LAPORAN PRAKTIKUM KE-2

METODE STATISTIKA I
--SEBARAN DISKRIT DAN KONTINU--

Oleh:
Nama : Aulia Annisa
NIM : 195090507111028
Tanggal Praktikum : 4 November 2019
Asisten : 1. Novita Primaylia Nabilah (185090507111009)
2. Shafiyah Rabith Al Izzah (185090500111019)

LABORATORIUM STATISTIKA
PROGRAM STUDI STATISTIKA
JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
ALAM
UNIVERSITAS BRAWIJAYA
2019
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Teori peluang (matematika ketidakpastian) merupakan landasan
dari statistika inferensia. Oleh karena itu agar dapat memahami dengan
baik statistika inferensia, pengetahuan tentang teori peluang sepatutnya
dikuasai dengan baik. Pemahaman tentang teori peluang, terutama
peluang suatu kejadian mejemuk, akan menjadi lebih sempurna bila
didukung dengan pengetahuan teori himpunan yang memadai. Dalam
kehidupan sehari-hari setiap orang selalu berhadapan dengan masalah-
masalah ketidakpastian. Sering tidak diketahui dengan pasti kejadian
apa yang akan terjadi di masa yang akan datang.
Distribusi peluang dari suatu kejadian adalah suatu daftar atau
rumus yang mencantumkan semua kemungkinan nilai suatu variabel
acak beserta peluangnya. Bila frekuensinya diturunkan secara
matematis maka distribusi peluangnya disebut distribusi peluang
teoritis, dan bila frekuensinya diperoleh berdasarkan hasil-hasil
percobaan atau hasil observasi maka distribusi peluangnya disebut
distribusi peluang frekuensi. Berdasarkan jenis variabel acaknya, maka
distribusi peluang suatu kejadian dibedakan atas dua macam yaitu
distribusi peluang diskrit dan distribusi peluang kontinu.
Penggunaan Genstat diharapkan dapat mempermudah dalam
proses menentukan distribusi peluang dengan lebih efisien dan lebih
akurat untuk mempermudah pengambilan keputusan berdasarkan data.

1.2 Tujuan

1. Mampu menghitung distribusi peluang diskrit dan kontinu

2. Menerangkan pengaplikasian Genstat dalam penerapan peluang

3. Mampu menganalisis distribusi peluang yang tepat untuk

menyelesaikan suatu masalah dalam sehari-hari

4. Mengaplikasikan teori peluang dalam pengambilan keputusan yang

dihadapi di kehidupan

BAB II

TINJAUAN PUSTAKA
2.1 Pengertian Teori Peluang

Teori peluang adalah cabang matematika yang bersangkutan dengan

peluang, analisis fenomena acak. Obyek utama teori peluang adalah
variabel acak, proses stokastik, dan kejadian: abstraksi matematis non-
deterministik peristiwa atau kuantitas terukur yang dapat berupa
kejadian tunggal atau berkembang dari waktu ke waktu dalam mode
tampaknya acak.
Jadi, peluang suatu kejadian adalah suatu
ukurantentangkemungkinanterjadinya suatu kejadian dimasa yang akan
datang. Nilaipeluangsuatukejadian berkisar antara nol (nol persen)
sampai dengan satu (100 persen).Misalnya, untuk kejadian A berlaku,

P(A) = 1, artinya kejadian A pasti akan terjadi, dan P(A) = 0, artinya

kejadian A mustahil akan terjadi atau tidak akan pernah terjadi.
2.2 Pengertian Distribusi Peluang

Distribusi peluang dari suatu kejadian adalah suatu daftar atau

rumus yang mencantumkan semua kemungkinan nilai suatu variabel
acak beserta pe-luangnya. Bila frekuensinya diturunkan secara
matematis maka distribusi peluangnya disebut distribusi peluang
teoritis, dan bila frekuensinya dipe-roleh berdasarkan hasil-hasil
percobaan atau hasil observasi maka distribusi peluangnya disebut
distribusi peluang frekuensi. Berdasarkan jenis variabel acaknya, maka
distribusi peluangsuatu kejadian dibedakan atas duama-cam yaitu
distribusi peluang diskrit dan distribusi peluangkontinu

2.3 Distribusi Peluang Diskrit

 Distribusi peluang diskrit adalah sebuah tabel atau rumus yang
memuat semua kemungkinan nilai suatu variabel acak diskrit beserta
peluangnya.

