BAB I

PENDAHULUAN

A. Latar Belakang

Matematika merupakan ilmu universal yang mendasari perkembangan

teknologi modern, mempunyai peran penting dalam berbagai disiplin dan

mengembangkan daya pikir manusia. Perkembangan pesat di bidang

teknologi informasi dan komunikasi dewasa ini dilandasi oleh

perkembangan matematika di bidang teori bilangan, aljabar, analisis, teori

peluang dan matematika diskrit. Untuk menguasai dan mencipta teknologi

di masa depan diperlukan penguasaan matematika yang kuat sejak dini.

Mata pelajaran Matematika perlu diberikan kepada semua peserta didik

mulai dari pendidikan dasar untuk membekali peserta didik dengan

kemampuan berpikir logis, analitis, sistematis, kritis, dan kreatif, serta

kemampuan bekerjasama. Uraian singkat beberapa bidang kajian adalah

sebagai berikut:

1. Teori Himpunan

Merupakan bidang matematika yg mengkaji himpunan yakni

kumpulan (koleksi) dari objek-objek. Dasar dari kajian himpunan adalah

konsep keanggotaan. Kajian himpunan berawal dari pemilahan obyek-

 obyek fisik yg mempunyai kesamaan sifat . Walaupun obyek tersebut

dapat berupa obyek apapun, namun dalam matematika objek tersebut

berupa obyek yang relevan dengan matematika, yaitu bilangan (untuk

selanjutnya vektor, fungsi).

Pada umumnya dalam teori himpunan, digunakan 2(dua)

pendekatan yaitu :

(i) Pendekatan intuitif (pendekatan tradisionil), seperti yang biasa dipelajari,

dan

(ii) Pendekatan aksiomatik (pendekatan modern).

Pendekatan modern ini berawal dari kajian aksioma dan sistem

aksioma, serta paradox (oleh Cantor dan Dedekind). Dalam kerangka

aksiomatik ini, diketengahkan (oleh Zermelo- Fraenkel) aksioma yang

dikenal sebagai aksioma pemilihan (axiom of choice) Pendekatan

aksiomatik dari teori himpunan dengan pendekatan logika matematis,

teori pembuktian, teori model, dan teori rekursi, dikenal sebagai fondasi

matematika.

Dalam hal ini keanggotaannya ditentukan berdasarkan konsep

possibility. Himpunan ini dikenal dengan himpunan kabur (fuzzy set).

2. Logika matematis

Logika matematis (pendekatan khusus dari logika filosofis)

merupakan kajian matematis dari logika dan penerapannya pada bidang

lain (terutama sains komputer). Kajian awal logika matematika ini

menggunakan logika dasar ya/tidak dalam suatu pernyataan matematis

2
 (atau kaitannya dengan pernyataan lain). Kajian awal ini menggunakan

pendekatan teori himpunan. Dengan pendekatan ini menunjukkan bahwa

hampir semua teorema matematika dapat dijelaskan secara gamblang,

meskipun terdapat terdapat beberapa teorema masih belum dapat

dibuktikan.

3. Teori Bilangan

Merupakan cabang matematika yang secara umum membahas

bilangan dan sifat-sifatnya (khususnya integer), berikut masalah dan klas

masalah yang muncul dalam pembahasan. Bidang matematika ini

sebelumnya dikenal dengan aritmatika. Akan tetapi dengan meluasnya

kajian yang dilakukan (tidak terbatas dengan hanya kalkulasi dan

sifatnya), selanjutnya bidang ini dikenal dengan teori bilangan.

Teori bilangan terbagi dalam beberapa subbidang, sesuai dengan

metode yang digunakan dan jenis kajian yang diteliti, yaitu :

(1) Teori bilangan elementer

Yang menjadi obyek kajian adalah bilangan integer dengan

pendekatan dasarnya adalah konsep keterbagian (divisibility). Akan

tetapi terdapat teorema yang memerlukan pendekatan lain di luar

teori bilangan elementer untuk menyelesaikannya, seperti :

(i ) Konjektur Golbach, berhubungan dengan penyajian bilangan

genap sebagai jumlah dua bilangan prima,

3
 (ii) Konjektur Catalan (sekarang dikenal dengan teorema

Mihailescu), yang berhubungan dengan pangkat integer-integer

berturutan

(iii) Teorema terakhir Fermat, berhubungan dengan

ketakmungkinan untuk memperoleh integer taknol x, y, z yang

memenuhi Xn + Yn = Zn, untuk n > 2. (Teorema ini

dinyatakan sekitar tahun 1637 tak terbuktikan sampai tahun

1994)

(2) Teori bilangan analitik

Digunakan untuk masalah dalam teori bilangan elementer

yang tidak dapat (atau sulit) dipecahkan menggunakan pendekatan

teori bilangan elementer (seperti yang telah disebutkan di atas).

Teori bilangan analitik ini menggunakan sarana kalkulus dan analisis

kompleks untuk menangani pemecahan masalah yang berhubungan

dengan integer.

(3) Aljabar bilangan

Dikaji perluasan konsep bilangan dengan bilangan aljabar

(pendekatan aljabar). Beberapa pertanyaan teoritis yang dipecahkan

berhubungan dengan kajian modulo p, untuk bilangan prima p (i.e

grup berhingga)

(4) Geometri bilangan

Berhubungan dengan konsep dasar geometris untuk

memecahkan masalah dalam teori bilangan (seperti lattice).

4
 Pembahasan dimulai dengan teorema Minskowski yang

berhubungan dengan titik-titik lattice dalam himpunan konveks,

yang akan membawa ke pembuktian dasar keberhinggaan dari klas

bilangan dan teorema Dirichlets (dua teorema fundamental dalam

aljabar teori bilangan).

(5) Teori bilangan kombinatorial

Berhubungan dengan masalah teoritis yang melibatkan konsep

kombinatorial dalam penurunan penyelesaiannya. Dalam

menurunkan penyelesaian biasanya digunakan pendekatan aljabar.

(6) Komputasi teori bilangan

Dipelajari algoritma-algoritma dan tekniknya yang relevan

dalam teori bilangan. Misalnya algoritma cepat pengujian prima dan

faktorisasi integer. Teknik dan algoritma ini penting penerapannya

dalam bidang Kriptografi.

4. Aljabar

Merupakan cabang matematika yang berhubungan dengan kajian

kuantitas, hubungan, dan struktur yang terbentuk. Secara umum, kajian

aljabar dapat diklasifikasikan sebagai:

 Aljabar elementer

 Aljabar Linear

4.1 Aljabar elementer

5
 Merupakan bentuk perampakan (generalisasi) dari

aritmatika. Dalam aritmatika hanya dipelajari bilangan, operasi

bilangan (seperti +, -, x, : ). Aljabar elementer ini biasanya

dipelajari di sekolah menengah, dan sering dianggap merupakan

bagian dari prekalkulus.

4.2 Aljabar linear

Merupakan cabang matematika yang berhubungan dengan

kajian vektor, ruang vector (juga disebut ruang linear), pemetaan

linear (disebut juga transformasi linear), dan sistem persamaan

linear (di dalamnya muncul pengertian matriks).

4.3 Aljabar abstrak

Bidang matematika yang mengkaji struktur aljabar seperti

grup, gelanggang (ring), lapangan (fields), modul, ruang vektor.

Kajian dimulai dengan suatu himpunan takhampa yang dilengkapi

dengan satu komposisi biner (struktur aljabar). Teori kategori ini

biasanya digunakan dalam pembandingan berbagai struktur

aljabar.

5. Trigonometri (atau Goneometri)

Merupakan cabang matematika yang mengkaji bangun segitiga,

khususnya pada bidang datar yang salah satu sudutnya adalah 90 derajat.

Yang menjadi dasar dalam kajiannya adalah hubungan antara sudut-sudut

dan sisi-sisinya. Salah satu cabang trigonometri yaitu kajian trigonometri

6
 ruang (khususnya bola), disebut dengan segitiga bola (spherical

trigonometry). Bidang ini banyak digunakan dalam astronomi dan

navigasi.

6. Geometri

Merupakan cabang matematika yang mengkaji ukuran, bentuk

permukaan (shape), bentuk bangun, dan posisinya dalam ruang

observasi. Pendekatan geometri Euclid, terutama pada ruang dimensi dua

(bidang datar) dan ruang dimensi tiga (ruang nyata), biasanya dipelajari

pada sekolah lanjutan atau menjadi salah topik pada prekalkulus.

7. Topologi

Merupakan cabang matematika yang merupakan pengembangan

dari geometri. Sesuai dengan namanya, topologi, kajian awal bidang ini

adalah dengan mempertim-bangkan konsep „tempat‟ dalam struktur lokal

maupun globalnya (konsep ruang topologi). Dengan topologi dibangun

konsep (melalui definisi) dan teorema, salah satu konsep penting yang

dikaji adalah pemetaan (fungsi) yang bersifat homeomorfis.

8. Analisis matematis

Dalam matematika disebut dengan analisis (saja). Merupakan

kajian secara taat azas (rigorous) dari kalkulus. Dengan berkembangnya

jangkauan topik dalam analisis, kajian analisis seringkali dibagi ke

dalam beberapa kajian khusus, meliputi :

7
 (i) Analisis real, merupakan kajian diferesial dan integral dari fungsi

real, termasuk di dalamnya kajian barisan serta limit, deretnya, dan

ukuran.

(ii) Analisis fungsional, merupakan kajian fungsi dalam ruang fungsi

menyangkut di dalamnya konsep ruang Banach dan ruang Hilbert

(iii) Analisis harmonik, kajian yang berhubungan dengan deret Fourier

dan abstraksinya

(iv) Analisis kompleks, seprti analisis real tetapi dikaji dikaji fungsi pada

bidang kompleks ke bidang kompleks yang dbersifat diferensiabel

(v) Geometri diferensial dan topologi, yaitu penerapan kalkulus ke dalam

ruang ruang abstrak matematis yang struktur lebih spesifik

(vi) Analisis numerik, kajian yang berhubungan dengan algoritma

numerik untuk menghampiri (aproksimasi) fungsi kontinu dengan

menggunakan fungsi diskret (diskretisasi)

Disamping kajian analisis seperti yang telah disebutkan di atas, masih

terdapat pula beberapa pendekatan analisis lain.

9. Teori probabilitas

Merupakan cabang matematika yang berhubungan dengan analisis

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

(central limit theorem). Pada awalnya yang dipertimbangkan adalah

kejadian diskret dengan metode yang menggunakan konsep

8
 kombinatorial. Kajian khusus dalam fisika teoritis tersebut disebut

dengan mekanika kuantum.

10. Statistika

Merupakan sains matematis dengan di dalamnya menggunakan

pertimbangan utamanya adalah data, meliputi analisis dan interpretasi

dengan pembahasan dan penggunaan metode (disebut metode statistika).

Kajian metode statistis tersebut dapat diklasifikasikan sebagai

(i) Statistika deskriptif, digunakan untuk menjelaskan gambaran

tentang kumpulan data. Dengan statitsika deskriptif tersebut,

digambarkan secara numerik (angka-angka) atau diagram dengan

menggunakan rata-rata (mean) dan simpangan bakunya (standard

deviation)

(ii) Statistika inferensi, digunakan untuk menjelaskan gambaran

tentang inferensi proses atau populasi yang diobservasi. Ini

dilakukan setelah pola data dapat dimodelkan dengan

mempertimbangkan keacakannya dalam observasi.

11. Matematika diskret

Dalam bidang ini dilakukan kajian struktur diskret secara

matematis, dalam arti tidak mempertimbangkan kekontinuan. Obyek

dasar yang dipelajari di dalamnya meliputi himpunan terhitung

(countable sets) seperti integer, graf berhingga, dan bahasa formal.

9
12. Matematika Terapan

Merupakan cabang matematika yang berhubungan dengan

penerapan matematika pada bidang matematika sendiri (probabilitas,

teori persamaan diferensial, statistika, analisis numerik) maupun bidang

ilmu pengetahuan lain. Dewasa ini yang menjadi topik (subbidang)

utama dalam matematika terapan adalah sebagai berikut :

(1) Analisis Terapan : teori aproksimasi, teori optimisasi, analisis

numerik, sistem dinamik, teori chaos

(2) Matematika diskrit : Kombinatorik, teori graf, teori permainan,

geometri diskrit, teori komputasi, teori komputabilitas, teori

kompleksitas, teori Informasi, kriptografi

(3) Probabilitas: Distribusi probabilitas, statistika, proses stokastik

(4) Subbidang lain : Riset Operasional, Matematika biologi, Matematika

Finansial, Matematika Ekonomi, sains Komputer.

Kombinasi merupakan suatu alat analisis yang mempunyai peranan

yang sangat penting, khususnya dalam menentukan banyaknya alternatif

yang dapat dimungkinkan dalam pengambilan keputusan.

Dalam membahas Kombinasi, yang perlu dipahami adalah

pengertian Faktorial (disimbolkan dengan tanda seru atau !). Nilai suatu

bilangan yang difaktorialkan diformulasikan : n! = 1 x 2 x 3 x 4 x … x n.

(khusus untuk 0! = 1). Sebagai contoh : 5! = 1 x 2 x 3 x 4 x 5 = 120.

Ada tiga cara utama untuk menghitung titik contoh, yaitu :

10
 1. Permutasi

Suatu susunan yang dibentuk oleh keseluruhan atau sebagian dari

sekumpulan benda dengan memperhatikan urutannya

Missal dari himpunan {apel, jeruk, mangga, pisang} dapat

diambil permutasi 3 unsur, yang dapat didaftar sebagai berikut:

apel apel jeruk jeruk mangga mangga

jeruk mangga apel mangga apel jeruk

mangga jeruk mangga apel jeruk apel

apel apel jeruk jeruk pisang pisang

jeruk pisang apel pisang apel jeruk

pisang jeruk pisang apel jeruk apel

apel apel mangga mangga pisang pisang

mangga pisang apel pisang apel mangga

pisang mangga pisang apel mangga apel

jeruk jeruk mangga mangga pisang pisang

mangga pisang jeruk pisang jeruk mangga

pisang mangga pisang jeruk mangga jeruk

Perhatikan bahwa dalam susunan ini setiap kolom merupakan

permutasi dari kolom pertama. Karena dalam kombinasi urutan tidak

11
 dipentingkan, maka cukup salah satu kolom saja yang diambil. Jika kita

mengambil kolom pertama saja, maka kita mendapatkan kombinasi 3

dari keempat buah tersebut adalah:

 apel, jeruk, mangga

 apel, jeruk, pisang

 apel, mangga, pisang

 jeruk, mangga, pisang

Penyusunan tabel seperti di atas akan menghasilkan atau 24

permutasi, dengan 3! kolom, karena untuk setiap baris terdapat 3!

permutasi dari kolom pertama. Dengan demikian, jumlah baris dari tabel

akan sebesar:

Aturan seperti ini dapat digeneralisasikan sehingga untuk setiap n unsur

yang dikombinasikan r unsur, berlaku:

Yang dapat dengan mudah dibuktikan:

12
2. Kombinasi

Istilah kombinasi dalam matematika kombinatorik berarti

himpunan objek yang tidak mementingkan urutan. Kombinasi berbeda

dengan permutasi yang mementingkan urutan objek.

