka yang muncul, maka
34
Nilai-nilai peluang inilah yang disebut fungsi distribusi peluang farik
yang biasa disebut fungsi massa peluang dari peubah acak X, yang dapat
35
1.1. Fungsi massa peluang munculnya sisi muka dalma tiga kali
X P (X = x) = p (x)
0 1/8
1 3/8
2 3/8
3 1/8
Karena ruang sampel S adalah ruang sampel farik, maka peubah acak
X yang diturunkan dari S juga disebut peubah acak farik, dan distribusi
peluangnya disebut distribusi peluang farik. Peubah acak ditulis dengan huruf
1. p(x) ≥ 0 untuk x = 0, 1, 2, 3
2.
acak farik X yang mempunyai terhingga banyaknya nilai x 1, x2, x3, …..xn
36
1. pi ≥ 0 untuk i = 1, 2, 3, …….n
2.
Sifat ini dapat diperluas lagi untuk peubah acak yang memiliki tak
bilangan asli A = {1, 2, 3…}. Misalkan nilai-nilai peubah acak X adalah x1,
x2, x3….. dengan peluang masing-masing p1, p2, p3….. harus memenuhi sifat-
sifat berikut:
1. pi ≥ 0 untuk i = 1, 2, 3, …….
2.
Ada dua momen penting dari peubah acak yang disebut nilai harapan
(expected value) dan variansi (variance). Rumus kedua momen ini berturut-
turut adalah:
= E (X) = x
i 1
i pi
2 = E (X - )2 = (x
i 1
i i ) p i
variansi dapat pula ditulis dengan 2 = E(X2) - 2, dengan E(X2) = x
i 1
i
2
pi .
Untuk peubah acak farik X yang nilainya terhingga banyaknya (n), kedua
37
nomen tersebut dinyatakan oleh rumus yang sama, tetapi batas sigma yang
n
= E (X) = x
i 1
i pi
n
2 = E (X - )2 = (x
i 1
i i ) p i
Hasil suatu percobaan mungkin saja tak hingga banyaknya dan tidak
mengenai jarak yang ditempuh sebuah mobil yang dijalankan dengan lima
liter bensin. Jika X menyatakan jarak yang ditempuh oleh mobil itu sampai
bensin itu habis, maka peubah acak ini memiliki nilai tak hingga banyaknya.
dari percobaan dan tidak melalui transformasi dari ruang sample S, karena
ruang sample itu sendiri sudah dinyatakan dengan bilangan riil. Ruang sampel
yang memuat takhingga banyaknya titik sampel dan tidak dapat dipadankan
satu-satu dengan bilangan asli disebut ruang sampel malar, dan peubah acak
2. f (x)dx dx 1
38
b
3. P(a<X<b) = f (x) dx untuk a, b R
a
Nilai harapan dan variansi peubah acak malar dihitung dengan rumus
E(X) x.f (x)dx
(x ) .f (x)dx x .f (x)dx
2 2 2 2
B
E(X) x.f (x)dx
A
B B
(x ) .f (x)dx x 2 .f (x)dx 2
2 2
A A
tingkah laku suatu distribusi adalah fungsi massa atau fungsi padat peluang.
ciri khas distribusi itu. Misalnya, nilai rata-rata dan variansi dapat dihitung
39
statistika terapan. Perhatikan bahwa kita menggunakan istilah fungsi massa
peluang untuk distribusi peluang farik dan fungsi pada peluang untuk
peluang malar.
a. Distribusi Peluang
1. Variabel Acak
Pada pengundian dua buah mata uang logam, peristiwa yang terjadi
adalah:
menggunakan tabel
X P(X)
0 ¼
1 ½
2 ¼
40
Jumlah 1
memiliki harga-harga 0, 1, 2, 3, …
Dalam tabel di atas jumlah peluang adalah sama dengan satu. Apabila
hal ini terjadi, maka dikatakan bahwa distribusi peluang untuk varibel
41
2. Macam-Macam Distribusi Peluang Variabel Acak Diskret
1. Distribusi Bernoulli
Pada suatu percobaan yang hanya ada dua hasil yang mungkin
2. Distribusi Binomial
3. Distribusi Geometrik
42
ialah: berapa peluang dalam sampel itu terdapat x buah termasuk
adalah
μ = nD/N
CONTOH.
SOLUSI
4. Distribusi Poisson
= 2,7183
43
= sebuah bilangan tetap
CONTOH.
Misalkan rata-rata ada 1,4 orang buta huruf untuk setiap 100
Jika x = banyak banyak buta huruf per 200 orang, maka untuk kita
SOLUSI.