2.4 Distribusi Peluang Kontinu

Distribusi peluang variabel acak kontinu tidak dapat disajikan

dalam bentuk tabel,melainkan dapat dinyatakan dalam bentuk rumus.
Rumus itu merupakan fungsi nilai-nilai variabel acak kontinu X,
sehingga dapat digambarkan sebagai suatu kurva kontinu. Fungsi
peluang yang digambarkan oleh kurva ini disebut fungsi kepekatan
peluang. Peluang variabel kontinu merupakan peluang variabel pada
suatu selang (interval) tertentu dari nilai-nilainya. Sehingga peluang
tepat untuk salah satu dari nilai variabelnya (peluang nilai tunggal dari
suatu titik) adalah nol (ingat kalkulus integral tertentu).

2.5 Distribusi Peluang Binomial

Distribusi binomial merupakan salah satu model distribusi peluang

untuk variabel acak diskrit. Koefisien Binomial menunjukkan peluang
kejadian yang diharapkan (kejadian sukses) dari sejumlah n percobaan.
Distribusi binomial juga disebut sebagai percobaan atau proses dari
Bernoulli, karena James Bernoulli seorang ahli matematika Swiss (1645
-1705) sangat berjasa bagi pengembangan penggunaan distribusi
binomial.

Ciri-ciri Percobaan Binomial

 Suatu percobaan binomial adalah suatu percobaan yang memiliki
ciri-ciri sebagai berikut (Mendenhall dan Reinmuth, 1982; Mc Clave,
et.al., 2008).

1. Percobaan terdiri atas n percobaan yang identik

2. Setiap percobaan hanya memiliki dua hasil yang mungkin yaitu

sukses” dan “ gagal“.

3. Peluang keberhasilan (sukses) percobaan tunggal sama dengan p,

dan tetap sama untuk setiap percobaan. Peluang kegagalan(q) yaitu
q= 1-p

4. Percobaan-percobaan bersifat independen. Pencoba ingin

menyelidiki x, yaitu jumlah keberhasilan (sukses) yang diamati
selama n percobaan.

Bila percobaan terdiri dari sederetan tindakan Bernoulli yang

saling bebas, dimana kuantitas yang diamati adalah banyaknya
‘Berhasil’ dari sebanyak n tindakan tersebut. Jika peluang ‘Berhasil’
pada setiap tindakan Bernoulli tersebut adalah p, dan X melambangkan
banyaknya ‘Berhasil’ tersebut, maka fungsi kepekatan peluang dari X
ini adalah

Keterangan: adalah notasi lain untuk C(n, x). Notasi ini

disebut juga notasi binomial.

2.6 Distribusi Peluang Poisson

 Eksperimen Poisson adalah eksperimen yang menghasilkan nilai
numerik dari peubah acak X pada selang waktu yang tertentu atau
daerah tertentu.

Sifat-sifat proses Poisson:

1. Jumlah hasil yang terjadi dalam satu selang waktu atau daerah
tertentu adalah independen terhadap hasil yang terjadi pada selang
atau daerah lain. Proses Poisson dikatakan tidak mempunyai
ingatan.
2. Peluang terjadinya suatu hasil (tunggal) dalam selang waktu yang
sangat pendek atau daerah yang sangat waktu yang sangat pendek
atau daerah yang sangat kecil sebanding dengan panjang selang
waktu atau besarnya daerah dan tidak bergantung pada banyaknya
hasil yang terjadi di luar selang atau daerah tersebut.
3. Peluang terjadinya lebih dari satu hasil yang terjadi dalam selang
waktu yang pendek dapat diabaikan.

Distribusi peluang peubah acak Poisson X, yang menyatakan

banyaknya sukses yang terjadi dalam selang waktu atau daerah tertentu
–dinotasikan dengan t — adalah:

di mana λt adalah rata-rata banyaknya sukses yang terjadi per satuan

waktu atau daerah, dan e= 2.71828…

Rataan dan variansi dari distribusi Poisson p(x;λt) adalah sama, yaitu
λt.