Kombinasi dapat dibentuk dari dua kombinasi sebelumnya. Ini

mengakibatkan banyaknya kombinasi juga bersifat rekursif:

Kombinasi C dari sebuah himpunan S adalah himpunan bagian

dari S.

Sebagai contoh, misalkan terdapat suatu kumpulan buah: apel,

jeruk, mangga, pisang. Maka {apel, jeruk} dan {jeruk, mangga,

pisang} adalah merupakan kombinasi dari kumpulan tersebut. Seluruh

13
 himpunan bagian yang mungkin dibentuk dari kumpulan buah tersebut

adalah:

 tidak ada buah apa pun

 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:

o apel, jeruk, mangga

o apel, jeruk, pisang

o apel, mangga, pisang

o jeruk, mangga, pisang

 empat buah:

o apel, jeruk, mangga, pisang

14
 Kombinasi r dari sebuah himpunan S, berarti dari himpunan S

diambil elemen sebanyak r untuk dijadikan sebuah himpunan baru.

Dalam hal kumpulan buah di atas, himpunan {apel, jeruk, pisang}

adalah sebuah kombinasi 3 dari S, sedangkan {jeruk, pisang} adalah

sebuah kombinasi 2 dari S.

Banyaknya kombinasi r dari sebuah himpunan berisi n elemen

dapat dihitung tanpa harus memperhatikan isi dari himpunan tersebut.

Besarnya dinyatakan dengan fungsi:

Fungsi dalam banyak literatur dinyatakan juga dengan notasi .

Sebagai contoh, tanpa harus mengetahui elemen himpunan {apel,

jeruk, mangga, pisang}, banyaknya kombinasi 3 dari himpunan

tersebut dapat dihitung:

Kombinasi k unsur dari n unsur adalah pemilihan k unsur dari n unsur

itu tanpa memperhatikun urutannya.

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

Jika suatu operasi dapat dilakukan dengan n1 cara, untuk

masing-masing cara tersebut dapat dilakukan operasi kedua dengan n2

cara, untuk masing-masing pasangan operasi tersebut dapat

dilakukakan operasi ketiga dengan n3 cara, maka k operasi dalam

urutan tersebut dapat dilakukan dalam n1 x n2 x n3 x … x nk cara.

Di sini akan dijelaskan mengenai Kombinasi,definisi,rumus-

rumus serta kaidah – kaidah yang berkaitan.Salah satu aplikasi

kombinasi digunakan untuk mencari probabilitas suatu kejadian.

B. Koefisien Binomial

Suatu binomial (a + b)n yang dijabarkan dalam bentuk jumlahan, akan

membangkitkan koefisien-koefisien yang merupakan bilangan kombinasi.

Dengan penjabaran seperti di atas, maka banyaknya kombinasi r dari n unsur

bisa didapat dari setiap suku:

16
 Daftar berikut menunjukkan beberapa penjabaran binomial:

1. (a + b)0 = 1a0b0

2. (a + b)1 = 1a1b0 + 1a0b1

3. (a + b)2 = 1a2b0 + 2a1b1 + 1a0b2

4. (a + b)3 = 1a3b0 + 3a2b1 + 3a1b2 + 1a0b3

5. (a + b)4 = 1a4b0 + 4a3b1 + 6a2b2 + 4a1b3 + 1a0b4

6. (a + b)5 = 1a5b0 + 5a4b1 + 10a3b2 + 10a2b3 + 5a1b4 + 1a0b5

7. (a + b)6 = 1a6b0 + 6a5b1 + 15a4b2 + 20a3b3 + 15a2b4 + 6a1b5 + 1a0b6

C. Segitiga Pascal

Dengan menuliskan hanya koefisiennya saja, dari penjabaran binomial dapat

kita peroleh:

1.

2.

3.

4.

Jika diteruskan, daftar koefisien ini akan membentuk susunan yang disebut

sebagai Segitiga Pascal.

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

Membangkitkan Kombinasi dari sebuah himpunan S berarti membentuk

himpunan C yang merupakan salah satu subhimpunan dari S.

Permasalahan umum dalam membangkitkan kombinasi adalah:

Diberikan sebuah himpunan S, tentukan:

 Semua kombinasi yang mungkin dari himpunan S

 Semua kombinasi r elemen dari himpunan S

 Kombinasi r elemen dari himpunan S, pada indeks ke-i sesuai urutan

leksikografik

1. Membangkitkan Semua Kombinasi yang Mungkin

18
 Cara paling mudah untuk membangkitkan semua kombinasi (himpunan

bagian) yang mungkin adalah dengan menggunakan representasi biner.

Setiap himpunan bagian {a, b, c, d} yang berisi 4 elemen, dapat

direpresentasikan sebagai bilangan biner 4 digit, yang masing masing bit

menunjukkan ada tidaknya elemen tersebut dalam himpunan. Himpunan {a,

c} misalnya, dapat direpresentasikan dengan bilangan biner 1010 (atau

desimal 10), jika elemen-elemen a, b, c, d berturut-turut diwakili oleh bit ke

3, 2, 1, dan 0.

Himpunan : { a, b, c, d }

Representasi biner : 1 0 1 0

Himpunan bagian : { a, c }

Representasi seperti ini memetakan setiap macam kombinasi dengan tepat

satu bilangan asli. Daftar berikut menunjukkan semua kombinasi dari {a, b, c,

d} beserta representasi binernya.

Banyak kombinasi yang mungkin untuk sebuah himpunan S, sesuai

dengan banyaknya elemen himpunan kuasa dari S, adalah:

Maka bilangan asli yang berkaitan dengan masing-masing himpunan bagian S

adalah berada dalam jangkauan 0...2 | S | − 1.

Berikut ini adalah pseudocode-nya:

19
 Diberikan sebuah himpunan S:

n = banyak elemen S

i = 0 to 2n-1

B = representasi bilangan i dalam bentuk biner

S' = { }

E. Kombinasi Pengulangan

Jika urutan tidak diperhatikan dan objek bisa dipilih lebih dari sekali, maka

jumlah kombinasi yang ada adalah:

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

donat. Maka kombinasi yang dihasilkan adalah (10+3-1)!/3!(10-1)! = 220

kombinasi.

Kombinasi dari kombinasi merupakan perkalian perkalian antara

banyaknya kombinasi suatu kumpulan obyek dengan banyaknya kombinasi

dari obyek lainnya

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

jika pengurus terdiri dari 2 orang pria dan 1 orang wanita.

Jawab :

3C2 . 2C1 = (3!)/(2!(3-2)!) . (2!)/(1!(2-1)!) = 6 cara,

yaitu : L1 L2 W1 ; L1 L3 W1 ; L2 L3 W1 ; L1 L2 W2 ; L1 L3 W2 ; L2 L3

W2

F. Kombinasi tanpa pengulangan

Ketika urutan tidak diperhatikan akan tetapi setiap objek yang ada hanya bisa

dipilih sekali maka jumlah kombinasi yang ada adalah:

Di mana n adalah jumlah objek yang bisa dipilih dan r adalah jumlah yang

harus dipilih.

G. Kaidah Perkalian & Kombinasi (Contoh-contoh soal)

Dalam banyak soal, kaidah penggandaan/perkalian dan kombinasi

seringkali digunakan bersama-sama.

21
Contoh :

Manajer SDM mengajukan 10 calon manajer yang berkualifikasi sama, 5

calon berasal dari Kantor Pusat, 3 calon dari Kantor cabang dan 2 dari

Program Pelatihan manajer.

(a) Berapa cara Manajer SDM dapat memilih 6 manajer baru dengan

ketentuan 3 berasal dari Kantor Pusat. 2 dari Kantor Cabang dan

1 dari Program Pelatihan manajer?

Pemilihan 3 dari 5 calon dari Kantor Pusat =

5!
C35   10
3!2!

Pemilihan 2 dari 3 calon dari Kantor Cabang =

3!
C23  3
2!1!

Pemilihan 1 dari 2 calon dari Program Pelatihan =

2!
C12  2
1!1!

n = Pemilihan Manajer = 10  3  2 = 60 cara

(b) Berapa cara memilih 6 dari 10 kandidat manajer?

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

Pusat, 2 dari Kantor Cabang dan 1 dari Program Pelatihan?

n 60
P(manajer) = 
N 210

Contoh :

Dari 40 nomor rekening akan diundi untuk memenangkan 3 hadiah

yang sama. Berapa banyaknya susunan pemenang yang mungkin

terbentuk?

40! 40! 40  39  38  37 !
C340    = 988
3! (40  3)! 3! 37 ! 3! 37 !

Jika anda hanya mempunyai 1 rekening, maka peluang anda

menjadi salah satu pemenang adalah: P(Menang) = 1

9880

Contoh:

Berapa tim basket yang dapat dibentuk dari 12 orang ?

jawab :

Urutan pemain tidak diperhatikan (abc=bac)

Jadi, banyak tim :

B. Tujuan

23
 Adapun tujuan dari pembuatan makalah ini adalah untuk memenuhi

tugas mata kuliah Statistik Matematika dengan maksud:

1. Untuk mengetahui definisi Distribusi Peluang

2. Untuk mengetahui rumus-rumus yang terkait Fungsi Padat Peluang

Bivariat

C. Manfaat

Manfaat dari makalah yang dibuat ini adalah:

1. Pembaca maupun penulis dapat menambah pengetahuan yang terkait

tentang suatu distribusi peluang, definisi,rumus-rumus,serta kaidah-

kaidah yang berkaitan.

2. Pembaca serta penulis dapat mengaplikasikan pengetahuan yang

dimiliki tentang Fungsi padat peluang Bivariat tersebut dalam

kehidupan sehari-hari.

24
 BAB II

PEMBAHASAN

A. Fungsi Padat Peluang

Dalam statistik, kadang dijumpai nilai yang diperoleh dari salah atu hasil

pemusatan data yang bias.

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

perusahaannya adalah 3 juta rupiah

Apakah ini masuk akal ?

Kalo iya, karyawan yang mana

yang mendapat upah 3 jt rupiah?

Kenyataannya tidak ada

seorang karyawanpun yang

mendapat upah 3 juta

Dari salah satu permasalahan di atas maka, perlu teknik lain supaya dalam analisa

data tidak bias, yakni fungsi kepadatan peluang

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)

1. Fungsi Kepadata Peluang Diskrit (Fungsi Sebaran Peluang)

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

definisi kisaran nilai peluang

Sigma f(x) =1, hal ini dapat dijelaskan yakni, setiap nilai peubah acak

menyebar di ruang sampel (berpasangan dengan anggota ruang sampel) sehingga

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

P(X=x)=f(x), adalah peluang untuk peubah acak x tertentu, sama dengan

fungsi sebaran peluang untuk x tertentu tersebut.

Contoh 1

Dua buh dadu di tos 1 kali, diberikan peubah acak X yaitu jumlah mata dadu yang

26
muncul. Tentukan

a. formula sebaran peluangnya

b. P(X=3)

c. P(X<5)

Jawab

a. Terlebih dahulu kita menentukan nilai peubah acak yang mungkin yakni

{2,3,4,5,6,7,8,9,10,11,12}, tentu pasti kalian tau khan

Selanjutnya kita buatkan sebaran peluangnya sebagai berikut:

sehingga sebaran peluangnya sb

b. P(X=3)=f(3) = 2/36

c. P(X<5) = f(2) + f(3) + f(4) = 1/36 + 2/36 + 3/36 = 6/36 = 1/6

Gimana gampang khan he he

Contoh 2

Lima buah koin di tos 1. Diberikan fungsi peubah acak banyaknya sisi angka yang

muncul, tentukan

a. formula sebaran peluang

27
Jawab:

a. Terlebih dahulu kita perlu menentukan nilai peubah acaknya yakni {0,1,2,3,4,5}

Selanjutnya kita tentukan sebaran peluang dengan menentukan berapa pasangan

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

mempunyai kesamaan dengan teknik kombinasi)

Sehingga sebaran peluangnya dapat diperoleh yaitu:

Sehingga rumus sebaran peluangnya adalah C(5,x)/32 atau P(5,5)/(P(5-

x,).P(x,x))/32

Berdasarkan daerah yang diminta, maka dapat diperleh dengan menjumlahkan

nilai sebaran peluang dari peubah acak 2 sampai denan 4, sehingga

28
 =f(2) + f(3) + (f4) = 10/36 + 10/36 + 5/36 = 25/36

Nach bagaimana permasalahan di awal pembicaraan di atasi dengan teknik

FKP/PDF Diskret

Permasalahan di atas dapat diatasi dengan menentukan nilai peubah acaknya yaitu

{1,2,3,4,5,6,7,8,9} dalam satuan juta

Selanjutnya dapat di buat sebaran peluangnya sebagai berikut

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

Salah satu cara mendefinisikan peluang suatu kejadian ialah

mengucapkannya dalam frekuensi relative terjadinya kejadian bersangkutan.

Definisi demikian ini biasanya berbunyi demikian: Misalkan bahwa suatu

percobaan dengan ruang contoh S diulang-ulang di bawah kondisi yang sama.

Untuk setiap kejadian E yang merupakan himpunan-bagian dari S, kita

definisikan n(E) sebagai berapa kali kejadian E terjadi selama n kali ulangan

percobaan itu. Maka P(E), peluang kejadian E, didefinisikan sebagai:

29
Dengan kata lain, P(E) didefinisikan sebagai persentase (pelimitan) berapa

kali kejadian E terjadi. Jadi, peluang kejadian E adalah frekuensi pelimitan

kejadian E.

Peluang memiliki 3 aksioma yaitu:

Aksioma I

Aksioma II

Aksioma III

Untuk sebarang kejadian-kejadian yang saling menyisihkan,

artinya untuk

P(E) kita namakan peluang kejadian E

Aksioma I menyatakan bahwa peluang hasil percobaan itu adalah suatu

titik anggota E merupakan suatu bilangan antara 0 dan 1.

30
 Aksioma II menyatakan bahwa, dengan peluang 1, hasil percobaannya

akan merupakan sebuah titik didalam ruang contoh S.

Aksioma III menyatakan bahwa untuk sebarang rangkaian kejadian

yang saling menyisihkan, peluang setidaknya salah satu dari kejadian itu

terjadi sama dengan jumlah masing-masing kejadian tersebut.

Bila kita simak suatu barisan kejadian , , ……, dengan

untuk i > 1, maka karena kejadian-kejadian itu saling

menyisihkan dan , kita memperoleh aksioma III bahwa

Yang selanjutnya berimplikasi

P( ) = 0

Jadi kejadian kosong mempunyai peluang terjadi sama dengan 0.

