Anda di halaman 1dari 130

BAB II

STATISTIK DESKRIPTIF
BAB 2

Statistik Deskriptif
Tujuan Pembelajaran

Setelah mempelajari bab ini, pembaca diharapkan mampu:


o Menjelaskan bagaimana mengumpulkan dan mengorganisasi ke dalam suatu
susunan dan bagaimana membuat dan mengintrepretasikan distribusi
frekuensi
o Menyajikan data secara grafis daram bentuk histogram, porigon frekuensi,
diagram batang, diagram garis, dll.
o Menjelaskan secara menyeluruh jenis-jenis ukuran yang dapat meringkas dan
menggambarkan sifat-sifat dasar, kumpulan data
o Menghitung ukuran-ukuran pemusatan/tendensi sentral (central tendency)
seperti rata-rata (mean), nilai tengah (median), modus, akar purata kuadrat
(root mean square/rms), kuartil, desil, persentil, dll.
o Menghitung ukuran-ukuran penyebaran/dispersi (dispersion) seperti kisaran
(range), deviasi mutlak rata-rata, deviasi standard, varians. dll.

Pokok Bahasan
2.1 Pengumpulan, pengorganisasian, dan penyajian Data
2.2 Distribusi Frekuensi dan presentasi Grafik
2.3 Ukuran Pemusatan
2.4 Ukuran penyebaran
2.5 Momen, Skewness, dan Kurtosis
2.6 Soal-soal Latihan
2.1 Pengumpulan, Pengorganisasian, dan Penyajian Data
2.1.1 Pengumpulan Data
Data yang dikumpulkan dalam suatu kajian statistik dapat dibedakan
menjadi
dua macam, yaitu:

2.1.1.1 Data Kualitatif


Secara Sederhana data kualitatif adalah data yang bukan berupa
angka/bilangan. Terhadap data kualitatif tidak dapat dilakukan
operasi matematik seperti penambahan, pengurangan, perkalian,
pembagian, dll. Data kualitatif disebut juga data atribut. Data
kualitatif ini dapat dibedakan menjadi dua tipe:
a. Data Nominal (Data Kategori)
Jika suatu pengambiian data terhadap suatu objek hanya
menghasilkan satu dan hanya satu-satunya kategori pada objek
tersebut, maka data yang diperoleh termasuk tipe data nominal
(data kategori). Pada data nominal tidak ada perbedaan tingkatan
derajat (bobot) data.
b. Data Ordinal
Data ordinal adalah data yang diperoleh dari suatu pengambilan
data terhadap suatu objek yang menghasilkan lebih dari satu
kategori.

Contoh 2.1
o Jenis kelamin termasuk data kualitatif (atribut) tipe nominal (kategori) karena
seseorang tidak mungkin berkelamin ganda. Dalam hal ini jenis kelamin laki-
laki dan perempuan dianggap sama bobotnya.
o Tempat kelahiran termasuk data kualitatif tipe nominal karena setiap orang
dilahirkan hanya di satu tempat saja. Dalam hal ini kota Jakarta, Semarang,
Padang, dan lainnya dianggap sama bobotnya.
o Dalam pengukuran perilaku konsumen terhadap suatu produk makanan,
akan diperoleh data perilaku 'sangat suka", "suka", "kurang suka", "tidak
suka" dan lainnya. Dalam hal ini data tidak dapat disamakan bobotnya,
karena ada tingkatan data. Misalnya dengan tingkatan menaik (ascending),
"sangat suka" dianggap lebih tinggi daripada "suka", dst.
Untuk bisa diolah lebih lanjut dengan komputer, data kualitatif sering
diberi nomor kode. Misalnya untuk data jenis kelamin, pria diberi nomor 1
dan wanita nomor 2. Nomor kode ini rnenjadi ukuran nominal, namun
angka tersetut hanya dapat digunakan untuk keperluan identifikasi saja.

2.1.1.2 Data Kuantitatif


Data kuantitatif adalah data berbentuk angka/bilangan. Data kuantitatif
disebut juga data numerik. Terhadap data kuantitatif umumnya dapat
dilakukan operasi matematika. Data kuantitatif dapat dibedakan menjadi
dua jenis tipe, yaitu:
a. Data Diskrit
Data distrit adalah data yang diperoleh dari suatu
pencacahan/enumerasi. Data ini berbentuk bilangan-bilangan bulat O,
I, Z,3, 4, ... dst.
b. Data Kontinu
Data kontinu adalah data yang umumnya didapat dari suatu
pengukuran dengan suatu instrumen (alat ukur). Data kontinu dapat
dinyatakan dalam bentuk data interval maupun data rasio (data titik).

Contoh 2.2
o Suhu badan manusia yang diukur dengan menggunakan termometer badan
merupakan data kuantitatif tipe-kontinu yang dapat dinyatakan dalam bentuk
data rasio. Dalam satuan derajat Celsius data ini dapat bemilai
36,36,7,36,75,36, 753, ... dst, tergantung pada ketelitian alat ukurnya.
o Nilai tukar dolarAmerika terhadap rupiah pada suatu hari di pasar valuta
asing yang dapat berkisar antara 8500 sampai dengan 8600 rupiah
merupakan data kuantitatif tipe-kontinu yang dinyatakan dalam bentuk
interval.
o Banyaknya produk kamera yang cacat dalam suatu batch produksi di pabrik
peralatan fotografi merupakan data kuantitatif tipe-diskrit karena mempunyai
nilai-nilai yang dinyatakan dengan bilangan bulat, misalnya:1,2,3, ... dst. Jadi
tidak mungkin banyaknya yang kamera yang rusak 1,3:2,j; ... dst.
Gambar 2.1 menunjukkan ringkasan dari jenis dan tipe data yang dapat dikaji dengan
sraristik.

2.1.2 Pengorganisasian Data


2.1.2.1 Data Mentah (Raw data)
Data mentah merupakan data terkumpul yang belum diorganisasikan
secara numerik. Dalam bentuknya yang belum terorganisasi, data tersebut
tidak memberi banyak arti bagi yang membaca belum lagi untuk dapat
menyimpulkan informasi apa yang bisa diperoleh.

Gambar 2.1

Jenis yang
dikumpulkan dalam
kajian statistik

2.1.2.2 Jajaran Data (Data Array)


Jajaran data (data array) merupakan suatu cara pengorganisasian
data yang paling sederhana. Jajaran data merupakan suatu susunan
dari data-data mentah yang diatur dengan urutan nilai numerik yang
menaik (ascending), dari nilai yang terkecil sampai yang terbesar,
atau yang menurun (descending), dari nilai yang terbesar sampai
yang terkecil.
Kebanyakan program komputer statistik mempunyai fungsi
terpasang (buit-in function) untuk membuat jajaran data, biasanya
dengan perintah SORT.
Contoh 2.3
o Berikut ini adalah data mentah hasil pengujian breaking stress dari
100 spesimen suatu logam X (kN/m2):

o Setelah disusun menjadi jajaran data dengan urutan menaik


(ascending) dengan menggunakan program spreadsheet Microsoft
Excel:

2.1.3

Penyajian Data
Tabel dan diagram statistik digunakan untuk menyajikan data yang sudah
teringkas, menyingkapkan hubungan-hubungan antar variabel, serta
menginterpretasikan dan mengomunikasikan fakta-fakta angka kepada
pihak yang membutuhkannya.
Beberapa jenis penyajian data statistik diperlihatkan pada Gambar 2.2.
Gambar 2.2

Berbagai bentuk
diagram statistik
2.2 Distribusi Frekuensi dan presentasi Grafik
2.2.1 Distribusi Frekuensi
Untuk data yang banyak sekali jumlahnya, akan lebih baik bila data
tersebut diorganisasikan ke dalam benruk yang lebih ringkas, kompak,
tanpa menghilangkan fakta-fakta pentingnya. Hal ini akan tercapai dengan
mengelompokkan jajaran data ke dalam sejumlah kelas dan kemudian
menentukan banyaknya data yang termasuk dalam masing-masing kelas
(frekuensi kelas). Susunan data yang terbentuk disebut distribusi frekuensi.
Jika frekuensi kelas dinyatakan dalam persentase dari banyaknya seluruh
data, maka disebut distribusi frekuensi relatif.

Contoh 2.4
Jajaran data pada Contoh 2.3 jika disusun sebagai suatu distribusi
frekuensi menjadi sebagai berikut:

Data yang diorganisasikan dan diringkas dalam bentuk distribusi


frekuensi seperti contoh di atas sering juga disebut sebagai data
terkelompok (grouped data). Pengelompokan inl memUeritan keuntungan
penting berupa kejelasan atas gambaran keseluruhan data sehingga
kecenderungan (trend) karakteristiknya mudah terlihat. Meskipun demikian
terdapat kelemahan yaitu hilangnya informasi dari data asli yang lebih
terperinci.Untuk menekan kerugian ini, pengelompokan data ke dalam
distribusi frekuensi disarankan mengikuti aturan-aturan yani akan dibahas
kemudian dengan mempertimbangkan komponen-komponen penyusun
suatu distribusi frekuensi yang meliputi hal-hal berikut ini.

2.2.l.l Interval Kelas (Class IntemaI) dan Batas Ketas (Class Limit)
Interval yang mendefinisikan sebuah kelas seperti 900 – 999, 1000 –
1099,
dst, pada Tabel Contoh 2.4 disebut interval kelas (class intewal).
Angka-angka di ujung-ujungnya seperti 900 dan 999, 1000 dan
1099, ... dst, disebut batas kelas (class limit); angka yang lebih kecil
disebut batas kelas bawah (lower class limit), sedang yang terbesar
disebut batas kelas atas (upper class limit).
Kadang-kadang dijumpai interval kelas yang tidak memiliki salah
satu dari batas kelas atas atau batas kelas bawah. Interval kelas
serupa ini disebut interval kelas terbuka (open class intenal).
Misalnya dalam sebuah pengelompokan usia terdapat kelas interval
(biasanya yang terakhir) “65 tahun ke atas'' yang merupakan kelas
interval terbuka.

2.2.1.2 Batas Nyata Kelas (Class Boanilary)


Jika tegangan rusak pada contoh 2.3 diukur sampai ketelitian kN/m 2
terdekat, maka interval kelas 900-999 secara teoritis meliputi pula
seluruh hasil pengukuran antara 899,5 sampai 999,5 kN/m 2. Maka
angka-angka 899,5 dan 999,5 disebut sebagai batas nyota kelas
(class boundary/true class limit). Dalam prakteknya, batas nyata
kelas didapatkan dengan membagi dua jumlah batas kelas atas
suatu interval kelas dengan batas kelas nyata interval kelas
berikutnya.

2.2.1.3 Lebar Interval Kelas (Width of Intsnal Class)


Lebar interval kelas adalah selisih antara batas bawah nyata dengan
batas atas nyata kelas, biasa dinotasikan dengan c. Pada Ilustasi
2.4 lebar intervail kelasnya adalah c = 999,5 - 899,5 = 1099,5 -
999,5 - ... dst. = 100.

2.2.1.4 Nilai Tengah Kelas (Closs MidpointlClass Mark)


Nilai tengah kclas diperoleh dengan membagi-dua jumlah dari batas
kelas bawah dan batas kelas atas suatu interval kelas. Jadi untuk
interval kelas 900 - 999 nilai tengah kelasnya adalah (900 + 999)/2 =
949,5.
Untuk analisis matematik selanjutnya, seluruh pengamatan yang
termasuk ke dalam sebuah interval kelas tertentu diasumsikan
nituinyu sesuai dingan nilai tengah kelas. Jadi seluruh tegangan
rusak yang berada pada interval 900-999 dianggap sebagai 949,5
kN/m2.

2.2.2 Pertimbangan daram penyusunan Distribusi Frekuensi


Untuk meminimalkan kerugian pengelompokan (grouping error) data ke
dalam distribusi frekuensi yang dapat menimbulkan masalah pada analisis
selanjutnya, kriteria-kriteria berikut perlu dipertimbangkan dalam menyusun
distribusi frekuensi:
1. Interval kelas harus dipilih dengan memastikan dua ketentuan:
a. Seluruh data harus terikut-sertakan
b. Setiap unit data hanya dimasukkan sekali saja dan hanya di satu
kelas interval saja
Tumpang tindih (overlap) antara dua interval kelas berurutan yang bisa
menyebabkan dilanggarnya ketentuan (b) harus dihindari.
2. Umumnya jumlah interval kelas yang digunakan adalah antara 5
sampai 20, tergantung pada beberapa faktor seperti jumrah data yang
diamati, tujuan penyusunan distribusi frekuensi, dan kepentingan-
kepentingan dari analis
3. Sebisa mungkin lebar setiap interval kelas sama (biasanya akan lebih
memudahkan jika lebar interval kelas tersebut adalah kelipatan rlari
angka 5, 10, 100, 1000, dst.). Jika jumlah data tidak terlalu banyak,
sebagai perkiraan awal dalam menentukan lebar kelas, dapat
digunakan rumus:
di mana:
c = lebar interval kelas (hasilnya dibulatkan)
R = kisaran data (range) = selisih data terbesar dengan terkecil
K = jumlah interval kelas

Jika jumlah data terlalu banyak maka jumlah interval kelas (ft) dapat
dicari
dengan menggunakan pendekatan rumus Sturge, yaitu:

di mana:
k = jumlah interval kelas
n = jumlah data

4. Sebisa mungkin interval kelas terbuka (open class interval) dihindari.


Interval kelas terbuka mungkin diperlukan jika beberapa nilai data
sangat berbeda (terlalu kecil atau terlalu besar) dibandingkan dengan
nilai data lainnya.
Namun untuk keperluan analisis statistik seperti perhitungan rata-rata
dan deviasi standard, interval kelas terbuka tidak bisa dipakai.
5. Jika mungkin, interval kelas dipilih sedemikian rupa sehingga nilai
tengah kelasnya bersesuaian dengan nilai di mana data aktual
terkonsentrasi.
2.2.3 Presentasi Grafik Distribusi Frekuensi
2.2.3.1 Histogram
Histogram adalah grafik batang (bar graph) yang menggambarkan
distribusi data dari sebuah distribusi frekuensi. Batang-batang (bars)
pada histogram memiliki karakteristik sebagai berikut:
a. Dasarnya pada sumbu horizontal (sumbu-x) lebarnya sama
dengan lebar interval kelas
b. Luasnya proporsional terhadap frekuensi interval kelas yang
bersangkutan.
o jika interval kelas sama lebamya, maka ketinggian batang
secara numerik sama dengan frekuensi interval kelas yang
bersangkutan.
o jika ada interval kelas yang lebamya tidak sama maka
ketinggiannya harus disesuaikan.

Contoh 2.5
o Distribusi frekuensi dari tegangan rusak pada contoh 2.4
memiliki interval kelas yang sama lebamya. Maka histogamnya
dapat digambarkan sebagai berikut:

Contoh 2.6

o Distribusi frekuensi waktu diam (iile rtme) per bulan dari 70 buah
mesin produksi di sebuah pabrik ditunjukkan dalam tabel di
bawah. Untuk interval kelas ke-6 dan ke-7, lebarnya tidak sama
dengan interval kelas yang lainnya. Dapat dilihat bahwa
histogramnya digambarkan dengan menyesuaikan tinggi batang
pada interval kelas ke-6 dan ke-7, sedemikian rupa sehingga
luas batang tetap proporsional terhadap frekuensinya.

Gambar 2.4

Histogram dengan
lebar kelas tidak sama

2.2.3.2 Poligon Frekuensi


Poligon frekuensi adalah suatu grafik garis dari frekuensi-frekuensi
interval kelas yang diplot pada nilai tengah-nilai rengahnya. poligon
bisa didapat dengan menghubungkan titik tengah dari sisi atas
batang-batang histogram.

Contoh 2.7
o Poligon dari hisrogram pada Contoh 2.5
Gambar 2.5

Poligon frekuensi

2.2.4 Distribusi Frekuensi Kumulatif


Pada keadaan tertentu, kita sering lebih perlu mengetahui banyaknya data
yang bernilai di bawah (kurang dari) atau di atas (lebih dari) suatu nilai
tertentu daripada yang berada dalam satu interval tertentu. Dalam hal ini,
distribusi frekuensi dapat diubah menjadi distribusi frekuensi kumulatif dan
direpresentasikan dalam grafik yang disebut ogive. Jika banyaknya data
dalam distribusi tersebut dinyatakan dalam prosentase terhadap
banyaknya seluruh data disebut distribusi frekuensi kumulatif relatif.
Distribusi frekuensi kumulatif dapat dibedakan menjadi:
o Distribusi frekuensi kumulatif kurang dari, disusun dengan
menjumlahkan seluruh frekuensi dari semua nilai yang lebih kecil
daripada batas atas nyata interval kelas (upper class boundary)
o Distribusi frekuensi kumulatif lebih dori, disusun dengan menjumlahkan
seluruh frekuensi dari semua nilai yang lebih besar daripada atau sama
dengan batas bawah nyata interval kelas (lower class boundary)

Contoh 2.8
o Distribusi frekuensi dad Contoh 2.4 jika dibuat menjadi distribusi
frekuensi kumulatif (lebih dari) dan digambarkan ogivenya adalah
sebagai berikut:
Gambar 2.6

Frekuensi distribusi
kumulatif dan ogive

2.2.5 Kurva Frekuensi


Secara teoritis, pada data kontinu kita bisa menetapkan interval-interval
kelas yang sangat kecil namun masih bisa memuat sejumlah data pada
setiap interval kelas. Jika interval-interval kelas tersebut terus diperkecil
dan banyaknya data diperbesar sampai mendekati besarnya populasi,
maka poligon frekuensi relatif yang terbentuk akan memiliki segmen garis
kecil-kecil yang sangat banyak dan membentuk suatu kurva yang disebut
kurva frekuensi. Dengan demikian kurva teoritis (yang menggambarkan
populasi) dapat diperkirakan dengan memuluskan
(smoothing) poligon frekuensi dari sampel. Demikian pula, dengal
memuluskan sebuah ogive dari sampel (smoothed ogive),hita akan
memperoleh perkiraan dari ogive populasi.

