DISTRIBUSI DATA PROBABILITAS

1-REVIU MENYAJIKAN DISTRIBUSI DATA BIASA (STATISTIK-1)

Skor kepuasan konsumen Tabel frekuensi data individual/tunggal
79 49 48 74 81 98 87 80 Frekuensi
No Skor (Xi)
80 84 90 70 91 93 82 78 (fi)
1 35 1
70 71 92 38 56 81 74 73
2 36 0
68 72 85 51 65 93 83 86
3 37 0
90 35 83 73 74 43 86 88 4 38 1
92 93 76 71 90 72 67 75 : : :
80 91 61 72 97 91 88 81 16 70 4
17 71 3
70 74 99 95 80 59 71 77
: : 1
63 60 83 82 60 67 89 63 42 98 1
76 63 88 70 66 88 79 75 43 99 1
Total 80

Tabel frekuensi data berkelompok

Kelas
Skor Frekuensi (fi)
ke-
1 31 – 40 2
2 41 – 50 3
3 51 – 60 5
4 61 – 70 13
5 71 – 80 24
6 81 – 90 21
7 91 – 100 12

Jumlah 80

30 Histogram (b) Histogram (a)

30
25 25
20 20

15 atau 15

10 10

5 5

0 0
40 50 60 70 80 90 100 40 50 60 70 80 90 100

Histogram (b) menunjukkan bahwa penyebaran data menceng ke kanan/kemiringan positif

(nilai yg paling banyak berada pada kidaran 70-100)
2-REVIU STATISTIK INFERENSIAL (STATISTIK-1) & PROBABILITAS

POPULASI
(1000 org)
(3) GENERALISASI

(3) KESIMPULAN SAMPEL ͞ASIN͟ Dipilih

secara acak
KESIMPULAN SAMPEL
20 org

(4) Generalisasi PROSES

(2) TARIK SAMPEL
SAMPEL STATISTIK
(1) TEKNIK SAMPLING INFERENSIAL
(20 orang)

POPULASI YAKIN ͞ASIN͟

(1) Sebelumnya diaduk dahulu

agar ͞homogen͟ (2) ANALISIS DATA SAMPEL

Statistik deskriptip  Metode statistic untuk menggambarkan/menjelaskan data yang telah

dikumpulkan;
Statistik inferensial  metode statistik yg berhubungan dengan analisis data pada sampel dan
kemudian hasilnya digunakan untuk melakukan generalisasi kesimpulan pada populasi;
Statistic inferensial didasarkan pada peluang (probability) dan sampel yang dipilih secara acak
(random);
Seperti telah dijelaskan sebelumnya, data probabilitas diperoleh dari sampel (eksperimen,
percobaan, survey, dll)  statistic inferensial dan penarikan kesimpulan berhubungan
probabilitas.

2.1. DISTRIBUSI PROBABILITAS VARIABEL DISKRIT

 Sisi A atau R dari sebuah mata uang logam sering disebut dengan variable ramdom
(acak) karena diperoleh dengan cara tidak dipilih secara sengaja, tetapi hasil dari
sebuah percobaan (dalam hal ini beberapa kalipelemparan). Kalau kita mengundi
arisan maka yang peserta keluar/menang, juga merupakan variable random;
  A & R juga sering disebut dengan variable diskrit, artinya tidak ada nilai antara A &
B. Begitu juga dengan 2 orang, 3 orang, 4 orang, tidak ada nilai diantara kedua nilai,
artinya tidak mungkin ada nilai 1,5 orang, 2,5 orang atau 3,7 orang. Variabel diskrit
adalah hasil variable yang diperoleh dari hasil perhitungan, bukan pengukuran
(meter, kg, derajat atau skala).
 Variabel diskrit tidak mungkin tanpa probabilitas ( non-zero likelihood), arti probabilitas
hasil mata uang logam seribuan yang kita lempar, kalau tidak A pasti R;
 Tetapi bila kita mengukur tinggi badan seseorang, hasil bisa 160 cm, 160,1 cm, 171, 6
cm 172,5 cm. Variabel seperti ini sering disebut dengan variable kontinyu.
 Terdapat beberapa perbedaan dalam menghitung probabilitas untuk variable diskrit
dan kontinyu;

Contoh distribusi variable diskrit 1:

Kalau uang logam seribuan kita lempar 8 kali (sampel = 8), kemudian 8 kali kedua dan 8 kali
yang ketiga, dan kita ingin melihat peluang kemuncul sisi gambar angklung (A), hasilnya
disajikan pada tabel probabilitas berikut:
Jumla
  Kemungkinan Pelemparan uang logam seribuan h
  Hasil (outcome) Ke-1 Ke-2 Ke-3 Sisi A
  1 R R R 0
  2 R R A 1
  3 R A R 1
  4 R A A 2
  5 A R R 1
  6 A R A 2
  7 A H R 2
  8 A H A 3
  A = gambar angklung; R = 1000

Dari tabel tersebut kita buat tabel frekuensinya:

