LEMBAR KERJA MAHASISWA

TEHNIK SAMPLING
PERTEMUAN 2

NAMA KELOMPOK : KELOMPOK 1

NAMA MAHASISWA :Agun Mulyadi Aritonang ( 4183230012 )
Berthalia Purba ( 4183530003 )
Fasya Arsita ( 4183230030 )
Meylani Natasya Malau ( 4183230013 )
Jan Melvin Ayu Soraya ( 4191230007 )
KELAS :PSM B 2018
TANGGAL :Senin, 14 September 2020

Kegiatan 1

A. Variabel Acak

Variabel Acak adalah fungsi bernilai

nyata yang didefinisikan dalam ruang
sampel dan rekan nilai numerik yang
unik dengan masing-masing hasil
dari percobaan acak.

kegunaan:
memberikan nilai numerik unik
untuk semua hasil yang mungkin dari
eksperimen acak dalam kondisi tetap

contoh:
Misalkan kita memiliki tiga gulungan dadu (D 1 ,D2
,D3). Kemudian status . D2D3S = ( D1 ,D2 ,D3 )D1D1
D2D2D3D3S=(D1,D2,D3)S=(D1,D2,D3).
1. Satu variabel acak adalah angka 5s. Ini adalah:Xx
X=(D1=5?)+(D2=5?)+(D3=5?)
X=(D1=5?)+(D2=5?)+(D3=5?)
2. Variabel acak adalah jumlah gulungan dadu. Ini
adalah:YY
Y=D1+D2+D3
Y=D1+D2+D3
B. Ekspetasi

Ekspektasi adalah harga/nilai

harapan atau mean(rata-
rata)biasanya dinotasikan dengan µ
atau E(x).

kegunaan:
untuk membantu memutuskan apakah sebuah
tindakan menguntungkan atau merugikan. Nilai
harapan bisa digunakan dalam statistik numerik,
berjudi, atau situasi lain yang melibatkan peluang,
investasi bursa saham, atau dalam situasi lain yang
bisa menghasilkan beberapa kemungkinan.

contoh:
Misalkan dua uang logam dilempar secara bersamaan sebanyak 16 kali.
Misalkan X menyatakan banyaknya sisi angka (A) yang muncul pada setiap
pelemparan, maka X dapat benilai 0, 1, atau 2. Misalkan pada eksperimen
tersebut dicatat berapa kali muncul 0, 1, atau 2 sisi buah sisi angka pada
setiap pelemparan, dan diperoleh hasil masing-masing 4 kali, 7 kali, dan 5
kali.
penyelesaian:
Ruang sampel dari pelemparan dua uang logam:
S = {AA, AG, GA, GG}
sehingga:
P(X = 0) = P(GG) = ¼
P(x=1)=P(AG)+P(GA)=¼ + ¼ = ½
P(X = 2) = P(AA) = ¼
maka, rataan banyaknya sisi angka yang muncul pada pelemparan dua
buah uang logam adalah:
μ= E(X) = (0)(1/4) + (1)(1/2) + (2)(1/4) = 1
C. Distribusi Peluang

Sebuah daftar dari semua hasil yang

mungkin muncul dari sebuah percobaan
dan peluang yang berhubungan dengan
setiap hasil.

Ada 2 macam Distribusi Peluang:

1. Distibusi Peluang Diskrit

Suatu tabel atau rumus yang

mencantumkan semua kemungkinan
nilau suatu pengubah acak diskrik (ruang
contoh diskrit mengandung jumlah titik
yang tehingga) da juga peluangnya.

2. Distribusi Peluang Kontinu

Peubah acak yang dapat memperoleh

semua nilai pada skala kontinu. Ruang
sampel kontinu adalah bila ruang
sampel mengandung titik sampel yang
tak terhingga banyaknya.

Contoh:

Jika sebuah dadu dilempar, maka setiap elemen dari

ruang sampelnya s= { 1,2,3,4,5,6 }terjadi dengan peluang
yang sama 1/6, sehingga kita mempunyai distribusi
seragam:

1
f ( x ; 6 )= , x =1,2,3,4,5,6
6
D. Teorema Chebyshev 4

Teorema Pertaksamaan Chebyshev

Jika x adalah variable acak dengan rata-rata μ dan

variansi σ 2 , Maka untuk suatu nilai k¿ 0 ; kϵR,
Berlaku :
2 σ2
P { | X−μ|≥ kσ}=
P {| X−μ|≥ k }= k2
k2

Bukti :