Gambar 2.7

Beberapa bentuk kurva


frekuensi

2.3 Ukuran Pemusatan


Data sering menunjukkan kecenderungan terpusat di sekitar suatu nilai. Nilai
pusat ini kemudian dapat digunakan sebagai suatu ukuran ringkas yang
menggambarkan karakteristik umum data tersebut. Nilai tersebut dalam statistik
disebut sebagai ukuran pemusatan (central tendency).
Terdapat beberapa ukuran pemusatan yang sering digunakan dalam statistik.
Ukuran-ukuran tersebut biasanya dijelaskan untuk data tak terkelompok
(ungrouped dnta) maupun data terkelompok (grouped data). Dalam rumusannya
juga dibedakan antara ukuran yang menunjukkan karakteristik populasi
(parameter) dengan yang menunjukkan karakteristik sampel (statistik).

2.3.1 Rata-rata (Average)


Istilah "rata-rata (average)" ini sebenarnya meliputi beberapa ukuran
pemusatan. Rata-rata (average) adalah nilai khas yang mewakili sifat
tengah, atau posisi pusat, dari suatu kumpulan nilai data. Terdapat
beberapa ukuran yang termasuk rata-rata sebagaimana yang dibahas
berikut.

2. 3.1.1 Mean Aritmetik (Arithmetic Mean)


Dalam prakteknya sering kali istilah "rata-rata" mengacu pada
mean aritmetika atau mean. Mean aritmetika dirumuskan sebagai
berikut:

Data Tidak Terkelompok

Data Terkelompok
Contoh 2.9
o Mean aritmetika dari data pada contoh 2.3 untuk sampel tegangan
rusak yang terdiri dari 100 data yang belurn terkelompokkan adalah:

o Mean aritmetika dari data pada contoh 2.5 untuk sampel tegangan
rusak yang terdiri dari 100 data yang telah terkelompokkan (dari data
asal pada contoh 2.2) adalah:
2.3.1.2 Mean Aritmetik Terbobot (Weighted Arithmetic Mean)

Pemberian pembobotan terhadap suatu nilai sering dilakukan untuk


menunjukkan keutamaan relatif dari nilai tersebut. Mean aritmetika
yang diperoleh dari nilai yang diberi pembobotan itu disebut mcan
aritmetika terbobot, yang dirumuskan sebagai berikut (agar lebih
sederhana, yang diberikan hanyalah untuk data tidak terkelompok,
dengan meninjau satu sampel saja):

Contoh 2.10
o Jika dalam suatu nilai akhir mata kuliah statistik nilai ujian akhir
berbobot 3 kali nilai ujian tengah semester dan tugas, maka seorang
mahasiswa yang memperoleh nilai ujian akhir 85 dan ujian tengah
semester 70 dan tugas 90 akan memperoleh nilai:
2.3.1.3 Mean Geometrik
Selain mean aritmetika, suatu penelitian kadang-kadang memerltkan
mean geometik, yang didefinisikan sebagai berikut (agar lebih
sederhana, yang diberikan hanyalah unfuk data tidak terkelompok,
dengan meninjau satu sampel saja):

di mana G = Mean geometrik.

2.3.1.4 Mean Harmonik


Untuk kasus-kasus tertentu, lebih tepat apabila mean harmonik yang
digunakan, dan bukan mean aritmetika. Mean harmonik dirumuskan
sebagai (agar lebih sederhana, yang diberikan hanyalah untuk data
tidak terkelompok, dengan meninjau satu sampel, saja):

di mana H = mean harmonik.


Contoh 2.11
o Seorang mengendarai mobil dari kota A ke kota B dengan kecepatan
rata-rata 30 km/jam dan kembali dari B ke A dengan kecepatan rata-
rata 60 km/jam. Maka kecepatan rata-rata untuk seluruh perjalanan itu
dapat dihitung sebagai berikut:
o Seandainya diasumsikan jarak A ke B adalah 60 km (asumsi jarak
berapapun bisa dilakukan), maka waktu tempuh:

sehingga kecepatan rata-rata total adalah:


o Jika digunakan mean harmonik, maka n = 2 dan x1 = 30 dan x2 = 60,
sehingga:

2.3.1.5 Akar Purata Kuadrat/Mean Kuadratik (RMS)


Akar purata kuadrat/ mean kuadratik (root mean square/rms)
merupakan ukuran pemusatan (rata-rata) yang sangat sering
digunakan pada kajian-kajian ilmu-ilmu fisik. Akar purata kuadrat
(rms) dirumuskan sebagai:

2.3.2 Median
Median menyatakan posisi tengah dari nilai data terjajar (data array).
Secara geometris, rnedian merupakan nilai dari absis-x yang bertepatan
dengan garis vertikal yang membagi daerah di bawah poligon menjadi dua
daerah yang luasnya
sama. Median dihitung dengan rumusan berikut (agar lebih ringkas, uraian
yang diberikan hanyalah untuk data sampel saja).

Data Tidak Terkelompok:


Nilai tengah atau mean aritmetika dari dua nilai tengah suatu jajaran data
(array)

Data Terkelompok:
Contoh 2.12
o Median dari jajaran data pada contoh 2.3, yang terdiri dari 100 data
yang belum terkelompokkan, adalah mean aritmetika dari data ke-50
dan ke-51:

o Median dari data pada contoh 2.4, yang terdiri dari 100 data yang
telah terkelompokkan, adalah:

2.3.3 Modus
Modus dari bekumpulan nilai data adalah nilai yang paling sering muncul
atau yang frekuensinya terbesar. Dalam suatu kumpulan nilai data, modus
ini mungkin ada mungkin juga tidak, dan kalaupun ada tidak selalu unik
(tunggal). Modus ditentukan dengan rumusan berikut (agar lebih ringkas,
uraian yang diberikan hanyalah untuk sampel saja).
Data Tidak Terkelompok:
Nilai data yang paling sering muncul (frekuensinya paling besar)
Data Terkelompok:

Contoh 2.13
o Modus dari jajaran data pada Contoh 2.3, yang terdiri dari 100 data
yang belum terkelompokkan, adarah nilai yang paling sering muncul
(frekuensi terbesar):
Modus = 1141 (frekuensi = 3)
o Modus dari data pada contoh 2'4, yang terdiri dari r00 data yang telah
terkerompokkan, adalah:
Contoh 2.14
Beberapa kuantil dari data pada contoh 2.4, yang terdiri dari 100 data
yang telah terkelompokkan, adalah sebagai berikut:
o Kuartil ke-l

o Desil ke-7

2.4 Ukuran Penyebaran


Ukuran penyebaran (dispersion) menunjukkan seberapajauh data menyebar dari
nilai rata-ratanya (variabilitas data). sekurang-kurangnya terdapat dua alasan
pentingnya meninjau ukuran penyebaran suatu kumpulan nilai data:
1. Untuk membuat suatu penilaian mengenai seberapa baik suatu nilai rata-
rata (ukuran pemusatan) menggambarkan data.
2. Untuk mengetahui seberapa jauh penyebaran (scattering) daridata,
sehingga langkah-langkah untuk mengendalikan variasi tersebut dapat
dilakukan

2.4.1 Jangkauan/Kisaran (Range)


Jangkauan menyatakan perbedaan dari nilai terbesar dan terkecil dari
suatu jajaran data.
2.4.2 Jangkauan/Kisaran Persentil 10-90
Jangkauan ini menyatakan selisih nilai persentil ke-90 dan ke-10 jajaran
data.

2.4.3 Simpangan Kuartil


Simpangan kuartit, atau jangkauan semi-qntarkuartil (semi-interquanil
range), didefinisikan sebagai:

2.4.4 Simpangan Mutlak Rata-rata (Mean Deviation)


Simpangan mutlak rata-rata merupakan ukuran penyebaran yang meninjau
besarnya penyimpangan setiap nilai data terhadap nilai rata-rata
(mean)nya. Simpangan mutlak rata-rata didefinisikan sebagai:

Data Tidak Terkelompok:


Data Terkelompok:

Contoh 2.15

o Simpangan mutlak rata-rata dari jajaran data pada contoh 2.3, yang
terdiri dari 100 data yang belum terkelompokkan dengan rata-rata x =
1198,5 (dari perhitungan pada Contoh 2.8), adalah:

o Simpangan mutlak rata-rata dari data pada Contoh 2.4, yang terdiri
dari 100 data yang telah terkelompokkan dengan rata-rata i = 1197,5
(dari perhitungan pada Contoh 2.8), dapat dicari sebagai berikut:
2.4.5 Deviasi Standard/Simpangan Baku
Deviasi standard (standard deviation) atau simpangan baku merupakan
ukuran penyebaran yang paling sering digunakan. Mayoritas nilai data
cenderung berada dalam satu deviasi standard dari mean, dan hanya
sebagian kecil saja yang terletak di luar dari tiga deviasi standard dari
meannya. Deviasi standard didefinisikan sebagai berikut:

Data Tidak Terkelompok:

Data Terkelompok:
Contoh 2.16
o Deviasi standard darijajaran data pada Contoh 2.3, yang terdiri dari
100 data yang belum terkelompokkan dengan tata-rata f = 1198,5
(dari perhitungan pada Contoh 2.8.), adalah:
o Deviasi standard dari data pada contoh 2.4, yang terdiri dari 100 data
yang telah terkelompokkan dengan rata-rata x = 1197,5 (dari
perhitungan pada contoh 2.8 adalah:

Untuk memudahkan perhitungan deviasi standard seca-ra manuar,


terdapat beberapa teknik matematis yang dapat digunakan, misalnya
dengan teknik pengkodean (coding method). Namun dengan semakin
tersedianya kalkutator tangan, metode ini tidak banyak artinya lagi.

2.4.6 Varians
Varians merupakan kuadrat dari deviasi standard, sehingga, untuk sampel,
dinyatakan sebagai sx2 dan, untuk populasi, sebagai σx2.
Sifat penting mengenai varians adalah vaians kimbinasi
(combined/poored variance). Jika terdapat beberapa kumpulan data
(distribusi frekuensi) dengan masing-masing banyaknya data Ni dan
variansnya sx2i, maka varians kombinasinya adalah:

2.4.7 Koefisien Variasi


Penyebaran sebenarnya dari data seperti yang ditentukan dengan deviasi
standard atau ukuran penyebaran rainnya disebut penyebaran *utik
(absorute dispersion). Namun demikian, suatu variasi sebesar I meter
dalam mengukur jarak 1000 meter sangat berbeda artinya dengan variasi 1
meter untuk jara? 20 meter. oleh karena itu, untuk membedakannya,
digunakan ukuran yang disebut penyebaran relatif (relative dispersion)
yang didefinisikan sebagai:

Jika penyebaran mutlak dinyakan dalam deviasi standard dan nilai rata-rata
dalam mean, maka penyebaran relatif yang diperoleh disebut koefisien
variasi atau koefisien dispersi.

Koefisien Variasi:

2.5 Momen, Skewness, dan Kurtosis


2.5.1 Momen
2.5.1.1 Momen Data Tidak Terkelompok
Jika x1, x2 ..., xn adalah n buah nilai variabel x, maka dapat
didefinisikan kuantitas yang disebut momen ke-r sebagai:

Jadi momen pertama (r = 1) adalatr rnean aritmetika.


Momen ke-r simpangan terhadap mean didefinisikan sebagai:
Jadi, jika r = 1 maka m1,x= 0, dan jika r = 2 maka m2,x = sx2 (varians).
Momen ke-r simpangan terhadap sembarang asal a didefinisikan
sebagai:

Jadi, jika A = 0 maka mrx = xr. Oleh karena itu, definisi (2.22)
sering juga disebut sebagai momen simpangan terhadap nol.

2.5.1.2 Momen Data Terkelompok

Untuk membedakan momen dari sampel dengan momen dari


populasi, biasanya digunakan simbul huruf yunani yang berkaitan.
Jadi jika untuk sampel dinotasikan dengan m r,x dan m'r,x, maka untuk
populasi masing-masing digunakan notasi πr,x dan π’r,x.
2.5.1.3 Hubungan Antar Momen
Antara momen simpangan terhadap mean m r,x dan momen
simpangan terhadap sembarang asal m'r,x terdapat hubungan-
hubirngan sebagai Beritut:

2.5.1.4 Metode Pengkodean Untuk Perhitungan Momen Data


Terkerompok
Perhitungan momen data terkelompok yang memiliki lebar kelas (c)
yang sama untuk setiap interval kelas dapat disederhanakan dengan
menggunakan metode pengkodean. Dalam hal ini ditentukan kode
(ui) untuk setiap interval kelas sebagai:

Dengan menggunakan pengkodean di atas, maka momen


simpangan terhadap sembarang asal dapat ditentukan dari rumus:
Dengan memanfaatkan hubungan antar momen (2.29), maka
momen yang lain dapat ditentukan.

Contoh 2.17
o Momen simpangan terhadap mean yang pertama, kedua, ketiga
dan keempat dari data terkelompok pada Contoh 2.4, yang
terdiri dari 100 data dengan lebar interval kelas c = 100 dan
memiliki x = 1197,5, rata-rata dapat dihitung sebagai berikut:
Perhitungan secara langsung :

Metode Pengkodean:
2.5.1.5 Momen dalam Bentuk Tidak Berdimensi
Untuk menghindari satuan tertentu dalam analisis lebih lanjut dapat
didefinisikan momen simpangan terhadap mean tak berdimensi
(dimensionless).

2.5.2 Skewness
Skewness (kemencengan) adalah derajat ketidaksimetrisan arau
penyimpangan dari kesimetrisan suatu distribusi. Jika kurva frekuensi
(poligon frekuensi yang dimuluskan) dari sebuah distribusi mempunyai ekor
yang lebih panjang ke arah kanan dari maksimum di pusat dibandingkan
dengan yang ke arah kiri, dikatakan bahwa distribusi itu menceng ke
kanan, atau memiliki kemencengan positif (positive skewness), sebaliknya
disebut menceng ke kiri, atau memiliki kemencengan negatif (negative
skewness).
Pada disribusi yang menceng, mean cenderung berada pada sisi di
ekor yang lebih panjang dengan modus berada di frekuensi maksimum
(lihat Gambar 2.8). Oleh karena itu, salah satu ukuran ketidaksimetrisan ini
diberikan oleh perbedaan (Mean - Mode). Ukuran ini dapat dibuat tak
berdimensi dengan membaginya dengan sebuah ukuran penyebaran
seperti deviasi standard, sehingga didefinisikan:

Dengan menggunakan hubungan empiris (2.11), maka:

Kedua ukuran di atas disebut Faktor Skewness Pearson pertama dan


kedua
Ukuran-ukuran kemencengan lainnya dapat didefinisikan
menggunakan kuartil dan persentil, antara lain:
Namun dalam kebanyakan aplikasi teknik, suatu ukuran kemencengan
yang paling banyak digunakan adalah dengan menggunakan momen
simpangan terhadap mean ketiga dalam bentuk tak berdimensi yang
dinyatakan sebagai Koefisien Momen Kemencengan:

Ukuran di atas sering dinyatakan dalam b1,r = a3,x2. Untuk kurva yang
simetris sempurna, misalnya kurva normal (gaussian), a3,x = b1,r adalah nol.

2.5.3 Kurtosis
Kurtosis adalah derajat keruncingan (peakedness) atau keceperan
(flatness) dari suatu distribusi relatif terhadap distribusi normal. Sebuah
distribusi yang memiliki puncak relatif tinggi disebut kurva leptokuftic,
sedangkan kurva yang puncaknya ceper rata (flat-topped) disebut latrva
platykurtic. Kurva normal yang tidak terlalu
runcing atau terlalu ceper disebut kurva mesokurtic. Salah satu ukuran
kurtosis menggunakan momen simpangan terhadap mean keernpat dalam
bentuk tidak berdimensi yang didefinisikan sebagai Koefisien Momen
Keruncingan (Kurtosis):
Ukuran lainnya yang bisa digunakan untuk menyatakan kurtosis adalah
kuartil dan persentil yang disebut sebagai koefisien persentil kurtosis, yang
didefinisikan sebagai:

Untuk sebuah distribusi normal nilainya 0,263

Contoh 2.18
o Kemencengan (skewness) dan kurtosis dari data terkelompok
pada Contoh 2.4, yang terdiri dari 100 data dan momen-momen
simpangan terhadap meannya telah dihitung pada Contoh 2.16,
adalah:
Kemencengan/skewness:

2.6 Soal-soal Latihan


1. Jelaskan sekurang-kurangnya 3 keuntungan menyusun jajaran data mentah
ke dalam bentuk data (data array).
2. Sebutkan pertimbangan-pertimbangan yang diperlukan dalam menyusun
suatu distribusi frekuensi.
3. Jelaskan karakteristik- karakteristik perbandingan yang penting dari ukuran-
ukuran pemusatan mean aritmetika, median, dan modus.
4. Jelaskan karakteristik- karakteristik perbandingan yang penting dari ukuran-
ukuran jangkauan kisaran, simpangan mutlak rata-rata, deviasi standard,
dan simpangan kuartil.
5. Dalam suatu eksperimen mekanika fluida, diukur kecepatan aliran fluida
dalam pipa dengan menggunakan sebuah anemometer kawat panas (hot
wire anemometry). Pada suatu titik didapat 150 data kecepatan (m/s) hasil
pengukuran yang tercatat sebagai berikut:

a. Susun data tersebut dalam suatu distribusi frekuensi dengan


prosedur yang benar.
b. Hitung ukuran-ukuran pemusatan dari data yang diperoreh.
c. Hitung ukuran-ukuran penyebaran dari data yang diperoleh.
d. Buat grafik dari distribusi tersebut dalam bentuk histogram, poligon,
dan ogive (kurva frekuensi kumulatif)
e. Bandingkan faktor kemencengan dan keruncingan distribusi tersebut
dengan kurva distribusi normal, lalu tentukan jenis kurva yang
terbentuk.
6. Jelaskan penggunaan diagram-diagram jenis penyajian data hal 24.
BAB III

KONSEP DASAR PROBABILITAS


BAB III

Konsep Dasar Probabilitas

Tujuan Pembelajaran:

Setelah mempelajari bab ini, pembaca diharapkan mampu:

□ Mendefinisikan terminologi-terminologi penting dalam probabilitas dan


menjelaskan bagaimana probabilitas kejadian sederhana ditentukan

□ Memahami dan menjelaskan konsep-konsep mengenai kejadian-kejadian


bersyarat, bebas, dan mutually exclusive

□ Menggunakan dengan benar dan tepat aturan perkalian dan penjumlahan dalam
melakukan perhitungan probabilitas

□ Memahami dan menggunakan analisis kombinatoral untuk kejadian kompleks:


permutasi dan kombinasi

Pokok Bahasan:

3.1 Konsep dan Definisi Dasar

3.2 Probabilitas Peristiwa Majemuk

3.3 Teknik Enumerasi (Pencacahan)

3.4 Soal-soal Latihan

3.1 Konsep dan Definisi Dasar


3.1.1 Eksperimen Probabilitas ,Ruang Sampel, Peristiwa

Eksperimen Probabilitas (probability experiment) adalah segala kegiatan dimana suatu


hasil/keluaran (outcome), tanggapan (response) ataupun ukuran (measurement) diperoleh.
Himpunan yang memuat seluruh kemungkinan hasil, tanggapan, ataupun ukuran dari
eksperimen tersebut di buat ruang sampel (sample space ) yang biasanya dinotasikan
dengan S. Sedangkan sebuah peristiwa/kejadian (event) didefinisikan sebagai segala
himpunan bagian dari hasil, tanggapan, ataupun ukuran dalam ruang sampel. Pengertian di
atas sering diilustrasikan dengan menggunakan bantuan diagram Venn.