2.7 Distribusi Peluang Normal

Distribusi peluang kontinu yang paling penting dalam bidang

statistik adalah distribusi peluang normal atau yang disingkat dengan
“distribusi normal” saja. Banyak ahli matematika berusaha untuk
mengembangkannya. Diantaranya Carl F. Gauss (1777-1885), seorang
ahli matematika, fisika dan astronomi berkebangsaan Jerman, sehingga
 sebagai penghargaan terhadap Gauss, distribusi normal juga disebut
distribusi Gauss.
Suatu peubah acak X dikatakan mengikuti sebaran Normal dengan
rata-rata  dan simpangan baku  jika memiliki fungsi kepekatan peluang

Dengan menggunakan substitusi fungsi kepekatan

peluangnya menjadi

Kurva dari fungsi kepekatan distribusi normal akan berbentuk genta

atau lonceng gereja dan simetris terhadap rata-rata,  (Lihat Gambar
4.1). Bentuk kurva normal sangat dipengaruhi oleh besar kecilnya rata-
rata () dan simpangan baku (), makin kecilbentuk kurva semakin
runcing dan sebagian besar nilai-nilai variabel acak kontinu X,
mengumpul mendekati rata-rata , dan sebaliknya bila makin besar
bentuk kurva semakin tumpul dan nilai -nilai X letaknya makin jauh
dari rata-rata , (Lihat Gambar 4.2 dan Gambar 4.3).

BAB III
 METODOLOGI

1. Buka aplikasi GenStat dengan meng-klik icon GenStat, lalu klik Run
Discovery

2. Untuk
menghitung peluang, pilih Data → Probability Calculation

3. Untuk menghitung beberapa macam tipe distribusi peluang, simak

langkah-langkah berikut.

a. BINOMIAL
 a.1. Untuk Distribusi Binomial, pilih Discrete → Binomial

a.2. Kemudian pilih peluang yang akan dihitung, berikut beberapa

tipe peluang yang ada:
i. Untuk P(x = k), pilihlah Individual Probability → Isi X value
dengan konstanta (k) yang diinginkan.

ii. Untuk P( x ≤ ...), pilihlah Cumulative Lower Probability → Isi

X deviate dengan konstanta (k) yang diinginkan.
iii. Untuk P(x ≥...), pilihlah Cumulative Upper Probability → Isi X
deviate dengan konstanta (k-1).

iv. Untuk P(a ≤ x ≤ b) , pilihlah Probability in Interval→ Isi X

deviate dengan konstanta yang diinginkan (a dan b).
b. POISSON

b.1. Untuk Distribusi Poisson, pilih Discrete → Poisson

b.2. Kemudian, isi Probability of Success (peluang sukses)

dan Number of Samples (jumlah sampel).

b.3. Lalu pilih peluang yang akan dihitung

i. Untuk P(x =k), pilihlah Individual Probability →

Isi X value dengan konstanta yang diinginkan (k).
 ii. Untuk P(x≤...), pilihlah Cumulative Lower Probability →
Isi X deviate dengan konstanta yang diinginkan (k).

iii. Untuk P(x≥...), pilihlah Cumulative Upper Probability → Isi

X deviate dengan konstanta (k-1).
iv. Untuk P(a ≤ x ≤ b), pilih Probability in Interval → Isi X
deviate dengan konstanta yang diinginkan (a dan b).
c. NORMAL

c.1. Untuk Sebaran Normal, pilihlah Continous → Normal

c.2. Setelah itu, isi “Mean” (rata-rata) dan “Standard

Deviation” (simpangan baru/ standar deviasi).
 c.3. Lalu pilihlah peluang yang ingin dihitung.

i. Untuk P(x≤ k), pilih Cumulative Lower Probability

→ Isi X deviate dengan konstanta (k), lalu klik Run.

ii. Untuk P(x≥k), pilih Cumulative Upper Probability → Isi X

deviate dengan konstanta yang diinginkan (k).
 iii. Untuk P(a ≤ x ≤ b) ,pilihlah Probability in Interval →
Isi Range of values dengan konstanta yang diinginkan
(a dan b).