Selain itu perlu dicatat bahwa untuk sembarang barisan kejadian

yang saling menyisihkan,

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

terdiri atas takhingga banyaknya titik.

31
 Konsep-konsep dasar Peluang

Konsep-konsep dasar peluang:

 Eksperimen

 Hasil

 Ruang Sampel

 Kejadian

Eksperimen

Eksperimen adalah proses yang menghasilkan hasil pengukuran, perhitungan

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

adalah M (muka), sedang hasil yang lain adalah B (dapat belakang).

- Jika eksperimen adalah melempar sebuah dadu satu kali, semua hasil yang

mungkin adalah dapat mata 1 atau 2 atau 3 atau 4 atau 5 atau 6.

Ruang Sampel

32
 Ruang sampel suatu eksperimen adalah himpunan semua hasil eksperimen

tersebut.

Contohnya ruang sampel:

- Untuk eksperimen melempar sebuah mata uang 1 kali, ruang sampelnya

adalah S= {M,B}

- Untuk eksperimen melempar sebuah mata uang 2 kali, ruang sampelnya S =

{MB, BM, BB, MM}

Kejadian

Kejadian adalah suatu himpunan hasil atau suatu himpunan bagian dari ruang

sampel.

Definisi Peluang

Andaikan kejadian A adalah suatu kejadian yang menjadi perhatikan

kita dengan A ≠ S dan A ≠ maka peluang terjadinya A, ditulis P(A) dapat

didefinisikan menurut beberapa cara:

1. Definisi klasik (peluang apriori)

Jika suatu eksperimen menghasilkan n hasil yang tidak mungkin

terjadi bersama-sama dan masing-masing mempunyai peluang yang sama

terjadi, maka

Dengan n(A) = banyaknya hasil dalam A

33
 0 ≤ n(A) ≤ n, maka 0 ≤ P(A) ≤ 1

2. Definisi empiris (peluang aposteriori)

Peluang terjadinya kejadian A dari suatu eksperimen adalah frekuensi

relative terjadinya A, jika eksperimen tersebut dilakukan/diulang sebanyak

kali mungkin. Artinya

Dengan n(A) = banyaknya hasil dari A dalam n pengulangan

3. Definisi subyektif

Peluang subyektif terjadinya suatu kejadian adalah peluang yang

ditentukan berdasarkan pertimbangan-pertimbangan subyektif.

Peluang Acak

Pada percobaan yang digunakan untuk menjelaskan setiap proses yang

menghasilkan pengukuran, sering yang menarik perhatian kita bukan titik

sampel itu sendiri melainkan gambaran numeriknya. Misalnya, sebuah mata

uang dengan sisi muka (M) dan Belakang (B) yang dilemparkan tiga kali

memberikan ruang sampel S = {MMM, MMB, MBM, BMM, MBB, BMB,

BBM, BBB}. Bila yang diperhatikan banyaknya sisi muka yang muncul, maka

hasil numerik, 0, 1, 2, atau 3 dikaitkan dengan titik sampel.

34
 Nilai-nilai peluang inilah yang disebut fungsi distribusi peluang farik

yang biasa disebut fungsi massa peluang dari peubah acak X, yang dapat

dibuat dalam sebuah tabel sebagai berikut:

35
1.1. Fungsi massa peluang munculnya sisi muka dalma tiga kali

pelemparan mata uang

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

capital, misalnya X dan symbol nilai pengamatannya dengan huruf kecil x.

Untuk penyerderhanaan, kita tulis p (x) untuk x = 0, 1, 2, 3 memiliki sifat-

sifat sebagai berikut:

1. p(x) ≥ 0 untuk x = 0, 1, 2, 3

2.

Sifat-sifat diatas dapat dinyatakan secara umum. Untuk setiap peubah

acak farik X yang mempunyai terhingga banyaknya nilai x 1, x2, x3, …..xn

dengan peluang p(xi) = pi untuk i = 1, 2, 3, ……n untuk sebaang bilangan asli

n, harus memenuhi sifat-sifat fungsi massa peluang berikut:

36
1. pi ≥ 0 untuk i = 1, 2, 3, …….n

2.

Sifat ini dapat diperluas lagi untuk peubah acak yang memiliki tak

hingga banyaknya nilai, dan masih dapat dipadankan satu-satu dengan

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

Symbol E (X) dalam bahasa Inggris dibaca Expected value of X. rumus


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

berbeda sebagai berikut:

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

dapat dipadankan satu-satu dengan bilangan asli. Misalnya, penelitian

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.

Perlu diperhatikan disini bahwa peubah acak X dapat didefinisikan langsung

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

yang diturunkannya disebut peubah acak malar.

Peubah acak malar X memiliki fungsi distribusi khusus yang disebut

fungsi padat peluang f (x), dan harus memenuhi sifat-sifat berikut:

1. f(x)  0 untuk semua x  R = {bilangan riil}


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

 

Rumus-rumus ini dapat dimodifikasi untuk peubah acak malar x yang

memiliki nilai terbatas, seperti A  x  B, untuk bilangan riil A, dan B

tertentu. Dalam hal ini, kedua momen tersebut dapat ditulis:

B
  E(X)   x.f (x)dx
A

B B
   (x   ) .f (x)dx   x 2 .f (x)dx   2
2 2

A A

Karakteristik yang paling mendasar untuk dikaji dalam mempelajari

tingkah laku suatu distribusi adalah fungsi massa atau fungsi padat peluang.

Dalam fungsi/padat peluang ini terkandung sifat-sifat mendasar yang menjadi

ciri khas distribusi itu. Misalnya, nilai rata-rata dan variansi dapat dihitung

dari fungsi massa/pada peluang.

Selanjutnya, kita akan melihat beberapa fungsi peluang farik dan

fungsi peluang malar, khususnya yang sudah banyak digunakan dalam

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

Misal S ruang sampel. Fungsi X yang memetakan setiap

anggota ruang sampel S ke suatu bilangan real disebut variabel acak

(variable random). Variabel biasa dinyatakan dengan huruf besar X, Y,

Z, dan sebagainya, sedangkan nilai-nilai dari variabel acak dinotasikan

dengan huruf kecil missal x, y, z dan sebagainya.

Pada pengundian dua buah mata uang logam, peristiwa yang terjadi

adalah:

GG, GA, AG, AA

P(GG) = P(GA) = P(AG) P(AA) = ¼

Jika X menyatakan banyaknya Angka (A), maka X = 0,1,

Sehingga P(X = 0) = ¼, P(X = 1) = ½ , P(X = 2) = ¼, dengan

menggunakan tabel

X P(X)

0 ¼

1 ½

2 ¼

40
 Jumlah 1

Simbol X, yang memiliki peluang, bersifat variabel dan hanya

memiliki harga-harga 0, 1, 2, 3, …

Variabel berharga demikian, di mana untuk setiap harga variabel

terdapat nilai peluangnya disebut variabel acak diskret.

Dalam tabel di atas jumlah peluang adalah sama dengan satu. Apabila

hal ini terjadi, maka dikatakan bahwa distribusi peluang untuk varibel

acak X telah terbentuk.

Variabel acak diskret X menentukan distribusi peluang apabila untuk

nilai-nilai x1, x2, … , xn terdapat peluang p(xi) = P (X = xi) sehingga

p(x) disebut fungsi peluang untuk variabel acak X dengan harga X = x

Variabel acak yang tidak diskret disebut variabel kontinu. Beberapa

diantaranya misalnya untuk menyatakan waktu dan hasil pengukuran.

Variabel ini dapat mempunyai setiap harga.

Jadi jika X adalah variabel kontinu, maka harga X = x dibatasi oleh

atau batas-batas lain.

Jika X sebuah variabel acak kontinu, maka mempunyai fungsi densitas

f(x) yang dapat menghasilkan peluang untuk harga-harga x.

Dalam hal ini berlaku

41
2. Macam-Macam Distribusi Peluang Variabel Acak Diskret

Pada variable diskrit setiap harga variabel terdapat nilai

peluangnya, serta peluang diskrit terbentuk bilamana jumlah semua

peluang sama dengan satu.

E(x) = ekspektasi untuk variabel acak X dan penjumlahan

dilakukan untuk semua harga X yang mungkin serta merupakan rata-

rata untuk variabel X. Pengamatan yang dilakukan oleh seorang siswa

memperlihatkan banyak kendaraan yang melewati sekolahnya tiap

menit mengikuti distribusi peluang.

Macam-macam distribusi peluang variable acak diskrit

1. Distribusi Bernoulli

Pada suatu percobaan yang hanya ada dua hasil yang mungkin

yaitu “sukses” atau “gagal”.

Percobaan yang demikian juga disebut percobaan Bernoulli.

2. Distribusi Binomial

Pada percobaan Bernouli yang diulang n kali.

3. Distribusi Geometrik

Pada percobaan Bernoulli yang dilakukan hingga mencapai

sukses yang pertama.

Misalkan ada sebuah populasi berukuran N diantaranya

terdapat D buah termasuk kategori tertentu. Dari populasi ini

sebuah sampel acak diambil berukuran n. pertanyaan yang timbul

42
 ialah: berapa peluang dalam sampel itu terdapat x buah termasuk

kategori tertentu itu?

dengan x = 0, 1, 2, …..n. dan Rata-rata distribusi hipergoemetrik

adalah

μ = nD/N

CONTOH.

Kelompok manusia terdiri atas 50 orang dan 3 di antaranya lahir

pada tanggal 1 Januari. Secara acak diambil 5 orang. Berapa

peluangnya di antara 5 orang tadi:

a) Tidak terdapat yang lahir tanggal 1 Januari?

SOLUSI

b) Ambil x = banyak orang di antara n = 5 yang lahir pada

tanggal 1 Januari. Maka dengan N = 50, D = 3 memberikan

4. Distribusi Poisson

Untuk menentukan peluang sebuah peristiwa yang dalam

area kesempatan tertentu diharapkan terjadinya sangat jarang.

Distribusi poison biasanya sangat jarang digunakan, mengingat

peristiwa didalamnya adalah sangat kecil peluangnya untuk terjadi.

Variabel acak diskrit dikatakan mempunyai distribudi poisson jika

fungsi peluangnya berbentuk dengan Dengan X=0,1,2,3,…

e = sebuah bilangan konstan

= 2,7183

43
 = sebuah bilangan tetap

CONTOH.

Misalkan rata-rata ada 1,4 orang buta huruf untuk setiap 100

orang.Sebuah sampel berukuran 200 telah diambil.

Jika x = banyak banyak buta huruf per 200 orang, maka untuk kita

sekarang λ = 2,8. Peluang tidak terdapat buta huruf adalah:

SOLUSI.

Sedangkan peluang terdapatnya yang buta huruf sama dengan 1-

0,0608 = 0,9392

Distribusi poison digunakan untuk menentukan peluang sebuah

peristiwa yang dalam area kesempatan tertentu diharapkan

terjadinya sangat jarang.

3. Macam-Macam Distribusi Peluang Variabel Acak Kontinu

1. Distribusi Normal atau Distribusi Gauss

Variabel acak kontinu X dikatakan berdistribusi normal

dengan parameter dan juka dan hanya jika fungsi kepadatan

peluang dari X adalah

44
 Dengan

: 3,1416

: 2,7183

: parameter, merupakan rata-rata dari X

: parameter, merupakan simpangan baku dari X,

Sifat distribusi Normal

a. Grafik y = f(x) simetri terhadap rata-ratanya ( ), mempunyai

satu puncak, dan berbentuk seperti lonceng

b. Nilai rata-rata ( ) = median = modus

c. Karena f(x) adalah rumus fungsi kerapatan peluang dari X,

maka:

 Grafik y = f(x) berada di atas sumbu x

 Luas daerah di atas sumbu X dan di bawah y = f(x), dari

x= sampai x = , sebesar satu satuan

Distribusi Normal Baku

 Distribusi normal baku adalah distribusi normal dengan rata-rata

= 0, dan simpangan baku =1

45
 Jika X berdistribusi normal dengan rata-rata dan simpangan baku

, dan misal , maka Z berdistribusi normal baku.

 Untuk a, b, c, dan d adalah bilangan real, dan X berdistribusi

normal dengan rata-rata dan simpangan baku , maka

o P (a < X < b) = P ( ) = luas di bawah kurva normal

baku dari sampai

o P (X < c) = 1 – P( )

o P (X > d) = 1 – P( )

o P( ) = P( ) = 0,5

2. Distribusi Student (t)

Distribusi t atau yang sering dikenal dengan distribusi

student merupakan distribusi acak kontinu yang memiliki rumus

sebagai berikut, dan ini berlaku jika harga „t‟ memenuhi ∞<t<∞

dan K merupakan bilangan tetap yang besarnya bergantung pada

„n‟.

Bilangan n-1 pada persamaan di penyebut tersebut

menyatakan derajat kebebasan pada distribusi tersebut, n-1 berarti

distribusi tersebut kehilangan 1 derajat kebebasannya.

Mirip grafik distribusi normal baku

simetrik terhadap t = 0

46
 untuk harga „n‟ yang lebih (n≥30),distribusi „t‟ mendekati

distribusi normal baku.

Merupakan grafik distribusi „t‟ dengan dk=(n-1). Luas

daerah yang diarsir = p dan dibatasi paling kanan oleh tp, dimana

nilai tp ini akan dicari menggunakan daftar pasangan v dan p yang

diberikan. V dalam hal ini adalah pengganti dk.

Ciri dari distribusi t adalah:

 Grafik fungsi menyerupai grafik fungsi distribusi normal

 Untuk menentukan nilai t, tergantung dari nilai npeluang

( ) dan derajat kebebasan ( ) dengan , n

menyatakan ukuran sampel.

 Nilai t dapat dicari pada tabel distribusi t

3. Distribusi Chi Kuadrat

Distribusi Chi kuadrat atau yang sering disebut distribusi

chi square merupakan distribusi acak kontinu yang memiliki

persamaan dan cirri seperti berikut.

Dengan U = X2

Harga u>0

V= drajat kebebasan

K=bilangan tetap yang bergantung pada v

Luas daerah di bawah kurva sama dengan satu satuan luas

e=2,7183

47
 Bentuk grafik distribusi chi square merupakan kurva

distribusi chi-square dengan derajat kebebasan =v merupakan

kurva positif, yaitu miring ke kanan. Jika derajat kebebasan „v‟

makin besar, maka kemiringan kurva makin berkurang.Daftar H

berisikan harga-harga X2 untuk pasangan dk dan peluang p yang

besarnya tertentu. Peluang p terdapat pada baris paling atas dan dk

(v ) ada pada kolom paling kiri.

Luas daerah arsir sama dengan peluang p, yaitu luas dari Xp2 ke

sebelah kiri.