Contoh 3.1

 Jika kita memeriksa 3 buah sikring Satu persatu secara berurutan dan mencatat kondisi
sikring tersebut dengan memberi notasi B untuk sikring yang baik dan P untuk sikring
yang putus, maka ruang sampel pada eksperimen Probabilitas pemeriksaan tersebut
adalah S= {BBB, BBP, BPB, PBB, BPP, PBP, PPB, PPP}. Jika A peristiwa di mama
diperoleh satu buah sikring yang rusak, maka A= { BBP,BPB,PBB }.

Gambar 3.1 Diagram Venn Probabilitas

3.1.2 Definisi Probabilitas

Probabilitas adalah bilangan yang terletak di antara 0 dan 1 yang berkaitan dengan
suatu peristiwa (event) tertentu. Jika peristiwa itu pasti terjadi, maka Probabilitas
kejadian/peristiwa itu adalah 1 dan jika peristiwa itu mustahil terjadi, maka Probabilitasnya
adalah 0. Ada tiga definisi berbeda mengenai Probabilitas yang sering digunakan, masing-
masing cocok di terapkan pada jenis-jenis penerapan tertentu.

3.1.2.1 Defenisi klasik


Jika sebuah peristiwa A dapat terjadi dengan A cara dari sejumlah total N cara yang
mutually exclusive dan memiliki kesempatan sama untuk terjadi, maka Probabilitas terjadi
peristiwa A dinotasikan dengan P(A) dan didefinisikan sebagai P(A) dan didefinisikan
sebagai:

fA
P ( A) 
N

Sedangkan Probabilitas tidak terjadinya suatu peristiwa A atau komplemen A (sering si


sebut kegagalan A) si nyatakan sebagai:

~ N  fA f
P ( A)  P ( A)  P (~ A)   1  A  1  P ( A)
N N
Contoh 3.2

 Definisi klasik cocok digunakan misalkan permainan tebakan/undian (games of chance).


Misalkan dalam satu set kartu bridge yang terdiri dari 52 kartu terdapat empat buah kartu
As, maka Probabilitas pengambilan satu kartu mendapatkan kartu As adalah: P(As) =
4/52 = 1/13 =0,077

3.1.2.2 Definisi Frekuensi Relatif

Seandainya pada sebuah eksperimen yang di lakukan sebanyak N kali terjadi kejadian A
sebanyak A kali, maka jika eksperimen tersebut di lakukan tak terhingga kali banyaknya (N
mendekati tak hingga), nilai limit dari frekuensi relatif A / N didefinisikan sebagai
probabilitas kejadian A atau P(A).

( )

Defenisi ini mungkin adalah definisi yang paling populer. Definisi ini memungkinkan
untuk diterapkan pada banyak masalah-masalah praktis di mana definisi klasik tidak bisa di
pakai.

Contoh 3.3

 Probabilitas mendapatkan sebuah motor baru merek “X” yang cacat saat seseorang
membelinya mungkin sulit di ketahui dengan menggunakan definisi klasik probabilitas.
Secara teoritis probabilitas tersebut dapat ditentukan jika dapat di ketahui jumlah seluruh
(populasi) produk motor baru “X” dan jumlahnya yang cacat.
 Jika memakai definisi frekuensi relatif, ( ) , maka perlu dilakukan

pemeriksaan terhadap sampel motor “X” sebanyak mungkin (menuju tak hingga). Namun
karena sangat sulit mengkaji jumlah yang tak terhingga banyaknya, maka dapat
digunakan jumlah sampel yang memadai dan dapat di percaya namun cukup ekonomis
untuk menentukan frekuensi relatif tersebut.

3.1.2.3 Definisi Subjektif (Intuitif)

Dalam kasus ini, probabilitas P(A) dari terjadinya peristiwa A adalah sebuah ukuran dari
“derajat keyakinan” yang dimiliki seseorang terhadap terjadinya peristiwa A. Definisi ini
mungkin merupakan definisi yang paling luas digunakan dan di perlukan jika sulit diketahui
besarnya ruang sampel maupun jumlah peristiwa yang dikaji maupun jika sulit di lakukan
pengambilan sampel (sampling) pada populasinya.

Contoh 3.4

 Suatu strategi perang memilih salah satu di antara dua alternatif yang masing-masing
memberikan akibat berbeda, yaitu menjatuhkan boom atau tidak menjatuhkan boom ke
daerah musuh. Karena masing-masing alternatif itu tidak bisa di uji coba secara
eksperimen untuk mengetahui bagaimana musuh akan memberikan reaksi, maka kita
harus percaya pada “penilaian dari ahli (expert judgment)” untuk menentukan
probabilitas dari akibat yang akan muncul. Situasi yang sama terjadi pula misalnya dalam
meramalkan siapa yang akan menjuarai suatu turnamen sepak bola. Dalam hai ini,
interpretasi klasik dan frekuensi dari probabilitas tidak akan banyak gunanya, dan suatu
penilaian yang subjektif dari pengamat sepak bola yang handal lebih di perlukan.

3.2 Probabilitas Peristiwa Majemuk

3.2.1 Definisi

Definisi probabilitas yang dibahas pada bagian terdahulu merupakan definisi untuk peristiwa
sederhana (simple event). Peristiwa majemuk (compound event) adalah peristiwa yang
merupakan gabungan/kombinasi dua atau lebih peristiwa sederhana (simple event).

3.2.2 Probabilitas Bersyarat

Probabilitas bersyarat (conditional probability) adalah probabilitas dari sebuah peristiwa


yang akan terjadi jika sebuah peristiwa lainnya telah terjadi. Dari Gambar 3.2, dapat
dimengerti bahwa dengan diketahui terlebih dahulu berlangsungnya peristiwa B, maka
terjadi perubahan (pengurangan) pada ruang sampel yang perlu dipertimbangkan untuk
menentukan probabilitas peristiwa A.

A B
B
A B

Gambar 3.2. Ruang sampel probabilitas bersyarat

Probabilitas bersyarat peristiwa A akan terjadi jika peristiwa B telah terjadi didefinisikan sebagai
berikut:

( )
( ) ( )
( )

Contoh 3.5

Sebuah perusahaan pembuat personal computer melengkapi produk terbarunya dengan


program-program siap pakai. Jika dihitung dari jumlah seluruh produk terbaru itu, 60%
dilengkapi dengan program word processor, 40% dilengkapi dengan program spreadsheet,
dan 30% dilengkapi dengan kedua program siap pakai tersebut. Misalkan seseorang
membeli komputer buatan perusahaan tersebut dan didefinisikan A = (komputer yang
dilengkapi dengan program word processor] dan B = {komputer yang dilengkapi dengan
program spread sheet}. Maka P(A) = 0,6, P(B) = 0,4 dan P(A B) = 0,3. Jika komputer yang
dibeli oleh orang tersebut telah dilengkapi dengan program spread sheet, maka probabilitas
komputer itu juga dilengkapi dengan program word processor adalah probabilitas bersyarat
P(AIB):

( )
( )
( )

Dengan kata lain, dari seluruh komputer yang dilengkapi dengan program spread sheet,
75%-nya dilengkapi pula dengan program word processor. Hal ini dapat ditunjukkan dengan
diagram venn pada Gambar 3.3

( )
( )
( )

0,3 A B
0,3 0,1 0,1
0,3
3.2.3 Peristiwa Saling Bebas dan Tidak Saling Bebas

Dua peristiwa A dan B dikatakan saling bebas (independent) apabila terjadinya peristiwa A
tidak mempengaruhi probabilitas terjadinya peristiwa B. Sebaliknya, jika terjadinya peristiwa
A mempengaruhi probabilitas terjadinya peristiwa B disebut peristiwa tidak saling bebas
(dependent). Peristiwa bersyarat merupakan contoh dari peristiwa yang tidak saling bebas.
Jika peristiwa A dan B saling bebas, maka berlaku:

P(A | B) = P(A) dan juga P(B\A) = P(B) (3.5)

3.2.4 Peristiwa Mutually Exclusive (Saling Meniadakan)

Peristiwa A dan B adalah mutually exclusive (disjoint events) jika terjadinya salah satu
peristiwa tersebut dalam sebuah eksperimen probabilitas mencegah terjadinya peristiwa
yang lainnya selama berlangsungnya eksperimen probabilitas yang sama. Dengan kata lain,
peristiwa A dan B tidak mungkin terjadi secara bersamaan. Sebaliknya, jika peristiwa A dan
B dapat terjadi secara bersamaan dalam sebuah eksperimen probabilitas, maka A dan B
tidak mutually exclusive. Jika peristiwa A dan B adalah mutually exclusive, maka berlaku:

P(A dan B) = P(A B) = 0 artinya juga P(A \ B) = 0; P(B \ A) = 0 (3.5)

Diagram venn dari peristiwa mutually exclusive dan tidak mutually exclusive ditunjukkan oleh
Gambar 3.4

A B B
A

Mutuallly exclusive tidak mutuallly exclusive

Gambar 3.4 Peristiwa Mutually exclusive dan tidak Mutually exclusive

3.2.5 Hukum-hukum Probabilitas Peristiwa Majemuk


Berikut akan dijelaskan (tanpa pembuktian) dua hukum dasar probabilitas yang berguna
dalam menangani peristiwa majemuk. Hukum-hukum ini berlaku pada banyak situasi praktis
bidang perancangan teknik (engineering design).

3.2.5.1. Hukum Perkalian (Multiplication Law)

a. Peristiwa Saling Bebas (Independent Event)

Hukum perkalian menyatakan bahwa jika A, B, C, ... adalah peristiwa-peristiwa yang sating
bebas (independent event), maka probabilitas bahwa seluruh peristiwa itu terjadi, atau
disebut pula probabilitas gabungan (joint probability) P(A B C ...), adalah produk
(perkalian) dari probabilitas masing-masing peristiwa.

P(A dan B dan C dan ...) = P(A B C ...)

= P(A) . P(B) . P(C) ...

Notasi matematis umumnya adalah:

p(⋂ ) = P(A1 A2 ... An-1 An) = ∏ ( )

P(C dan K) = P(C K) = P(Q . P(K) = (0,3)(0,1) = 0,03

 Prinsip dasar perancangan lebih (excessive design) bertujuan meningkatkan reliability


desain terutama untuk bagian-bagian kritis. Sebagai contoh untuk menghubungkan
sumber listrik di bagian depan sebuah pesawat militer ke peralatan-peralatan yang
menggunakan listrik di bagian belakang, digunakan lebih dari 1 kabel (misalnya 3 kabel)
secara paralel, yang masing-masing, dengan jalur berbeda. melalui rangka pesawat
(fuselage). Jadi jika tembakan musuh memutuskan sebuah kabel, kedua kabel lainnya
masih tetap bekerja. Seandainya probabilitas sebuah kabel terputus oleh tembakan
musuh adalah 0,01 untuk setiap satu jam tempur, maka dengan cara merancang-lebih
pengkabelan menjadi tiga pasang, probabilitas putusnya hubungan tenaga listrik dalam
satu jam tempur di pesawat itu sangat jauh berkurang karena probabilitas dari putusnya
ketiga kabel akan menjadi:

P(K1 K2 K3) = P(K1) . P(K2) . P(K3) = (0,01)(0,01)(0,01) = 10-6

Desain lebih tentu saja meningkatkan biaya peralatan dan mungkin menyebabkan
kekurangan dari sisi lain (misalnya bertambahnya berat pesawat). Jadi keuntungan yang
diperoleh harus melebihi biaya/kekurangan yang terjadi sehingga cukup beralasan untuk
diterapkan.
b. Peristiwa Tidak Saling Bebas (Dependent events)

Hukum perkalian untuk dua peristiwa A dan B yang tidak saling bebas dapat dinyatakan
sebagai berikut:

P(A dan B) = P(A B) = P(A \B) . P(B) = P(B\A) . P(A)

di mana:

P(A | B) = Probabilitas bersyarat terjadinya peristiwa A setelah B terjadi

P(B | A) = Probabilitas bersyarat terjadinya peristiwa B setelah A terjadi

 Dari gejala yang ditunjukkan pada komputer yang akan diperbaiki, seorang ahli
perangkat keras komputer memastikan bahwa kerusakan disebabkan oleh hanya salah
satu dari keempat blok rangkaian pada mainboardnya. Untuk itu dia berencana
memeriksa satu-persatu keempat blok tersebut. Berapakah probabilitas bahwa se-kurang-
kurangnya mekanik tersebut harus melakukan pemeriksaan tiga blok rangkaian sampai
dia dapat menentukan blok rangkaian yang rusak?
 Logika masalah di atas adalah sang mekanik harus melakukan pemeriksaan berikutnya
jika pada pemeriksaan sebelumnya dia mendapatkan blok rangkaian yang tidak rusak.
Jika ditetapkan peristiwa X = (pemeriksaan pertama memperoleh blok tidak rusak) dan
peristiwa Y = (pemeriksaan kedua memperoleh blok tidak rusak), maka P(X) = 3/4. Jika
pada pengecekan pertama sang mekanik memperoleh blok tidak rusak, maka dari tiga
blok rangkaian yang belum diperiksa masih terdapat dua blok yang tidak rusak, sehingga
P(Y\X) = 2/3. Jadi pemeriksaan ketiga hams dilakukan setelah pemeriksaan pertama
dan kedua memperoleh blok yang tidak rusak. Dari hukum perkalian didapatkan:

2 3 6
P(X dan Y)= P(X Y)= P(Y X).P(X)= ( ) ( ) = = 0,5
3 4 12

Hukum perkalian untuk peristiwa tidak saling bebas yang ditunjukkan oleh s Persamaan
(3.8) dapat diperluas untuk peristiwa majemuk yang terdiri dari beberapa peristiwa yang
terjadi secara berturutan.

Misalnya untuk tiga peristiwa .A1, A2, A3:

P(A1 A2 A3) = P(A3|A, A2) . P(A1 A2)

= P(A3|A1 A2) . P(A2\A1) . P(A1)

Dalam hal ini peristiwa A1 terjadi pertama kali, diikuti peristiwa A2 dan terakhir A3.
3.2.5.2. Hukum Penjumlahan (Addition Law)

Hukum penjumlahan pada probabilitas peristiwa majemuk dinyatakan sebagai:

P(A atau B) = P(A  B) = P(A) + P(B) - P(A B)

Persamaan di atas menunjukkan probabilitas peristiwa A atau peristiwa B atau kedua-


duanya sama-sama terjadi. Perlu diperhatikan bahwa A dan B tidak perlu saling bebas,
selama diketahui probabilitas gabungannya P (A B).

Jika peristiwa A dan B adalah mutually exclusive (yang berarti jika salah satu peristiwa
terjadi, maka peristiwa lainnya mustahil terjadi), maka P(A B) = 0 sehingga:

P(A atau B) = P(A  B) = P(A) + P(B)

Persamaan (3.10) dapat digeneralisasi untuk berapapun jumlah peristiwa dengan proses
penerapan kembali berlanjut (continued reapplication), yakni:

P(A atau B atau C) = P(A  B  C)

= P(A) + P(B),+ P(C)

- P(A B) - P(A C) - P(B C)

+ P(A B C)

Contoh 3.8

Perhatikan struktur yang dilas seperti pada Gambar 3.5. Kegagalan dari struktur terjadi jika
salah satu atau lebih dari ketiga sambungan las tersebut putus. Jika probabilitas dari
putusnya masing-masing sambungan las P(L1) = P(L2) = P(L3) = 0.001 dan diasumsikan
sambungan saling bebas, maka:

P(L1 atau L2 atau L3) = P(L1  L2  L3)

= P(L1) + P(L2) + (L3)

- P (L1 L2) - P(L1 L3) - P(L2 L3)

+ P(L1 L2 L3)

= 0,001 + 0,001 + 0,001 - (0,001)(0,001)

- (0,001)(0,001) - (0,001)(0,001)

+ (0,001X0,001X0,001)
= 0,003
Gaya L1 Gaya
L2 L3
tarik tarik

las

Gambar 3.5 Probabilitas kegagalan pada struktur las

Dalam banyak permasalahan di bidang teknik, hukum-hukum probabilitas sering


dikombinasikan penerapannya. Sebagai contoh perhatikan Contoh 3.9 berikut.

Contoh 3.9

Sebuah sistem sembarang seperti yang ditunjukkan Gambar 3.6 tersusun atas tiga tingkat.
Sistem ini akan bekerja dengan baik jika ketiga tingkatnya berjalan dengan baik. Misalkan
seluruh unit dalam setiap tingkat saling bebas dan masing-masing probabilitas berjalan
baiknya adalah:

P(A) = 0,7 P(B) = 0,7 P(Q = 0,9 P(D) = 0,8

P(E) = 0,6 P(F) = 0,6 P(G) = 0,6

Jadi:

P(T1) = P(A atau B) = P(A  B)

= P(A) + P(B) – P(A B) = P(A) + P(B) - P(A)P(B)

= 0,7 + 0,7 - (0,7)(0,7) = 0,91

P(T2) = P(C dan D) = P(C D) = P(C) . P(D)

= (0,9)(0.8) = 0,72

P(T3) = P(E atau F atau G) = P(E  F  G)

= P(E) + P(F) + P(G) - P(E F) - P(E G) - P(F G) + P(E F G)

= P(E) + P(F) + P(G) - P(E)P(F) - P(E)P(G) - P(F)P(G) + P(E)P(F)P(G)

= 0,6 + 0,6 + 0,6 - (0,6x0,6) - (0,6)(0,6) - (0,6)(0,6) + (0,6)(0.6)(0,6)

= 0,936

Maka diperoleh:

P(sistem berjalan) = P(T1 dan T2 dan T3) = P(T1 T2 T3) = P(T1).P(T2) P(T3)
= (0.91)(0,72KO,963) = 0,613

Jadi sistem tersebut secara keseluruhan memiliki 61,3% kemungkinan dapat berjalan
dengan baik.