4. Klik centang “Display in Spreadsheet”, lalu klik “Run”

5. Hasil perhitungan akan terlihat seperti berikut

 BAB IV

HASIL DAN PEMBAHASAN

1.1 Soal
1. Sebanyak 5 mahasiswa akan mengikuti ujian sarjana
dan diperkirakan probabilitas kelulusannya adalah 0,7.
Hitunglah probabilitasnya!

a. Paling banyak 2 orang lulus

b. Yang akan lulus antara 2 sampai 3 orang

c. Paling sedikit 4 diantaranya lulus

2. Sebuah toko online mencatat bahwa toko tersebut akan

mendapatkan komplain dari 50 pelanggan ketika mengirimkan
barang ke 10.000 pelanggan. Jika pada suatu hari toko tersebut
mengirim barang ke pelanggannya sebanyak 1.000 barang.
Hitunglah peluang toko tersebut mendapat komplain dari

a. 7 pelanggan,

b. tidak ada komplain,

c. lebih dari 2 pelanggan.

3. Z adalah peubah acak yang mengikuti distribusi normal

dengan nilai rata-rata 0 dan standar deviasi 1. Carilah:
a. P(0 ≤ Z ≤ 2)
b. P(-2 ≤ Z ≤ 2)
c. P(0 ≤ Z ≤ 1,53)
1.2 Jawaban
1.Distribusi Binomial

Diketahui:
n=5
p = 0.7
q = 1-0.7
q = 0.3
a. Paling banyak dua orang lulus
Hasil Manual
x≤2
P(x ≤ 2) = P(x=0) + P(x=1) + P(x=2)
= (5C0) (0.7)0(0.3)5+ (5C1) (0.7)1(0.3)4+ (5C2) (0.7)2(0.3)3
=(1)(1)(2.43)(10-3)+(5)(0.7)(8.1)(10-3)+(10)(0.49)(0.027)
=0.00243+0.02835+0.1323
=0.16308
Hasil Genstat

Interpretasi
Probabilitas dua mahasiswa lulus mengikuti ujian sarjana
adalah 16.308%
b. Antara 2 sampai 3 orang
Hasil Manual
2≤ x ≤3
 P(2≤ x ≤3) = P(x=2)+P(x=3)
= (5C2) (0.7)2(0.3)3 + (5C3) (0.7)3(0.3)2
= (10) (0.49) (0.027) + (10) (0.343) (0.09)
=0.1323+0.3087
=0.441
Hasil Genstat

Interpretasi
Probabilitas antara dua sampai tiga mahasiswa yang lulus
ujian sarjana adalah 44.1%
c. Paling sedikit 4 diantaranya lulus
Hasil Manual
x≥4
P(x≥4)= 1 – P(x≤3)
=1–[P(x=0)+P(x=1)+P(x=2)+P(x=3)]
=1–[(5C0) (0.7)0(0.3)5+(5C1) (0.7)1(0.3)4+ (5C2)
(0.7)2(0.3)3+(5C3) (0.7)3(0.3)2
=1–[(1)(1)(2.43)(10-3)+(5)(0.7)(8.1)(10-3) +(10)(0.49)
(0.027)+ (10) (0.343) (0.09)]
=1–[0.00243+0.02835+0.1323+0.3087]
=1–0.47178
=0.52822
 Hasil Genstat

Interpretasi
Probabilitas paling sedikit 4 diantara mahasiswa yang lulus
adalah 52.822%
2. Distribusi Poisson

Diketahui:
n= 1000
p= 50/10000
p= 0.005
λ= np= 5
a. 7 pelanggan
Hasil Manual
x=7
P(x=7) = е-557/7!
=0.104445
Hasil Genstat

Interpretasi
Peluang toko tersebut mendapat komplain dari tujuh
pelanggan adalah 10.4445%
b. Tidak ada
Hasil Manual
x=0
P(x=0) = е-550/0!
=0.006737947
Hasil Genstat

