MODUL

MATERI STATISTIKA DASAR

Disusun Oleh :
Aria Dwi Budi Santoso (1907066003)
Rara Suciati (1907066005)
Wulandari (1907066012)

PROGRAM STUDI MATEMATIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS MULAWARMAN
2020
 BAB-Nya mana?
3. Distribusi Probabilitas Kontinu (Seharusnya 3.1)

3.1 Pengertian Distribusi Probabilitas Kontinu (Yang ini 3.1.1) Yang lain sesuaikan!
Distribusi probabilitas kontinu adalah peubah acak yang dapat memperoleh semua
nilai pada skala kontinu. Ruang sampel kontinu adalah bila ruang sampel mengandung
titik sampel yang tak terhingga banyaknya.

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).

Distribusi probabilitas variabel acak kontinu dinyatakan dengan fungsi f(x) dan sring
disebut sebagai fungsi kepadatan atau fungsi kepadatan probabilitas dan bukan fungsi
probabilitas. Nilai f(x) bisa lebih besar dari 1.
Fungsi kepadatan probabilitas harus memenuhi syarat sebagai berikut.
1. f(x) ≥ 0
∞
2. ∫ f ( x ) dx=1 (integral seluruh fungsi kepadatan probabilitas f(x) = 1)
−∞

b
3. p ( a< x <b ) =∫ f ( x ) dx
a

Catatan : f(x) dx = P{x ≤ X ≤ (x + dx)}, yaitu probabilitas bahwa nilai X terletak

pada interval x dan x + dx.
Fungsi per rumus ke 3 grafiknya, dapat mengambil bentuk salah satu dari gambar yang
ditunjukkan pada Gambar 1.1 atau bentuk lainnya.

Contoh : romy, audi, dhina

Aria Dwi Budi

Rara Suciati 2
Wulandari
 Gambar 3.1 Beberapa Bentuk Fungsi Kepekatan Peluang Variabel Kontinu.
3.2 Macam Distribusi Probabilitas Kontinu
1. Distribusi Seragam (Uniform Distribution)
 Distribusi seragam kontinu adalah distribusi peluangkontinu yang paling
sederhana.
 Fungsi rapat probabilitas dari distribusi variabel random x yang bersifat uniform
dan kontinu dalam interval [a,b] diberikan oleh:

{
f ( x ; a , b )= ( b−a )
,a≤ x≤b

0 , x lainnya

Gambar 3.2.1 Distribusi Seragam

 Rata-rata dan variansi distribusi probabilitas seragam (var. acak kontinu) adalah:

a+b ( b−a )2
µ¿ 2 σ¿
12

Aria Dwi Budi

Rara Suciati 3
Wulandari
  Fungsi kumulatif:
0 , untuk x< a

{
f ( x )= x−a ,untuk a ≤ x< b
b−a
1 , untuk x ≥ b

Kasus khusus: jika a = 0 dan b = 1, maka distribusinya disebut distribusi seragam

baku (standard uniform distribution), dilambangkan dengan ∪(0,1)

2. Distribusi Normal (Gauss)

 Distribusi Normal / Distribusi Gauss merupakan persamaan yang menjadi dasar
banyak teori statistika induktif.
 Distribusi Normal adalah distribusi probabilitas kontinu yang simetrik.
 Kurva distribusi normal berupa kurva berbentuk lonceng setangkup yang melebar
tak berhingga pada kedua arah positif dan negatifnya.
 Dua parameter yang menentukan suatu bentuk kurva normal adalah rata-rata dan
standar deviasi.
 Probabilitas peristiwa yang berdistribusi normal ditunjukkan oleh daerah dibawah
kurva normal.