Tingkat 3 (T3)
Tingkat 1 (T1)
Tingkat 2 (T2) E
A
Mulai C D F Selesai
B
G

Gambar 3.6 Probabilitas pada sistem bertingkat

3.6.2 Formulasi Bayes

Formulasi Bayes adalah pengembangan dari probabilitas bersyarat (conditional probability)


dan aturan umum hukum perkalian (multiplication). Andaikan terdapat sekelompok peristiwa
B1, B2, ..., Bn yang mutually exclusive dan exhaustive (menyeluruh), artinya masing-masing
peristiwa tidak memiliki keluaran (outcome) yang sama dan secara bersama-sama memuat
keseluruhan keluaran di dalam ruang sampel. Secara matematis, peristiwa Bi yang mutually
exclusive bersifat exhaustive jika dan hanya jika:

∑ ( )

Sebagai tambahan, terdapat sebuah peristiwa lain A yang didefinisikan pada ruang sampel
yang sama. Karena peristiwa-peristiwa Bi bersifat exhaustive maka peristiwa A pasti
beririsan dengan satu atau lebih peristiwa Bi. Oleh karena itu, satu cara untuk mendapatkan
probabilitas peristiwa A adalah dengan menjumlahkan probabilitas P(A n Bi) untuk seluruh
harga i. Maka:
4

P(A)= ∑ P (A i ).P( i )
i=1

Sebagai ilustrasi, misalkan n = 4. Hal ini dapat ditunjukkan dengan diagram venn seperti
pada Gambar 3.7. Perhatikan bahwa A terdiri dari A B1, A B2, A B3 dan A
B4. Maka:

P(A)= ∑ P (A i )= ∑ P (A i ).P( i )
i=1 i=1
= P(A B1) + P(A B2) + P(A B3) + P(A B4) = P(A|B3) P(B3)

= P(A|B1) . P(B1) + P(A\B2) . P(B2) + P(A\B3) . P(B3)

+ P(A\B4) . P(B4)

Gambar 3.7 Ilustrasi hubungan peristiwa Mutually exclusive dengan peristiwa lain pada
ruang sampel yang sama

Sekarang jika persoalan diubah dan diasumsikan bahwa peristiwa A telah terjadi.
Bagaimana menentukan probabilitas masing-masing peristiwa Bi juga terjadi? Jika peristiwa
A telah terjadi, maka ruang sampel menjadi berkurang seperti yang ditunjukkan gambar 3.8.

Gambar 3.8. Pengurangan ruang sampel jika A sudah terjadi

Dari gambar 3.8 dapat dimengerti bahwa :

( ) ( )( ) ( )( )
( )
( ) ∑ ( ) ∑ ( ) ( )

Persamaan (3.15) di atas disebut Formulasi Bayes.

Vendor I, II, III, dan IV menyediakan seluruh keperluan bantalan bush yang dibeli oleh
perusahaan Sumber Teknik sebanyak masing-masing 25%, 35%, 10%, dan 30%. Dari
pengalaman selama ini diketahui bahwa vendor I, II, III, dan IV masing-masing mengirimkan
20%, 5%, 30%, dan 10% bantalan bush yang cacat. Maka probabilitas bahwa sebuah
bantalan yang dipilih secara acak merupakan bantalan yang cacat dapat dihitung sebagai
berikut. Misalkan A adalah peristiwa pemilihan sebuah bantalan yang cacat, dan B1 B2 B3
dan B4 adalah peristiwa pemilihan bantalan dari vendor I, II, III, dan IV. Maka:
4

P(A) = ∑ P (A i )= ∑ P (A i ).P( )
i=1 i=1

= P(A\B1) . P(B1) + P(A\B2) . P(B2) + P(A\B3) . P(B3) + P(A\B4) . P(B4)

= (0,2)(0,25) + (0,05)(0,35) + (0,3)(0,1) + (0,1)(0,3)

= 0,1275

Kemudian jika terpilih sebuah bantalan cacat, maka probabilitas bantalan cacat itu berasal
dari vendor III adalah:

( ) ( ) ( ) ( )( )
( )
( ) ( )

3.3 Teknik Enumrasi (Pencacahan)

Dalam menentukan probabilitas dari peristiwa-peristiwa majemuk yang kompleks, suatu


enumerasi (pencacahan) peristiwa-peristiwa yang berkaitan sering kali menjadi sulit. Untuk
itu terdapat beberapa teknik yang dapat memudahkan.

3.3.1 Pohon Probabilitas

Seringkali di dalam penerapannya suatu eksperimen yang diulang-ulang menjadi


sangat rumit dan terdiri dari beberapa tahap. Dalam mengevaluasi probabilitas yang
berkaitan dengan eksperimen serupa itu, pohon probabilitas merupakan alat bantu
grafis yang memudahkan. Misalkan, dalam tahap pertama, salah satu dari dua
peristiwa A1 atau A2 dapat terjadi. Selanjutnya dalam tahap kedua salah satu dan
tiga peristiwa B1, B2, atau B3 dapat terjadi. Ruang sampel untuk eksperimen dua
tahap mi dapat digambarkan dalam pohon probabilitas seperti yang terlihat pada
Gambar 3.9.

B1 P(B1| A1)
P(A1 B1)
A1 P(A1) B2 P(B2| A1)
P(A1 B2)
B3 P(B3| A1)
P(A1 B3)

B1 P(B1| A2)
P(A2 B1)
A2 P(A2) B2 P(B2| A2)
P(A2 B2)
B3 P(B3| A2)
P(A2 B3)
Gambar 3.9 Pohon Probabilitas

Perlu diperhatikan bahwa probabilitas pada setiap cabang dapat dikalikan untuk
mendapatkan probabilitas pada bagian paling kanan. Sehingga didapatkan misalnya:

P(A1 B1) = P(A1) . P(B1A1) ; P (A1 B2) = P (A1) . P (B2A1); ……dst

Contoh 3.11

 Processor pengindra posisi merupakan bagian dari sistem navigasi suatu pesawat
udara. Karena menurut data penerbangan sistem navigasi ini gagal berfungsi sekali
dalam setiap dua ratus penerbangan, maka perlu diadakan pengujian. Hasil test
menunjukkan bahwa saat sistem navigasi gagal berfungsi, 90% disebabkan kerusakan
processor pengindra posisi dan 10% oleh sebab yang lain. Sementara itu saat sistem
navigasi berfungsi baik, 99% processor pengindra posisi dalam kondisi baik dan hanya
1% sistem navigasi tetap berfungsi dengan processor yang rusak. Dengan
mendefinisikan A1 = sistem navigasi gagal berfungsi, A2 = sistem navigasi berfungsi
baik, B1 = processor rusak. B2 = processor baik, pohon probabilitas dari peristiwa-
peristiwa tersebut ditunjukkan pada Gambar 3.11.

B1 90/100
A1 1/200 P(A1 B1) = 9/2000 = 0,0045
B2 10/100
P(A1 B2) = 1/2000 = 0,0005

B1 1/100
A2 199/200 P(A2 B1) = 199/20000 = 0,0095
B2 99/100
P(A2 B2) = 19701/20000 = 0,98505

Gambar 3.10 Pohon probabilitas Contoh 3.11

 Jika suatu ketika, dalam sebuah penerbangan, processor utama dalam rangkaian
elektronika pengindra posisi rusak, maka probabilitas sistem navigasi gagal berfungsi
adalah:

( ) ( )
( )
( ) ( ) ( )
= 0,31142

3.3.2 Analisis Kombinatorial

3.3.2.1 Prinsip Dasar

Jika sebuah peristiwa dapat terjadi dengan salah satu dari n1 cara berlainan dan apabila
masing-masing cara bisa terjadi dengan n2 cara yang berlainan pula, maka banyaknya cara
yang mungkin bagi peristiwa tersebut untuk bisa terjadi adalah n1n2.

3.3.2.2 Permutasi

Suatu permutasi dari n objek yang berbeda di mana pada setiap pemilihan diambil sebanyak
r objek adalah suatu cara penyusunan r objek dari n objek tersebut dengan memperhatikan
urutan susunannya. Didefinisikan:

nPr = P(n, r) = Pn,r = ( )

di mana:

n!=n(n - 1)(n - 2) ... (2)(1) dan didefinisikan 0! = 1

3.3.2.3 Kombinasi

Suatu kombinasi dari n objek yang berbeda di mana pada setiap pemilihan diambil
sebanyak r objek adalah suatu cara penyusunan r objek dari n objek tersebut tanpa
memperhatikan urutan susunannya. Didefinisikan:

nCr = C(n, r) = Cn,r = ( )

Contoh 3.12

Sepuluh buah katup akan digunakan dalam sebuah sistem pemipaan. Namun diketahui 3 di
antaranya rusak. Kemudian secara acak dipilih 3 katup dari 10 katup tersebut, sehingga
probabilitas bahwa yang terpilih sekurang-kurangnya 2 adalah katup rusak dapat ditentukan
sebagai berikut :

Banyaknya seluruh cara memilih 3 katup dari 10 katup yang ada (urutan tidak diperhatikan)
merupakan ukuran ruang sampel:

10
n( )= 10 3= =120 cara
37

Jika:
Peristiwa A = {terpilih sekurang-kurangnya 2 katup rusak} dapat berupa peristiwa B =
(terpilih 3 katup rusak dan 0 katup baik) atau C = {terpilih 2 katup rusak dan 1 katup baik}

Maka:

Banyaknya cara memilih 3 katup rusak dan 0 katup baik yang artinya memilih 3 katup dari 3
katup yang rusak dan 0 katup dari 7 yang baik merupakan banyaknya peristiwa B:

3 3
n( )=( 3 3 )( 7 0 )= ( )( ) =1
3 (3 3) 0 (7 1)

Banyaknya cara memilih 2 katup rusak dan 1 katup baik yang artinya memilih 2 katup dari 3
katup yang rusak dan / katup dari 7 yang baik merupakan banyaknya peristiwa C:

3 3
n( )=( 3 2 )( 7 1 )= ( )( ) =21
3 (3 2) 1 (7 1)

Sehingga probabilitas yang terpilih sekurang-kurangnya 2 katup rusak adalah:

P(A) = P(B  C) = P(B) + P(C) - P(B C)  P(B C) = 0 (mutually exclusive)

P(A) = P(B  C) = P(B) + P(C)

n( ) n( ) 1 21 22 11
= = = =
n( ) n( ) 120 120 120 60

3.4 Soal-Soal Latihan

1. Berilah contoh-contoh untuk masing-masing kombinasi peristiwa majemuk berikut:

(a) peristiwa dengan probabilitas bersyarat

(b) peristiwa yang saling bebas dan yang saling terikat

(c) peristiwa yang mutually exclusive dan yang tidak mutually exclusive

2. Seperti terlihat pada gambar di bawah ini, sebuah jarum dengan panjang 10 cm dapat
berputar bebas pada sumbu tengahnya yang terletak di antara dua garis paralel yang
berada pada jarak 5 cm. Jika jarum tersebut diputar dan berhenti secara acak,
berapakah probabilitas bahwa jarum akan berhenti pada posisi yang memotong garis-
garis sejajar tersebut?

10 cm
5 cm
3. Sebuah sistem mekanik memerlukan dua fungsi sub-sistem yang saling berkaitan.
Skema penyederhanaan sistem tersebut terlihat dalam gambar di bawah ini. Terlihat
bahwa A harus berfungsi dan sekurangnya salah satu dari B harus berfungsi dan
sekurangnya salah satu dari B harus berfungsi agar sistem mekanik itu bekerja baik.
Diasumsikan bahwa komponen-komponen B bekerja dengan tidak tergantung
(independent) satu sama lain dan juga pada komponen A. Probabilitas komponen
berfungsi baik adalah untuk A = 0,9 dan masing-masing B = 0,8. Hitunglah probabilitas
sistem mekanik tersebut berfungsi dengan baik!

B1

input A output

B2

4. Sebuah perusahaan konsultan komputer baru-baru ini mengajukan penawaran untuk


tiga buah proyek. Misalkan dinotasikan A1 = {proyek i yang disetujui) untuk i = 1, 2, 3 dan
P(A1) = 0,22, P(A2) = 0,25, P(A3) = 0,28, P(A1 A2) = 0,11, P(A1 A3) = 0,05, P(A2 A3)
= 0,07, serta P(A1 A2 A3) = 0,01. Nyatakan dengan kata-kata apa yang dimaksud
dengan peristiwa-peristiwa berikut ini dan kemudian hitung probabilitasnya:

(a) A1  A2 (d) ̅A̅̅1̅ ̅̅


A̅2̅ ̅A̅̅3̅

(b) ̅A̅̅1̅ ̅A̅̅2̅ (e) ̅A̅̅1̅ ̅̅


A̅2̅ ̅A̅̅3̅

(c) A1  A2  A3 ̅̅̅1̅
(f) (A ̅̅
A̅2̅) A3

5. Sebuah pabrik manufaktur mempunyai stock (persediaan) 9 jenis motor penggerak yang
berbeda, 2 di antaranya dibuat oleh perusahaan sama. Di pabrik tersebut motor-motor
harus dipisahkan ke dalam 3 jalur produksi dengan masing-masing jalur dilalui 3 jenis
motor. Jika penempatan motor-motor tersebut ke dalam jalur produksi dilakukan secara
acak, tentukan probabilitas bahwa kedua motor yang dibuat perusahaan yang sama itu
masuk ke dalam jalur produksi pertama?

6. Suatu fasilitas produksi mempekerjakan 20 orang karyawannya pada shift pagi, 15


karyawan pada shift sore, dan 10 orang karyawan pada shift malam. Seorang konsultan
kontrol mutu ingin memilih 6 orang karyawan untuk suatu wawancara. Misalkan
pemilihan ini dilakukan sedemikian rupa sehingga kelompok 6 orang tertentu tersebut
memiliki kesempatan yang sama untuk terpilih seperti halnya kelompok lainnya,
tentukanlah:

(a) Probabilitas bahwa 6 karyawan yang terpilih seluruhnya berasal dari shift pagi.

(b) Probabilitas bahwa 6 karyawan yang terpilih seluruhnya berasal dari shift yang
sama.

(c) Probabilitas bahwa 6 karyawan yang terpilih sekurang-kurangnya berasal dari dua
shift yang berbeda.

7. Suatu eksperimen kimia mengkaji efek dari temperatur, tekanan, dan pemakaian zat
katalis terhadap kecepatan suatu reaksi kimia. Eksperimen tersebut akan dilakukan
pada tiga temperatur berbeda, empat tekanan berbeda, dan menggunakan lima jenis
katalis yang berbeda.

(a) Jika untuk sebuah eksperimen yang dilakukan pada suatu temperatur dan tekanan
tertentu serta menggunakan satu jenis katalis, tentukan berapa kali banyaknya
eksperimen yang harus dilakukan.

(b) Berapakah jumlah eksperimen yang dilakukan pada temperatur terendah dan dua
tekanan tertinggi?

8. Sebuah toko penjual ban mobil menjual ban-ban buatan dalam negeri dan buatan luar
negeri serta memberikan pelayanan balancing dan spooring gratis untuk setiap
pembelian ban baru. Jika:

A = (ban yang dibeli pelanggan adalah buatan dalam negeri)

B = (ban yang dibeli harus dibalancing segera setelah dipasang)

C = (ban yang dibeli haru dispooring segera setelah dipasang)

Probabilitas yang berkaitan dengan ketiga peristiwa di atas adalah:

̅ ) = 0,8 ; P(C\A
P(A) = 0,75 ; P(B\A) = 0,9 ; P(B|A B) = 0,8;

P(C\A ̅ ) = 0,6 ; P(C\ ̅ B) = 0,7 ; P(C\ ̅ n ̅ ) = 0,3

Pertanyaan:

(a) Gambar pohon probabilitas dari peristiwa-peristiwa di atas.

(b) Hitung P(A n B n C) ; P(B n C) ; P(Q.


(c) Jika sebuah ban memerlukan balancing dan spooring berapa probabilitas bahwa
ban tersebut buatan dalam negeri?

9. Seandainya seseorang penumpang pesawat terbang dari Jakarta ke Surabaya dengan


menggunakan maskapai penerbangan X dan kembali dari Surabaya ke Jakarta dengan
maskapai penerbangan K Jika A = {bagasi penumpang hilang dalam penerbangan
dengan maskapai X}; B = {bagasi penumpang hilang dalam penerbangan dengan
maskapai K}, dan A serta B adalah peristiwa-peristiwa saling bebas di mana berturut-
turut P(A) > P(B), P(A B) = 0,0002 dan P(A  B) = 0,03. Tentukanlah:

(a) P (A)?

(b) P (B)?

10. Sebuah pesawat pemancar (transmitter) mengirimkan pesan-pesan dengan meng-


gunakan kode-kode biner yang merupakan barisan angka-angka 0 dan 1 yang disebut
bit. Setiap bit yang dipancarkan (0 atau 1) harus melalui tiga buah relay untuk sampai di
pesawat penerima (receiver). Pada setiap relay terdapat kemungkinan sebesar 20%
bahwa bit yang dikirimkan berbeda (berlawanan) dari yang diterima. Jika setiap relay
bekerja secara bebas:

(a) Gambarkan diagram sistem mulai dari pemancar sampai pesawat penerima dan
gambarkan pula pohon probabilitas yang bersesuaian.

(b) Jika bit 1 dikirim dari pesawat pemancar, berapakah probabilitas bahwa bit 1 akan
dikirim oleh ketiga relay?

(c) Jika bit 1 dikirim dari pesawat pemancar, berapakah probabilitas bahwa bit 1 yang
akan sampai di pesawat penerima?

(d) Seandainya 70% dari seluruh bit yang dikirim adalah 1. Jika sebuah bit 1 diterima
oleh pesawat penerima, berapakah probabilitas bahwa bit 1 yang dikirim dari
pesawat pemancar?
BAB IV

DISTRIBUSI PROBABILITAS
BAB IV

Distribusi Probabilitas

Tujuan Pembelajaran

Setelah mempelajari bab ini, pembaca diharapkan mampu:


 Mengidentifikasi dan membedakan variaber acak diskrit dan kontinu.
 Memahami dan menggunakan konsep-konsep distribusi probabiritas fungsi
probabiritas, diskrit, dan fungsi distribusi kumuratif variaber acak diskrit.
 Memahami dan menggunakan konsep distribusi probabiritas kontinu, fungsi
kepadatan probabiritas, dan fungsi distribusi kumuratif variaber acak kontinu.
 Memahami dan menggunakan distribusi probabiritas dengan parameter.
 Memahami dan menggunakan konsep nirai harapan (harapan matematik).