0,0608 = 0,9392
44
Dengan
: 3,1416
: 2,7183
maka:
45
Jika X berdistribusi normal dengan rata-rata dan simpangan baku
o P (X < c) = 1 – P( )
o P (X > d) = 1 – P( )
o P( ) = P( ) = 0,5
sebagai berikut, dan ini berlaku jika harga „t‟ memenuhi ∞<t<∞
„n‟.
simetrik terhadap t = 0
46
untuk harga „n‟ yang lebih (n≥30),distribusi „t‟ mendekati
daerah yang diarsir = p dan dibatasi paling kanan oleh tp, dimana
Dengan U = X2
Harga u>0
V= drajat kebebasan
e=2,7183
47
Bentuk grafik distribusi chi square merupakan kurva
Luas daerah arsir sama dengan peluang p, yaitu luas dari Xp2 ke
sebelah kiri.
Apa bila luas daerah di sebelah kanan sama dengan 0,05 maka Χ2
Dan Apa bila luas daerah di sebelah kiri sama dengan 0,025 maka
( ).
4. Distribusi F
48
F>0, K= bilangan tetap yang harganya bergantung pada v1 dan v2
V2= dk penyebut
katakana memiliki dk = 2
Untuk tiap pasang dk, v1, v2, Daftar berisikan harga F dengan kedua
Untuk tiap dk=v2, daftar terdiri atas 2 baris, yang atas untuk
Ciri distribusi F:
peluang yang sering muncul dalam kenyataan. Model ini sering di gunakan
dimana kita tidak mengetahui secara pasti apa yang akan terjadi di antara
49
Model distribusi seragam menganut asumsi bahwa peluang setiap
keadaan atau hasil adalah sama dan tidak berubah sepanjang suatu
p( x )= 1/n , x = 1, 2, 3, ... n,
..., n dimaksudkan bahwa p(x) = 0 untuk nilai x yang lain. Cara ini akan
2. Distribusi Hipergeometris
berlainan atau bahkan berlawanan. Pengertian sukses dan gagal disini tidak
selalu sama maknanya dengan istilah sukses dan gagal dalam pembicaraan
50
menggambarkan pengambilan n objek dari populasi yang berukuran N,
N1 N 2
x n x
p(x) , x 1, 2,3,....n
N
n
N = Ukuran populasi = N1 + N2
n = ukuran sampel
N1 N N Nn
n. dan n( 1 )(1 1 )( )
N N N N 1
Model distribusi ini diterapkan pada kasus percobaan Bernoulli dengan ciri
sebagai berikut:
51
a. Tiap-tiap percobaan hanya memiliki dua kemungkinan hasil, yakni
peluang X adalah:
n
p(x) p x (1 p) n x , x 0,1, 2.....n
x
n = banyaknya percobaan
52
Andaikan percobaan Bernoulli diulang untuk mendapatkan k
sukses, dan hasil ini diperoleh setelah y kali percobaan. Fungsi masa
peluangnya adalah:
y 1 k yk
p(y) p (1 p) , untuk y k, k 1, k 2
k 1
untuk mendapatkan sukses yang pertama, dan ini disebut peubah acak
4. Distribusi Multinomial
n kali, maka peubah acak yang menyatakan bahwa kita akan mendapatkan
dinyatakan dengan:
53
p (x1, x2, ……xk) =
5. Distribusi Poisson
peluang untuk peubah acak yang farik. distribusi poisson sering digunakan
untuk menentukan peluang sebuah peristiwa yang dalam daerah atau waktu
dapat ditemukan pada hampir semua kalkulator, dan juga pada komputer.
Distribusi dengan peubah acak malar yang pertama kali kita bicarakan
dan distribusi F.
1. Distribusi Normal
distribusi penyampelan.
54
Sekarang kita akan tinjau mengenai fungsi padat peluang distribusi
1
f (x) e 1/ 2(x ) / , untuk x
2 2
2
terdapat hampir semua kalkultor. Peubah acak X dengan daerah nilai -∞ < x
< ∞, berdistribusi normal, jika fungsi padat peluangnya seperti f(x) di atas.
X
simpangan baku , transformasi X menjadi Z = akan membentuk
peubah acak normal baku dengan rata-rata nol dan simpangan baku satu.
e x
p(x) , untuk x 0,1, 2.....
x!
semuanya di atas sumbu datar (sumbu z), dan dinamai kurva distribusi
dengan satu. Hal ini dapat dibuktikan dengan menggunakan hitung integral
yaitu:
55
1 1 z2
f (x) e 2 , untuk z
2
Gambarkan kurvanya
Letakkan nilai z pada sumbu datar, lalu tarik garis vertical sampai
memotong kurva
Luas yang tertera dalam daftar adalah luas daerah antara garis ini
Dalam daftar di lampiran C, cari tempat nilai z pada kolom paling kiri
hanya sampai satu decimal, dan decimal kedua dicari pada baris paling
atas.