Karena (X – μ)2adalah pa/vr yang non negative maka pertidaksamaan

MARKOV dapat dipakai yaitu dengan mengambil nilai a = k2
E( X)
P(X≥ a ¿ ≤
a
P( X −μ ¿ ¿2 ≤ E ¿ ¿
(X −μ ¿ ¿2 ≥ k 2 <¿>|( X−μ)|≥ k
Jadi
2
σ
P (| X−μ|≥ k ¿ ≤ 2
k
Selanjutnya apabila k diganti dengan kσ , maka:
1
P (| X−μ|≥ kσ ¿ ≤
k2
 Bentuk ekuivalensi dari pertidaksamaan Chebyshev, sebagai
berikut:

Jika x adalah variable acak dengan rata-rata μ dan variansi

σ 2 , maka untuk suatu kontanta c dan k berlaku
1 1
 P (| X−μ|≥ kσ ¿ ≤ Batas Atas
k2 k2
1
 P (| X−μ|< kσ ¿ ≥ 1− 2 Batas Bawah
k
2
σ
 P (| X−μ|≥ kσ ¿ ≤
c

Pertidaksamaan Chebyshev di samping

mempunyai interpretasi geometric sebagai
berikut. Gambarkan semua nilai b1 yang dapat
dijalani oleh X pada suatu sumbu, masing-
masing disertai oleh nilai peluang yang
bersangkutan p1 (lihat Gambar 1.4). Dengan
nilai  sebagai pusat, kita gambarkan persegi
panjang yang berjarak k kekiri dan kekanan
dari  di mana k sebarang konstan positif. Jika
eksperimen dilakukan, maka peluang bahwa
nilai observasi X akan terletak di luar persegi
panjang sama dengan jumlah p1 yang
bersesuaian dengan nilai-- nilai b1 yang terletak
di luar empat persegi panjang itu. Peluang ini

1
paling besar sama dengan . Jika Jika k makin
k2
Penggunaan Teorema Pertidaksamaan Chebysyev
9 1
besar, maka 2 makin dekat dengan nol.
Teorema ini dikemukakan oleh Chebysyhev, yang memberikanktaksiran
yang berhati-hati (konservatif) tentang peluang bahwa setiap variable
acak mendapat nilai dalam k simpangan baku dari niai rataannya untuk
setiap bilangan k real adalah paling sedikit.
 Contoh

1.Jika X adalah variable acak dengan E(x) = 3 , E(x2)=13 dengan menggunakan

perttidaksamaan Chebyshev, tentukan batas bawah untuk P -2¿ X < 8
Penyelesaian:
μ= E ( X )=3
σ 2=¿ E(x2) - E(x)2=13 - 32 = 4
σ❑ = 2
Dengan pertidaksamaan Chebyshev
1
 P [| X−μ|≥ kσ ¿ ≥1−
k2
1
 P [| X−μ|<2 k ¿ ≥ 1−
k2
1
P -2K¿( X−3)<2 k ≥1−
k2
1
P -2K+3< ( X ) <2 k +3 ≥1−
k2
Batas untuk P -2¿ X < 8:
5 5
-2k +3 =-2 →k = dan 2k +3 =2 →k =
2 2
Jadi batas bawahnya adalah :
 2.Lebar gordyn jendela kamar Mira berkisar antara 41,5 sampai 42,5inci . Mira membeli
gordyn di took yang memmpunyai 30 gordyn. Berapa peluang Mira mendapatkan gordyn
sesuai keinginannya ,jika rata-rata lebar gordyn di took adalah 42 inci dan simpangan baku
0,25?
Penyelesaian:
Misal Lebar gordyn yang dibeli Mira = X
Dengan pertidaksamaan chebyshev
1
P [| X−μ|≥ kσ ¿ ≥1−
k2
P 41,5¿ X < 42,5=¿ P -0,5¿ X −42<0,5
= P | X−42|< 0,5
=P | X−42|< 2(0,25)
1
≥ 1− = 0,75
4
K

Jadi peluang Mira mendapatkan gordyn sesuai keinginannya minimal 75%

E. Distribusi Normal
 2
−1 x−μ
1 2( )
σ
f ( x )= e
σ √2 π

Keterangan :

π = konstanta dengan nilai 3,14

σ = simpangan baku

μ = rata-rata x

e = 2,7183…
Distribusi normal standar adalah distribusi normal yang
memiliki rata-rata ( μ) = 0 dan simpangan baku (σ ) = 1.
Bentuk fungsinya adalah :
−1 2
1 2
(z )
f ( x )= e
σ √2 π

Denganz : x−μ
z=
σ
Nilai z adalah angka atau indeks yang menyatakan
penyimpangan suatu nilai variabel random (x) dari
rata-rata( μ ¿ dihitung dalam satuan simpangan
baku (σ ¿.
 PenggunaanKurva Normal Standar

Untuk menentukan luas daerah di bawah kurva normal standar, telah dibuat daftar distribusi
normal standar, yaitu abel luas kurva normal standar dengan nilai-nilai z tertentu. Dengan daftar
tersebut, bagian-bagian luas dari distribusi normal standar dapat dicari.