Pokok Bahasan:

4.1 Variabel Acak


4.2 Distribusi Probabilitas Diskrit
4.3 Distribusi Probabilitas Kontinu
4.4 Distribusi Probabilitas Dengan parameter
4.5 Nilai Harapan (Harapan Matematik)
4.6 Soal-soal Latihan

4.1 Variabel Acak


Eksperimen probabilitas memiliki keluaran (outcome) yang bisa berupa
suatu nilai numerik (angka/bilangan), suatu cacahan/hitungan, atau suatu hasil
pengukuran (measurement). Variabel acak (random variable), biasa ditandai
dengan sebuah simbol seperti X, adalah variabel yang memiliki sebuah nilai
numerik tunggal untuk setiap keluaran dari sebuah eksperimen probabilitas.
Jadi X dapat bernilai angka berapapun tergantung pada keluaran yang
mungkin dihasilkan dari eksperimen. Dengan kata lain, nilai tertentu dari X
dalam sebuah eksperimen adalah suatu kemungkinan keluaran yang acak.
Variabel acak diskrit adalah variabel acak yang memiliki nilai yang
dapat dicacah (countable). Sementara variabel acak kontinu memiliki nilai yang
tak terhingga banyaknya sepanjang sebuah interval yang tidak terputus.
Variabel acak kontinu biasanya diperoleh dari hasil pengukuran.

4.2 Distribusi Probabilitas Diskrit

4.2.1 Fungsi Probabilitas


Jika pada sebuah eksperimen probabilitas didaftarkanlah seluruh
keluaran yang mungkin dari variabel diskrit X, yakni x1, x2, x3, ...., xn, dan
kemudian didaftarkan pula nilai probabilitas yang berkaitan dengan
keluaran tersebut, yaitu P(X = x1), P( X = x2), P( X = x3), ....., P( X = xn)
(biasa dinotasikan juga dengan p(x1), p(x2), p(x3), ...., p(xn)) maka telah
dibentuk suatu distribusi probabilitas diskrit dari variabel X.
Pernyataan matematis P(X = x) = p(x), yang dibaca “probabilitas X
menyandang nilai x”, disebut fungsi probabilitas (probability function/pf 1)
dari variabel acak X. Perlu dicatat bahwa p(x) didefinisikan bernilai nol
untuk setiap nilai x yang tidak dikaitkan dengan suatu keluaran yang ada
dalam ruang sampel. Terdapat dua aturan yang harus dipenuhi:
1. Nilai-nilai dari suatu fungsi probabilitas adalah angka-angka yang
berada dalam interval antara 0 dan 1. Jadi nilai-nilai fungsi yang
ungkin akan selalu berada dalam interval 0 < p(x) < 1.
2. Jumlah seluruh nilai fungsi probabilitas adalah 1. Jadi ∑ p(x) = 1.

Contoh 4.1
Pada sebuah eksperimen untuk menghitung probabilitas dari satu kali
melempar dua buah dadu secara bersamaan diperoleh berikut ini
distribusi probabilitas dari jumlah mata dadu yang muncul:

Ruang sampel eksperimen adalah pasangan mata dadu yang mungkin:

(1,1) (1,2) (1,3) (1,4) (1,5) (1,6)

(2,1) (2,2) (2,3) (2,4) (2,5) (1,6)

(3,1) (3,2) (3,3) (3,4) (3,5) (3,6)

(4,1) (4,2) (4,3) (4,4) (4,5) (4,6)

(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)

(6,1) (6,2) (6,3) (6,4) (6,5) (6,6)

1
Beberapa buku teks statistik menyebutkan fungsi probabilitas sebagai
“fungsi massa probabilitas/probability mass function (pmf)”.

Jika X adalah variabel acak diskrit yng menyatakan jumlah mata dadu
yang mungkin muncul, maka X = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}

Distribusi probabilitas untuk masing-masing nilai variabel X membentuk


fungsi probabilitas sebagai berikut:

P(X = 2) = p(2) = 1/36 P(X = 8) = p(8) = 5/36


P(X = 3) = p(3) = 2/36 P(X = 9) = p(9) = 4/36
P(X = 4) = p(4) = 3/36 P(X = 10) = p(10) = 3/36
P(X = 5) = p(5) = 4/36 P(X = 11) = p(11) = 2/36
P(X = 6) = p(6) = 5/36 P(X = 12) = p(12) = 1/36
P(X = 7) = p(7) = 6/36

Fungsi Probabilitas untuk variabel diskrit seperti di atas dapat ditampilkan


dalam bentuk grafik batang seperti ditunjukkan pada Gambar 4.1.
Gambar 4.1 Grafik batang fungsi probabilitas.

4.2.2 Fungsi Distribusi Kumulatif


Selain fungsi probabilitas dikenal pula suatu fungsi distribusi kumulatif
(cumulative distribution function/cdf 2), yang didefinisikan sebagai:

F(x) = P(X < x) =


(4.1)

Jadi fungsi distribusi kumulatif F(x) adalah jumlah dari seluruh nilai
fungsi probabilitas untuk nilai X sama atau kurang dari x. Fungsi distribusi
kumulatif (cdf) sering ditampilkan dalam bentuk grafik tangga (step).

Contoh 4.2
Dari fungsi probabilitas jumlah mata dadu yang muncul pada eksperimen
melempar dua mata dadu dalam Contoh 4.1 dapat dibentuk fungsi
distribusi kumulatif (cdf) sebagai berikut:

2
Beberapa buku teks statistik menyebutkan fungsi distribusi kumulatif
sebagai “fungsi distribusi” saja.
Dalam bentuk grafik tangga (step) ditunjukkan dalam Gambar 4.2.

Gambar 4.2 Grafik tangga fungsi probabilitas kumulatif.

Pada contoh di atas, distribusi probabilitas yang diperoleh merupakan


hasil kajian intuitif, karena pada eksperimen yang nyata (katakanlah
dengan 36 kali melempar dadu-dadu), distribusi probabilitas yang
diperoleh belum tentu tepat seperti yang diperoleh di atas. Namun jika
eksperimen probabilitas dilakukan berulang banyak kali, distribusi
frekuansi relatif yang diperoleh diperkirakan akan mendekati distribusi
probabilitasnya. Dengan kata lain, konsep distribusi probabilitas
merupakan pendekatan yang bisa dipakai untuk mengetahui distribusi
frekuensi relatif dari populasi yang dikaji.

Ukuran-ukuran statistik deskriptif untuk suatu distribusi probabilitas


diskrit dapat ditentukan dengan prinsip-prinsip yang sudah dibahas pada
Bab 2. Berikut ini adalah dua ukuran penting yang mewakili ukuran
pemusatan dan ukuran penyebaran yang paling banyak digunakan:

Mean dari distribusi:

µx = (4.2)

Varians dari distribusi:

(4.3)

Contoh 4.3

Mean dan varians dari distribusi probabilitas jumlah mata dadu yang
muncul pada eksperimen melempar dua mata dadu seperti yang
ditunjukkan dalam Contoh 4.1 adalah:

Mean:

µx = = (2)(1/36) + 3(2/6) + (4)(3/6) + .... + (12)(1/36) = 7

Varians:

= (2 – 7)2(1/36) + (3 – 7) 2(2/36) + ... + (12 – 7)2(1/36) = 35/6 ≈


5,83
4.3 Distribusi Probabilitas Kontinu

4.3.1 Fungsi Kepadatan Probabilitas

Secara teoritis untuk variabel acak kontinu, kurva distribusi probabilitas


populasi diwakili oleh poligon frekuensi relatif yang dimuluskan. Kurva ini
dapat dinyatakan oleh suatu fungsi kontinu, misalnya f(x), seperti
ditunjukkan pada Gambar 4.3. Fungsi f(x) ini disebut sebagai fungsi
kepadatan probabilitas (probability density function/pdf).

Secara imajinatif dapat dibayangkan bahwa fungsi kepadatan


probabilitas (pdf) menggambarkan besarnya probabilitas per unit interval
nilai variabel acaknya. Seperti ditunjukkan pada Gambar 4.3, luas daerah
di bawah grafik f(x) yang dibatasi oleh sumbu-x antara garis x = a dan x =
b menyatakan probabilitas bahwa X terletak antara a dan b. Secara
matematik ini dinotasikan sebagai:

P(a < X < b) = p(a < x < b) = ∫ ( ) (4.4)

Dengan demikian secara umum probabilitas sebuah variabel acaka


kontinu X mengambil nilai pada suatu interval antara x dan x + dx dapat
dinyatakan dalam

Gambar 4.3 Fungsi kepadatan probabilitas (pdf).

suatu notasi matematika:

P(x < X < x + dx) = ∫ ( ) (4.5)


Dari uraian di atas dapat dipahami bahwa agar sebuah fungsi f(x)
dapat menjadi sebuah pdf dari suatu variabel acak kontinu harus dipenuhi
syarat:

1. Fungsi kepadatan probabilitas (pdf): f(x) > 0 (non-negatif).


2. Integral ∫ ( ) (luas total daerah di bawah kurva f(x) = 1).

Dalam aplikasinya, fungsi f(x) sebaiknya sedapat mungkin berupa


kurva yang baik yang sesuai dengan data dalam situasi sebenamya.
Melalui analogi matematis dengan variabel acak diskrit, dapat
dianggap yang menjadi fungsi probabilitas (pf) untuk variabel acak kontinu
adalahf f(x)dx sehingga berlaku 0 < f(x)dx < 1.
Dari uraian di atas dapat pula dipahami bahwa untuk variabel kontinu,
penentuan nilai probabilitas hanya bisa dilakukan untuk suatu interval nilai
dari variabel acaknya karena probabilitas untuk suatu nilai variabel
tertentu adalah

P(X = c) = p(c) = ∫ ( ) = 0.

Contoh 4.4
 Dalam suatu proses produksi obat-obatan, suatu bahan kimia harus
dipanaskan dalam oven terlebih dahulu sebelum dapat diproses
selanjutnya. Oven dapat dipergunakan setiap selang waktu 5 menit.
Namun karena variasi waktu dalam persiapannya, bahan kimia
tersebut tidak selalu tersedia pada saat yang bersamaan dengan saat
oven siap dipakai. Jadi jika terlambat bahan kimia tersebut harus
menunggu sampai waktu oven siap kembali digunakan. Jika X variabel
acak kontinu yang menyatakan waktu tunggu bahan kimia sampai bisa
dipanaskan dalam oven, maka himpunan nilai X yang rnungkin adalah
X = { 0 < x < 5}. Salah satu fungsi kepadatan probabilitas (pdf) bagi X
adalah:
f(x) = {

Grafik dari pdf di atas ditunjukkan pada Gambar 4.4. Dari grafik jelas
bahwa f(x) > 0 dan luas di bawah kurvanya adalah (5)(1/5) = 1.
 Probabilitas waktu tunggu bahan kimia selama 1 sampai 3 menit
adalah:

 Probabilitas waktu tunggu bahan kimia tersebut lebih dari 3,5 menit
adalah:

Gambar 4.4 Fungsi kepadatan probabilitas (pdf) untuk Contoh 4.4.

4.3.2 Fungsi Distribusi Kumulatif

Untuk setiap fungsi kepadatan probabilitas f(x) terdapat sebuah fungsi


terkait F(x) yang disebut fungsi distribusi kumulatif (cdf), yang
didefinisikan sebagai:

F(x) = P(X ≤ x) = ∫ ( )
(4.6)
Bila diperhatikan bahwa fungsi ini tidak lain menyatakan probabilitas
bahwa X kurang dari sebuah nilai tertentu. Hubungan secara geometris
antara grafik F(x) dengan f(x) ditunjukkan oleh Gambar 4.5.

Dengan memperhatikan hubungan antara cdf dengan pdf pada gambar


4.5 maka dapat dipahami bahwa:

P(b ≤ X ≤ c) = ∫ ( ) -∫ ( ) = F(c) - F(b)


(4.7)

Gambar 4.5 hubungan pdf dengan cdf.

Contoh 4.5

 Misalkan pdf dari besarnya beban dinamik X pada sebuah jembatan


(dalam kN) dinyatakan sebagai fungsi:

f(x) = {

Maka untuk sembarang nilai x antara 0 dan 2, fungsi distribusi


kumulatif (cdf) beban dinamik tersebut adalah:
Jadi:

 Probabilitas beban dinamik pada jembatan antara 1 sampai 1,5 kN


adalah:

Gambar 4.6 Hubungan pdf dengan cdf Contoh 4.5.

Ukuran-ukuran statistik deskriptif untuk suatu distribusi probabilitas


kontinu dapat ditentukan dengan prinsip-prinsip yang sudah dibahas pada
Bab 2. Berikut ini adalah dua ukuran penting yang mewakili ukuran
pemusatan dan ukuran penyebaran yang paling banyak digunakan:

Mean dari distribusi:

(4.8)
Varians dari distribusi:

= ∫( µx )2 f(x)dx (4.9)

4.3.3 Histogram Distribusi Probabilitas


Dalam aplikasi praktis, banyak kondisi di mana metode statistik yang
digunakan melibatkan variabel acak kontinu yang bisa mempunyai nilai
numerik berapapun, di antara nilai terendah dan tertinggi yang mungkin.
Dimensi-dimensi dari bagian-bagian hasil manufaktur masuk ke dalam
kategori ini, demikian pula halnya sifat-sifat sebagian besar material
seperti kekuatan luluh, modulus elastisitas, kepadatan, dan viskositas.
Namun dalam prakteknya, nilai-nilai yang terukur oleh alat-alat
pengukuran sangat tergantung pada batas kemampuan/ketelitian alat
ukur dan juga pada apakah pengambilan data dilakukan terhadap sampel
yang terbatas jumlahnya. Kemudian salah satu cara menyajikan data
adalah dalam bentuk histogram dari distribusi frekuensi, seperti yang
sudah dibahas pada Bab 2 mengenai Statistik Deskriptif.
Penggunaan histogram lebih lanjut lagi adalah untuk menyajikan suatu
distribusi probabilitas dari sebuah variabel acak kontinu yang disebut
sebagai histogram probabilitas. Dengan menggunakan definisi fungsi
kepadatan probabilitas pada distribusi variabel acak kontinu dan
memperhatikan kembali Garnbar 4.3 maka dalam membuat histogram
probabilitas perlu diperhatikan bahwa ketinggian sebuah batang
histogram merupakan nilai fungsi kepadatan probabilitas untuk seluruh
nilai variabel acak sepanjang interval yang diwakili oleh batang tersebut.
Dengan kata lain, luas dari sebuah batang histogram merupakan nilai
fungsi probabilitas dari variabel acak antara batas-batas kelasnya. Jadi:
Tinggi histogram= (4.10)

di mana:
xlb = batas bawah nyata (lower boundary) interval kelas
xub = batas atas nyata (upper boundary) interval kelas

Contoh 4.6
 Akan digunakan kembali distribusi frekuensi yang terdapat dalam
Contoh 2.3 dan 2.4 pada Bab 2 mengenai data breaking stress dalam
pengujian suatu logam yung dipresentasikan dalam bentuk histogram.
Histogram tersebut merupakan histogram distribusi frekuensi. Jika
dengan data tersebut hendak dibuat suatu histogram distribusi
probabilitasnya, maka harus dilakukan perubahan ketinggian batang
histogram sesuai dengan Persamaan (4. l0).

 Sebagai contoh, kita tinjau interval kelas 1100-1199 dengan frekuensi


29. Maka pada interval kelas tersebut:
xlb = 1099,5
xub = 1199,'5
p(xlb ≤ x < xub) = p(x1099,5 ≤ x < x1199,5 )
= rasio frekuensi kelas (x1099,5 ≤ x < x1199,5 )
= 29/100 = 0,29
Maka tinggi histogram probabilitasnya:

 Hasil perhitungan untuk interval kelas lainnya ditunjukkan pada tabel


berikut:
 Histogram yang dihasilkan ditunjukkan pada Gambar 4.7.

Gambar 4.7 Histogram distribusi probabilitas.

4.4 Distribusi Probabilitas dengan Parameter


Jika sebuah distribusi probabilitas yang memiliki fungsi probabilitas p(x)
tergantung pada sebuah kuantitas yang dapat bemilai sembarang di mana
setiap nilai yang berbeda dari kuantitas tersebut akan membentuk distribusi
probabilitas yang berbeda pula, maka kuantitas tersebut dinamakan parameter
distribusi. Kumpulan seluruh distribusi probabilitas yang terbentuk dengan
berbagai nilai yang berbeda dari parameternya disebut sebagai keluarga
distribusi probabilitas.
Sebuah fungsi probabilitas p(x) yang rnemiliki parameter α dinotasikan secara
matematik dengan p(x ; α).

Contoh 4.7
 Suatu eksperimen biokimia menggunakan tikus-tikus putih yang telah diberi
vaksin baru untuk memperoleh kekebalan terhadap suatu penyakit. Dalam
pengujian efektivitas vaksin tersebut, virus penyebab penyakit disuntikkan
pada tikus-tikus putih itu. Setelah ditunggu beberapa waktu, tikus yang
kekebalannya tidak memadai akan mati (M) sedang yang kekebalannya
memadai tetap hidup (H). eandainya α adalah probabilitas seekor tikus
putih tetap hidup, maka P(H) = α dan P(M) = 1 - α. Kemudian jika sebuah
variabel acak X menyatakan jumlah tikus yang diamati sampai didapati
seekor tikus putih yang tetap hidup, maka distribusi probabilitas dari X
dapat ditentukan sebagai berikut:

Maka fungsi probabilitas dari X dapat dinyatakan dalam bentuk fungsi


dengan parameter α:

Gambar 4.8 menunjukkan grafik untuk α = 0,2 dan α = 0,5 yang merupakan
anggota dari keluarga distribusi probabilitas berparameter α tersebut.

Gambar 4.8 Histogram distribusi probabilitas dengan parameter.