Dari z di kolom kiri maju ke kanan dan dari z dibaris atas turun ke
Bilangan yang didapat harus ditulis dalam bentuk 0,xxxx (bentuk empat
desimal)
Z 1 2 …… 5 ……. 8 9
0,0 4842
56
0.1
2.1
3.9
Karena luas seluruh daerah di bawah kurva sama dengan satu dan kurva
simetris terhadap µ = 0, maka luas dari garis tegak pada titik nol ke kiri
ataupun ke kanan adalah 0,5. Sebagai contoh, kita akan mencari luas
2. Distribusi Student t
tahun 1926. Distribusi ini merupakan revolusi statitik untuk sampel kecil.
Informasi tentang hal ini dapat dilihat pada Snedecor (1982). Fungsi padat
v 1
t 2 v1
f (t)
2 1
(1 ) 2 untuk t
v v v
2
57
Dengan v (baca; nu) adalah parameter distribusi dan Γ (.) menyatakan
(v) x v 1dx
0
Γ (n) = (n-1) !, n = 1, 2, 3 ……
Γ (1/2) =
f (t)dt 1
Pada fungsi distribusi ini adalah bilangan v yang disebut derajat kebebasan
(dk). Dalam praktek, derajat kebebasan itu sama dengan ukuran sampel
dengan fungsi padat peluang sama dengan f(t) maka populasi itu dapat
58
Untuk perhitungan daftar distribusi t telah disediakan (lampiran
Kolom paling kiri, kolom v = dk, berisikan derajat kebebasan, baris teratas
berisikan peluang.
12 1.78
….
3.9
1 1 v 1 1 x
f (x) x 2 e2 , x 0
2 v/2
(v / 2)
59
dengan v = derajat, kebebasan dan dapat dibuktikan secara matematis
bahwa f (x)dx 1 . Selanjutnya grafik distribusi chi kuadrat umumnya
besar.
23.7
14
4. Distribusi Snedecor F
v v
1 2 v1
v v
2 v 2 v
( 1 1) v1 ( 12 2 )
f (x) x
1 2
(1 x)
v1 v 2 v 2 v2
2 2
60
Untuk x > 0, dengan v1 = dk pembilang dan v2 = dk penyebut. Distribusi
dan umumnya sedikit miring positif. Seperti juga distribusi lainya, untuk
disediakan nilai F untuk peluang 0,01 dan 0,05 dengan derajat kebebasan
v1 dan v2. Peluang ini sama dengan luas daerah ujung kanan yang
kedua luas daerah yaitu 0,01 dan 0,05. Untuk setiap dk (v1, v2), tabel
sebagai berikut:
v2 = dk v1 = dk pembilang
penyebut
24
3.12
8 5.28
61
pengujian hipotesis, menjadi topik utama dalam makalah ini. Distribusi yang
- Distribusi farik
- Distribusi malar
Fx,y (x,y) = P (X = x, Y = y)
*jika fx,y (·,·) adalah fungsi padat peluang bersama untuk peubah
62
63
64
65
1. DEFINISI/PENGERTIAN DISTRIBUSI
distribution/marketingchannel).
A. Saluran Distribusi
kelompok perantara yang berhubungan erat satu sama lain dan yang
66
digolongkan kedalam dua golongan, yaitu ; Pedagang perantara dan Agen
Pedagang Perantara
kata lain pedagang mempunyai hak atas kepemilikan barang. Ada dua
Agen Perantara
Agen perantara (Agent middle man) ini tidak mempunyai hak milik atas
1. Agen Penunjang
Agen Pengangkutan
Agen Penyimpanan
67
2. Agen Pelengkap
Agen khusus
barang dapat berjalan dengan baik (efektif dan efisien) maka para pemakai
mengenai penawaran.
pembeli.
pengemasan.
barang.
68
Pembiayaan, yaitu penyediaan permintaan dan pembiayaan dana untuk
akibatnya harga akan menjadi lebih tinggi. Ada beberapa alternatif saluran
Barang industri adalah barang-barang yang dibeli untuk diproses lagi atau
untuk kepentingan dalam industri. Jadi, pembeli barang industri ini adalah
69
perusahaan, lembaga, atau organisasi, termasuk non laba (Basu Swasta,
1984:97).
pertaniannya.