Jumlah Kemungkinan
Sisi A yg
muncul Hasil P(r)
0 1/8 = 0.125
1 3/8 = 0.375
2 3/8 = 0.375
3 1/8 = 0.125
  8/8 = 1.000
Kemudian kita gambarkan grafiknya
0.4 0.38 0.38
0.35

0.3

0.25

0.2

0.15 0.13 0.13

0.1

0.05

0
0 1 2 3

Terdapat jenis distribusi probabilitas variable diskrit, yaitu:

 Distribusi Binomial, untuk data yang bersifat binary seperti pelemparan mata uang
logam.
 Distribusi Poisson untuk data hasil perhitungan.
 Distribusi Uniform untuk data yang diperoleh dari berbagai peristiwa tetapi dengan
kemungkinan hasil yang sama, seperti pada pelemparan dadu

2.1.1. Rata-2 hitung (mean), Variance & Deviasi Standar

1) Sama dengan data biasa, dari data probabilitas kita bisa mengamati sekelompok
data apakah memusat atau tidak, dan apakah menyebar atau tidak;
2) Ukuran atau indicator pemusatan data (central tendency) adalah: rata-rata (mean),
median atau modus (tergantung jenis skala datanya), dan kemencengannya
(skewness), menceng kiri, menceng kanan, atau simetris;
3) Penyebaran data (Dispersion) menunjukkan apakah jarak antara data terkecil
dengan besar atau tidak? Kalau jaraknya besar, berarti datanya menyebar  data
cenderung tidak merata  data tidak berkumpul dalam satu kluster  data tidak
tidak berada pada sekitar rata-rata2nya. Bila datanya seperti ini, maka rata-rata
hitungnya tidak dapat diandalkan.
4) Ukuran atau indicator penyebaran data adalah: jarak (range), varian dan deviasi
standard;
5) Menghitung rata-rata hitung (), Variance (2) & Deviasi Standar ();

μ= E ( X )=∑ ¿

E(X) = nilai yang diharapkan terjadi (expected value)

P(X) = probabilitas dari berbagai hasil (outcome X)
 6) Contoh: Misalkan sebuah developer ingin mengetahui berapa rata-rata peluang
rumah laku terjual pada setiap pameran berlangsung. Lalu ia mengambil sampel dari
beberapa pameran, hasilnya adalah tidak laku terjual (10%), laku 1 (20%), laku 2
(30%), laku 3 (30%) dan laku 4 (10%).

Pada setiap hari pameran perusahaan berharap

(memperkirakan) dapat menjual rata-rata 2.1 rumah

1.136 = Penjualan rumah diharapkan berkisar antara 2.1 ± 1.136

2.2. DISTRIBUSI PROBABILITAS VARIABEL KONTINYU

1) Karena datanya kontinyu (1; 1.2………2.4; …3.8), dan bila datanya banyak, maka
grafik distribusinya menjadi lebih halus/padat dan berbentuk mirip lonceng.
Misalnya seperti berikut
 Luas di bawah

- P(X)
Probabilitas
kurva ini bisa
dihitung

Kemungkinan hasil (X)

2) Salah satu distribusi probabilitas kontinyu yang paling penting adalah distribusi
probabilitas normal (atau disingkat distribusi normal saja), atau sering disebut juga
distribusi Gauss (Gaussian distribution). Bentuknya kira-kira seperti ini

1
f ( X )= e−( X
σ √2 π

Dimana: e = 2.71828; π=3.14159; −∞< X < ∞ ;−∞ < μ< ∞ ; dan σ > 0. Jadi cukup
dengan mengetahui µ dan σ, maka seluruh kurva normal diketahui;

Luas itu bisa dihitung dengan mengunakan formula integral fungsi padat normal:

3) Untuk mempermudah dalam menghitung integral fungsi padat normal  dibuat

tabel luas kurva normal, tetapi tidak mungkin membuat tabel berbeda untuk setiap
nilai µ dan σ  varibel random normal X dapat ditransformasikan menjadi himpunan
pengamatan baru variable random normal Z dengan mean 0 dan variansi 1  sering
disebut dengan distribusi normal baku (standard normal distribution). Cara
transformasi adalah:

( X −μ)
Z=
σ
 Bila X bernilai antara x = x1 dan x = x2 maka variable random Z bernilai antara z1 =
(x1 – µ)/σ dan z2 = (x2 – µ)/σ.

Dengan transformasi tersebut, maka tabel luas kurva normal yang dibutuhkan cukup
satu saja, yaitu distribusi normal baku, yang umumnya terlampir dalam setiap buka
statistik

4) Sekitar 68% daerah di bawah kurva normal berada pada kisaran mean ( µ) ± 1σ; 95%
berada pada kisaran µ ± 2σ; 95%, dan hamper seluruhnya atau 99,73% berada pada
kisaran µ ± 3σ.

5) Disebut penting karena distribusi probabilitas normal akan terus dijadikan

pertimbangan pada pembahasan materi statistic lainnya, dan pengujian-pengujian
statistic dalam penelitian. Beberapa analisis statistik bahkan mensyaratkan datanya
harus berdistribusi normal, kalau tidak, analisisnya tidak sah….