4.5 Nilai Harapan (Harapan Matematik)


Jika X menyatakan suatu variabel acak diskrit yang dapat mengambil nilai x1,
x2, x3,..., xn, yang masing-masing mempunyai probabilitas p(x1), p(x2), p(x3),...,
p(xn) di mana p(x1) + p(x2) + p(x3) +...,+ p(xn) = 1, maka nilai harapan/harapan
matematik dari X yang dinyatakan sebagai E(X) didefinisikan sebagai:
(4.11)

Dengan prinsip yang sama, unfuk suatu variabel acak kontinu X yang dapat
mengambil setiap nilai x yang memiliki probabilitas f(x)dx, nilai harapan
dinyatakan sebagai:
E(X) = ∫ ( ) (4.12)
Jika dibandingkan persamaan (4.11) dengan (4.2) dan persamaan (4.12)
dengan (4.8) dapat dipahami bahwa nilai harapan E(x) merupakan mean
aritmetika dari variabel X. Selanjutnya dengan menggunakan nilai harapan,
varians dari distribusi probabilitas dapat ditentukan dengan hubungan berikut
(penurunan hubungan diserahkah kepada pembaca sebagai latihan):
(4.13)
Contoh 4.8
Pemakaian mesin produksi tertentu yang berjalan lancar (tanpa kerusakan)
memberi keuntungan Rp. 5 jua, sedangkan jika terdapat gangguan ringan
memberi keuntungan hanya Rp.l juta. Namun, jika gangguannya berat, terjadi
kerugian Rp.2 juta. Pengalaman menunjukkan probabilitas mesin berjalan
normal adalah 0,6, berjalan dengan gangguan ringan 0,3, sedangkan
gangguan berat hanya 0,1. Maka harapan keuntungan yang diperoleh dari
pemakaian mesin produksi tersebut dihitung sebagai berikut:

Variabel acak diskrit X adalah keuntungan (dalam juta) dengan nilai x 1 = 5, x2 =


l, dan x3 = -2, dengan probabilitas p(x1) = 0,6, p(x2) = 0,3, dan p(x3) = 0,1. Maka
harapan keuntungan:

Jadi harapan keuntungan memakai mesin produksi tersebut adalah Rp. 3,1
juta.

4.6 Soal-Soal Latihan


1. Di sebuah pabrik kimia terdapat dua buah blok fasilitas yang menggunakan
masing-masing 6 dan 4 buah pompa. Tentukan nilai-nilai yang mungkin dari
variabel acak berikut ini:
(a) T = {jumlah total pompa yang sedang beroperasi}
(b) X = {perbedaan jumlah pompa yang beroperasi antara blok pertama
dengan kedua)
(c) U = {jumlah maksimum pompa yang beroperasi pada masing-masing
blok}.
2. Tiga buah mobil dipilih secara acak dan diperiksa mesinnya apakah bertipe
mesin bensin (B) atau mesin diesel (D). Jika X menyatakan jumlah mobil
diantara tiga mobil yang bermesin diesel, tentukanlah dishibusi probabilitas
dari X.
3. Pada suatu eksperimen di bidang transportasi, setiap kendaraan yang
melewati sebuahpersimpangan diamati untuk mengetahui apakah
kendaraan tersebut akan belok ke kiri (z) atau ke kanan (R) atau tetap terus
(A). Eksperimen dihentikan bila teramati sebuah kendaraan berbelok ke kiri.
Jika x adalah jumlah kendaraan yang diamati, tentukan distribusi probabilitas
dari X.
4. Misalkan x = Uumlah roda gigi (gear) yang rusak dalam gear box sistem
transmisi sebuah mesin bubut), tentukan:
a. Yang mana dari tiga fungsi p(x) di bawah ini yang memenuhi syarat
sebagai sebuah fungsi probabilitas untuk X.

b. Untuk fungsi p(x) yang memenuhi syarat sebagai fungsi probabilitas


hitunglah P(2≤ X ≤ 4), P(X ≤ 2) dan p(X ≠ 0).
5. Sebuah perusahaan manufaktur umumnya merniliki program kendali mutu
(quatity control) yang salah satunya adalah pemeriksaan ada tidaknya cacat
pada material yang akan digunakan sebagai bahan produksi. Di sebuah
perusahaan pembuat komputer yang menerima motherboard dalam lot-lot
yang terdiri atas 5 buah motherboard' Pada setiap lot dua motherboard
dipilih untuk diperiksa. Keluaran (outcome) yang mungkin dari proses
pemilihan dinyatakan dalam bentuk pasangan, misalnya pasangan (1,2)
artinya pemeriksaan motherboard 1 dari 2.
a. Tentukan sepuluh keluaran berbeda yang mungkin dari pasangan
motherboard yang terpilih untuk diperiksa.
b. Misalkan hanya motherboard I dan 2 yan1 rusak dari sebuah lot. Dua
buah motherboard akan dipilih secara acak dan didefinisikan X scbagai
jumlah matherboard yang rusak dari yang diperiksa- Tentukan distribusi
probabilitas X.
c. Jika F(.r) adalah tungsi distribusi kumulatif dari X. Tentukan F(0), F(l), F(2)
dan F(x).
6. Sebuah perusahaan asuransi menawarkan kepada calon pemegang polis
asuransinya sejumlah pilihan pada tresarnya pembayaran premi yang
tergantung pada periode waktu pembayarannya. Misalkan X = (bulan
pembayaran premi), salah satu pilihan besarnya pembayaran premi yang
ditawarkan mengikuti fungsi distribusi kumulatif sebagai berikut:

a. Tentukan fungsi probabilitas X.


b. Hitung P(3 ≤ X ≤ 6) dan P(4 ≤ X).
7. Misalkan dalam sebuah pengukuran tertentu, kesalahan (error) pengukuran
tersebut dapat dinyatakan dalam sebuah variabel acak kontinu x dengan
fungsi kepadatan probabilitas (pdf):

a. Buat sketsa grafik f(x).


b. Hitung P(X > 0).
c. Hitung P (-l <X< 1).
d. Hitung P(X < 0,5 atau X > 0,5).
8. Suatu proses pengepakan otomatis suatu produk minuman terdiri atas
penuangan minuman ke dalam botol dan dilanjutkan dengan pemasangan
tutup pada botol. Jika X adalah total waktu proses pengepakan (dalam
menit) yang mengikuti fungsi kepadatan probabilitas:

9. Sebuah variabel acak kontinu X dikatakan memiliki distribusi seragam


(uniform distribution) pada interval [A,B] jika fungsi kepadatan
probabilitasnya adalah:

Artikel ilmiah mengenai pemodelan sedimen di suatu daerah menyebutkan


bahwa kedalaman (dalam cm) untuk lapisan yang masih dipengaruhi oleh
jasad renik dalam sedimen dapat dimodelkan dengan distribusi seragan pada
interval (7,5, 20).
a. Berapa rata-rata (mean) dan varians dari kedalaman lapisan tersebut?
b. Bagaimana fungsi distribusi kumulatif kedalaman lapisan tersebut?
c. Berapa probabilitas bahwa kedalam lapisan antara 10 sampai 15 cm?

10. Kebutuhan mingguan gas propana (dalam ribuan liter) unnrk suatu fasilitas
produksi diwakili oleh variabel acak kontinu X dengan pdf.

a. Tentukan fungsi distribusi kumulatif X.


Hitung E(x) dan deviasi standard, sx.
BAB V
DISTRIBUSI BERNOULLI
5.1 Distribusi Bernoulli

Dalam menangani persoalan-persoalan keteknikan, digunakan berbagai jenis


distribusi probabilitas teoritis sebagai model pendekatan untuk mengetahui distribusi
suatu populasi yang dikaji. Untuk variable acak diskrit, beberapa di antaranya yang
popular dan sering dipakai akan dibahas berikut ini.

5.1.1. Percobaan Bernoulli (Bernoulli Trial)

Suatu distribusi Bernoulli dibentuk oleh suatu percobaan Bernoulli (Bernoulli


trial). Sebuah percobaan Bernoulli harus memenuhi syarat:

1. Keluaran (outcome) yang mungkin hanya salah satu dari “sukses” atau
“gagal”
2. Jika probabilitas sukses p, maka probabilitas gagal q = 1 – p.

5.1.2. Distribusi Probabilitas Bernoulli

Dalam sebuah percobaan Bernoulli, di mana p adalah probabilitas “sukses”


dan q = 1- p adalah probabilitas gagal, dan jika X adalah variabel acak yang
menyatakan sukses, maka dapat dibentuk sebuah distribusi probabilitas
Bernoulli sebagai fungsi probabilitas sebagai berikut:

Dengan memperhatikan bentuk fungsi probabilitas Bernoulli pada persamaan


(5.2), dapat dipahami bahwa fungsi tersebut adalah fungsi dengan satu buah
parameter yaitu p.

Contoh 5.1
o Di awal tahun ajaran baru, mahasiswa fakultas teknik biasanya membeli
rapido untuk keperluan menggambar teknik. Di koperasi tersedia diua
jenis rapido, yang tintanya dapat diisi ulang (refill) dan yang tintanya harus
diganti bersama dengan cartridgenya. Data yang ada selama ini
menunjukkan bahwa 30% mahasiswa membeli rapido yang tintanya dapat
diisi ulang. Jika variabel acak X menyatakan mahasiswa yang membeli
rapido yang tintanya dapat diisi ulang, maka dapat dibentuk distribusi
probabilitas sebagai berikut:

Gambar 5.1 Distribusi Probabilitas Bernoulli dari Contoh 5.1

5.1.3. Statistik Deskriptif Distribusi Bernoulli

Tanpa penurunan secara matematik, berikut ini diberikan rumusan


bebebrapa ukuran statistik deskriptif Bernoulli.
5.2 Distribusi Binomial

Distribusi binomial adalah salah satu distribusi probabilitas yang paling sering
digunakan dalam analisis statistik modern. Di bidang teknik, distribusi ini erat
kaitannya dengan pengenalan kualitas (quality control).

5.2.1. Eksperimen Binomial

Suatu distribusi binomial dibentuk oleh suatu eksperimen binomial.


Eksperimen ini merupakan n kali percobaan Bernoulli, sehingga harus memenuhi
kondisi-kondisi berikut:

1. Jumlah percobaan n adalah konstanta yang telah ditentukan sebelumnya


(dinyatakan sebelum eksperimen dimulai)
2. Setiap pengulangan eksperimen, biasa disebut percobaan (trial), hanya
dapat menghasilkan satu dari dua keluaran yang mungkin, sukses atau
gagal.
3. Probabilitas sukses p, dan demikian pula probabilitas gagal q = 1 – p
selalu konstan dalam setiap percobaan.
4. Setiap percobaan saling bebas secara statistik, yang berarti keluaran
suatu percobaan tidak berpengaruh pada keluaran percobaan lainnya.

Contoh 5.2

Berikut ini adalah beberapa contoh eksperimen binomial:


o Suatu kuis terdiri dari 5 soal pilihan ganda dengan empat buah jawaban
alternatif. Jika seseorang yang tidak mengetahui jawaban pasti dari semua soal
tersebut namun tetap menjawab dengan cara menerka maka dia telah
melakukan eksperimen binomial. Dalam hal ini n = jumlah percobaan = jumlah
soal = 5; p = probabilitas sukses menjawab (jawaban benar) = ¼, q =
probabilitas gagal menjawab (jawaban salah) = (1 - p) = ¾.
o Dalam suatu kajian tentang ketangguhan mesin suatu jenis mobil didapati
bahwa 67 persennya memiliki jarak tempuh lebih dari 400ribu kilometer sampai
harus turun mesin (overhaul) yang pertama kalinya. Dua belas mobil jenis yang
bersangkutan dipilih secara acak dan jarak tempuh rata-rata sampai turun mesin
diperiksa. Eksperimen di atas adalah eksperimen binomial dengan n = 12, p =
0,67, q = (1 – p) = 0,33.

5.2.1. Distiribusi Probabilitas Binomial

Dalam sebuah eksperimen binomial dengan n percobaan (trial), di mana p


adalah probabilitas sukses dan q = 1 – p adalah probabilitas gagal dalam sekali
percobaan, jika suatu variabel acak X menyatakan banyaknya x sukses yang terjadi
pada n percobaan tersebut, dapat dibentuk suatu distribusi probabilitas binomial
dengan fungsi probabilitasnya:

Fungsi distribusi kumulatif dari distribusi probabilitas binomial di atas dapat


dinyatakan sebagai:
Jadi fungsi probabilitas binomial adalah fungsi dengan dua buah parameter
yaitu n dan p. Gambar 5.2 menunjukkan beberapa fungsi probabilitas binomial
dengan variasi nilai parameter n dan p.

Contoh 5.3

o Distribusi probabilitas pada Contoh 5.2, mengenai suatu kuis yang terdiri dari
5 soal pilihan ganda dengan empat buah jawaban alternatif, yang merupakan
suatu eksperimen binomial dengan n = 5, p = ¼, q = (1 – p) = ¾ dan variabel
acak diskrit (X) adalah jumlah jawaban benar, dapat ditentukan sebagai
berikut:
5.2.3. Statistik Deskriptif Distribusi Binomial

Tanpa pembuktian secara matematis, yang cukup kompleks, berikut ini


diberikan rumusan beberapa ukuran statistik deskriptif distribusi binomial.

Mean (Nilai Harapan):


5.3 Distribusi Binomial Negatif

5.3.1 Eksperimen Binomial Negatif

Suatu distribusi negatif dibentuk oleh suatu eksperimen yang


memenuhi kondisi-kondisi berikut :

1. Eksperimen terdiri dari serangkaian percobaan yang saling bebas.


2. Setiap percobaan (trial) hanya dapat menghasilkan suatu dari dua
keluaran yang mungkin, sukses atau gagal.
3. Probabilitas sukses p dan demikian pula, probabilitas gagal q = 1 – p
selalu konstan dalam setiap percobaan.
4. Eksperimen terus berlanjut (percobaan terus dilakukan) sampai sejumlah
total r sukses diperoleh, di mana r berupa bilangan bulat tertentu.

Jadi pada suatu eksperimen binomial negatif, jumlah suksesnya tertentu


sedangkan jumlah percobaannya random.

5.3.2 Distribusi Probabilitas Binomial Negatif


Apabila dalam sebuah eksperimen binomial negatif dari serangkaian
percobaan di mana p adalah probabilitas sukses dan q = 1 - p adalah probabilitas
gagal dalam setiap percobaan, maka jika variabel acak X menyatakan banyaknya x
gagal sebelum r sukses tercapai pada eksperimen tersebut, dapat diperoleh
distribusi probabilitas binomial negatif dengan fungsi probabilitasnya:

Jadi jumlah percobaan yang harus dilakukan adalah sebanyak x + r.

Fungsi distribusi kumulatif dari distribusi probabilitas binomial negatif di atas


dapat dinyatakan sebagai :

Contoh 5.5

o Di sebuah balai pemeriksaan (kir) truk angkutan berat, catatan yang ada
selama ini menunjukkan bahwa sekitar 45% kendaraan angkutan berat yang
diperiksa memenuhi persyaratan kelayakan. Banyaknya truk angkutan berat
yang diperiksa agar diperoleh probabilitas lebih dari 0,95 bahwa 3 truk
memenuhi persyaratan kelayakan dapat ditentukan dengan menggunakan
distribusi binomial negatif. Dalam hal ini p = 0,45 dan r = 3, sedangkan X
adalah variabel acak yang menunjukkan banyaknya x truk yang tidak
memenuhi syarat kelayakan sebelum diperolehnya 3 truk yang memenuhi
syarat. Dalam persoalan ini hendak dicari nilai x sedemikian rupa sehingga
fungsi distribusi kumulatifnya lebih dari 0,95.
Secara matematik ini adalah menentukan x sedemikian rupa sehingga:
Jadi agar probabilitasnya lebih dari 0,95, pemeriksaan harus telah
mendapatkan 9 truk yang tidak layak sebelum diperoleh 3 truk yang memenuhi
syarat. Artinya jumlah truk yang harus diperiksa adalah x + r = 9 + 3 = 12.

5.3.3 Statistik Deskriptif Distribusi Binomial Negatif

Tanpa pembuktian secara matematik, berikut ini diberikan rumusan beberapa


ukuran statistik deskriptif distribusi binomial negatif.
5.4 Distribusi Geometrik

5.4.1 Eksperimen Geometrik

Jika pada eksperimen binomial negatif, percobaan terus dilakukan sampai


diperolehnya sukses prtama (diperoleh hanya satu sukses, r = 1), maka eksperimen
itu disebut eksperimen geometric.

5.4.2 Distribusi Probabilitas Geometrik

Jika variabel acak X menyatakan banyaknya x gagal sebelum sebuah


sukses tercapai maka dapat dibentuk suatu distribusi probabilitas geometrik dengan
menetapkan harga r = 1 pada distribusi probabilitas binomial negatif. Dengan
demikian dengan fungsi probabilitas geometrik adalah:

5.4.3 Statistik Deksriptif Distribusi Geometrik

Tanpa pembuktian secara matematik, berikut ini diberikan rumusan


beberapa ukuran statistik deskriptif geometrik.

5.5 Distribusi Hipergeometrik


5.5. Eksperimen Hipergeometrik

Suatu distribusi hipergeometrik dibentuk oleh suatu eksperimen yang


memenuhi kondisi-kondisi berikut :

1. populasi berukuran N (anggotanya terdiri dari n objek)


2. setiap anggota populasi dapat dinyatakan sebagai sukses atau gagal dan
terdapat M buah sukses dalam populasi, jadi p = M/N
3. suatu sample berukuran n (anggotanya terdiri dari n objek) dipilih dari s
populasi tanpa peragntian di mana setiap himpunana bagian beranggota n
yang dapat dibentuk dari populasi memiliki kesempatan yang sama untuk
terpilih menjadi sample.
5.6 Distribusi Poisson
Distribusi ini digunakan untuk mengamati jumlah kejadian-kejadian khusus
yang terjadi dalam satu satuan waktu dan ruang.

5.6.1 Eksperimen Poisson

Suatu distribusi Poisson dapat digunakan dengan tepat dalam suatu


eksperimen Poisson yang memenuhi kondisi-kondisi berikut :

1. Suatu eksperimen yang meliputi pencacahan banyaknya suatu peristiwa


terjadi dalam setiap satuan unit yang ditentukan. Unit yang ditentukan ini
biasanya adalah unit waktu atau ruang.
2. Probabilitas peristiwa tersebut adalah sama untuk setiap satuan unit.
3. Banyaknya peristiwa yang terjadi dalam setiap satuan unit saling bebas
terhadap banyaknya peristiwa yang terjadi dalam setiap satuan unit saling
bebas terhadap banyaknya peristiwa yang terjadi pada setiap satuan unit
yang lainnya.