Gambar 3.2.2 Distribusi Normal

2.1 Bentuk Distribusi Normal (1)

Bentuk disribusi normal ditentukan oleh σ dan µ

Aria Dwi Budi

Rara Suciati 4
Wulandari
 Gambar 3.2.2.1 Kurva normal

2.2 Sifat Distribusi Normal

 Bentuk kurva distribusi normal dipengaruhi oleh rata-rata (µ) dan standar
deviasi(σ)
 Nilai mean=median=modus, hanya mempunyai atu nilai modus
 Grafik simetri terhadap garis tegak x= nyu
 Grafik selalu berada di atas sumbu x atau f(x) >0
 Total luas daerah di bawah kurva = 1

Fungsi kerapatan peluang (pdf) dari peubah acak normal x, dengan mean (µ)
dan variansi (σ 2) yang memiliki distribusi normal adalah:
2
−1 ( x−µ )

n(x; µ,σ)
1
e 2 [ σ ] ,−∞< x <∞
√ 2 ᴨσ
x dapat bernilai -∞ sampai +∞, dengan demikian nilai distribusi normal tak
terbatas.
dengan:
x= nilai dari distribusi variabel
µ= mean (rata-rata) dari nilai-nilai distribusi variabel
σ= standar deviasi dari nilai-nilai distribusi variabel
Nilai ᴨ = 3,14
Nilai e = 2,718

Aria Dwi Budi

Rara Suciati 5
Wulandari
 2.3 Daerah di bawah Kurva Normal
 P( x 1< x< x 2) = peluang variabel random x memiliki niai antara x1 dan x2
 P( x 1< x< x 2) = luas di bawah kurva normal antara x=x 2 dan x=x 1
2
x2 x2 −1 ( x− µ )

P ( x 1< x < x 2 )=∫ n ( x ; µ , σ ) dx=¿ ∫

1
e
2 [ σ ] dx ¿
x1 x1 √ 2 ᴨσ

 Untuk mengatasi kesulitan dalam menghitung integral fungsi padat normal,

maka dibuat tabel luas kurva normal.
 Tetapi, tidak mungkin membuat tabel berbeda untuk setiap nilai nyu dan gm.
 Untuk memudahkan perjitungan, maka seluruh pengamatan setiap peubah
acak normal X dapat ditransformasikan menjadi himpunan pengamatan baru
peubah acak normal Z (Distribusi Normal Baku – yang akan dibahas
selanjutnya) dengan rataan 0 dan variansi 1.

3. Distribusi Normal Baku (Standar)

3.1 Distriusi Normal Baku (standard normal distribution) adalah distribusi normal
dengan mean nya = 0 dan standard deviasi gm = 1.

x−µ
Transformasi : z= σ
Memetakan distribusi normal menjadi distribusi normal baku.
Transformasi ini mempertahankan luas dibawah kurvanya.

Aria Dwi Budi

Rara Suciati 6
Wulandari
 Bila X bernilai antara x=x 1 dan x=x 2
(x ¿¿ 2−µ)
Maka peubah acak Z bernilai antara dan z 2= ¿
σ

Bila X bernilai antara x=x 1 dan x=x 2

( x 1−µ) (x ¿¿ 2−µ)
Maka peubah acak Z bernilai antara z 1= dan z 2= ¿
σ σ
x2

P ( x 1< x < x 2 )=∫ n ( x ; µ , σ ) dx

x1

Aria Dwi Budi

Rara Suciati 7
Wulandari
 2
x2 −1 ( x−µ )

¿∫
1
e
2 [ σ ] dx
x1 √2 πσ
2
X2 x
1 (
− )
¿ ( )∫
√2π X1
e 2 dx

z2

= ∫ n ( z ; 0,1 ) dz
z1

= P ( z 1 < Z < z 2)
3.2 Distribusi Normal Kumulatif
Perhitungan distribusi probabilitas normal baku variabel acak Z lebih mudah
dilakukan dengan memaai fungsi kumulatif distribusi peluang normal baku sbb:
P ( z 1< Z < z 2) =P ( Z < z 2 )−P ( Z< z1 ) =F ¿

4. Distribusi T-Student
Distribusi t dipakai untuk jumlah sampel < 30 , sehingga nilai standar deviasi
berfluktuasi relatif besar.
K
f ( t )= 1
t2 2 n
1+ ( )
n−1
dengan:
K merupakan tetapan yang besarnya tergantug dari besar n sedemikian sehingga luas
daerah antara kurva fungsi itu dan sumbu t adalah 1.