2. Produsennya
4. Pasar Sasaran
B. Distribusi Fisik
dan tempat yang tepat. Dalam hubungan itu, Dewan Manajemen Distribusi
berikut:
secara efisien dari akhir batas produksi kepara konsumen, serta didalam
70
beberapa hal mencakup pemindahan bahan mentah dari suatu pembekal
Secara terperinci, kegiatan yang ada dalam kegiatan distribusi fisik dapat
yaitu :
71
keadaannya akan berlainan, dan merupakan kebalikan dari
konsentrasi.
a. Paletisasi
berupa bahan baku maupun barang jadi dipakai suatu alat yang
b. Pengemasan
kemasan atau peti kemas baik dari logam, kayu, ataupun bahan
72
3. Sistem pengawasan persediaan
ramalan penjualan.
yang penting, dan mempunyai hubungan yang erat dengan pasar atau
73
2. PENGERTIAN DISTRIBUSI NORMAL
berbentuk lonceng setangkup yang melebar tak berhingga pada kedua arah
antara dua titik pada sumbu datar. Tidak semua distribusi berbentuk
rata-rata nol dan simpangan baku satu. Distribusi ini juga dijuluki kurva
74
Distribusi normal memodelkan fenomena kuantitatif pada ilmu
Wilhelm Lexis sekitar tahun 1875. Terminologi ini secara tidak sengaja
75
Teorema Dasar Peluang
1. Eksperimen
2. Hasil
3. Ruang sampel
4. Kejadian
Contoh :
Hasil suatu eksperimen adalah hasil yang mungkin terjadi, jika eksperimen
tersebut dilakukan.
Contoh :
1. Jika eksperimen adalah melempar sebuah mata uang satu kali, suatu
2. Jika eksperimen adalah melempar dadu satu kali, semua hasil yang
76
Ruang sampel suatu eksperimen adalah himpunana semua hasil
eksperimen tersebut.
Sampelnya adalah
Sampelnya adalah
, ruang sampelnya :
Kejadian adalah suatu himpunan hasil atau suatu himpunan bagian dari
ruang sampel.
77
Menurut banyaknya hasil dalam suatu kejadian dapat dibedakan
hanya satu, dan kejadian majemuk jika hasinlnya lebih dari satu.
Contoh :
dan
Maka,
78
A. Macam-Macam Penaksiran
Dalam statistika ada dua penaksiran, yaitu penaksiran titik dan penaksiran
interval.
dari . Setelah sampel diambil, nilai-nilai yang dihitung dari sampel tersebut
normal dngan rerata yang tak diketahui dan variansi yang diketahui.
Jika kita akan menaksir rerata populasi , maka penaksir titik yang digunakan
Berikut ini diberikan beberapa taksiran titik yang dihitung dari data
i. Rerata populasi
Ukuran populasi.
Ukuran sampel
sampel yang dihitung dari dua sampel acak yang saling bebas.
proporsi sampel yang dihitung dari dua sampel acak yang saling bebas.
80
penaksir terbaik yang digunakan sebagai penaksir sebuah parameter populasi.
Untuk menentukan penaksir titik yang terbaik, kita harus mempelajari
s, t dengan s1 , s2 , . . . , sn.
berlaku pula untuk padat peluang multifariat, maka fungsi padat peluang
mempelajari perilaku dan hubungan antara dua atau lebih variabel. Dasar dari
kajian ini adalah analisis korelasi dan analisis regresi untuk dua variabel.
Prinsip yang sama kemudian dikembangkan untuk lebih dari dua variabel.
81
(nominal, ordinal, atau rasional), serta teknik penyaringan informasi yang
multivariat.
Fx,y (x,y) = P (X = x, Y = y)
berlaku pula untuk padat peluang multifariat, maka fungsi padat peluang
82
5. Distribusi Fungsi Variabel Random
ruang dari X adalah x. Maka fungsi berharga riil Y = u(X) yang
yaitu :
Random Diskrit
Misalkan :
X = w(Y).
Misalkan :
83
a. X dan Y adalah variabel random diskrit dengan fungsi probabilitas
Misalkan :
x1, x2 ,... xn
84
Distribusi marginal dan distribusi bersyarat dapat diperoleh melalui
g ( y1 ) ... f ( y1 , y 2 ,... y n )
y2 y3 yn
Misalkan :
a. X adalah variabel random kontinu dengan fungsi densitas f(x) dan ruang
w(Y).
g ( y ) f ( w(Y )) J ; untuk y di
dx
dengan J w' (Y ) dinamakan Jacobian transformasi.
dy
Mengapa muncul J ?