Contoh penggunaan distribusi chi-square

Apa bila luas daerah di sebelah kanan sama dengan 0,05 maka Χ2

= 16,9. ini diperoleh dari dk = 9 dan 0,95

Dan Apa bila luas daerah di sebelah kiri sama dengan 0,025 maka

Χ2 = 27,0. ini diperoleh dari dk = 9 dan 0,025

Ini didapatkan dengan cara melihat atau bantuan dari daftar h.

Yang perlu diperhatikan dalam menentukan nilai dari distribusi

adalah derajat kebebasan ( ) dengan dan nilai peluang

( ).

4. Distribusi F

Distribusi F merupakan distribusi acak kontinu yang memiliki

persamaan seperti berikut

48
 F>0, K= bilangan tetap yang harganya bergantung pada v1 dan v2

V2= dk penyebut

Dari persamaaan diatas jelas kita lihat bahwa distribusi F

kehilangan 2 derajat kebebasannya, maka distribusi F dapat kita

katakana memiliki dk = 2

Untuk tiap pasang dk, v1, v2, Daftar berisikan harga F dengan kedua

luas daerah (0,010 atau (0,05)

Untuk tiap dk=v2, daftar terdiri atas 2 baris, yang atas untuk

peluang p=0,05 dan yang bawah untuk p=0,01

Ciri distribusi F:

 Grafiknya mirip distribusi

 Untuk menentukan nilai f tergantung dari dua derajat

kebebasan (derajat kebebasan pembilang) dengan = n1 –

1 dan (derajat kebebasan penyebut) dengan = n2 – 1.

DISTRIBUSI PELUANG FARIK

1. Distribusi Seragam Farik

Distribusi Seragam Farik merupakan salah satu model distribusi

peluang yang sering muncul dalam kenyataan. Model ini sering di gunakan

dalam teori pengambilan keputusan secara statistik, yakni dalam keadaan

dimana kita tidak mengetahui secara pasti apa yang akan terjadi di antara

kemungkinan-kemungkinan yang bakal terjadi.

49
 Model distribusi seragam menganut asumsi bahwa peluang setiap

keadaan atau hasil adalah sama dan tidak berubah sepanjang suatu

rangkaian percobaan. Jika X adalah sebuah peubah acak seragam, fungsi

massa peluang dari X adalah:

p( x )= 1/n , x = 1, 2, 3, ... n,

Dengan n menyatakan banyaknya keadaan atau hasil yang dapat

terjadi. Perlu di jelaskan bahwa cara penukisan p(x) = 1/n untuk x = 1, 2, 3,

..., n dimaksudkan bahwa p(x) = 0 untuk nilai x yang lain. Cara ini akan

digunakan untuk keefisienan penukisan. Dengan sedikit pekerjaan

matematis diperoleh rumus nilai rumus nilai harapan  = ( n + 1 )/2 dan

variansi 2 = (n2 – 1)/12.

2. Distribusi Hipergeometris

Distribusi hipergeometris diterapkan pada kasus penarikan sampel

(sampling) dimana objek yang telah diambil tidak dikembalikan lagi ke

populasinya. Dalam model ini, populasi yang berisi sejumlah N sub-

populasi sukses yang mempunyai anggota sebanyak N1 dan sub-populasi

gagal dengan anggota sebanyak N – N1 = N2 yang sifatnya saling

berlainan atau bahkan berlawanan. Pengertian sukses dan gagal disini tidak

selalu sama maknanya dengan istilah sukses dan gagal dalam pembicaraan

sehari-hari, tetapi sekedar menunjukkan adanya dua kategori hasil yang

berbeda. Jika X adalah sebuah peubah acak hipergeometris yang

50
 menggambarkan pengambilan n objek dari populasi yang berukuran N,

fungsi massa peluang dari X adalah:

 N1   N 2 
  
 x  n  x 
p(x)  , x 1, 2,3,....n
 N
 
n

Dengan N1 = Ukuran sub populasi sukses

N2 = Ukuran sub populasi gagal

N = Ukuran populasi = N1 + N2

n = ukuran sampel

x = banyaknya gejala sukses di antara n objek yang terambil

Nilai harapan dan variansi masing-masing

N1 N N Nn
  n. dan   n( 1 )(1  1 )( )
N N N N 1

3. Distribusi Rumpun Binomial

Distribusi binomial merupakan salah satu model distribusi peluang

untuk peubah aack yang farik. Koefisien binomial menunjukkan peluang

timbulnya gejala yang diharapkan (gejala sukses) dari sejumlah n peristiwa.

Model distribusi ini diterapkan pada kasus percobaan Bernoulli dengan ciri

sebagai berikut:

51
a. Tiap-tiap percobaan hanya memiliki dua kemungkinan hasil, yakni

sukses dan gagal (tidak selalu sama maknanya dengan pengertian

sukses dan gagal dalam pembicaraan sehari-hari)

b. Peluang sukses selalu sama pada setiap percobaan, akan tetapi

peluang sukses tidak harus sama dengan peluang gagal.

c. Percobaan diulangi sebanyak n kali dan bersifat bebas (hasil

percobaan yang satu tidak mempengarui hasil percobaan yang lain).

Jika X adalah sebuah peubah acak biomial, maka fungsi massa

peluang X adalah:

n
p(x)    p x (1  p) n  x , x  0,1, 2.....n
x

Dengan p = Peluang percobaan sukses

n = banyaknya percobaan

x = banyaknya gejala sukses yang terjadi.

Nilai harapan µ = np dan variansi 2 = np (1-p)

Dalam keadaan khusus, percobaan dilakukan sekali saja, yaitu n = 1,

kita peroleh peubah acak Bernoulli dengan fungsi massa peluang

p x (1  p)n  x , untuk x  0,1.

Nilai harapan µ = p dan variansi 2 = p (1-p)

52
 Andaikan percobaan Bernoulli diulang untuk mendapatkan k

sukses, dan hasil ini diperoleh setelah y kali percobaan. Fungsi masa

peluangnya adalah:

 y  1 k yk
p(y)    p (1  p) , untuk y  k, k  1, k  2
 k  1

Nilai harapan µ = k/p dan variansi 2 = k (1-p)/ p2

Selanjutnya, kita perhatikan keadaan khusus untuk k=1, yaitu

peubah acak Y yang menyatakan banyaknya percobaan yang dilakukan

untuk mendapatkan sukses yang pertama, dan ini disebut peubah acak

geometris. Fungsi masa peluangnya dinyatakan dengan:

p(y) = p(1-p)y-1 untuk y = 1, 2, 3, …….

Nilai harapan µ = l/p dan variansi 2 = (1-p)/ p2

4. Distribusi Multinomial

Perluasan distribusi binomial adalah distribusi multinomial.

Misalkan, sebuah percobaan memberikan hasil yang mungkin h1, h2,…..3, n

dan p1 + p2 + …….. + pk = 1, Andaikan percobaan ini diulangi secara bebas

n kali, maka peubah acak yang menyatakan bahwa kita akan mendapatkan

x1 hasil h1, x2 hasil h2,…..xk hasil hk dengan x1 + x2 + ……+ xk = n disebut

peubah acak multinomial. Fungsi masa peluang distribusi multinomial

dinyatakan dengan:

53
 p (x1, x2, ……xk) =

dengan x1 + x2 +….. xk = n, 0 < pi < 1, i= 1, 2, 3,…..k dan p1 + p2 +….. pk =

5. Distribusi Poisson

Distribusi Poisson juga merupakan salah satu model distribusi

peluang untuk peubah acak yang farik. distribusi poisson sering digunakan

untuk menentukan peluang sebuah peristiwa yang dalam daerah atau waktu

tertentu diharapkan jarang terjadi. Jika X adalah sebuah peubah acak

Poisson dengan rata-rata = µ, maka fungsi masa peluang dari X adalah:

Dimana bilangan Euler e = 2,718281828,…. adalah konstanta yang

dapat ditemukan pada hampir semua kalkulator, dan juga pada komputer.

Menghitung nilai peluang yang menggunakan bilangan e maupun bilangan

factorial dapat dilakukan dengan bantuan kalkulator.

DISTRIBUSI PELUANG MALAR

Distribusi dengan peubah acak malar yang pertama kali kita bicarakan

adalah distribusi normal, kemudian distribusi student t, distribusi chi kuadrat,

dan distribusi F.

1. Distribusi Normal

Distribusi normal yang biasa juga disebut distribusi Gauss banyak

digunakan dalam pengujian hipotesis, teori penaksiran parameter, dan

distribusi penyampelan.

54
 Sekarang kita akan tinjau mengenai fungsi padat peluang distribusi

normal dengan rata-rata µ dan simpangan baku  sebagai berikut

1
f (x)  e 1/ 2(x   ) /  , untuk    x  
2 2

 2

Dengan  adalah nilai konstanta yang bisa ditulis dengan  = 3,1416

dan e bilangan Euler yang sudah dijelaskan sebelumnya. Nilai  juga

terdapat hampir semua kalkultor. Peubah acak X dengan daerah nilai -∞ < x

< ∞, berdistribusi normal, jika fungsi padat peluangnya seperti f(x) di atas.

Andaikan X adalah peubah acak normal dengan rata-rata µ dan

X
simpangan baku , transformasi X menjadi Z = akan membentuk


peubah acak normal baku dengan rata-rata nol dan simpangan baku satu.

Fungsi padat peluang dari distribusi normal baku adalah :

e   x
p(x)  , untuk x  0,1, 2.....
x!

Grafik f(z) berbenuk simetris terhadap sumbu tegak (sumbu y) dan

semuanya di atas sumbu datar (sumbu z), dan dinamai kurva distribusi

normal baku seperti pada gambar berikut;

Luas daerah dibawah kurva normal baku di atas sumbu z sama

dengan satu. Hal ini dapat dibuktikan dengan menggunakan hitung integral

yaitu:

55
 1 1 z2
f (x)  e 2 , untuk    z  
 2

Untuk memudakan, kita perhatikan bentuk tabel distribusi normal

baku pada lampiran C yang cuplikannya pada tabel berikut. Cara

menggunakan tabel tersebut adalah sebagai berikut:

 Hitung nilai z sampai dua decimal

 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

dengan garis tegak di titik nol

 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

bawah, maka di dapat bilangan yang merupakan luas yang dicari.

Bilangan yang didapat harus ditulis dalam bentuk 0,xxxx (bentuk empat

desimal)

Tabel daftar luas di bawah distribusi normal baku

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

daerah kurva normal dengan menggunakan tabel lampiran C.

2. Distribusi Student t

Distribusi student t yang biasa disingkat dengan distribusi t

dipublikasikan oleh W. S. Gossett (yang menggunakan nama samara

Student) pada tahun 1908 dan disempurnakan oleh R. A. Fisher pada

tahun 1926. Distribusi ini merupakan revolusi statitik untuk sampel kecil.

Informasi tentang hal ini dapat dilihat pada Snedecor (1982). Fungsi padat

peluang distribusi t diberikan oleh;

 v 1 
  t 2 v1
f (t)  
2  1
(1  ) 2 untuk    t  
v v v
 
2

57
Dengan v (baca; nu) adalah parameter distribusi dan Γ (.) menyatakan

fungsi gamma yang didefinisikan dengan


(v)   x v 1dx
0

Beberapa sifat dasar fungsi gamma, antara lain sebagai berikut:

Γ (n) = (n-1) Γ (n-1), n>1

Γ (n) = (n-1) !, n = 1, 2, 3 ……

Γ (1/2) = 

Dimana  = 3,1415…….Dengan sedikit pekerjaan matematis dapat

dibuktikan bahwa fungsi padat peluang distribusi t memenuhi:

 f (t)dt  1


Grafik f(t) menyerupai kurva distribusi normal sebagai berikut.

Pada fungsi distribusi ini adalah bilangan v yang disebut derajat kebebasan

(dk). Dalam praktek, derajat kebebasan itu sama dengan ukuran sampel

dikurang satu, atau dk = v = n – 1. Jika sebuah populasi mempunyai model

dengan fungsi padat peluang sama dengan f(t) maka populasi itu dapat

dianggap berdistribusi t dengan dk = n – 1. Untuk nilai-nilai n yang

besar, biasanya n ≥ 30, distribusi t mendeteksi distribusi normal baku.

58
 Untuk perhitungan daftar distribusi t telah disediakan (lampiran

D). tabel tersebut berisikan nilai-nilai t untuk dk dan peluang tertentu.

Kolom paling kiri, kolom v = dk, berisikan derajat kebebasan, baris teratas

berisikan peluang.

Tabel daftar luas di bawah kurva distribusi t

V t0,995 t0,99 t0,95 …… …… ……. t0,55

12 1.78

….

3.9

3. Distribusi Chi Kuadrat

Distribusi chi kuadrat adalah distribusi peubah acak malar yang

mempunyai fungsi padat peluang.

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


merupakan kurva positif, yaitu miring ke kanan, yaitu berekor panjang ke

kanan. Kemiringan ini semakin berkurang jika derajat kebebasan makin

besar.

Tabel Daftar luas di bawah kurva chi kuadrat

V ….. X2 0,95 …… X20,005

23.7

14

4. Distribusi Snedecor F

Fungsi padat peluang peubah acak yang berdistribusi Snedecor F

atau dengan singkat distribusi F adalah

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

F memiliki dua buah derajat kebebasa. Grafik distribusi F tidak simetris

dan umumnya sedikit miring positif. Seperti juga distribusi lainya, untuk

keperluan perhitungan dengan distribusi F, tabel distribusi F telah

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

dibayang-bayangi, sedangkan dk = v1 ada pada baris paling atas dan dk =

v2 pada kolom paling kiri.

Untuk tiap pasang dk, v1 dn v2 tabel berisikan nilai-nilai F dengan

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

Distribusi peluang merupakan konsep yang menjadi dasar

pengembangan statistika inferensial, khususnya penaksiran parameter dan

61
 pengujian hipotesis, menjadi topik utama dalam makalah ini. Distribusi yang

diturunkan dari hasil suatu percobaan dapat dibedakan atas:

- Distribusi farik

- Distribusi malar

Sesuai dengan sifat yang sampelnya. Jadi, kalau ruang sampelnya

farik, distribusinya juga disebut distribusi farik.

B.FUNGSI PADAT PELUANG BIVARIAT

Suatu peubah acak bivariat X, Y ditulis fX,y , didefinisikan sebagai

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

*jika fx,y (·,·) adalah fungsi padat peluang bersama untuk peubah

acak X, Y maka fungsi padat tersebut akan memenuhi sifat-sifat :

- fX,Y (x, y) 0 untuk setiap x dan y

- x,y (x,y) = 1, jika x,y diskrit

- fx,y (x,y) dx dy, jika x,y kontinu

62
63
64
65
1. DEFINISI/PENGERTIAN DISTRIBUSI

Distribusi adalah suatu proses penyampaian barang atau jasa dari

produsen ke konsumen dan para pemakai, sewaktu dan dimana barang

atau jasa tersebut diperlukan. Proses distribusi tersebut pada dasarnya

menciptakan faedah (utility) waktu, tempat, dan pengalihan hak milik.