Bilangan n-1 disebut derajat kebebasan (dk), yaitu kemungkinan banyak pilihan dari
sejumlah objek yang diberikan. Misalnya kita mempunyai dua objek yaitu A dan B.
Dari dua objek ini kita hanya mungkin melakukan 1 kali pilihan saja, A dan B.
Seandainya terpilih A maka B tidak usah dipilih lagi. Dan untuk itu dk = 2 – 1 = 1.

Untuk mengubah distribusi normal menjadi distribusi t digunakan rumus :

( x́−µ)
t=
s
dengan:
x = nilai rata-rata sampel
 = nilai rata-rata populasi

Aria Dwi Budi

Rara Suciati 8
Wulandari
 S = standar deviasi sampel
n = banyak sampel

Sifat Distribusi T

Mempunyai rata-rata sama dengan nol tetapi dengan standar deviasi yang berbeda
beda sesuai dengan besarnya sampel. Semakin besar sampel maka semakin mendekati
distribusi normal.

5. Distribusi Gamma dan Eksponensial

 Tidak selamanya distribusi normal dapat digunakan untuk memecahkan masalah
teknik dan sains.
 Contohnya dalam teori antrian dan keandalan, kurang tepat bila digunakan
pendekatan dengan distribusi normal, distribusi eksponensial dan Gamma lebih
tepat menjadi solusinya.
 Distribusi eksponensial adalah sebuah kasus distribusi Gamma.

Fungsi gamma didefinisikan sebagai :

∞
ᴦ (α )∫ x a−1 e− x dx
0

α =n , maka ᴦ ( n ) =( n−1 ) !

Aria Dwi Budi

Rara Suciati 9
Wulandari
 parameter skala sebuah distribusi gamma b = 1 diperoleh suatu distribusi gamma
standard. Maka jika X adalah variabel acak kontinu dari distribusi gamma standard
fungsi kepadatan probabilitasnya adalah:

x a−1 e− x

{
f G ( x ; a ) = ᴦ ( α ) , untuk x ≥ 0
0 ,untuk x yang lain
Sedangkan fungsi distribusi kumulatif gamma standard adalah:
F G=P ¿
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 α dan b berlaku hubungan:

P ( X ≤ x )=F G ( x ; α , β )=F G ( βx ; α )

Beberapa ukuran statistic deskripsi untuk distribusi gamma

 Mean (nilai harapan) 𝜇𝑥 = 𝐸 (𝑋) = 𝜈
2
 Varians σ x =¿ 2𝜈
2 8
 Kemencengan (skewness)  β 1 = α 3=
v
β
 Keruncingan (kurtosis)  2=¿α 4=3 (4v +1)¿

6. Distribusi Chi – Kuadrat ( x 2 )

 Distribusi chi-kuadrat merupakan distribusi yang banyak digunakan dalam sejumlah
prosedur statistik inferensial. Distribusi chi-kuadrat merupakan kasus khusus dari

Aria Dwi Budi

Rara Suciati 10
Wulandari
 v
distribusi gamma dengan faktor bentuk α = , dimana v adalah bilangan bulat
2
positif dan faktor skala 𝛽 = 2.
 Peubah acak kontinu X mempunyai distribusi khi-kuadrat dengan derajat kebebasan
v,bila fungsi padat peluangnya diberikan oleh:
v −x
1