Interpretasi
Peluang toko tersebut mendapat tidak mendapat komplain
dari pelanggan adalah 0.6737947%
c. x > 2
Hasil Manual
=1–P(x≤ 2)
=1–[е-550/0!+ е-551/1!+ е-552/2!]
=1–0.12465201949
=0.87534798051
Hasil Genstat

Interpretasi
Peluang toko tersebut mendapat komplain dari lebih dari
dua pelanggan adalah 87.5348%
3. Distribusi Normal
Dengan melihat tabel z
Diketahui:
μ=0
σ=1
a. Hasil Manual
P(0≤ z ≤ 2)= P(z≤2) – P(z≤0)
= 0.9772–0.5000
= 0.4772
Hasil Genstat

Interpretasi
Peluangnya adalah sebesar 47.72%
b. Hasil Manual
P(-2≤ z ≤2)= P(z≤2) – P(z≤-2)
= P(z≤2) – P(z≤-2)
= 0.9772–0.0228
= 0.9544
Hasil Genstat

Interpretasi
Peluangnya adalah sebesar 95.45%
c. Hasil Manual
P(0≤z≤1.53)= P(z≤1.53) – P(z≤0)
=0.9370–0.5000
=0.4370
Hasil Genstat

Interpretasi
Peluangnya adalah sebesar 43.70%
 BAB V
PENUTUP
5.1 Kesimpulan

Berdasarkan perhitungan yang telah dilakukan, hasil

menunjukkan bahwa hasil perhitungan Genstat dengan manual adalah
sama. Walaupun ada beberapa perhtiungan yang berbeda, hasilnya tidak
berbeda jauh dan tidak terlalu signifikan. Tabel hasil perhitungan
sebagai berikut:
Soal Manual Genstat
1a 0.16308 0.1631
1b 0.441 0.4410
1c 0.52822 0.5282
2a 0.104445 0.1044
2b 0.006737947 0.006738
2c 0.87534798051 0.8753
3a 0.4772 0.4772
3b 0.9544 0.9545
3c 0.4370 0.4370

Maka, dapat diketahui bahwa Genstat dapat digunakan untuk

menghitung sebaran peluang dengan efisien dan efektif sesuai dengan
tujuan dari laporan praktikum ini.
5.2 Saran

Perhitungan Genstat dan manual sangat memerlukan ketelitian

dan kecermatan. Apabila tidak mengetahui hal-hal rinci yang terdapat di
Genstat, akan membuat hasil perhitungan tidak tepat. Dengan kata lain,
ketelitan dan kecermatan sangat dibutuhkan, apabila ada data yang salah
diinput, hasilnya akan berbeda dan berakibat fatal.
 Hal yang perlu diperhatikan saat perhitungan adalah pemahaman
tentang rumus-rumus sebaran peluang dan interpretasinya. Setiap
permasalahan yang ada di kehidupan memiliki tipe yang berbeda,
sehingga berbeda pula penyelesaian perhitungannya. Maka dari itu,
diperlukan pemahaman yang tepat agar tidak terdapat kesalahan dalam
pengaplikasian ilmu peluang.

DAFTAR PUSTAKA
Wirawan, Nata. 2017. Cara Mudah Memahami Statistika Ekonomi dan
Bisnis (Statistika Inferesia). Denpasar: Keraras Emas.

Nugroho, Sigit. 2008. Pengantar Statistika Matematika. Bengkulu: UNIB

Press.

LAMPIRAN
GenStat Release 10.3DE ( PC/Windows) 11 November 2010
11:16:35
Copyright 2011, VSN International Ltd. (Rothamsted
Experimental Station)
The GenStat Discovery Edition can be used for educational or not-for profit
research purposes in qualifying countries. A list of qualifying countries can
be viewed at http://discovery.genstat.co.uk.

Commercial use of the GenStat Discovery Edition is strictly prohibited.