Dalam menciptakan ketiga faedah tersebut, terdapat dua aspek penting

yang terlibat didalamnya,yaitu:

1. Lembaga yang berfungsi sebagai saluran distribusi (Channel of

distribution/marketingchannel).

2. Aktivitas yang menyalurkan arus fisik barang (Physical distribution).

A. Saluran Distribusi

Menurut Winardi (1989:299) yang dimaksud dengan saluran

distribusi adalah sebagai berikut: “ Saluran distribusi merupakan suatu

kelompok perantara yang berhubungan erat satu sama lain dan yang

menyalurkan produk-produk kepada pembeli. “

Sedangkan Philip Kotler (1997:140) mengemukakan bahwa:

“Saluran distribusi adalah serangkaian organisasi yang saling

tergantung dan terlibat dalam proses untuk menjadikan suatu barang

atau jasa siap untuk digunakan atau dikonsumsi “.

Saluran distribusi pada dasarnya merupakan perantara yang

menjembatani antara produsen dan konsumen. Perantara tersebut dapat

66
 digolongkan kedalam dua golongan, yaitu ; Pedagang perantara dan Agen

perantara. Perbedaannya terletak pada aspek pemilikan serta proses

negoisasi dalam pemindahan produk yang disalurkan tersebut.

 Pedagang Perantara

Pada dasarnya, pedagang perantara (merchant middleman) ini bertanggung

jawab terhadap pemilikan semua barang yang dipasarkannya atau dengan

kata lain pedagang mempunyai hak atas kepemilikan barang. Ada dua

kelompok yang termasuk dalam pedagang perantara, yaitu ; pedagang

besar dan pengecer. Namun tidak menutup kemungkinan bahwa produsen

juga dapat bertindak sekaligus sebagai pedagang, karena selain membuat

barang juga memperdagangkannya.

 Agen Perantara

Agen perantara (Agent middle man) ini tidak mempunyai hak milik atas

semua barang yang mereka tangani. Mereka dapat digolongkan kedalam

dua golongan, yaitu :

1. Agen Penunjang

 Agen pembelian dan penjulan

 Agen Pengangkutan

 Agen Penyimpanan

67
2. Agen Pelengkap

 Agen yang membantu dalam bidang finansial

 Agen yang membantu dalam bidang keputusan

 Agen yang dapat memberikan informasi

 Agen khusus

Menurut Philip Kotler (1993:174) agar suatu kegiatan penyaluran

barang dapat berjalan dengan baik (efektif dan efisien) maka para pemakai

saluran pemasaran harus mampu melakukan sejumlah tugas penting, yaitu:

 Penelitian , yaitu melakukan pengumpulan informasi penting untuk

perencanaan dan melancarkan pertukaran.

 Promosi , yaitu pengembangan dan penyebaran informasi yang persuasive

mengenai penawaran.

 Kontak, yaitu melakukan pencarian dan menjalin hubungan dengan

pembeli.

 Penyelarasan, yaitu mempertemukan penawaran yang sesuai dengan

permintaan pembeli termasuk kegiatan seperti pengolahan, penilaian dan

pengemasan.

 Negoisasi, yaitu melakukan usaha untuk mencapai persetujuan akhir

mengenai harga dan lain-lain sehubungan dengan penawaran sehingga

pemindahan pemilikan atau penguasaan bisa dilaksanakan.

 Distribusi fisik, yaitu penyediaan sarana transportasi dan penyimpanan

barang.
68
 Pembiayaan, yaitu penyediaan permintaan dan pembiayaan dana untuk

menutup biaya dari saluran pemasaran tersebut.

 Pengambilan resiko, yaitu melakukan perkiraan mengenai resiko

sehubungan dengan pelaksanaan pekerjaan saluran tersebut.

Kelima tugas pertama membantu pelaksanaan transaksi dan tiga

yang terakhir membantu penyelesaian transaksi. Semua tugas diatas

mempunyai tiga persamaan, yaitu menggunakan sumber daya yang

langka, dilaksanakan dengan menggunakan keahlian yang khusus, dan

bisa dialih-alihkan diantara penyalur. Apabila perusahaan/produsen

menjalankan seluruh tugas diatas, maka biaya akan membengkak dan

akibatnya harga akan menjadi lebih tinggi. Ada beberapa alternatif saluran

(tipe saluran) yang dapat dipakai. Biasanya alternatif saluran tersebut

didasarkan pada golongan barang konsumsi dan barang industri.

 Barang konsumsi adalah barang-barang yang dibeli untuk dikonsumsikan.

Pembeliannya didasarkan atas kebiasaan membeli dari konsumen. Jadi,

pembelinya adalah pembeli/konsumen akhir, bukan pemakai industri

karena barang –barang tersebut tidak diproses lagi, melainkan dipakai

sendiri (Basu Swasta 1984:96).

 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).

Berdasarkan pengertian diatas, maka seperti halnya pupuk itu

digolongkan kedalam golongan barang industri, sebab pupuk dibeli petani

bukan untuk dikonsumsi tetapi untuk digunakan dalam produksi

pertaniannya.

Ada beberapa faktor yang harus dipertimbangkan didalam memilih saluran

distribusi, faktor tersebut antara lain :

1. Jenis barang yang dipasarkan

2. Produsennya

3. Penyalur yang bersedia ikut mengambil bagian

4. Pasar Sasaran

B. Distribusi Fisik

Distribusi fisik merupakan aspek penting kedua dalam rangka

menjadikan suatu produk tersedia bagi konsumen dalam jumlah, waktu,

dan tempat yang tepat. Dalam hubungan itu, Dewan Manajemen Distribusi

Fisik Nasional Amerika Serikat mendefinisikan distribusi fisik sebagai

berikut:

“Suatu rangkaian aktivitas yang luas mengenai pemindahan barang jadi

secara efisien dari akhir batas produksi kepara konsumen, serta didalam
70
beberapa hal mencakup pemindahan bahan mentah dari suatu pembekal

keawal batas produksi “.

Manajemen distribusi fisik hanyalah satu diantara istilah deskriptif

yang digunakan untuk menggambarkan suatu pengendalian atas

pemindahan barang seperti didefinisikan dimuka. Hal ini sering pula

diistilahkan sebagai manajemen logistik atau logistik pemasaran. Namun

demikian, apapun istilah yang digunakan konsep dasarnya adalah sama.

Secara terperinci, kegiatan yang ada dalam kegiatan distribusi fisik dapat

dibagi kedalam lima macam (Basu Swasta, 1984: 220-229, diringkas)

yaitu :

1. Penentuan lokasi persediaan dan sistem penyimpanannya

a. Penentuan lokasi penyediaannya

Kebijaksanaan terhadap lokasi persediaan didasarkan pada

strategi yang diinginkan, apakah secara memusat (konsentrasi)

ataukah menyebar (dispersi) dipasarnya. Jika perusahaan

mengkonsentrasikan persediaannya, maka akan memudahkan

dalam mengadakan pengawasan. Selain itu, juga akan

meningkatkan efisiensi penyimpanan dan penanganan

barangnya. Namun dari segi lain dapat terjadi bahwa beban

pengangkutan akan meningkat dan pengantaran barang

kebeberapa segmen pasar akan terlambat. Dan jika perusahan

menyebarkan persediaannya kebeberapa lokasi, maka

71
 keadaannya akan berlainan, dan merupakan kebalikan dari

konsentrasi.

b. Sistem penyimpanan persediaan

Penyimpanan erat kaitannya dengan pergudangan, biasanya

perusahaan yang tidak mempunyai fasilitas penyimpan sendiri

umumnya menyewa kepada lembaga atau perusahaan lain atau

disebut gudang umum. Besarnya sewa yang harus dibayar

ditentukan menurut besarnya ruangan yang digunakan.

2. Sistem penanganan barang

Sistem penanganan barang yang dapat digunakan antara lain : (a)

paletisasi dan (b) pengemasan.

a. Paletisasi

Dalam paletisasi, penanganan barang-barang baik itu

berupa bahan baku maupun barang jadi dipakai suatu alat yang

disebut palet. Dengan alat ini barang-barang dapat dipindahkan

secara cepat. Penggunaannya akan lebih ekonomis apabila

material yang ditangani jumlahnya besar.

b. Pengemasan

Barang-barang yang ditangani ditempatkan dalam suatu

kemasan atau peti kemas baik dari logam, kayu, ataupun bahan

yang lain. Biasanya kemasan ini dibuat dalam ukuran-ukuran

tertentu sehingga sangat mudah dalam pengangkutannya.

72
3. Sistem pengawasan persediaan

Faktor penting yang lain dalam sistem distribusi fisik

adalah mengadakan pengawasan secara efektif terhadap komposisi

dan besarnya persediaan. Adapun tujuan dari pengawasan persediaan

adalah meminimumkan jumlah persediaan yang diperlukan, dan

meminimumkan fluktuasi dalam persediaan sambil melayani

pesanan dari pembeli. Besarnya persediaan sangat ditentukan oleh

keseimbangan kebutuhan pasar dengan faktor biaya. Sedangkan

permintaan pasar dapat diukur dengan menggunakan analisis

ramalan penjualan.

4. Prosedur memproses pesanan

Kegiatan-kegiatan yang harus dilakukan untuk memproses

pesanan antara lain : menyelenggarakan kegiatan kantor secara

teratur, membuat barang dengan baik, serta menyampaikannya

kepada pembeli. Jika perusahaan tidak sanggup atau tidak mampu

melaksanakan pesanan, maka ia harus memberitahu kepada pembeli.

5. Pemilihan metode pengangkutan

Dalam hal ini, rute dan rit pengangkutan merupakan faktor

yang penting, dan mempunyai hubungan yang erat dengan pasar atau

daerah penjualan, serta lokasi persediaannya. Selain itu fasilitas

pengangkutan yang ada juga merupakan faktor penentu.

73
2. PENGERTIAN DISTRIBUSI NORMAL

Salah satu distribusi frekuensi yang paling penting dalam statistika

matematika adalah Distribusi Normal. Distribusi normal berupa kurva

berbentuk lonceng setangkup yang melebar tak berhingga pada kedua arah

positif dan negatifnya. Penggunaannya sama dengan penggunaan kurva

distribusi lainnya. Frekuensi relatif suatu variabel yang mengambil nilai

antara dua titik pada sumbu datar. Tidak semua distribusi berbentuk

lonceng setangkup merupakan distribusi normal.

Pada tahun 1733 DeMoivre menemukan persamaan matematika

kurva normal yang menjadi dasar banyak teori statistika induktif.

Distribusi normal sering pula disebut Distribusi Gauss untuk menghormati

Gauss (1777-1855), yang juga menemukan persamaannya waktu meneliti

galat dalam pengukuran yang berulang-ulang mengenai bahan yang sama.

Distribusi normal, disebut pula distribusi Gauss, adalah distribusi

probabilitas yang paling banyak digunakan dalam berbagai analisis

statistika. Distribusi normal baku adalah distribusi normal yang memiliki

rata-rata nol dan simpangan baku satu. Distribusi ini juga dijuluki kurva

lonceng (bell curve) karena grafik fungsi kepekatan probabilitasnya mirip

dengan bentuk lonceng.

74
 Distribusi normal memodelkan fenomena kuantitatif pada ilmu

alam maupun ilmu sosial. Beragam skor pengujian psikologi dan

fenomena fisika seperti jumlah foton dapat dihitung melalui pendekatan

dengan mengikuti distribusi normal. Distribusi normal banyak digunakan

dalam berbagai bidang statistika, misalnya distribusi sampling rata-rata

akan mendekati normal, meski distribusi populasi yang diambil tidak

berdistribusi normal. Distribusi normal juga banyak digunakan dalam

berbagai distribusi dalam statistika, dan kebanyakan pengujian hipotesis

mengasumsikan normalitas suatu data.

Distribusi normal pertama kali diperkenalkan oleh Abraham de Moivre

dalam artikelnya pada tahun 1733 sebagai pendekatan distribusi binomial

untuk n besar. Karya tersebut dikembangkan lebih lanjut oleh Pierre

Simon de Laplace, dan dikenal sebagai teorema Moivre-Laplace. Laplace

menggunakan distribusi normal untuk analisis galat suatu eksperimen.

Metode kuadrat terkecil diperkenalkan oleh Legendre pada tahun 1805.

Sementara itu Gauss mengklaim telah menggunakan metode tersebut sejak

tahun 1794 dengan mengasumsikan galatnya memiliki distribusi normal.

Istilah kurva lonceng diperkenalkan oleh Jouffret pada tahun 1872

untuk distribusi normal bivariat. Sementara itu istilah distribusi normal

secara terpisah diperkenalkan oleh Charles S. Peirce, Francis Galton, dan

Wilhelm Lexis sekitar tahun 1875. Terminologi ini secara tidak sengaja

memiliki nama sama.

75
Teorema Dasar Peluang

Konsep dasar-dasar peluang :

1. Eksperimen

2. Hasil

3. Ruang sampel

4. Kejadian

Eksperimen adalah proses yang menghasilkan hasil pengukuran,

perhitungan atau pengamatan.

Contoh :

1. Melempar sebuah mata uang satu kali

2. Melempar sebuah mata uang sebanyak kali

3. Melempar sebuah dadu satu kali

4. Melempar sabuah dadu kali

Hasil suatu eksperimen adalah hasil yang mungkin terjadi, jika eksperimen

tersebut dilakukan.

Contoh :

1. Jika eksperimen adalah melempar sebuah mata uang satu kali, suatu

hasil M ( Muka), sedang hasil yang lain adalah B (dapat belakang).

2. Jika eksperimen adalah melempar dadu satu kali, semua hasil yang

mungkin adalah dapat 1 atau 2 atau 3 atau 4 atau 5 atau 6.

76
Ruang sampel suatu eksperimen adalah himpunana semua hasil

eksperimen tersebut.

Menurut banyaknya hasil dalam ruang sampel, dibedakan menjadi dua

macam, yaitu : ruang sampel diskrit, dan ruang sampel kontinu.

Ruang sampel suatu eksperimen ditulis , yang banyaknya bergantung

dari hasil eksperimen.

Contoh ruang sampel :

1. Untuk eksperimen melelmpar sebuah mata uang 1 kali, Ruang

Sampelnya adalah

2. Untuk eksperimen melempar sebuah mata uang 2 kali, Ruang

Sampelnya adalah

Contoh ruang sampel diskrit :

1. Untuk eksperimen melempar sebuah mata uang berhenti kalau dapat

, ruang sampelnya :

2. Untuk eksperimen mengambil sampel random berukuran dari suatu

populasi, ruang sampelnya :

Kejadian adalah suatu himpunan hasil atau suatu himpunan bagian dari

ruang sampel.