{
2 2
x e , x >0
f (x)
2
v
2 (ᴦ v2 )
0 ,untuk x lainnya

 Rataan dan variansi distribusinya adalah µ=v dan σ 2=2 v

3.3 Contoh Soal

1. Tinggi 1000 mahasiswa berdistribusi normal dengan rataan 174,5 cm dan
sampingan baku 6,9 cm. Bila pengukuran dibulatkan ke setengah cm terdekekat,
berapa banyak mahasiswa dapat diharapkan tingginya:
a. Kurang dari 160 cm
b. Antara dan termasuk 171,5 cm dan 182,0 cm
c. Lebih besar sama dengan 188 cm

2. Sebuah perusahaan bolam lampu mengetahui bahwa umur lampurnya (sebelum

putus) terdistribusi secara normal dengan rata-rata umurnya 800 jam dan standar
deviasinya 40 jam. Carilah probabilitas bahwa sebuah bolam produksinya akan
berumur antara 778jam dan 834 jam. Kerjakan menggunakan aplikasi matlab dan
aplikasi R!

3.4 Pembahasan
1. Diketahui :
Mahasiswa = 1000 orang
μ =174,5 cm
ϭ = 6,9 cm
Ditanya:
x−μ
a) P(x<160) =P Z<
ϭ ( )
160−174,5
= P Z<( 6,9 )
=0,0179
=0,018

Aria Dwi Budi

Rara Suciati 11
Wulandari
 Banyak mahasiswa yang memiliki tinggi kurang dari 160 adalah
P(x<160)×1000 orang = 0,018 × 1000 orang
= 18 orang

b) P(171,5<x<182,0)= P ( 171,5−174,5
6,9
< Z<
182,0−174,5
6,9 )
= P(-0,44 < Z <1,09)
= P(Z<1,09) – P(Z<-0,44)
= 0,8621 – 0,333
= 0,5285
= 0,529

Banyak mahasiswa yang memiliki tinggi antara 171,5 dan 182,0 adalah
P(171,5<x<182,0) ×1000 orang = 0,529 ×1000 orang
=529 orang

188−174,5
c) P(x≥188)= P Z ≥( 6,9 )
= P(Z≥1,96)

= 0,025

Banyak mahasiswa yang memiliki tinggi lebih besar sama dengan 188 cm
adalah
P(x≥188) ×1000 orang = 0,025 × 1000 orang
= 25 orang

2. Diketahui:
μ = 800 jam
ϭ = 40 jam
Ditanya:
P(778<x<834)
Probabilitas bolam produksinya akan berumur antara 778 jam dan 834 jam.
x−μ
Untuk menghitung secara manual, harus ditransformasikan ke distrbusi Z=
ϭ

Aria Dwi Budi

Rara Suciati 12
Wulandari
 Sehingga, P(778<x<834)= P ( 778−800
40
<Z<
834−800
40 )= P(-0,55< Z <0,85)
Syntax R( pnorm(x,μ,ϭ)atau pnorm(Z, mean=o,sd=1))
 pnorm(834,mean=800,sd=40)-pnorm(778,mean=800,sd=40)

[1] 0.5111778

 pnorm(0.85,mean=0,sd=1)-pnorm(-0.55,mean=0,sd=1)

[1] 0.5111778

Syntax Matlab (normcdf(x,μ,ϭ))

>> normcdf(834,800,40)-normcdf (778,800,40)

ans =
0.5112

3.5 Latihan Soal

3.5.1 Distribusi Seragam Kontinu

1. Sebuah ruang konferensi dapat disewa untuk rapat yang lamanya tidak lebih dari
4 jam. Misalkan X adalah peubah acak yang menyatakan waktu rapat, yang
mempunyai distribusi seragam.
a) Tentukan fungsi densitas peluang dari X.
b) Tentukan peluang suatu rapat berlangsung 3 jam atau lebih.