85
1) Misalkan Y = (u(X)) adalah fungsi naik
Maka :
w( b )
f ( x ) dx
w( a )
Diperoleh :
dx
w' (Y ) dx w' (Y ) dy J dy
dy
b
P (a < Y < b) = f ( w( y )) J dy
a
Maka :
w( a )
f ( x)dx
w( b )
Diperoleh :
dx
w' (Y ) dx w' (Y ) dy J dy
dy
86
a b
P (a < Y < b) = f ( w( y )) J dy f ( w( y )) J dy
b a
Dalam hal ini arah garis singgung pada Y = u(X) adalah negatif, sehingga
J J
Karena hal tersebut berlaku untuk setiap a < b maka fungsi densitas untuk
Y adalah g ( y ) f ( w( y )) J
Misalkan :
Dimana:
X i
kontinu untuk setiap i =1,2 dan j = 1,2
Y j
X 1 X 1
Y1 Y2
J 0
X 2 X 2
Y1 Y2
P[ (Y1,Y2) di B ] = P[ (X1,X2) di A ]
= f ( x1 , x 2 )dx1 dx 2
A
87
= f [ w1 ( y1 , y 2 ), w2 ( y1 , y 2 )] J dy1dy 2
B
g ( y1 , y 2 ) f [ w1 ( y1 , y 2 ), w2 ( y1 , y 2 )] J ; ( y1 , y 2 ) di Y1Y2
Misalkan:
x1, x2 ,... xn
dimana
X i
kontinu untuk setiap i =1,2…n dan j = 1,2…n
Y j
X 1 X 1
Y1 Yn
J 0
X n X n
Y1 Yn
88
Sehingga fungsi probabilitas bersama dari Y1, Y2 , Y3,,…, Yn adalah:
y1,y2,…yn di Y ,Y ,...Y
1 2 n
F(y)=P( Y y ) = P(u(X) y ).
Definisi
89
e tx f ( x) ; X diskrit
x
M X (t ) E[e tX ]
tx
e f ( x) ; X kontinu
-
Teorema
1. M X a (t ) e at M X (t )
2. M at (t ) M X (at )
Teorema
Misalkan :
x1, x2 ,... xn
90
t .u ( X1 , X 2 ,... X n )
e f ( x1 , x 2 ,..., x n ) dx1dx 2 ...dx n ; VR kontinu
t .u ( X1 , X 2 ,... X n )
e f ( x1 , x 2 ,..., x n ) ; VR diskrit
1x xn
secara serentak dapat dinyatakan dalam fungsi f(x,y) dan biasanya f(x,y)
Definisi 5.9
Fungsi f(x,y) adalah fungsi peluang gabungan dari variabel random diskret
X dan Y jika
f ( x, y) 1
x y
b.
Definisi 5.10
91
f ( x, y)dxdy 1
b.
c. P[(X,Y) A] f ( x, y)dxdy
A
untuk setiap daerah A di bidang x,y.
Contoh 5.18
Penyelesaian.
Pasangan harga-harga X dan Y adalah (1,0), (1,1), (2,0), (0,2) , (0,1) , (0,0)
f(1,1) = peluang teambil 1 bola berwarna biru dan berwarna merah ,dst.
8!
n(S) = 8C2 = 28
2!6!
3C 2 3 3C 2 .3C1 6
f(0,0) = f(0,1) =
28 28 28 28
3C1 .2C1 6 2C 2 1
f(1,1) = f(0,2) =
28 28 28 28
3C1 .3C1 9 3C 2 3
f(1,0) = f(2,0) =
28 28 28 28
92
a. Jadi distribusi peluang gabungan dapat ditulis
Y
0 1 2
X
1 9/28 6/28
2 3/28
3 6 9 18
=
28 28 28 28
Contoh 5.19
kx (1 3 y 2 ) ,0 x 2 , 0 y 1
f(x,y) =
0 , untuk x, y yang lain
Penyelesaian.
f ( x, y)dxdy 1
a.
1 2 1
k
kx(1 3 y ) dxdy 1 2x (1 3 y 2 ) 02 dy 1
2 2
0 0 0
93
1
k
20 (4 0)(1 3 y 2 ) 02 dy 1
2k ( y y 3 ) 10 1
2k(2) = 1
1
k= .
4
1
Jadi agar f merupakan fpg maka k = .
4
1
21
1
b. P[(X,Y) A] 4 x(1 3 y
2
= ) dxdy
1 0
4
1
1 2 2 1
=
81 x (1 3 y 2)
0
dy
4
1
1 2
=
81 (1 3 y 2 )dy
4
1 1 1 1 1
1
1
= y y3 2
8 2 8 4 64
1
8 4
23
=
64
Jika f(x,y) diketahui maka kita dapat mencari distribusi peluang X saja dan Y saja,
yaitu :
f ( x, y ) , jika diskret
y
g(x) =
f ( x, y ) dy , jika kontinu
f ( x, y ) , jika diskret
x
h(y) =
f ( x, y ) dx , jika kontinu
Contoh 5.20
Penyelesaian.
f ( x, y)
a. g(x) = y
3 6 1 10
=
28 28 28 28
9 6 15
g(1) =
28 28 28
3
g(2) =
28
x 0 1 2
10 15 3
g(x)
28 28 28
95
f ( x, y )
b. h(x) = x
3 9 3 15
=
28 28 28 28
6 6 12
h(1) =
28 28 28
1
h(2) =
28
X 0 1 2
15 12 1
g(x)
28 28 28
Contoh 5.21
Penyelesaian.