77
 Menurut banyaknya hasil dalam suatu kejadian dapat dibedakan

menjadi dua macam kejadian, yaitu : Kejadian sederhana jika hasilnya

hanya satu, dan kejadian majemuk jika hasinlnya lebih dari satu.

Suatu kejadian dikatakan terjadi jika eksperimen yang dilakukan

menghasilkan hasil dalam kejadian tersebut.

Contoh :

Jika eksperimen adalah melempar sebuah mata uang 2 kali dengan :

= Kejadian mendapat pada pelemparan pertama

= Kejadian mendapat hasil kedua lemparan sama

= Kejadian mendapat pada pelemparan kedua, maka

dan

 Jika eksperimen adalah melempar sebuah dadu 1 kali dengan:

= Kejadian mendapat mata genap

= Kejadian mendapat mata ganjil

= Kejadian mendapat mata yang habis dibagi 3

= Kejadian mendapat mata yang

Maka,

78
A. Macam-Macam Penaksiran

Dalam statistika ada dua penaksiran, yaitu penaksiran titik dan penaksiran

interval.

Misalkan adalah peubah acak dengan fungsi kepadatan peluang

dengan parameter populasi .

Jika adalah sampel acak berukuran dari , maka statiatik

yang berkaitan dengan dinamakan penaksir (estimator)

dari . Setelah sampel diambil, nilai-nilai yang dihitung dari sampel tersebut

digunakan sebagai taksiran titik bagi . Misalkan peubah acak berdistribusi

normal dngan rerata yang tak diketahui dan variansi yang diketahui.

Jika kita akan menaksir rerata populasi , maka penaksir titik yang digunakan

adalah rerata sampel , ditulis . Kemudian kita mengambil sampel acak

dan reratanya dihitung. Nilai ini merupakan taksiran titik bagi .

Berikut ini diberikan beberapa taksiran titik yang dihitung dari data

sampel untuk populasi yang bersesuaian.

i. Rerata populasi

Maka taksiran titiknya adalah (rerata sampel)

ii. Variansi populasi

79
 Maka taksiran titiknya adalah (variansi sampel)

iii. Simpangan baku populasi

Maka taksiran titiknya adalah (simpangan baku sampel)

iv. Proporsi populasi

Maka taksiran titiknya adalah (proporsi sampel)

Dalam hal ini :

a. , Banyak unsur dalam populasi yang diperhatikan,

Ukuran populasi.

b. Banyak unsur dalam sampel yang diperhatikan

Ukuran sampel

v. Selisih dua rerata populasi

Maka taksiran titiknya adalah , yaitu selisih dua rerata

sampel yang dihitung dari dua sampel acak yang saling bebas.

vi. Selisih dua proporsi populasi

Maka taksiran titiknya adalah , yaitu selisih dua

proporsi sampel yang dihitung dari dua sampel acak yang saling bebas.

Sebenarnya ada beberapa penaksir titik untuk sebuah parameter populasi.

Misalnya, jika kita ingin menaksir rerata suatu populasi, maka penaksir titiknya
bisa berupa: rata-rata sampel, median sampel, atau mungkin rerata dari data yang
terkecil atau yang terbesar. Akan tetapi dari beberapa penaksir titik itu ada satu

80
penaksir terbaik yang digunakan sebagai penaksir sebuah parameter populasi.
Untuk menentukan penaksir titik yang terbaik, kita harus mempelajari

C.FUNGSI PADAT PADAT PELUANG MULTIFARIAT

Mengganti x , y dengan x1, x2 , . . . , xn , x , y dengan x1 , x2 , . . . , xn dan

s, t dengan s1 , s2 , . . . , sn.

Semua sifat-sifat yang berlaku untuk fungsi padat peluang bifariat,

berlaku pula untuk padat peluang multifariat, maka fungsi padat peluang

multivariat pun mempunyai sifat – sifat sebagai berikut :

- fX,Y (x, y) 0 untuk setiap x dan y

- x,y (x,y) = 1, jika x,y diskrit

- fx,y (x,y) dx dy, jika x,y kontinu

1. Definisi Fungsi Padat Peluang Multivariat

Statistika multivariat merupakan objek kajian pada statistika yang

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.

Kompleksitas yang muncul akibat penambahan variabel dan tipenya

81
(nominal, ordinal, atau rasional), serta teknik penyaringan informasi yang

bisa diambil menjadi kajian pembahasannya.

Statistika multivariat saat ini diterapkan di hampir semua cabang

ilmu, baik ilmu pengetahuan alam maupun sosial. Teknik-tekniknya disukai

karena dianggap mampu memodelkan kerumitan sistem yang nyata,

meskipun sulit untuk diterapkan. Komputer dengan kapasitas memori yang

besar tidak terhidarkan dalam analisis data yang menggunakan statistika

multivariat.

Suatu peubah acak bivariat X, Y ditulis fX,y , didefinisikan sebagai

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

Untuk multivariat cukup mengganti x , y dengan x1, x2 , . . . , xn , x , y

dengan x1 , x2 , . . . , xn dan s, t dengan s1 , s2 , . . . , sn.

Semua sifat-sifat yang berlaku untuk fungsi padat peluang bifariat,

berlaku pula untuk padat peluang multifariat, maka fungsi padat peluang

multivariat pun mempunyai sifat – sifat sebagai berikut :

- fX,Y (x, y) 0 untuk setiap x dan y

- x,y (x,y) = 1, jika x,y diskrit

- fx,y (x,y) dx dy, jika x,y kontinu

82
5. Distribusi Fungsi Variabel Random

Misalkan X adalah variabel random pada ruang sampel  dengan

ruang dari X adalah x. Maka fungsi berharga riil Y = u(X) yang

merupakan fungsi dari X dapat dicari distribusinya dengan beberapa cara

yaitu :

a. Teknik Transformasi Variabel Random

b. Teknik Fungsi Distribusi Kumulatif

c. Teknik Fungsi Pembangkit Momen Teknik Transformasi Variabel

Random Diskrit

Kasus satu variabel random

Misalkan :

a. X adalah variabel random diskrit dengan fungsi probabilitas f(x) dan

ruang dari X adalah x.

b. Y = u(X) merupakan transformasi 1-1 dari x pada Y dengan invers

X = w(Y).

Peristiwa Y = y di Y ekuivalen dengan peristiwa X = w(Y) di x.

Sehingga fungsi probabilitas dari Y adalah :

g(y) = P(Y=y) = P(X= w(Y)) = f(w(Y)) untuk y di Y

Kasus dua variabel random

Misalkan :

83
a. X dan Y adalah variabel random diskrit dengan fungsi probabilitas

bersama f(x,y) dan ruang bersama dari X dan Y adalah XY.

b. V = u1(X,Y) dan W = u2(X,Y) membentuk transformasi 1-1 dari

XY pada VW dengan invers X = z1(V,W) dan Y = z2(V,W).

Sehingga fungsi probabilitas bersama dari V dan W adalah :

g(v,w) = P(V=v,W=w) = P(X = z1(V,W), z2(V,W)) = f( z1(v,w), z2(v,w))

untuk v dan w di VW

Distribusi marginal dan distribusi bersyarat dapat diperoleh melalui

fungsi probabilitas bersama yang ada.

Kasus n variabel random

Misalkan :

a. X1, X2 , X3,,…, Xn adalah variabel random diskrit dengan fungsi

probabilitas bersama f ( x1 , x 2 ,...x n ) dan ruang bersamanya adalah

 x1, x2 ,... xn

b. Yi= ui(X1, X2 , X3,,…, Xn) dengan I =1,2,3…n membentuk

transformasi 1-1 dari  x , x ,... x pada  Y1 ,Y2 ,...Yn dengan invers

1 2 n

Xi= wi(Y1, Y2 , Y3,,…, Yn).

Sehingga fungsi probabilitas bersama dari Y1, Y2 , Y3,,…, Yn adalah :

g ( y1 , y2 ,...yn )  f [ w1 ( y1...yn )...wn ( y1...yn )]

84
 Distribusi marginal dan distribusi bersyarat dapat diperoleh melalui

fungsi probabilitas bersama yang ada. Secara Umum langkah-langkah

menentukan fungsi probabilitas dari fungsi variabel random adalah:

a. Buatlah variabel random Yi= ui(X1, X2 , X3,,…, Xn) dengan i

=1,2,3…n sehingga bersama Yi membentuk transformasi 1-1.

b. Cari fungsi probabilitas bersama dari Y1, Y2 , Y3,,…, Yn

c. fungsi probabilitas marginal Y1 adalah

g ( y1 )    ...  f ( y1 , y 2 ,... y n )
y2 y3 yn

6. Teknik Transformasi Variabel Random Kontinu

Kasus satu variabel random

Misalkan :

a. X adalah variabel random kontinu dengan fungsi densitas f(x) dan ruang

dari X adalah x.

b. Y = u(X) merupakan transformasi 1-1 dari x pada Y dengan invers X =

w(Y).

Maka fungsi densitas dari Y adalah :

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 :

a < Y < b  w(a) < X < w(b)

P (a < Y < b) = P (w(a) < X < w (b))

w( b )
  f ( x ) dx
w( a )

Variabel integrasi diubah dari X menjadi Y dengan hubungan X = w(Y)

Diperoleh :

dx
 w' (Y )  dx  w' (Y ) dy  J dy
dy

b
P (a < Y < b) =  f ( w( y )) J dy
a

2) Misalkan Y = (u(X)) adalah fungsi turun

Maka :

a < Y < b  w(b) < X < w(a)

P (a < Y < b) = P (w(b) < X < w (a))

w( a )
  f ( x)dx
w( b )

Variabel integrasi diubah dari X menjadi Y dengan hubungan X = w(Y)

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

Kasus dua variabel random

Misalkan :

a) X1 dan X2 adalah variabel random kontinu dengan fungsi densitas

bersama f(x1,x2) dan ruang bersama dari X1 dan X2 adalah X1X2.

b) Y1 = u1(X1,X2) dan Y2 = u2(X1,X2) membentuk transformasi 1-1 dari

X1X2 pada Y1Y2 dengan invers X1 = w1(Y1,Y2) dan X2 = w2(Y1,Y2)

Dimana:

X i
kontinu untuk setiap i =1,2 dan j = 1,2
Y j

Jacobian transformasi J tidak identik dengan nol, artinya

X 1 X 1
Y1 Y2
J 0
X 2 X 2
Y1 Y2

Jika A  X1X2 dipetakan oleh u1 dan u2 menjadi B  Y1Y2, maka :

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

Akibatnya fungsi densitas bersama dari Y1 dan Y2 adalah :

g ( y1 , y 2 )  f [ w1 ( y1 , y 2 ), w2 ( y1 , y 2 )] J ; ( y1 , y 2 ) di Y1Y2

Distribusi marginal dan distribusi bersyarat dapat diperoleh melalui

fungsi probabilitas bersama yang ada.

Kasus n variabel random

Misalkan:

a) X1, X2 , X3,,…, Xn adalah variabel random kontinu dengan fungsi

densitas bersama f ( x1 , x 2 ,...x n ) dan ruang bersamanya adalah

 x1, x2 ,... xn

b) Yi= ui(X1, X2 , X3,,…, Xn) dengan i =1,2,3…n membentuk

transformasi 1-1 dari  x , x ,... x pada  Y ,Y ,...Y dengan invers

1 2 n 1 2 n

Xi= wi(Y1, Y2 , Y3,,…, Yn).

dimana

X i
kontinu untuk setiap i =1,2…n dan j = 1,2…n
Y j

Jacobian transformasi J tidak identik dengan nol, artinya

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:

g ( y1 , y 2 ,... y n )  f [ w1 ( y1 ... y n )...wn ( y1 ... y n )] J ;

y1,y2,…yn di  Y ,Y ,...Y
1 2 n

Distribusi marginal dan distribusi bersyarat dapat diperoleh melalui

fungsi probabilitas bersama yang ada.

7. Teknik Fungsi Distribusi Kumulatif

Karena Y = u(X), maka Y merupakan fungsi komposisi yang

didefinisikan pada . Artinya untuk setiap  di , berlaku :

Y() = u(X)() = u(X())

Dengan demikian Y juga merupakan variabel random pada 

dengan ruang dari Y adalah Y={y / y = Y(), } = {y / y = u(X()),

. Sehingga fungsi distribusi kumulatif dari Y adalah

F(y)=P( Y  y ) = P(u(X)  y ).

Fungsi densitas / probabilitas dapat di cari melalui F(y).

8. Fungsi Pembangkit Momen

Definisi

Fungsi pembangkit momen dari variabel random X dinotasikan dengan

MX(t) dan didefinisikan sebagai :

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

Jika X1, X2 , X3,,…, Xn adalah variabel random yang bebas

stokastik dengan fpm nmasing-masing M X1, M X 2 ,, M X n dan

Y  X 1  X 2  ...  X n ,mak M Y (t )  M X1 (t ).M X 2 (t )....M Xn (t )

Teknik Fungsi Pembangkit Momen

Misalkan :

a) X1, X2 , X3,,…, Xn adalah variabel random dengan fungsi densitas

bersama f ( x1 , x 2 ,...x n ) dan ruang bersamanya adalah

 x1, x2 ,... xn

b) Y= u(X1, X2 , X3,,…, Xn)

Untuk menentukan fungsi densitas/probabilitas dari Y, cukup dicari

f.p.m dari Y, yaitu :

M Y (t )  E[e tY ]  E[e t.u ( X1, X 2 ,... X n ) ]

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

9. Distribusi Peluang Gabungan

Jika X dan Y dua variabel random, distribusi peluang terjadinya

secara serentak dapat dinyatakan dalam fungsi f(x,y) dan biasanya f(x,y)

dinamakan distribusi peluang gabungan (bersama) X dan Y atau dapat

didaftar f(x,y) = P(X=x. Y=y).

Untuk contoh TV f(5,3) menyatakan bahwa peluang TV tersebut

berumur 5 tahun dan memerlukan 3 lampu baru.

Definisi 5.9

Fungsi f(x,y) adalah fungsi peluang gabungan dari variabel random diskret

X dan Y jika

a. f(x,y) ≥ 0, untuk semua (x,y)

 f ( x, y) 1
x y
b.

c. P[(X,Y)  A]   f ( x, y) untuk setiap daerah A di bidang x,

A

Definisi 5.10

Fungsi f(x,y) adalah fungsi peluang gabungan dari variabel random

diskret X dan Y jika:

a. f(x,y) ≥ 0, untuk semua (x,y)

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

Dua kelereng dipilih secara acak dari sebuah kotak berisi 3

kelereng biru, 2 kelereng merah, dan 3 kelereng hijau. Jika X menyatakan

kelereng berwarana biru yang terambil, dan Y menyatakan kelereng

berwarna merah yang terambil, tentukan

a. fungsi peluang gabungan f(x,y)

b. P[(X,Y)  A] jika A = {(x,y)│x+y≤ 1}

Penyelesaian.