3.5.2 Distribusi Normal

1. Diberikan distribusi normal baku, hitunglah daerah di bawah kurva yang dibatasi:
a) sebelah kanan z = 1.84
b) antara z = -1.97 dan z = 0.86

2. Diberikan distribusi normal dengan μ = 50 dan σ = 10, hitunglah peluang x

terletak antara 45 dan 62. Jawaban: (lihat gambar di halaman berikut ini) Nilai z
yang bersesuaian dengan x tersebut adalah:

3.5.3 Distribusi T-
Student
1. Suatu pabrik
bola lampu yakin
bahwa bola

Aria Dwi Budi

Rara Suciati 13
Wulandari
 lampunya akan tahan menyala rata-rata selama 500 jam. Untuk mempertahankan
nilai tersebuut, tiap bulan diuji 25 bola lampu. Bila nilai t yang dihitung terletak
antara –t0,05 dan t0,05 maka pengusaha pabrik akan mempertahankan
keyakinannya. Kesimpulan apakah yang seharusnya dia ambil dari sampel
dengan rataan 518 jam dan simpangan baku sampel 40 jam? Anggap bahwa
distribusi waktu menyala secara hampiran adalah normal.

3.5.4 Distribusi Gamma dan Eksponensial

1. Aplikasi Distribusi Eksponensial Suatu sistem mengandung sejenis komponen
yang daya tahannya dalam tahun dinyatakan oleh peubah acak T. Peubah acak T
berdistribusi eksponensial dengan parameter waktu rataan sampai gagal β = 5.
Jika terdapat 5 buah komponen dipasang pada sistem yang berlainan, tentukan
peluang sekurangkurangnya 2 komponen masih berfungsi sampai akhir tahun ke-
8.
2. Aplikasi Distribusi Gamma Suatu panggilan telepon datang pada papan
switching mengikuti proses Poisson, dengan rata-rata 5 sambungan datang tiap
menit. Tentukan peluang hingga 1 menit berlalu baru 2 sambungan yang datang.

3.5.5 Distribusi Chi-Kuadrat

1. Sebuah dadu dilempar 120 kali dan hasilnya disajikan pada table di bawah (sisi
angka 1 diperoleh 13 kali, sisi 2 diperoleh 28 kali, dan seterusnya). Jika dadu
tersebut dipandang ideal, maka:
a. Tentukan nilai x2
b. Apabila digunakan derajat signifikan 5% apakah hasil tersebut menunjukkan
bahwa dadu itu tidak ideal?

Aria Dwi Budi

Rara Suciati 14
Wulandari
 Daftar pustaka
https://rantielas.wordpress.com/2018/01/12/distribusi-diskrit-dan-distribusi-kontinu/

https://slideplayer.info/slide/13963547/

https://www.google.com/url?sa=i&url=https%3A%2F%2Focw.upj.ac.id%2Ffiles%2FSlide-CIV-110-
pertemuan-9-
10.pdf&psig=AOvVaw3MU8p42VM9QQFFrkzVVxVZ&ust=1586920294986000&source=images&
cd=vfe&ved=0CA0QjhxqFwoTCIihhf745ugCFQAAAAAdAAAAABAD

https://keepcopying.blogspot.com/2013/12/distribusi-probabilitas-kontinu.html
https://docplayer.info/35875752-Beberapa-distribusi-peluang-kontinu-normal-gamma-
eksponensial-khi-kuadrat-student-dan-f.html

Nata Wirawan.2016.STATISTIKA EKONOMI dan BISNIS (STATISTIKA DESKRIPTIF) .

[internet].Tersedia di:
https://simdos.unud.ac.id/uploads/file_penelitian_1_dir/0033724695f8a2e7af42ab363e64b25b.pdf

Eka,Yulius.2012.Modul perkuliahan Statistika dan probabilitas.[internet].Tersedia di:

http://fasilkom.mercubuana.ac.id/wp-content/uploads/2017/10/Statistika-dan-Probabilitas-TI.pdf

Aria Dwi Budi

Rara Suciati 15
Wulandari
Aria Dwi Budi
Rara Suciati 16
Wulandari