Contoh1 :

Akan dihitung nilai :P(0< Z <2,13) langkah-langkahnya adalah :

1. 2,13 = 2,1 + 0,03

2. Dengan table luas kurva normal standar, dicari 2,1padakolom Z (kolom paling
kiri) dan 0,03 pada baris pertama (baris paling atas.
3. Pertemuan baris 2,1 dan kolom 0,03 merupakan nilai Z dariP(0< Z <2,13) , yaitu
0,4834
 Contoh 2 :
Contoh 2 :

Hitunglah P ( 90< X <115 )untuk μ=105 danσ =10

Penyelesaian :

X 1 =90 dan X 2=115

X −μ
z=
σ

Untuk X 1 =90

X −μ 90−105
z= = =−1,5
σ 10

Untuk X 2 =115

X −μ 115−105
z= = =1
σ 10

MakaP ( 90< X <115 ) ≈ P (−1,5< Z <1 )

P (−1,5<Z <1 ) =P (−1,5< Z <0 ) + P ( 0< Z< 1 )

¿ 0,4332+0,3413

¿ 0,7745

Jadi, P ( 90< X <115 )=0,7745

F. Cara menggunakanTabel normal danTabel t

Cara Menggunakan Tabel Normal

 Mengetahui luas kurva normal

 Menentukan probabilitas kumulatif (P)
 Setelahnya kita mengambil nilai sisa dari probabilitas
kumulatif (P)
 Selanjutnya kita tandai nilai probabilitas kumulatif (P)dan
nilai sisa dari probabilitas kumulatif (P) kemudian menarik
garis lurus ke probabilitas kumulatif (P) dan nilai sisa dari
probabilitas kumulatif (P), sehinggga kita dapat nilai tabel
normal.
 Cara Menggunakan Tabel t

Beberapa hal yang wajib diketahui sebelum

melihat table t:

1.Jumlah variable penelitian (k)

2.Jumlah observasi /data/responden (n)

3.Signifikan simenggunakan dua sisi

4.Rumus mencari degree of freedom atau

derajat bebas (df=n-k)

1. Mengetahui jumlah variabel (k)

2. Mengetahui banyak data / banyaknya
sampel (n)
3. Mengetahui taraf signifikan siatau nilai
probabilitas (α)
4. Mencari nilai derajat bebas (df), dimana
rumus df = banyak data (n) – jumlah
variabel (k)
5. Selanjutnya kita tandai nilai derajat bebas
(df) dantaraf signifikan siatau nilai
probabilitas yang kita dapat kemudian
menarik garis lurus kenilai derajat
bebas (df) dan nilai probabilitasnya,
sehinggga kita dapat nilai t tabel
 contoh

Kasus ini menggunakan dua variable penelitian yaitu variable dukungan

social dan variable kualitas hidup, jumlah responden sebanyak 15 dan taraf
signifikansinya adalah 5% (maka, signifikansinya adalah 0,025). Maka t
tabelnya adalah?

Penyelesaian:
Langkah pertama adalah mencari degree of freedom (df) dengan menggunakan
rumusdf =n−k,

Jadi, df =15−2=13.

Langkah kedua, menentukan taraf signifikansi maka, taraf signifikansi adalah

0,025

Langkah ketiga adalah membaca table t,

Selanjutnya, tarik garis lurus antara nilai signifikansi dan nilai degree of
freedom (df)

Jadi, dari table diatas maka nilai t table yang didapatkan dari jumlah variabel
(2) dan jumlah responden (15) serta taraf signifikansi (0,025) adalah sebesar
2,16037
 Referensi