1
x(1 3 y ) ,0 x 2 , 0 y 1
2
f(x,y) = 4
0 , untuk x, y yang lain
1
1
f ( x, y)dy 4 x(1 3 y
2
) dy
a. g(x) = 0
96
1 1
= x( y y 3 ) 10 x , 0<x<2
4 2
2
1
f ( x, y)dx 4 x(1 3 y
2
) dx
b. h(y) = 0
1 1
= (1 3 y 2 ) x 2 2
0 (1 3 y 2 ) , 0<y<1.
8 2
marginalnya.
P( A B)
bersyarat P(A│B) = , didapat
P ( A)
P ( X x, Y y ) f ( x, y )
P(Y=y │X=x) =
P( X x) g ( x)
f ( x, y ) f ( x, y )
f ( x y) , f ( y x) .
h( y ) g ( x)
97
f ( x, y )
Jadi f ( x y ) g ( x) , diperoleh f(x,y) = g(x).h(y).
h( y )
Contoh 5.22
Penyelesaian.
P ( X x, Y y ) f ( x, y )
a. P(X=x │Y=y) = P (Y y ) h( y )
6
f (0,1) 28 1
P(X=0 │Y=1) =
h(1) 12 2
28
1
x(1 3 y 2 )
f ( x, y ) 4 1
b. f ( x Y y ) x , 0<x<2.
h( y ) 1 2
x(1 3 y 2 )
2
Fx(x) = F(X-x)
1) Fx(- ) = =0
98
2) Fx( ) = =1
=1
≤ b)
Contoh:
= ½ , untuk 0 ≤ x < 1
= 1 , untuk x ≥ 1
= 1 , untuk x ≥ 3
maka
FX(x) =
99
= 0 , untuk x < 0
= x , untuk 0 ≤ x < 1
= = 1, untuk x ≥ 1, karena
Sehingga
= x, untuk 0 ≤ x < 1
= 1, untuk x ≥ 1
kerapkali kurang atau tidak diperhatikan oleh seorang peneliti, karena beberapa
factor, antara lain karena analisis data univariat tidak ada manfaatnya. Untuk
mengatasi permasalahan ini, dalam bab ini akan dibahas tentang pentingnya
melakukan analisis data univariat baik untuk mengevaluasi atau menilai apakah
analisis kebijakan.
100
3. Melakukan estimasi(prakiraan) atau generalisasi dan pengujian hipotesis, yang
Setiap lembaga keuangan (bank) dengan sendirinya akan melakukan tidakan yang
melakukan evaluasi karakteristik calon ddebitur. Dengan kata lain, pihak bank
Pihak bank akan mempelajari berbagai factor yang berkaitan dengan kemampuan
calon debitur untuk membayar kembali secara tunai. Factor-faktor yang harus
ditinjau meliputi baik factor-faktor internal usaha maupun factor yang mungkin
101
D.Fungsi Padat Marginal
Jika f X1, X2, . . ., Xn ( X1, X2,. . ., Xn) adalah fungsi padat peluang bersama
peubah acak multivariate ( X1, X2,. . ., Xn), maka fungsi padat peluang
n-1
Xn ) ; 1 k ≤ n-1 , yaitu :
distribusi normal.
2. Langsung dari fungsi distribusi bersama dari peubah acak (X1, X2, . . .,
Jika kita lihat kembali pada peubah acak kontinu dari contohnya dapat
kita peroleh fungsi distribusi bersama untuk peubah acak ( X,Y) adalah
Maka :
Sehingga :
Fx(X) = 0 ,untuk x ≤ 0
Fx(X) = 1 ,untuk x ≥ 0
DISTRIBUSI MARGINAL
● Bila distribusi peluang f(x,y) dengan peubah acak x dan y diketahui maka
- Untuk Kontinue : g (x) = f ( x, y)dy
h(y) =
f (x,y) dx
103
f ( x, y ) f ( x, y )
F (y|x) = , g(x) > 0 f(x|y) = ; h(y) > 0
g ( x) h( y )
= 0 untuk x lainnya
statistik jika dan hanya jika f(x,y) = g(x) h(y) untuk semua (x,y).