Pasangan harga-harga X dan Y adalah (1,0), (1,1), (2,0), (0,2) , (0,1) , (0,0)

f(0,0) = peluang terambil 2 bola berwarna hijau

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

0 3/28 6/28 1/28

1 9/28 6/28

2 3/28

c. P[X+Y≤ 1] = P[X=0, Y=0] + P[X=0, Y=1] + P[X=1, Y=0]

= f(0,0) + f(0,1) + f(1,0)

3 6 9 18
=   
28 28 28 28

Contoh 5.19

Pandang fungsi padat gabungan

kx (1  3 y 2 ) ,0  x  2 , 0  y  1
f(x,y) = 
0 , untuk x, y yang lain

a. tentukan k agar f merupakan fungsi distribusi peluang gabungan

b. Hitung P[(X,Y)  A] jika A = {(x,y)│0<x< 1, ¼ <y< ½ }

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


yang disebut distribusi marginal X.

94
Sedangkan distribusi marginal Y

 f ( x, y ) , jika diskret
 x
h(y) =  
  f ( x, y ) dx , jika kontinu


Contoh 5.20

Pada contoh 5.18 tentukan

1. Distribusi peluang marginal X

2. Distribusi peluang marginal Y

Penyelesaian.

 f ( x, y)
a. g(x) = y

g(0) =  f (0, y) = f(0,0)+ f(0,1) + f(0,2)

y

3 6 1 10
=   
28 28 28 28

9 6 15
g(1) =  
28 28 28

3
g(2) =
28

disajikan dalam tabel

x 0 1 2

10 15 3
g(x)
28 28 28

95
  f ( x, y )
b. h(x) = x

h(0) =  f ( x,0) = f(0,0)+ f(1,0) + f(2,0)

x

3 9 3 15
=   
28 28 28 28

6 6 12
h(1) =  
28 28 28

1
h(2) =
28

disajikan dalam tabel

X 0 1 2

15 12 1
g(x)
28 28 28

Contoh 5.21

Pada contoh 5.19, tentukan

1. Distribusi peluang marginal X

2. Distribusi peluang marginal Y

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

Dari contoh 4 ini terlihat bahwa g(x).h(x) = f(x,y), ini dikatakan

bahwa variabel random X dan Y saling bebas.

Jadi 2 variabel random X dan Y dikatakan saling bebas, jika

distribusi peluang gabungannya sama dengan perkalian distribusi peluang

marginalnya.

Telah dikemukakan pada bab terdahulu bahwa nilai dari variabel

random sebenarnya adalah kejadian yang merupakan himpunan bagian

dari ruang sampel, sehingga jika A dan B merupakan kejadian yang

ditentukan oleh masing-masing X=x, Y=y, maka dari definisi peluang

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)

Atau sering ditulis

f ( x, y ) f ( x, y )
f ( x y)  , f ( y x)  .
h( y ) g ( x)

Perhatikan jika X dan Y bebas maka maka x tidak tergantung y

sehingga f(x│y) = f(x)

97
 f ( x, y )
Jadi f ( x y )   g ( x) , diperoleh f(x,y) = g(x).h(y).
h( y )

Contoh 5.22

a. Pada contoh 5.20, tentukan P(X=0│Y=1)

b. Pada contoh 5.21, tentukan f(x│Y=y)

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

1. Fungsi Distribusi Kumulatif Univariat

Suatu peubah acak univariat X, ditulis Fx(• ), didefinisikan sebagai:

Fx(x) = F(X-x)

Untuk setiap bilangan nyata x,

1. Domain dari Fx(• ) adalah himpunan bilangan nyata sedangkan

kodomainnya adalahh interval [0,1]

2. Sifat-sifat dari Fx(• ) adalah

1) Fx(- ) = =0

98
2) Fx( ) = =1

3) Fx(• ) adalah suatu fungsi yang kontinu dari kanan

4) FX(x) = , jika X diskrit

5) FX(x) = , jika x kontinu,

Dan FX(x) memenuhi sifat-sifat : FX(x) ≥ 0 untuk setiap x dan

=1

6) P( a < X ≤ b) = Fx(b) - Fx(a), dengan catatan, jika x adalah peubah acak

kontinu, maka P( a < X ≤ b) = P( a ≤ X < b) = P( a < X < b ) = P( a ≤ X

≤ b)

Contoh:

1) Jika X adalah suatu peubah acak diskrit dengan x = 1,2. Maka:

FX(x) = 0 untuk x < 0

= ½ , untuk 0 ≤ x < 1

= 1 , untuk x ≥ 1

FX(x) = 0 , untuk x < 0

= , untuk , dengan = 1,2,3.

= 1 , untuk x ≥ 3

2) Jika X adalah suatu peubah acak kontinu dengan

fX(x) = 1 , untuk 0 < x < 1

maka

FX(x) =

99
 = 0 , untuk x < 0

= x , untuk 0 ≤ x < 1

= = 1, untuk x ≥ 1, karena

Sehingga

FX(x) = 0, untuk x < 0

= x, untuk 0 ≤ x < 1

= 1, untuk x ≥ 1

Analisis data univariat atau analisis data berdasarkan variable tunggal

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

data tersebut dapat di[ertanggungjawabkan atau tidak, maupun untuk melakukan

analisis kebijakan.

Analisis data univariat mempunyai tiga tujuan utama sebagai berikut:

1. Untuk melakukan evaluasi terhadap kebenaran atau kecocokan

nilai/skor/ukuran dari setiap variable yang ditinjau, sebelum melakukan

analisis lanjutan atau multivariate.

2. Sebagai tahap awal dalam melakukan analisis kebijakan.

100
3. Melakukan estimasi(prakiraan) atau generalisasi dan pengujian hipotesis, yang

akan disajikan dalam bab berikut.

Contoh 1: variable “status kredit‟

Setiap lembaga keuangan (bank) dengan sendirinya akan melakukan tidakan yang

dipandang perlu untuk memperkecil terjadinya kredit macet, dimulai dengan

melakukan evaluasi karakteristik calon ddebitur. Dengan kata lain, pihak bank

akan melakukan analisis kebijakan terhadap permohonan calon debitur, hanya

berdasarkan pemikiran atau dugaan (hipotesis) tentang masalah „kredit macet‟.

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

akan menghambat usaha calon debitur tersebut.

101
D.Fungsi Padat Marginal

1. 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

marginal bersama dari sebarang k peubah acak (X1, X2, . . ., Xn) ; 1 k≤

n-1

Ditulis f X1, . . ., Xk ( X1, . . ., Xk )

Didefinisikan sebagai , Xn (X1, X2, . . ., Xn )

Jika (X1, X2, . . ., Xn ) diskrit

f X1, X2, . . ., Xn ( X1, X2,. . ., Xn)

Jika (X1, X2, . . ., Xn ) kontinu

2. FUNGSI DISTRIBUSI MARGINAL

Untuk menentukan fungsi distribusi marginal peubah acak ( X1, X2, . . .,

Xn ) ; 1 k ≤ n-1 , yaitu :

1. Menentukan terlebih dahulu fungsi padat marginal, kemudian fungsi

distribusi normal.

2. Langsung dari fungsi distribusi bersama dari peubah acak (X1, X2, . . .,

Xn ), yaitu dengan cara berikut :

F X1, X2, . . ., Xn (X1, X2, . . ., Xn ) = F X1, X2, . . ., Xn (X1, X2, . . ., Xn ).

102
 Contoh :

Jika kita lihat kembali pada peubah acak kontinu dari contohnya dapat

kita peroleh fungsi distribusi bersama untuk peubah acak ( X,Y) adalah

Maka :

Fungsi distribusi marginal untuk peubah acak X adalah :

Fx (x) = F X,Y (x,∞)

Sehingga :

Fx(X) = 0 ,untuk x ≤ 0

Fx(X) = ½ x(x+1) ,untuk 0 < x < 1

Fx(X) = 1 ,untuk x ≥ 0

DISTRIBUSI MARGINAL

● Bila distribusi peluang f(x,y) dengan peubah acak x dan y diketahui maka

distribusi peluang x sendirian dan y sendirian adalah :

- Untuk Diskret : g(x) =  f ( x, y)

y
h(y) =  f ( x, y )
x

 
- Untuk Kontinue : g (x) =  f ( x, y)dy

h(y) = 

f (x,y) dx

≈ Untuk distribusi bersyarat peubah acak diskret maupun continue adalah

103
 f ( x, y ) f ( x, y )
F (y|x) = , g(x) > 0 f(x|y) = ; h(y) > 0
g ( x) h( y )

P ( a< y < b | X=x) =  f ( y | x)dy

y

Contoh.1 Fungsi padat gabungan peubah acak x dan y diberikan oleh :

F (x,y) = 8 xy untuk y < x < 1 , 0 < y < x

= 0 untuk x lainnya

> Hitunglah g (x) , h (y), f(y|x) dan P (y < 1/8 | x = ½)

- Misalkanlah x dan y dua peubah acak, diskret maupun continue

dengan fungsi peluang gabungan f (x,y) dan distribusi marginal

masing-masing g(x) dan h(y). Peubah acak x dan y dikatakan bebas

statistik jika dan hanya jika f(x,y) = g(x) h(y) untuk semua (x,y).

- Misalkanlah x1, x2 , x3 ,…..xn , n peubah acak diskret maupun

continue, dengan distribusi peluang gabungan f (x1 , x2 ….xn) dan

distribusi marginal masing-masing f1 (x1 ), f2 (x2), ….fn (xn ).

Peubah acak x1, x2 , x3 ,…..xn dikatakan saling bebas statistik jika

dan hanya jika f (x1 , x2 ….xn) = f1 (x1 ), f2 (x2), ….fn (xn ).

104
Contoh.2 Misalkan x1, x2 & x3 , 3 peubah acak bebas statistik dan misalkanlah

masing-masing mempunyai fungsi padat peluang :

(x) = e-x untuk x > 0

=0 untuk x lainnya

> Hitunglah P (x1 < 2 , 1< x2 < 3 , x3 > 2 )

Jawab Fungsi padat peluang gabungan x1, x2 dan x3 adalah

Rumus Statistika Matematika

Rumus Rataan Hitung (Mean)

Rata-rata hitung dihitung dengan cara membagi jumlah nilai

data dengan banyaknya data.Rata-rata hitung bisa juga disebut mean.

a. Rumus Rataan Hitung dari Data Tunggal

105
b. Rumus Rataan Hitung Untuk Data yang Disajikan Dalam

Distribusi Frekuensi

Dengan: fixi = frekuensi untuk nilai xi yang bersesuaian

xi = data ke-i

c. Rumus Rataan Hitung Gabungan

Rumus Modus

a. Data yang belum dikelompokkan

Modus dari data yang belum dikelompokkan adalah ukuran yang

memiliki frekuensitertinggi. Modus dilambangkan mo.

b. Data yang telah dikelompokkan

Rumus Modus dari data yang telah dikelompokkan dihitung

dengan rumus:

Dengan :

106
 Mo = Modus

L = Tepi bawah kelas yang memiliki frekuensi tertinggi (kelas

modus)

i = Interval kelas

b1 = Frekuensi kelas modus dikurangi frekuensi kelas interval

terdekat sebelumnya

b2 = frekuensi kelas modus dikurangi frekuensi kelas interval terdekat

sesudahnyaRumus Median (Nilai Tengah)

a. Data yang belum dikelompokkanUntuk mencari median, data harus

dikelompokan terlebih dahulu dari yang terkecil sampaiyang

terbesar.

b. Data yang Dikelompokkan

Dengan :

Qj = Kuartil ke-j j = 1, 2, 3

i = Interval kelas

Lj = Tepi bawah kelas

Qjfk = Frekuensi kumulatif sebelum kelas

107
 Qjf = Frekuensi kelas

Qjn = Banyak data Rumus Jangkauan ( J )

Selisih antara nilai data terbesar dengan nilai data terkecil.

Rumus Simpangan Quartil (Qd)

Definisi 2.4:

Jika X suatu variable random, diskrit atau kontinu, maka fungsi distribusi

kumulatif (cummulative distribution function, CDF), ditulis F(x), didefinisikan

sebagai F(x) = P(X  x).

Fungsi distribusi kumulatif seringkali disebut fungsi distribusi.

Teorema 2.5:

1. Jika X suatu variabel random diskrit dengan fungsi probabilitas f(x),

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

0, jika x0


1 / 3, jika 0  x 1
F(x) = 
1 / 2, jika 1 x  2

1, jika x2

Grafik fungsinya adalah:

F(x)

0 1 2 3 X

Jika X suatu variabel kontinu dengan fungsi densitas

2 x, untuk 0  x  1

f(x) = 

0, untuk x yang lain

maka fungsi kumulatifnya adalah

0, jika x  0

F(x) =  x 2 , jika 0  x  1

1, jika x  1

Fungsi sebaran fungsi dimana X kapital menunjukkan peubah acak dan x

kecil menunjukkan varabel.

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

yang . Intinya adalah, kita membuat suatu fungsi

yang membantu kita untuk menentukkan peluang pada bersifat kontinu.

Tunjukkan bahwa untuk suatu variabel acak diskrit mengambil nilai integer

, .

Bukti:

Acara , Dan dua peristiwa di sebelah kanan

yang beririsan, sehingga menggunakan aturan tambahan,

dan ini mungkin ditulis ulang

yang segera memberikan hasil yang diinginkan.

Kemungkinan bahwa tiket lotre memiliki nomor menang adalah

0,0000001. Jika 10.000.000 orang membeli tiket yang independen nomor,
berapakah probabilitas dari 0 pemenang? Dari 1 pemenang? (Petunjuk,
gunakan distribusi Poisson dengan mean 1 Jawabannya adalah 0,37, 0,37..)

Bukti:

Kami harapkan dalam hal ini bahwa distribusi Poisson akan menjadi
pendekatan yang baik untuk distribusi binomial dengan dan

yang akan menjadi distribusi yang alami untuk digunakan.

pendekatan yang baik karena sangat kecil dan sangat besar. Mean untuk

110
 distribusi Poisson kurang lebih adalah . Dari Tabel Poisson, Tabel

2 dari Cambridge Baru Tableswith Statistik dan , kita

mendapatkan

Jadi probabilitas tepat 1 pemenang adalah ,

Dan tepat 0 pemenang adalah sama dengan .

Satu juga bisa menggunakan fungsi probabilitas untuk distribusi Poisson.

Jika kita menggunakan distribusi binomial kita dapatkan

Pen
dekatan Poisson benar untuk setidaknya 4 tempat desimal. Perhatikan bahwa jika

seseorang ingin, katakanlah,

itu akan menjadi sulit untuk melakukan perhitungan binomial.