Siagian,Pargaulan.2010.Teori Peluang.Medan:FMIPA Universitas Negeri Medan

https://rumuspintar.com/distribusi-normal/amp/

https://www.slideshare.net/mobile/EmanM4/distribusi-normal-34602590

https://www.spssstatistik.com/cara-membaca-tabel-t/

http://informatika.stei.itb.ac.id/~rinaldi.munir/Probstat/2010-2011/Beberapa%20Distribusi
%20Peluang%20Diskrit.pdf

http://file.upi.edu/Direktori/FPMIPA/JUR._PEND._MATEMATIKA/195202121974121-
MAMAN_SUHERMAN/Statistik_3.pdf

http://probstat7.blogspot.com/2013/05/teorema-chebyshev.html

https://tyanurdina.files.wordpress.com/2011/12/ketaksamaan-chebishev1.pdf

https://www.slideshare.net/ruslancragy8/ketaksamaan-chebyshev1

http://abdee-andi19.blogspot.com/2016/09/variabel-acak-adalah-fungsibernilai.html

http://informatika.stei.itb.ac.id/~rinaldi.munir/Probstat/2010-2011/Ekspektasi%20Matematik.pdf

https://qastack.id/stats/50/what-is-meant-by-a-random-variable

https://id.wikihow.com/Menghitung-Nilai-Harapan
Bukti Kelompok
Kegiatan 2

1. Jelaskan pengertian dari variabel acak dan berikan contoh kasus dari lingkungan
sekitarmu!
Pembahasan :
Variabel acak dapat didefinisikan sebagai deskripsi numerik dari hasil percobaan.
Variabel acak biasanya menghubungkan nilai-nilai numerik dengan setiap kemungkinan
hasil percobaan. Variabel acak dapat dikelompokkan menjadi variabel acak diskrit dan
variabel acak kontinu.
a. Variabel acak diskrit adalah variabel acak yang tidak mengambil seluruh nilai yang
ada dalam sebuah interval atau variabel yang hanya memiliki nilai tertentu.
Contoh :
 Banyak pemunculan sisi muka atau angka dalam pelemparan sebuah koin
( uang logam)
 Jumlah anak dalam suatu keluarga
b. Variabel acak kontinu adalah variabel acak yang mengambil seluruh nilai yang ada
dalam sebuah interval atau variabel yang dapat memiliki nilai-nilai pada suatu
interval tertentu.
Contoh :
 Usia penduduk suatu daerah
 Panjang beberapa helai kain

2. Apa saja contoh distribusi peluang diskrit dan distribusi peluang kontinu serta
penjelasannya ?
Pembahasan :
a. Peubah acak diskrit adalah peubah acak yang ruang rentangnya merupakan himpunan
yang berhingga (finite) atau tak berhingga tapi terhitung (denumerable/countably
infinite) dengan sifat-sifat:

Berikut di bawah ini beberapa distribusi diskrit:

1. Distribusi Uniform Diskrit

Jika peubah acak X mempunyai nilai x1,x2,x3,…xk dengan peluang yang sama,
maka distribusi seragam diskrit didefinisikan sebagai:
Rataan dan variansi dari distribusi seragam diskrit
adalah:

Contohnya adalah pelemparan dadu

2. Distribusi Binominal
 
Distribusi binomial didasarkan pada proses Bernoulli. Pada proses Bernoulli,
suatu eksperimen sering terdiri dari beberapa usaha yang berulang-ulang, di mana
tiap usaha mempunyai dua kemungkinan: sukses atau gagal.
 
Contoh: pada pengujian suatu produk untuk menentukan berapa jumlah produk yang
cacat dari n pengujian atau usaha. Pada tiap pengujian ditentukan bahwa suatu
produk cacat atau tidak cacat. Setiap pengujian bersifat independen (tidak bergantung
pada pengujian sebelumnya).
 
Sifat-Sifat Proses Bernoulli:
1. Eksperimen terdiri dari n usaha yang berulang
2. Setiap usaha memberikan hasil yang dapat diklasifikasikan menjadi sukses atau
gagal
3. Peluang dari sukses adalah p, yang bersifat 6
3. Peluang dari sukses adalah p , yang bersifat tetap dalam setiap kali usaha.
4. Tiap usaha tersebut bersifat independen satu sama lain.

3. Distribusi Multinominal
 
Jika suatu percobaan dapat menghasilkan k macam hasil E1,E2,…,Ek dengan
peluang P1,P2,…,Pk maka distribusi peluang dari peubah acak X1,X2,…,Xk yang
menyatakan banyak terjadinya E1,E2,…Ek dalam n usaha yang independen adalah:
 4. Distribusi Hipergeometrik
 
Distribusi hipergeometrik mempunyai sifat-sifat sebagai berikut:
 
1. Secara acak diambil sebanyak n tanpa dikembalikan dari N benda.
2. k dari N benda diklasifikasikan sukses dan N -k diklasifikasikan gagal
 
Jumlah sukses X dari eksperimen hipergeometrik disebut peubah acak
hipergeometrik. Distribusi peluang dari peubah acak hipergeometrik disebut dengan
distribusi hipergeometrik, dan nilainya dinotasikan dengan:

5. Distribusi Poisson
 
Eksperimen Poisson adalah eksperimen yang menghasilkan nilai numerik dari
peubah acak X pada selang waktu yang tertentu atau daerah tertentu.
 