104
Contoh.2 Misalkan x1, x2 & x3 , 3 peubah acak bebas statistik dan misalkanlah
=0 untuk x lainnya
105
b. Rumus Rataan Hitung Untuk Data yang Disajikan Dalam
Distribusi Frekuensi
xi = data ke-i
Rumus Modus
dengan rumus:
Dengan :
106
Mo = Modus
modus)
i = Interval kelas
terdekat sebelumnya
terbesar.
Dengan :
Qj = Kuartil ke-j j = 1, 2, 3
i = Interval kelas
107
Qjf = Frekuensi kelas
Definisi 2.4:
Jika X suatu variable random, diskrit atau kontinu, maka fungsi distribusi
Teorema 2.5:
maka:
n
F(x) = f ( x ) di mana xi x
i 1
i
2. Jika X suatu variabel random kontinu dengan fungsi densitas f(x), maka:
x
F(x) =
f (t )dt
Contoh
108
Jika suatu variabel random X mempunyai harga 0, 1, dan 2 dengan
probabilitas berturut-turut 1/3, 1/6, dan ½, maka fungsi kumulatifnya adalah
F(x)
0 1 2 3 X
2 x, untuk 0 x 1
f(x) =
0, untuk x yang lain
0, jika x 0
F(x) = x 2 , jika 0 x 1
1, jika x 1
contoh:
109
Tuliskan fungsi sebaran dari f(x)=1-|x-1|, 0<x<2! maka kita dapat
menuliskannya dengan cara jika kita mencari peluang antara 0.2 sampai 1.2
atau ditulis dengan notas P(1.2<x<1.9), kita dapat menggunakan persamaan
Tunjukkan bahwa untuk suatu variabel acak diskrit mengambil nilai integer
, .
Bukti:
Bukti:
Kami harapkan dalam hal ini bahwa distribusi Poisson akan menjadi
pendekatan yang baik untuk distribusi binomial dengan dan
110
distribusi Poisson kurang lebih adalah . Dari Tabel Poisson, Tabel
Pen
dekatan Poisson benar untuk setidaknya 4 tempat desimal. Perhatikan bahwa jika
Tunjukkan bahwa untuk suatu variabel acak seragam pada (0,1), Jika
probabilitas adalah sama untuk semua antara 0 dan , Maka harus sama
dengan 0 untuk semua (Jika kemungkinan dari ruang sampel tidak sama
dengan , Tetapi tak terbatas).
111
Bukti:
apa yang
Bukti:
112
Jika memiliki fungsi kepadatan ,
Rerata adalah
percobaan .
Bukti:
Jadi .
113
Jadi varians adalah .
pada data yang terdiri dari banyak variabel dan antar variabel saling berkorelasi.
114
sebesar mungkin keragaman data yang
U i a' X
dan
Vi b' Y se
hingga
corr( U i , Vi )
maks
dan
corr( U i , V j )
=0
115
5 MANOVA Menganalisis hubungan antara vektor va-riabel Yijk k ik ijk
respon (Y) yang diduga dipengaruhi oleh
j=1,...,ni
k=1,...,p
kita melakukan penelitian terhadap lebih dari dua variable secara bersamaan. Dengan
menggunakan teknik analisis ini maka kita dapat menganalisis pengaruh beberapa
variable terhadap variabel – (variable) lainnya dalam waktu yang bersamaan. Contoh
kita dapat menganalisis pengaruh variable kualitas produk, harga dan saluran
116
kepuasan dan loyalitas pelanggan. Analisis multivariat digunakan karena pada
dipengaruhi tidak hanya oleh kualitas produk tetapi juga oleh harga dan saluran
Teknik analisis multivariat secara dasar diklasifikasi menjadi dua, yaitu analisis
dua atau lebih variable bebas. Yang termasuk dalam klasifikasi ini ialah analisis
didasarkan pada jumlah variable tergantung, misalnya satu atau lebih dan skala
pengukuran bersifat metrik atau non metrik. Jika variable tergantung hanya satu dan
berganda. Jika variable tergantung hanya satu dan pengukurannya bersifat non-
tergantung lebih dari satu dan pengukurannya bersifat metrik, maka teknik
analisisnya digunakan analisis multivariate varian. Jika variable tergantung lebih dari
analisis conjoint. Jika variable tergantung dan bebas lebih dari satu dan
pengukurannya bersifat metrik atau non metrik, maka teknik analisisnya digunakan
117
Contoh umum untuk metode dependensi, misalnya memprediski laba
perusahaan dengan menggunakan biaya promosi dan harga produk. Analisis
interdependensi berfungsi untuk memberikan makna terhadap seperangkat variable
atau membuat kelompok-kelompok secara bersama-sama. Yang termasuk dalam
klasifikasi ini ialah analsis faktor, analisis kluster, dan multidimensional scaling.