Contoh 5.7
Berikut ini adalah beberapa contoh eksperimen Poisson:
o Pencacahan banyaknua klaim asuransi kecelakaan mobil terhadap suatu
perusahaan asuransi setiap tahunnya.
o Pencacahan banyaknya panggilan telepon yang masuk setiap menitnya pada
kantor pelayanan darurat jalan tol.
o Penentuan jumlah bagian yang rusak pada setiap 3000 meter pita pada jalur
manufaktur pita magnetik.

5.6.2 Probabilitas Poisson


Dalam eksperimen Poisson, probabilitas memperoleh dengan tepat peristiwa
X sebanyak x kejadian untuk setiap satu satuan unit (waktu atau ruang) yang
ditentukan membentuk sebuah distribusi yang fungsi probabilitasnya adalah:

5.6.3 Statistik Deskriptif Distribusi Poisson

Tanpa pembuktian secara matematik, berikut ini diberikan rumusan beberapa


ukuran statistik deskriptif distribusi geometrik.
5.7 Soal- soal Latihan

1. Hitunglah probabilitas binomial berikut ini dengan menggunakan definisinya


secara langsung:

2. Dalam pengiriman suatu jenis suku cadang dari pabrik di luar negeri ke
pabrik perakitannya di dalam negeri terdapat sejumlah suku cadang yang
cacat dengan probabilitasnya 0,35. Dalam sebuah pemeriksaan, diambil
17 sampel suku cadang tersebut.

Tentukan:

(a) Probabilitas didapatkannya paling banyak 3 suku cadang cacat.


(b) Probabilitas didapatkannya 5 atau lebih suku cadang yang cacat.
(c) Probabilitas didapatkannya 12 suku cadang tidak cacat.
(d) Probabilitas didapatkannya 3, 4, atau 5 suku cadang yang cacat.

3. Seorang insinyur di bagian kendali mutu ingin memeriksa apakah 95%


dari hard disk buatan pabriknya dapat bekerja sesuai spesifikasi yang
disyaratkan, sebelum dijual ke pasaran. Dia merencanakan akan memilih
15 buah hard disk sebagai sampel yang diperiksa dari masing-masing lot
produksi yang jumlahnya cukup besar. Insinyur tersebut akan menyetujui
pengiriman lot tersebut ke pasar bila seluruh 15 hard disk itu bekerja
sesuai spesifikasi. Kalau tidak maka setiap hard disk dalam masing-
masing lot akan diperiksa ulang dan hard disk yang tidak bekerja dengan
baik digantikan dengan yang baik.

(a) Berapakah probabilitas bahwa sang insinyur harus mengulang


pemeriksaan setiap hard disk pada setiap lot , meskipun jika 95% hard
disk dalam sebuah lot dapat bekerja baik?

(b) Berapakah probabilitas bahwa sang insinyur menanggung resiko


terlemparnya ke pasaran produk cacat dengan tidak melakukan
pemeriksaan satu per satu hard disk tersebut jika hanya 90% hard disk
dalam kondisi yang baik?

(c) Apa penilaian Anda mengenai rencana inspeksi yang akan dilakukan
ini?

4. Pengiriman 15 silinder beton telah diterima oleh suatu kontraktor, 5 buah


untuk proyek kecil dan 10 buah lainnya untuk proyek besar. Ternyata 6
dari 15 silinder beton yang diterima mempunya kekuatan hancur kurang
dari spesifikasi yang diminta. Jika 5 silinder beton untuk proyek kecil
dipilih dari 15 beton tersebut dan X = jumlah beton di antara 5 yang
dipilih yang memiliki kekuatan hancur kurang dari spesifikasi, hitunglah:

5. Seorang ahli geologi mengumpulkan 10 spesimen batuan basalt dan 10


spesimen batuan granit. Ahli geologi tersebut menginstruksikan asisten
laboratoriumnya untuk secara acak memilih 15 spesimin untuk
dianalisis.

(a) Tentukan fungsi probabilitas dari spesimen granit yang terpilih untuk
dianalisis.

(b) berapakah probabilitas bahwa jumlah dari spesimen granit yang terpilih
untuk dianalisi berada dalam satu deviasi standard dari nilai rata-
ratanya?
6. Pemantauan pencemaran udara di suatu kawasan industri yang
ditempati oleh 100 perusahaan telah menunjukkan tingkat yang
mengkuatirkan dan oleh karenanya pemerintah yang berwenang
memutuskan untuk mengadakan inspeksi guna mengetahui seberapa
banyak perusahaan yang telah melanggar peraturan tentang ambang
batas polusi yang diperbolehkan. Seorang inspektur ditugasi untuk
mendatangi 10 perusahaan yang dipilih secara acak untuk diperiksa.

(a) Jika terdapat 15 perusahaan yang sesungguhnya melanggar peraturan


ambang batas polusi, tentukan fungsi probabilitas dari jumlah
perusahaan yang didatangi oleh inspektur tersebut yang melakukan
pelanggaran.

(b) untuk X = jumlah perusahaan di antara 10 yang dikunjungi inspektur


yang melanggar, hitung E(x) dan σx2.

7. Misalkan p = P (kelahiran bayi laki-laki) = 0,5. Jika sepasang suami-istri


berharap memiliki 2 oang anak perempuan dan mereka berencana
untuk terus menambah anaknya sampai keinginannya terwujud.

(a) Berapakah probabilitas keluarga tersebut memiliki x anak laki-laki?

(b) Berapakah probabilitas keluarga tersebut memiliki 4 orang anak?

(c) Berapakah probabilitas keluarga tersebut memiliki sebanyak-banyaknya


4 orang anak?

(d) Berapa banyak anak laki-laki yang dapat diharapkan dimiliki oleh
keluarga ini?

8. Jumlah pemesanan motor produk nasional di sebuah agen adalah 20 buah


per minggunya. Tingkat permintaan rata-rata tersebut relatif tetap, dan
pelanggan tidak saling mempengaruhi satu sama lainnya mengenai
kebiasaan belanja mereka.

(a) Berapa probabilitas bahwa lebih dari 20 motor yang dipesan dalam
satu pekan tertentu?
(b) Berapa probabilitas tepat sebanyak 17 motor dipesan dalam
seminggu?

(c) Jika saat ini terdapat 22 motor persediaan dan tidak akan ada lagi
motor yang akan dikirim oleh pabrik pembuatnya sampai awal minggu
berikutnya, berapakah probabilitasnya bahwa agen tersebut tidak perlu
memesan kembali motor tersebut?

9. Misalkan pepohonan yang tumbuh di hutan terdistribusi menurut suatu proses


Poisson dengan perkiraan jumlah pohon setiap hektarnya diwakili parameter
α = 80.

(a) Berapakah probabilitas dalam seperempat hektar tertentu terdapat


sebanyak-banyaknya 16 pohon?

(b) Jika hutan tersebut luasnya 85 ribu hektar berapa banyak pohon yang
diperkirakan terdapat di dalam hutan tersebut?

(c) Misalkan ditetapkan sebuah titik di hutan tersebut dan digambarkan


sebuah lingkaran dengan jari-jari 150 meter. Jika X adalah banyaknya
pohon yang terdapat dalam lingkaran tersebut tentukan fungsi
probabilitas dari X.

10. Jika X memiliki distribusi Poisson dengan parameter λ buktikan dengan


menggunakan definisi-definisinya.
BAB VI

DISTRIBUSI TEORITIS VARIABEL


ACAK KONTINU
BAB VI

Distribusi Teoritis Variabel Acak Kontinu

Tujuan pembelajaran

Setelah mempelajari bab ini, pembaca diharapkan mampu :

 Mengidentifikasi dan menghitung distribusi probabilitas teoritis variabel acak


kontinu; distribusi normal, gamma, chi kuadrat, eksponsional, Weibull,
lognormal.
 Menetukan analitis deskriptif: ukuran-ukuran pemusatan, penyebaran
kemencengan dan keruncingan pada distroibusi probabilitas teoritis variabel
kontinu.
 Menggunakan beberapa pendekatan distribusi teoritis variabel acak kontinu
yang untuk memecahkan masalah-maslah statistik yang berkaitan dengan
keteknikan.

Pokok Bahasan

6.1 Distribusi Normal (Gaussian)

6.2 Distribusi Gamma

6.3 Distribusi Chi-Kuadrat

6.4 Distribusi Eksponensial

6.5 Distribusi Weibull

6.6 Distribusi Lognormal

6.7 Soal-Soal Latihan


6.1 Distribusi Normal ( Gaussian )

Distribusi Normal ( Gaussian ) mungkin merupakan distribusi probabilitas


yang paling penting baik dalam teori maupun aplikasi statistik . Terminologi “normal”
itu sendiri bukan tidak pada tempatnya , karena memang distribusi ini adalah yang
paling banyak digunakan sebagai model bagi data riil di berbagai bidang yang
meliputi antara lain karakteristik fisik mahluk hidup ( berat,tinggi badan manusia ,
hewan , dll ) kesalahan – kesalahan pengukuran dalam eksperimen ilmiah
,pengukuran-pengukuran intelejensia dan perilaku , nilai skor berbagai pengujian ,
dan berbagai ukuran dan indikator ekonomi . Bahkan, meskipun variabel yang
ditangani dalam distribusi adalah variabel diskrit , kurva distribusi normal sering juga
digunakan sebagai pendekatan .

Sekurang – kurangnya terdapat empat alasan mengapa distribusi normal


menjadi distribusi yang paling penting :

1. Distribusi normal terjadi secara alamiah . Seperti diuraikan sebelumnya banyak


peristiwa di dunia nyata yang terdistribusi secara normal .

2 . Beberapa variabel acak yang tidak terdistribusi secara normal dapat dengan
mudah ditransformasi menjadi suatu distribusi variabel acak yang normal .

3 . Banyak hasil dan tesis analisis yaang berguna dalam pekerjaan statistik hanya
bisa berfungsi dengan benar jika model distribusinya merupakan distribusi normal .

4 . Ada beberapa variabel acak yang tidak menunjukkan distribusi normal pada
populasinya , namun distribusi dari rata-rata sampel yang diambil secara random
dari populasi tersebut ternyata menunjukkan distribusi normal.

6.1.1 Fungsi kepadatan probabilitias dan fungsi distribusi kumulatif normal


Sebuah variabel acak kontinu x dikatakan memiliki distribusi normal dengan
parameter dan dimana < < dan > 0 jika fungsi kepadatan
probabilitas ( ) dari X adalah:

–( )
( )=- e -∞< x < ∞

( )

Dimana :

µ× = mean

σx = deviasi standard

Untuk setiap nilai µ× dan σ× , kurva fungsi akan simetris terhadap µx dan
memiliki total luas dibawah kurva tepat 1 . Nilai dari σx menentukan bentangan dari
kurva sedangkan µx menentukan pusat simetrisnya . Pengaruh µx dan σx ini di
ilustrasikan pada gambar 6.1 . karena gambar kurva normal menyerupai bentuk
lonceng , maka kurva distribusi normal sering juga disebut dengan distribusi bentuk-
lonceng ( bell shaped distribution ) .

Distribusi normal kumulatif di definisikan sebagai probabolotas variabel acak


normal X bernilai kurang dari atau sama dengan suatu nilai X tertentu . Maka fungsi
distribusi kumulatif (cdf) dari distribusi normal ini dinyatakan sebagai :

(x) , hanya bisa ditentukan dari integrasi secara numerik , karena persamaan
(6.1) tidak bisa di integrasi secara analitik .
Untuk setiap distribusi populasi dari suatu variabel acak yang mengikuti sebuah
distribusi normal , maka sebagaimana yang ditunjukkan oleh gambar 6.2 :

 68,26 % dari nilai-nilai variabel berada dalam ± 1σx dari µx


 95,46 % dari nilai-nilai variabel berada dalam
 99,73 % dari nilai-nilai variabel berada dalam ± 3σx dari µx

6.1.2 Distribusi Normal ( Gaussian ) standard

Untuk menghitung probabilitas P (a ≤ x ≤ b ) dari suatu variabel acak kontinu X


yang terdistribusi secara normal dengaan parameter µx dan σx maka persamaan
(6.1) harus diintegralkan mulai dari x = a sampai x = b . Namun , tidak ada satupun
dari teknik-teknik pengintegralan biasa yang bisa digunakan untuk menentukan
integral tersebut . Untuk itu para ahli statistik/matematik telah membuat sebuah
penyederhanaan dengan memperkenalkan sebuah fungsi kepadatan probabilitas
normal khusus dengan nilai mean µ = 0 dan deviasi standard σ =1 . Distribusi
khusus ini dikenal sebagai distribusi normal standard ( standard normal distribution )
. Variabel acak dari distribusi normal standard ini biasanya dinotasikan dengan Z .

Dengan menerapkan ketentuan diatas pada persamaan (6.1) . maka fungsi


kepadatan probabilitas dari distribusi normal standard variabel acak kontinu Z adalah
:

Sedangkan fungsi distribusi kumulatif (cdf) dari distribusi normal standard ini
dinyatakan sebagai :

Dengan bentuk persamaan (6.3) yang lebih sederhana maka pengintegralan


pada persamaan (6.4) bisa dilakukan . Bentuk kurva fungsi kepadatan probabilitas
dan fungsi distribusi kumulatif normal standard ditunjukkan oleh gambar 6.3.
Gambar 6.3 Kurva pdf dan cdf distribusi normal standard

Untuk kemudahan penerapan , nilai fungsi distribusi kumulatif (cdf) normal


standard disusun ke dalam tabel distribusi normal standard (Tabel 6.1)
Tabel 6.1 Distribusi normal standard
Contoh 6.1

 Dengan menggunakan tabel distribusi normal standard kumulatif , probabiltas-


probabilitas dibawah ini dapat ditentukan sebagai berikut :
a. P ( Z ≤ 1,25 ) = ᶲ(1,25)  luas di bawah kurva disebelah kiri z = 1,25 . pada
tabel 4.1, nilai ini dapat ditemukan pada perpotongan antara baris “1,2”
dengan kolom “0,05” yaitu sebesar 0,8944
b. Jadi P ( Z ≤ 1,25 ) = ᶲ(1,25) = 0,8944
c. P ( -0,38 ≤ Z ≤ 1,25 ) = ᶲ(1,25) –ᶲ-(-0,38 )  luas dibawah kurva antara z = -
0,38 dan z = 1,25 . Luas di bawah kurva antara z = - 0,38 dan z = 1,25 . Luas
ini adalah luas di bawah kurva di sebelah kiri z = 1,25 di kurangi luas di
bawah kurva di sebelah kiri z = - 0,38 . Dari (a) luas di sebelah kiri z = 1,25
adalah 0,8944 . untuk luas di sebelah kiri z = - 0,38 dapat ditemukan pada
tabel 4.1 yang merupakan perpotongan baris “0,3” dengan kolom “0,08” yaitu
sebesar 0,3520

Jadi P ( -0,38 ≤ Z ≤ 1,25 ) = ᶲ (1,25) - ᶲ(-0,38) = 0,8944 – 0,3520 = 0.5424

P ( Z > 0,48 ) = 1 – P ( Z ≤ 0,48 ) = 1 – ᶲ(0,48 )  luas dibawah kurva dikanan


z = 0,48 . Luas ini adalah luas total di bawah kurva dikurang luas dibawah kurva di
kiri z = 0,48 . Luas total dibawah kurva adalah 1 . sedangkan luas di sebelah kiri z =
0,48 dapat ditemuakn pada tabel 4.1 yang merupakan perpotongan baris “0,4”
dengan kolom “0,08” yaitu sebesar 0,6844 .

Jadi P ( Z > 0,48 ) = 1 – P (Z ≤ 0,48) = 1 - ᶲ (0,48) = 1 – 0,6844 = 0,3156

Persoalan di atas diperlihatkan pada gambar 6.4.


6.1.3 Menstandarkan distribusi normal

Distribusi normal variabel acak kontinu x dengan nilai-nilai parameter µx dan σx


berapapun dapat diubah menjadi distribusi normal kumulatif standar jika variabel
acak x diubah menjadi variabel acak standar Zx sering juga disebut sebagai skor Z
variabel acak X. Dengan demikian, perhitungan probabilitas pada suatu distribusi
normal dcari variabel acak kontinu x, dapat dilakukan dengan menggunakan
distribusi normal standar untuk nilai skor Z yang bersesuaian.

Nilai z dari variabel acak standard Z, sering juga disebut skor z dari variabel acak
X. Dengan demikian, perhitungan probabilitas pada suatu distribusi normal dari
variabel acak kontinu X dapat dilakukan dengan menggunakan Distribusi normal
standard untuk nilai skor z yang bersesuaian. Hal tersebut dinotasikan sebagai
berikut :

Jika X terdistribusi normal dengan mean µx dan deviasi standar σx, maka :
Gambar 6.5 mengilustrasikan penentuan probabilitas ditribusi normal yang
diubah menjadi distribusi normal standard seperti yang dirumuskan dengan
persamaan (6-6-8).

Contoh 6.2

 Waktu yang dibutuhkan seorang pengemudi untuk bereaksi terhadap nyala


lampu rem dari kendaraan di depannya yang sedang memperlambat lajunya
merupakan hal yang sangat penting untuk mencegah terjadinya kecelakaan. Sebuah
artikel ilmiahdi majalah Ergonomic (19933, hal. 391-395) ERJUDUL “Fast Rise
Brake Lamp as Collision-Prevention Device” merekomendasikan bahwa waktu
reaksi pengemudi terhadap nyala lampu rem standard dapat dimodelkan denagn
suatu distribusi normal dengan nilai rata-rata 1,25 detik dan deviasi standard 0,46
detik. Jika X menyatakan waktu reaksi, maka probabilitas dari waktu reaksi berada
antara 1,00 detik sampai dengan 1,75 detik dapat ditentukan sebagai berikut:

 Nilai tahanan (resistance) yang digunakan pada sejenis rangkaian elektronika


menunjukkan suatu distribusi normal (gaussian) dengan mean 100 ohm dan
deviasi standard 5 ohm. Maka:
a. Probabilitas bahwa nilai tahanan dari sebuah rangkaian jenis ini yang dipilih
secara random akan lebih besar dari 110 ohm adalah:

b. Nilai tahanan dari sebuah rangkaian jenis ini yang dipilih secara random yang
probabilitasnya meliputi 99,43% dari seluruh rangkaian adalah:

6.1.4 Statistik Deskriptif Distribusi Normal

Untuk suatu distribusi normal dengan nilai-nilai parameter mean µx dan


deviasi standard σx akan diperoleh suatu distribusi yang simetris terhadap nilai
mean, sehingga kemencengannya β1 = 0. Melalui pembuktian secara matematik
tidak dijabarakan di sini, dapat ditinjukkan bahwa keruncingan kurva distribusi
adalah β2 = 3.
6.2 Distribusi Gamma

Meskipun distribusi normal memiliki penerapan yang luas di berbagai bidang,


dalam kenyataannya terdapat situasi di mana hasil-hasil eksperimen menunjukkan
distribusi yang tidak simetris ataupun tidak menunjukkan kecenderungan sirnetris.
Dalam kasus-kasus sernacam ini, model distribusi normal tidak dapat memberikan
hasil yang tepat jika digunakan. Untuk eksperimen-eksperimen probabilitas yang
hasilnya menunjukkan suatu bentuk distribusi yang mempunyai variasi ukuran
kemencengan yang cukup signifikan, distribusi gamma merupakan salah satu
alternatif model yang banyak digunakan.