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:

Misalkan untuk semua pilihan antara 0 dan 1. Kita dapat

mendefinisikan sebuah acara menguraikan , Untuk oleh

Dari aksioma probabilitas kedua, untuk setiap bilangan bulat

positif .

Untuk setiap pilihan probabilitas di sebelah kiri harus, dari

aksioma pertama probabilitas kurang dari atau sama dengan 1, sehingga
harus kurang dari atau sama dengan 1 untuk setiap pilihan . Kecuali

hal ini tidak benar, karena untuk masing-masing diberikan kita

selalu dapat memilih begitu besar sehingga . Sebagai contoh,

misalkan kita berpikir bahwa mungkin dilakukan. Tidak akan,
karena dengan memilih kita akan mendapatkan , Dan
akan dibangun suatu peristiwa dengan probabilitas yang lebih besar dari 1.

Jika adalah variabel random dengan distribusi normal standar,

apa yang

Bukti:

Tunjukkan bahwa mean dari distribusi eksponensial adalah .

Bukti:

112
Jika memiliki fungsi kepadatan ,

Maka rata-rata adalah

Carilah mean dari distribusi Bernoulli persidangan, di mana

dengan probabilitas dan dengan probabilitas .

Bukti:

Rerata adalah

Tunjukkan bahwa varians dari distribusi Bernoulli adalah

percobaan .

Bukti:

Kita sudah tahu bahwa , Dan

Jadi .

Tunjukkan bahwa jika kemudian . (Kami

mengatakan dalam kasus ini hampir pasti sama dengan artinya.)

Temukan varians dari distribusi eksponensial dengan mean .

Bukti:

Kita sudah tahu bahwa . adalah

113
 Jadi varians adalah .

A. Analisis Statistika Multivariat

Analisis statistika multivariate adalah analisis statistika yang dikenakan

pada data yang terdiri dari banyak variabel dan antar variabel saling berkorelasi.

Beberapa metode yang termasuk ke dalam golongan analisis ini adalah :

# Metode Tujuan Model

1 Principal Mereduksi dimensi data dengan cara Yi  a' X

Component membangkitkan variabel baru (komponen
maks var(Yi)
Analysis utama) yang merupakan kombinasi linear dari
dan
variabel asal sedemikan hingga varians

komponen utama menjadi maksimum dan antar corr(Yi,

komponen utama bersifat saling bebas Yj)=0

2 Factor Analysis Mereduksi dimensi data dengan cara X  CF  

menyatakan variabel asal sebagai kombinasi
maks
linear sejumlah faktor, sedemikian hingga
var(CF)
sejumlah faktor tersebut mampu menjelas-kan

114
 sebesar mungkin keragaman data yang

dijelaskan oleh variabel asal.

3 Cannonical Menganalisis hubungan antar dua kelompok Ada dua

Correlation variabel dengan cara membangkitkan vari-abel kelompok

baru pada setiap kelompok. Variabel baru variabel :X

tersebut merupakan kombinasi linear dari dan Y

variabel asal. Kombinasi linearnya ditentukan

dibangkitkan
sedemikian hingga korelasi antar variabel baru
variabel baru
yang berasal dari dua ke-lompok menjadi
:
maksimum

U i  a' X

dan

Vi  b' Y se

hingga

corr( U i , Vi )

maks

dan

corr( U i , V j )

=0

4 Multivariate Memodelkan hubungan antara kelompok Y  X  

Regression variabel respon (Y) dengan kelompok variabel

(X) yang diduga mempengaruhi variabel respon

115
5 MANOVA Menganalisis hubungan antara vektor va-riabel Yijk   k   ik   ijk
respon (Y) yang diduga dipengaruhi oleh

beberapa perlakuan (treatment). i=1,...,t

j=1,...,ni

k=1,...,p

6 Discriminant Membentuk fungsi yang memisahkan antar

Analysis kelompok berdasarkan variabel pembeda, fungsi

tsb disusun sedemikian nisbah kera-gaman data

antar dan kelompok maksimum.

7 Cluster Mengelompokkan data ke dalam beberapa

Analysis kelompok sedemikian hingga data yang berada

di dalam kelompok yang sama cenderung

mempunyai sifat yang lebih homogen daripada

data yang berada di kelompok yang berbeda

1.1 Karakteristik Analisis Mutlivariat

Analisis statistik multivariat merupakan metode statistik yang memungkinkan

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

distribusi terhadap kepuasan pelanggan. Contoh yang lain, misalnya pengaruh

kecepatan layanan, keramahan petugas dan kejelasan memberikan informasi terhadap

116
 kepuasan dan loyalitas pelanggan. Analisis multivariat digunakan karena pada

kenyataannnya masalah yang terjadi tidak dapat diselesaikan dengan hanya

menghubung-hubungkan dua variable atau melihat pengaruh satu variable terhadap

variable lainnya. Sebagaimana contoh di atas, variable kepuasan pelanggan

dipengaruhi tidak hanya oleh kualitas produk tetapi juga oleh harga dan saluran

distribusi produk tersebut.

1.2 Klasifikasi Teknik-Teknik Analisis Multivariat

Teknik analisis multivariat secara dasar diklasifikasi menjadi dua, yaitu analisis

dependensi dan analisis interdependensi. Analisis dependensi berfungsi untuk

menerangkan atau memprediski variable (variable) tergantung dengan menggunakan

dua atau lebih variable bebas. Yang termasuk dalam klasifikasi ini ialah analisis

regresi linear berganda, analisis diskriminan, analisis varian multivariate

(MANOVA), dan analisis korelasi kanonikal Metode dependensi diklasifikasikan

didasarkan pada jumlah variable tergantung, misalnya satu atau lebih dan skala

pengukuran bersifat metrik atau non metrik. Jika variable tergantung hanya satu dan

pengukurannya bersifat metrik, maka teknik analisisnya digunakan analisis regresi

berganda. Jika variable tergantung hanya satu dan pengukurannya bersifat non-

metrik, maka teknik analisisnya digunakan analisis diskriminan. Jika variable

tergantung lebih dari satu dan pengukurannya bersifat metrik, maka teknik

analisisnya digunakan analisis multivariate varian. Jika variable tergantung lebih dari

satu dan pengukurannya bersifat non-metrik, maka teknik analisisnya digunakan

analisis conjoint. Jika variable tergantung dan bebas lebih dari satu dan

pengukurannya bersifat metrik atau non metrik, maka teknik analisisnya digunakan

analisis korelasi kanonikal.

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

Untuk menentukan fungsi distribusi marginal peubah acak

( X1, X2, . . ., Xn ), 1 ≤ k ≤ n, yaitu:

1. Menentukan terlebih dahulu fungsi padat marginal, kemudian fungsi

distribusi marginal.

2. Langsung dari fungsi distribusi bersama dari peubah acak

( X1, X2, . . ., Xn ), yaitu dengan cara berikut:

FX1, X2,. . ., Xn ( x1, x2, . . ., xn ) = FX1, X2,. . ., Xn ( x1, . . ., xn, . . .)

Contoh:

1. Jika kita lihat kembali pada peubah acak kontinu dari contohnya dapat kita

peroleh fungsi distribusi bersama untuk peubah acak (X, Y) adalah

Maka:

fungsi distribusi marginal untuk peubah acak X adalah:

FX (x) = FX,Y (x,~)

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

yang diberikan oleh g(x1) =

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

yang diberikan oleh g(x1) =

untuk -¥ < x1 < ¥, -¥ < x2 < ¥ disebut densitas marginal dari X1.

Demikian pula, fungsi yang diberikan oleh h(x2) =

untuk -¥ < x1 < ¥, -¥ < x2 < ¥ disebut densitas marginal dari X2.

Contoh: Jika densitas bersama

f(x1, x2) =

maka densitas marginal dari X1 adalah g(x1) = 2/3(x1 + 1), untuk

0 < x1 < 1, dan densitas marginal dari X2 adalah h(x2) = 1/3(1 +

4x2), untuk 0 < x1 < 1.

Seperti halnya pada distribusi univariat, di sini didefinisikan pula

fungsi distribusi marginal dan fungsi distribusi marginal bersama

berikut.

 Definisi: Jika F(x1, x2) adalah harga dari fungsi distribusi bersama dari

variabel random X1 dan X2 di titik (x1, x2), maka fungsi G dengan

G(x1) = P(X1 £ x1, X2 = 1)

untuk -¥ < x1 < ¥ disebut fungsi distribusi marginal dari X1.

Demikian pula fungsi H dengan

H(x2) = P(X1 = 1, X2 £ x2)

untuk -¥ < x2 < ¥ disebut fungsi distribusi Marginal dari X2.

120
 Definisi: Jika F(x1, x2,x3)merupakan harga dari fungsi distribusi bersama

variabel random X1 ,X2, dan X3 di titik (x1, x2,x3),maka fungsi G dengan

G(x1, x2) = P(X1 £ x1, X2 £ x2, X3 = 1)

untuk -¥ < x1 < ¥, -¥ < x2 < ¥ disebut fungsi distribusi marginal bersama

dari X1 dan X2.

Contoh: Jika diketahui densitas dari variabel random X1, X2, dan X3 berikut

f(x1, x2, x3) =

maka fungsi distribusi marginal bersama dari X1 dan X3 dengan

F(x1, x2, x3) =

adalah

G(x1, x3) dan fungsi distribusi marginal dari X1 adalah

H(x1) =

Bila distribusi peluang f(x,y) dengan peubah acak x dan y diketahui maka

distribusi peluang x sendirian dan y sendirian adalah :

- Untuk Diskret : g(x) = h(y) =

- Untuk Kontinue : g (x) = h(y) = f (x,y) dx

Untuk distribusi bersyarat peubah acak diskret maupun continue adalah F

(y|x) = , g(x) > 0 f(x|y) = ; h(y) > 0P ( a< y < b | X=x) =

Contoh:1. Fungsi padat gabungan peubah acak dan y diberikan oleh : F

(x,y) = 8 xy untuk y < x < 1 , 0 < y < x= 0 untuk x

lainnya

 Hitunglah g (x) , h (y), f(y|x) dan P (y < 1/8 | x = ½)

121
 - Misalkanlah x dan y dua peubah acak, diskret maupun continue

dengan fungsi peluang gabungan f (x,y) dan distribusi marginal

masing-masing g(x) dan h(y). Peubah acak x dan y dikatakan

bebas statistik jika dan hanya jika f(x,y) = g(x) h(y) untuk

semua (x,y).

- Misalkanlah x1, x2 , x3 ,…..xn , n peubah acak diskret maupun

continue, dengan distribusi peluang gabungan f (x1 , x2 ….xn)

dan distribusi marginal masing-masing f1 (x1 ), f2 (x2), ….fn

(xn ). Peubah acak x1, x2 , x3 ,…..xn dikatakan saling bebas

statistik jika dan hanya jika f (x1 , x2 ….xn) = f1 (x1 ), f2 (x2),

….fn (xn ).

Contoh.2 Misalkan x1, x2 & x3 , 3 peubah acak bebas statistik dan

misalkanlah masing-masing mempunyai fungsi padat peluang : (x) =

e-x untuk x > 0= 0 untuk x lainnya .

 Hitunglah P (x1 <2 , 1< x2 < 3 , x3 > 2 ) Jawab Fungsi padat peluang

gabungan x1, x2 dan x3 adalah 1.

Contoh:

Dua kelereng dipilih secara acak dari sebuah kotak berisi 3 kelereng biru,

2 kelereng merah, dan 3 kelereng hijau. Jika X menyatakan kelereng

berwarana biru yang terambil, dan Y menyatakan kelereng berwarna

merah yang terambil. Tentukan:

3. Distribusi peluang marginal X

4. Distribusi peluang marginal Y

122
Penyelesaian:

1. g(x) =  f ( x, y)
y

g(0) =  f (0, y) = f(0,0)+ f(0,1) + f(0,2)

y

3 6 1 10
=   
28 28 28 28

9 6 15
g(1) =  
28 28 28

3
g(2) =
28

disajikan dalam tabel

X 0 1 2

10 15 3
g(x)
28 28 28

2. h(x) =  f ( x, y )
x

h(0) =  f ( x,0) = f(0,0)+ f(1,0) + f(2,0)

x

3 9 3 15
=   
28 28 28 28

6 6 12
h(1) =  
28 28 28

1
h(2) =
28

disajikan dalam tabel

123
 X 0 1 2

15 12 1
g(x)
28 28 28

 Contoh:

Pandang fungsi padat gabungan

kx (1  3 y 2 ) ,0  x  2 , 0  y  1
f(x,y) = 
0 , untuk x, y yang lain

tentukan:

3. Distribusi peluang marginal X

4. Distribusi peluang marginal Y

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

Kombinasi adalah Suatu susunan yang dibentuk oleh keseluruhan

atau sebagian dari sekumpulan benda tanpa memperhatikan urutannya.

Rumus Kombinasi r dari n obyek adalah :

n!
Crn 
r!(n  r )!

Kombinasi C dari sebuah himpunan S adalah himpunan bagian dari S.

Kombinasi dapat dibentuk dari dua kombinasi sebelumnya. Ini

mengakibatkan banyaknya kombinasi juga bersifat rekursif:

Jika urutan tidak diperhatikan dan objek bisa dipilih lebih dari sekali, maka

jumlah kombinasi yang ada adalah:

125
 Distribusi yang diturunkan dari hasil suatu percobaan dapat

dibedakan atas :

1. Distribusi farik

2. Distribusi malar

Jadi, kalau ruang sampelnya farik, distribusinya juga disebut distribusi

farik. Demikian juga kalau ruang sampelnya malar, distribusinya disebut

distribusi malar.

Fungsi distribusi terletak pada peubah acak. Peubah acak (random

variable) yaitu transformasi yang memasangkan titik sampel di semesta ke

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

Diharapkan agar pembaca khususnya Mahasiswa Pendidikkan

Matematika dapat memahami materi tentang Kombinasi dengan memahami

definisi serta kaidah-kaidah yang terkait mengenai kombinasi,sehingga dapat

memudahkan dalam proses pembelajaran dan dapat diterapkan dalam

kehidupan sehari - hari.

126
 DAFTAR PUSTAKA

Tiro, M. A. 1999a. Analisis Data Frekusi dengan Chi Kuadrat. Ujung

Pandang Hasanuddin University Press.

Tiro, M. A. 1999b. Dasar-dasar Statistika. Ujung Pandang Badan Penerbit

UNM Ujung Pandang.

Tiro, M. A. 2000. Analisis Regresi dengan Data Kategori. Makassar:

Makassar State University Press.

Walpole, R. E. 1993. Pengantar Statistika, Edisi ke-3 Jakarta; Penerbit PT.

Gramedia Pustaka Utama.

Watulingas,J.R. 2010. Teori Kemungkinan. Fakultas Universitas

Mulawarman : Samarinda

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