Contoh membuat klasifikasi terhadap k Metode interdependensi diklasifikasikan
didasarkan pada jenis masukan variable dengan skala pengukuran bersifat metrik atau
non metrik. Jika masukan data berskala metrik, maka kita dapat menggunakan teknik
analisis faktor, analisis kluster dan multidimensional scaling.
118
E.Fungsi Distribusi Marginal
distribusi marginal.
Contoh:
1. Jika kita lihat kembali pada peubah acak kontinu dari contohnya dapat kita
Maka:
Sehingga:
0 , untuk x ≤ 0
Fx (x) = , untuk 0 ˂ x ˂ 1
1 , untuk x ≥ 1
Definisi: Jika X1 dan X2 merupakan variabel random diskrit dan f(x1, x2)
adalah harga dari distribusi probabilitas bersama di (x1, x2), maka fungsi
untuk setiap x1 di dalam range dari X1 disebut densitas marginal dari X1.
119
Demikian pula, fungsi yang diberikan oleh h(x2) =
untuk setiap x2 di dalam range dari X2 disebut densitas marginal dari X2.
Definisi: Jika X1 dan X2 merupakan variabel random kontinu dan f(x1, x2)
adalah harga dari distribusi probabilitas bersama di (x1, x2), maka fungsi
untuk -¥ < x1 < ¥, -¥ < x2 < ¥ disebut densitas marginal dari X1.
untuk -¥ < x1 < ¥, -¥ < x2 < ¥ disebut densitas marginal dari X2.
f(x1, x2) =
berikut.
Definisi: Jika F(x1, x2) adalah harga dari fungsi distribusi bersama dari
120
Definisi: Jika F(x1, x2,x3)merupakan harga dari fungsi distribusi bersama
untuk -¥ < x1 < ¥, -¥ < x2 < ¥ disebut fungsi distribusi marginal bersama
Contoh: Jika diketahui densitas dari variabel random X1, X2, dan X3 berikut
adalah
H(x1) =
Bila distribusi peluang f(x,y) dengan peubah acak x dan y diketahui maka
lainnya
121
- Misalkanlah x dan y dua peubah acak, diskret maupun continue
bebas statistik jika dan hanya jika f(x,y) = g(x) h(y) untuk
semua (x,y).
….fn (xn ).
Hitunglah P (x1 <2 , 1< x2 < 3 , x3 > 2 ) Jawab Fungsi padat peluang
Contoh:
Dua kelereng dipilih secara acak dari sebuah kotak berisi 3 kelereng biru,
122
Penyelesaian:
1. g(x) = f ( x, y)
y
3 6 1 10
=
28 28 28 28
9 6 15
g(1) =
28 28 28
3
g(2) =
28
X 0 1 2
10 15 3
g(x)
28 28 28
2. h(x) = f ( x, y )
x
3 9 3 15
=
28 28 28 28
6 6 12
h(1) =
28 28 28
1
h(2) =
28
123
X 0 1 2
15 12 1
g(x)
28 28 28
Contoh:
kx (1 3 y 2 ) ,0 x 2 , 0 y 1
f(x,y) =
0 , untuk x, y yang lain
tentukan:
Penyelesaian:
1
x(1 3 y ) ,0 x 2 , 0 y 1
2
f(x,y) = 4
0 , untuk x, y yang lain
1
1
f ( x, y)dy 4 x(1 3 y
2
1. g(x) = ) dy
0
1 1
= x( y y 3 ) 10 x , 0<x<2
4 2
2
1
f ( x, y)dx 4 x(1 3 y
2
2. h(y) = ) dx
0
1 1
= (1 3 y 2 ) x 2 2
0 (1 3 y 2 ) , 0<y<1.
8 2
124
BAB III
PENUTUP
A. Kesimpulan
n!
Crn
r!(n r )!
Jika urutan tidak diperhatikan dan objek bisa dipilih lebih dari sekali, maka
125
Distribusi yang diturunkan dari hasil suatu percobaan dapat
dibedakan atas :
1. Distribusi farik
2. Distribusi malar
distribusi malar.
suatu hasil numeric. Ruang sampel yang memuat takhingga banyaknya titik
sampel dan tidak dapat dipadankan satu-satu dengan bilangan asli disebut
ruang sampel malar dan peubah acak yang diturunkannya disebut peubah acak
malar.
B. Saran
126
DAFTAR PUSTAKA
http://id.wikipedia.org/wiki/Kombinasi
http://www.ilmustatistik.com/category/bahan-kuliah/page/5/
http://fatur.6te.net/Matematika/Peluang/materi01.html
http://freedownloadbooks.net/peluang-kombinasi-permutasi-doc.html
http://www.belajarti.co.cc/2010/02/statistik-peluang-kombinasi.html
http://......dasar.statistika.id
www.dasar.statistika.com
127