Contoh:
1) jumlah panggilan telepon dalam waktu 1 jam yang diterima oleh resepsionis
2) banyaknya pertandingan tenis yang terpaksa diundurkan karena terjadinya hujan
selama musim hujan
3) banyaknya tikus dalams atu hektar sawah
4) banyaknya salah ketik dalam satu halaman
 
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.

b. Distribusi peluang 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. Syarat dari distribusi kontinu adalah apabila
fungsi f(x) adalah fungsi padat peluang peubah acak kontinu X yang didefinisikan di
atas.
Himpunan semua bilangan riil R bila:

Distribusi peluang kontinu dibagi menjadi 4:

 
1. Distribusi Normal
 
Distribusi Normal (Gaussian) mungkin merupakan distribusi probabilitas yang
paling penting baik dalam teori maupun aplikasi statistik. Distribusi ini paling
banyak digunakan sebagai model bagi data riil di berbagai bidang yang meliputi
antara lain karakteristik fisik makhluk hidup (berat, tinggi badan manusia, hewan,
dll). Terdapat empat alasan mengapa distribusi normal menjadi distribusi yang paling
penting :
 
a.Distribusi normal terjadi secara alamiah.
b.Beberapa variabel acak yang tidak terdistribusi secara normal dapat dengan mudah
ditransformasi menjadi suatu distribusi variabel acak yang normal.
c.Banyak hasil dan teknik analisis yang berguna dalam pekerjaan statistik hanya bisa
berfungsi dengan benar jika model distribusinya merupakan distribusi normal.
d.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.
 
Distribusi Normal disebut juga Gausian distribution adalah salah satu fungsi
distribusi peluang berbentuk lonceng seperti gambar berikut.
 

Berdasarkan gambar di atas, distribusi Normal akan memiliki beberapa ciri

diantaranya:
a.Kurvanya berbentuk garis lengkung yang halus dan berbentuk seperti genta.
b.Simetris terhadap rataan (mean).
c.Kedua ekor/ ujungnya semakin mendekati sumbu absisnyatetapi tidak pernah
memotong.
d.Jarak titik belok kurva tersebut dengan sumbu simetrisnya sama dengan σ
e.Luas daerah di bawah lengkungan kurva tersebut dari -~ sampai + ~ sama dengan 1
atau 100 %.

2. Distribusi Student’s t
Distribusi student’s t adalah distribusi yang ditemukan oleh seorang mahasiswa
yang tidak mau disebut namanya. Untuk menghargai hasil penemuannya itu,
distribusinya disebut distribusi Student yang lebih dikenal dengan distribusi “t”,
diambil dari huruf terakhir kata “student”.
Bentuk persamaan fungsinya :

3. Distribusi Chi-Kuadrat
Distribusi chi-kuadrat merupakan distribusi yang banyak digunakan dalam
sejumlah prosedur statistik inferensial. Distribusi chi-kuadrat merupakan kasus
khusus dari distribusi gamma dengan faktor bentuk α= v/2, dimana v adalah bilangan
bulat positif dan faktor skala β=2
Jika variabel acak kontinu X memiliki distribusi chi-kudrat dengan parameter v,
maka fungsi kepadatan probabilitas dari X adalah

Parameter n disebut angka derajat kebebasan (degree of freedom/df) dari X.

Sedangkan fungsi distribusi kumulatif chi -kuadrat adalah :

4. Distribusi F
Menurut Gasperz (1989:251), secara teori sebaran F merupakan rasio dari dua
sebaran chi kuadrat yang bebas. Oleh karena itu peubah acak F diberikan sebagai:

Keterangan:

Oleh karena itu sebaran F mempunyai dua derajat bebas yaitu V1 dan V2.

3. Pergunakanlah tabel distribusi normal untuk menghitung luas daerah :
a. Di sebelah kanan z = 1,84
b. Antara z = -1,97 dan z = 0,86
Pembahasan :
a. Di sebelah kanan z = 1,84

P ( z>1,84 )=0,5000−0,4671
¿ 0,0329
Jadi luas daerah di sebelah kanan z = 1,84 adalah 0,0329

b. Antara z = -1,97 dan z = 0,86

P (−1,97< z <0,86 ) =P ( z <0,86 )−P ( z >−1,97 )

¿ 0,8051−0,0244
¿ 0,7807
Jadi luas daerah di antara z = -1,97 dan z = 0,86 adalah 0,7807