________________________________________

GenStat Discovery Edition 4

GenStat Procedure Library Release PL18.2
________________________________________

1 %CD 'C:/Users/ASUS/Documents'
2 DELETE [REDEFINE=yes] _Prob
3 CALC _Prob = CLBINOMIAL(2;5;0.7)
4 PRINT [IP=*] ' Binomial Cumulative Lower
Probability = ',_Prob;F=1;SKIP=0

Binomial Cumulative Lower Probability = 0.1631

5 DELETE [REDEFINE=yes] _XDev_

6 CALC _XDev_ = 2
7 FSPREADSHEET _XDev_,_Prob
8 DELETE [REDEFINE=yes] _Prob
9 CALC _Prob = CLBINOMIAL(3;5;0.7)-
CLBINOMIAL(1;5;0.7)
10 PRINT [IP=*] ' Binomial Probability in Interval =
',_Prob;F=1;SKIP=0

Binomial Probability in Interval = 0.4410

11 DELETE [REDEFINE=yes] _XLower_,XUpper_

12 CALC _XLower_,XUpper_ = 1,3
13 FSPREADSHEET _XLower_,XUpper_,_Prob
14 DELETE [REDEFINE=yes] _Prob
15 CALC _Prob = CUBINOMIAL(3;5;0.7)
16 PRINT [IP=*] ' Binomial Cumulative Upper
Probability = ',_Prob;F=1;SKIP=0

Binomial Cumulative Upper Probability = 0.5282

 17 DELETE [REDEFINE=yes] _XDev_
18 CALC _XDev_ = 3
19 FSPREADSHEET _XDev_,_Prob
20 DELETE [REDEFINE=yes] _Prob
21 CALC _Prob = PRPOISSON(7;5)
22 PRINT [IP=*] ' Poisson Individual Probability =
',_Prob;F=1;SKIP=0

Poisson Individual Probability = 0.1044

23 DELETE [REDEFINE=yes] _XDev_

24 CALC _XDev_ = 7
25 FSPREADSHEET _XDev_,_Prob
26 DELETE [REDEFINE=yes] _Prob
27 CALC _Prob = PRPOISSON(0;5)
28 PRINT [IP=*] ' Poisson Individual Probability =
',_Prob;F=1;SKIP=0

Poisson Individual Probability = 0.006738

29 DELETE [REDEFINE=yes] _XDev_

30 CALC _XDev_ = 0
31 FSPREADSHEET _XDev_,_Prob
32 DELETE [REDEFINE=yes] _Prob
33 CALC _Prob = CUPOISSON(2;5)
34 PRINT [IP=*] ' Poisson Cumulative Upper
Probability = ',_Prob;F=1;SKIP=0

Poisson Cumulative Upper Probability = 0.8753

35 DELETE [REDEFINE=yes] _XDev_

36 CALC _XDev_ = 2
37 FSPREADSHEET _XDev_,_Prob
38 DELETE [REDEFINE=yes] _Prob
39 CALC _Prob = CLNORMAL((2 - 0)/1)-CLNORMAL((0 -
0)/1)
40 PRINT [IP=*] ' Normal Probability in Interval =
',_Prob;F=1;SKIP=0

Normal Probability in Interval = 0.4772

 41 DELETE [REDEFINE=yes] _XLower_,XUpper_
42 CALC _XLower_,XUpper_ = 0,2
43 FSPREADSHEET _XLower_,XUpper_,_Prob
44 DELETE [REDEFINE=yes] _Prob
45 CALC _Prob = CLNORMAL((2 - 0)/1)-CLNORMAL((-2 -
0)/1)
46 PRINT [IP=*] ' Normal Probability in Interval =
',_Prob;F=1;SKIP=0

Normal Probability in Interval = 0.9545

47 DELETE [REDEFINE=yes] _XLower_,XUpper_

48 CALC _XLower_,XUpper_ = -2,2
49 FSPREADSHEET _XLower_,XUpper_,_Prob
50 DELETE [REDEFINE=yes] _Prob
51 CALC _Prob = CLNORMAL((1.53 - 0)/1)-CLNORMAL((0 -
0)/1)
52 PRINT [IP=*] ' Normal Probability in Interval =
',_Prob;F=1;SKIP=0

Normal Probability in Interval = 0.4370

53 DELETE [REDEFINE=yes] _XLower_,XUpper_

54 CALC _XLower_,XUpper_ = 0,1.53
55 FSPREADSHEET _XLower_,XUpper_,_Prob