6.2.1 Fungsi Gamma

Sebelum membahas lebih lanjut tentang distribusi gamma, terlebih dahulu akan
diperkenalkan sebuah fungsi yang banyak memegang peranan penting di banyak
cabang matematika terapan, yaitu fungsi gamma. Didefinisikan untuk a > 0,

fungsi gamma r(a) adalah:

sifat penting fungsi gamma adalah:

1. Untuk sebuah bilangan bulat positif n, F(n) = (n - 1)!

2. Didefinisikan: F(I-) =

3. Untuk setiap a > 1 berlaku F(a) = - 1). r(a - 1)


6.2.2 Fungsi Kepadatan Probabilitas dan Fungsi Distribusi Kumulatif
Gamma

Sebuah variabel acak kontinu X dikatakan memiliki distribusi gamma dengan


parameter bentuk a dan parameter skala /3 di mana a> 0 dan p> 0 jika fungsi
kepadatan probabilitas dari X adalah :

Gambar 6.6 menunjukkan kurva pdf dari distribusi gamma untuk beberapa variasi
niai parameter-parameternya.

6.2.3 Statistik Deskriptif Distribusi Gamma

Tanpa pembuktian secara matematik, berikut ini diberikan rumusan beberapa


ukuran statistik deskriptif untuk distribusi gamma.
6.2.4 Distribusi Gamma Standard

Jika parameter skala sebuah distribusi gamma /3 = 1 diperoleh suatu distribusi


gamma standard. Maka jika X adalah variabel acak kontinu dari distribusi gamma
standard, fungsi kepadatan probabilitasnya adalah:

Sedangkan fungsi distribusi kumulatif gamma standard dalah :

Fungsi distribusi kumulatif gamma standard disebut juga fungsi gamma tak
lengkap. Fungsi ini dapat digunakan untuk menghitung probabilitas dari suatu
distribusi gamma yang tidak standard karena untuk sebuah variabel acak kontinu X
yang memiliki distribusi gamma dengan parameter a dan /3 berlaku hubungan:
Selain dengan mengintegralkan Persamaan (6.17), untuk kemudahan penerapan,
nilai fungsi distribusi kumulatif (cdf) gamma standard disusun ke dalam tabel cdf
gamma standard. Tabel 6.2 menunjukkan beberapa nilai cdf untuk beberapa nilai
x dan a.

Contoh 6.3

 Misalkan variabel acak kontinu X yang menyatakan ketahanan suatu bantalan


peluru (dalam ribuan jam) yang diberi pembebanan dinamik pada suatu putaran kerja
tertentu mengikuti suatu distribusi gamma dengan a = 8 dan /3 = 15. Maka,
probabilitas sebuah bantalan peluru dapat digunakan selama 60 ribu sampai 120
ribu jam dengan pembebanan dinamik pada putaran kerja tersebut adalah:

 Beberapa ukuran statistik deskriptif distribusi gamma di atas adalah

6.3 Distribusi Eksponensia

Distribusi eksponensial merupakan kasus khusus dari distribusi gamma


dengan faktor bentuk a = 1 dan faktor skala β = 1/λ. Distribusi ini banyak
digunakan sebagai model di bidang teknik dan sains.

6.3.1 Fungsi Kepadatan Probabilitas dan Fungsi Distribusi Kumulatif


Eksponensial

Dengan mensubstitusi nilai-nilai tersebut pada Persamaan (4.58) dapat ditunjukkan


bahwa jika variabel acak kontinu X memiliki distribusi eksponensial dengan
parameter A di mana A > 0, maka fungsi kepadatan probabilitas dari X adalah:
Fungsi di atas mudah untuk diintegralkan, sehingga diperoleh
fungsi distribusi kumulatif eksponensial sebagai :
Gambar 6.7 menunjukkan kurva pdf dari distribusi eksponensial untuk
beberapa variasi nilai parameter λ.

6.3.2 Statistik Deskriptif Distribusi Eksponensial

Tanpa pembuktian secara matematik, berikut ini diberikan rumusan beberapa


ukuran statistik deslcriptif untuk distribusi eksponensial

Contoh 6.4
Misalkan X adalah waktu tanggap (response time) suatu terminal komputer on-
line, yang merupakan tenggang waktu antara masuknya suatu permintaan dari
pengguna sampai sistem mulai memberikan tanggapau atas permintaan tersebut,
memiliki suatu distribusi eksponensial dengan waktu tanggap rata-rata 5 detik. Jika
seseorang me manfaatkan terminal 1:omputer tersebut dan rnemasuklcan suatu
perintah maka probabilitas perintah tersebut akan dijalankan selambat-lambatnya
setelah 10 detik kemudian dapat ditentukan sebagai berikut.

 Rata-rata waktu tanggap,= 1/λ = 5. Jadi λ = 1/5 = 0,2

6.4 Distribusi Chi-Kuadrat (x2)


Distribusi chi-kuadrat merupakan distribusi yang banyak digunakan
dalam sejumlah prosedur statistik inferensial. Distribusi chi-kuadrat
merupakan kasus khusus dan distribusi gamma dengan faktor bentuk a = v/2,
di mana v adalah bilangan bulat positif, dan faktor Skala fβ= 2.

6.4.1 Fungsi Kepadatan Probabilitas dan Fungsi Distribusi


Kumulatif Chi-Kuadrat

Dengan mensubstitusi nilai-nilai parameter tersebut pada Persamaan


(6.10) dapat ditunjukkan bahwa jika variabel acak kontinu X memiliki distribusi
chi-kuadrat dengan parameter v, maka fungsi kepadatan probabilitas dari X
adalah:

Parameter n disebut angka derajat kebebasan (degree of freedomldf) dari X.


Sedangkan fungsi distribusi kumulatif chi-kuadrat adalah:
Gambar 6.8 menunjukkan kurva pdf dari distribusi chi-kuadrat untuk
beberapa variasi nilai parameter v.

6.4.2 Statistik Deskriptif Distribusi Chi-Kuadrat

Tanpa pembuktian secara matematik, berikut ini diberikan rumusan


beberapa ukuran statistik deskriptif untuk distribusi chi-kuadrat

Distribusi chi-kuadrat akan dibahas dengan lebih mendalam pada bab yang
membahas tentang statistik inferensial khususnya mengenai uji hipotesis.

6.5 Distribusi Weibull


Distribusi Weibull pertama kali diperkeuallcan oleh ahli fisika dari Swedia Waloddi
Weibull pada tahun 1939. Dalam aplikasinya, distribusi ini sering digunakan
untuk memodelkan "waktu sampai kegagalan (time to failure)" dan suatu sistem
tisika. Ilustrasi yang khas, misalnya, yaitu pada sistem di mana jumlah kegagalan
meningkat dengan berjalannya waktu (misalnya keausan bantalan), berkurang
dengan berjalannya waktu (misalnya daya hantar beberapa semikonduktor) atau
kegagalan yang terjadi oleh suatu kejutan (shock) pada sistem.

6.5.1 Fungsi Kepadatan Probabilitas dan Fungsi Distribusi Kumulatif Weibull

Jika sebuah variabel acak kontinu X memiliki distribusi Weibull dengan


parameter bentuk a dan faktor skala β, di mana a > 0 dan β > 0, maka
fungsi kepadatan probabilitas dan X adalah:

Fungsi di atas mudah untuk diintegralkan, sehingga diperoleh fungsi distribusi


kumulatif Weibull:

Gambar 6.9 menunjukkan kurva pdf Bari distribusi Weibull untuk beberapa variasi
nilai parameter-parameternya.

6.5.2 Statistik Deskriptif Distribusi Weibull

Tanpa pembuktian secara matematik, berikut ini diberikan rumusan beberapa


ukuran statistik deskriptif untuk distribusi Weibull.
Contoh 6.5

 Waktu sampai-gagal bekerjanya sebuah pelat gesek (dalam jam) pada


sebuah kopling dapat dimodelkan dengan baik sebagai sebuah variabel acak
Weibull dengan a= 0,5 dan β = 5000 jam. Hitunglah waktu sampai-gagal rata-ran.
dari pelat gesek tersebut dan hitunglah probabilitas pelat gesek tersebut akan
mampu bekerja sekurangkurangnya 6000 jam.

Rata-rata waktu sampai-gagal:


Jadi, hanya 33,4% dan seluruh pelat gesek yang dapat bekerja 6000 jam atau
lebih.

6.6 Distribusi Lognormal

Distribusi lognormal merupakan disttibusi teoritis yang banyak digunakan di


bidang teknik, khususnya sebagai model untuk berbagai jenis sifat material.

6.6.1 Fungsi Kepadatan Probabilitas dan Fungsi Distribusi Kumulatif


Lognormal

Sebuah variabel acak kontinu non-negaif X dikatakan memiliki distribusi log-


normal jika ln(X) memiliki sebuah distribusi normal. Fungsi kepadatan proba -
bilitas dan sebuah variabel acak yang memenuhi distribusi lognormal jika lii(X)
terdistribusi normal dengan parameter µ dan Ɵ adalah:

Perlu dicatat bahwa u dan a adalah mean dan deviasi standard dari ln(X), dan
bukan dari X. Karena ln(X) memiliki sebuah distribusi normal, maka fungsi distribusi
kumulatif dari X dapat dinyatakan dengan menggunakan fungsi distribusi kumulatif
normal standard F(z), dengan transformasi sebagai berikut:

6.6.2 Statistik Deskriptif Distribusi Lognormal

Tanpa pembuktian secara matematik, berikut ini diberikan rumusan beberapa


ukuran statistik deskriptif untuk distribusi lognormal.

Contoh 6.6

 Dalam sebuah artikel ilmiah berjudul "Reliability of Wood Joist Floor


Systems with Creep" di dalam Journal of Structural Engineering (1995: 946-954)
direkomendasikan bahwa modulus elastisitas batang-batang penyangga sistem
lantai kayu yang dikonstruksikan dari sejenis kayu dapat dimodelkan mengikuti
distribusi lognormal dengan ft = 0,375 dan a= 0,25. Dari model ini dapat dihitung:

 Rata-rata dan varians dari modulus elastisitas adalah:

 Nilai batas modulus elastisitas yang meliputi 95% dari seluruh distribusi
modulus elastisitas adalah :

6.7 Soal-soal Latihan

1. Misalkan Z adalah variable acak normal standard, hitunglah probabilitas


berikut ini dan gambarkan sketsa dari luas di bawah kurva distribusi normal
standard yang mewakili probabilitas tersebut:
a) P(0 ≤ Z ≤ 2,17)
b) P( 0 ≤ Z ≤ 1)
c) P(-2,50 ≤ Z ≤ 0)
d) P(-2,50 ≤ Z ≤ 2,50)
e) P(Z ≤ 1,37)
f) P(-1,75 ≤ Z)
g) P(ІZІ ≥1,9)
2. Jika massa sebuah bantalan peluru (ball bering) yang diproduksi suatu pabrik
memiliki distribusi normal (Gaussian) dengan mean 0,614 kg dan deviasi
standard 0,0025 kg, tentukan persentase banyaknya bantalan peluru yang
memiliki massa:
a) Antara 0,610 sampai 0,618.
b) Lebih berat dari 0,617 kg.
c) Kurang dari 0,608 kg.

3. Bilangan kekerasan Rockwell dari suatu material logam ditentukan dengan


memberi tekanan permukaan logam dengan sebuah alat penekan yang
dikeraskan (Hardened pointer) dan megukur kedalaman penetrasinya.
Misalkan bilangan kekerasan Rockwell suatu logam paduan terdistribusi
secara normal dengan mean 70 dan deviasi standard 3.
a) Jika spesimen logam yang dapat digunakan hanyalah yang memiliki
bilangan kekerasan Rockwell antara 67 dan 75, berapakah probabilitas
sebuah logam paduan tersebut yang dipilih secara acak akan dapat
digunakan.
b) Jika kisaran bilangan kekerasan yang dapat digunakan adalah antara
(70 – c) sampai
(70 + c) , tentukan harga c sehingga 95% dari spesimen dapat
digunakan.
c) Jika kisaran bilangan kekerasan yang dapat digunakan adalah antara
67 dan 75 dan kemudian diukur 10 spesimen yang dipilih secara acak,
berapakah jumlah specimen yang diharapkan dapat digunakan?
d) Berapakah probabilitas bahwa sebanyak-banyaknya 8 dari 10
spesimen yang diukur memiliki bilangan kekerasan kurang dari 73,84?

4. Buktikan bahwa jika X adalah variabel acak kontinu yang terdistribusi secara
normal dengan parameter µx dan σx maka variabel acak kontinu Y=aX +
b(fungsi linier dari X) juga terdistribusi secara normal dan kemudian tentukan:
a) µy dan σy
b) jika diukur dalam derajat Celcius °C suatu temperatur proses kimia
terdistribusi secara normal dengan mean 115 dan deviasi standard 2,
bagaimanakah distribusi temperatur tersebut jika dinyatakan dalam
derajat Fahrenheit °F.?

5. pengujian umur pakai (life time) suatu tipe transistor menunjukkan bahwa
transistor tersebut dapat bekerja secara terus-menerus dalam kurun waktu
yang dapat dimodelkan dengan distribusi gamma dengan mean 24 minggu
dan deviasi standard 12 minggu. Tentukan:
a) probabilitas bahwa sebuah transistor tipe tersebut berdaya tahan
antara 12 sampai 24 minggu.
b) Probabilitas bahwa sebuah transistor dapat berfungsi selama-lamanya
24 minggu.
c) Persentil ke-99 dari distribusi umur pakai transistor tersebut.
d) Lamanya pengujian harus dilakukan sehingga hanya tersisa 0,5% dari
seluruh transistor yang masih dapat berfungsi setelah waktu pengujian
berakhir.

6. Misalkan X menyatakan jarak ( dalam meter) yang ditempuh oleh seekor


hewan dari tempatnya dilahirkan sampai ke tempat baru di mana hewan
tersebut mulai menetap. Untuk sejenis reptil, X mengikuti suatu distribusi
eksponensial dengan parameter λ=0,01386. Tentukan:
a) Probabilitas jarak perpindahan reptile tersebut: (i) sejauh-jauhnya 100
m. (ii) sejauh-jauhnya 200 m. (iii) antara 100 dan 200 m.
b) Probabilitas bahwa jarak perpindahan tersebut melampaui jarak rata-
ratanya (mean) sebesar lebih dari 2 deviasi standard.
c) Nilai median dari jarak perpindahan reptile pada distribusi tersebut.

7. uatu kasus khusus dari distribusi gamma di mana parameter bentuk α


adalah bilangan bulat positif n disebut sebagai Distribusi Erlang. Jika
parameter skala β digantikan dengan 1/λ tunjukkan bahwa pdf distribusi ini
adalah:
( )
Fer (x;n,λ) = { ( ) x≥0

Yang lain
Selanjutnya dapat ditunjukkan bahwa jika selang waktuantara peristiwa-
peristiwa yang terjadi secara berturutan saling bebas dan masing-masing
memiliki distribusi eksponensial dengan parameter λ, maka waktu total (X)
yang dilalui sebelum seluruh n peristiwa berikutnya terjadi memiliki pdf Erlang.
a) Jika selang waktu (dalam menit) antara kedatangan dua pelanggan
secara berurutan terdistribusi eksponensial dengan parameter λ = 0,5,
berapa lama waktu yang diharapkan sebelum pelanggan kesepuluh
dating?
b) Berapa probabilitas bahwa pelanggan kesepuluh tersebut akan tiba
dalam waktu 30 menit kemudian, setelah pelanggan sebelumnya
dating?

8. Distribusi Weilbull sangat luas digunakan dalam masalah statistik yang


berkaitan dengan proses penuaan (aging) dari material pembungkus
(insulating materials) yang mengalami beban tegangan. Untuk suatu
specimen dari material padat yang diberi tegangan listrik bolak-balik, waktu
penuaan (dalam jam) mengikuti distribusi tersebut dan nilai-nilai parameter
distribusi Weilbull yang sesuai adalah α = 2,5 dan β = 200 ( sumber: IEEE
Trans. On Elect. Insulation, 1985:519-522 ). tentukan:

a) Probabilitas sebuah specimen mengalami penuaan kurang dari: (i) 200


jam. (ii) lebih dari 300 jam. (iii) antara 100 sampai 200 jam.
b) Waktu penuaan specimen di mana 50% dari seluruh spesimen
memiliki waktu penuaan lebih dari waktu tersebut.

9. Misalkan X adalah usia pakai unit pemroses pusat (central processing


unit/cpu) sebuah komputer (dalam ratusan jam) yang mempunyai nilai
minimum 3,5. Lebih dari 200 jam, X memiliki distribusi Weibull dengan α = 2
dan β = 1,5. Tentukan:
a) Fungsi distribusi komulatif (cdf) dari X.
b) Mean dan varians dari usia pakai cpu.
c) Probabilitas: (I) p(x>5). (ii) P(5 ≤ X ≤ 8).
10. Suatu kajian teoritis mengasumsikan bahwa kekuatan dari sebuah material
getas X memiliki distribusi log normal dengan µ = 5 dan σ = 0,1, tentukan:
a) Nilai harapan X dan varians X.
b) P(X > 120)
c) P(110 ≤ X ≤ 1300
d) Median dari kekuatan material getas tersebut.
e) Jika 10 sampel dari material tersebut diuji kekuatannya, berapa
banyak sampel yang diharapkan memiliki kekuattan sekurang-
kurangnya 120?