PP2204 – Statistik untuk Pasca Panen

Minggu -3
Probabilitas / Peluang

Dr. Mia Rosmiati, Ir.,MP Dr. Tien Lastini, S.Hut.,MSi

Definisi Probabilitas

• Nilai nisbah frekuensi suatu kejadian dengan total frekuensi seluruh

kejadian yang terbentuk dalam ruang sampel.

• Peluang suatu kejadian adalah nilai yang menunjukkan seberapa besar

kemungkinan suatu peristiwa akan terjadi, diantara keseluruhan
peristiwa yang mungkin terjadi.
Istilah dalam Probabilitas
• Sample Space : set dari semua keluaran (outcomes) yang mungkin dari
eksperimen random (S)

• Event : suatu keluaran (outcome) atau satu set outcomes dari suatu eksperimen

• Ukuran Probabilitas : suatu bilangan atau fungsi yang memetakan dari events
pada sample space ke bilangan real antara 0 dan 1

• Probabilitas dari semua outcomes yang mungkin (yaitu sample space) harus
sama dengan 1
Contoh : Pelemparan (toss) suatu dadu

• Sample Space : S = {1,2,3,4,5,6}

• Event : A = {muncul angka genap},

B = {muncul angka ganjil},
C = {muncul angka 4}

• Ukuran Probabilitas:
P(A) = 0,5; P(B) = 0,5; P(C) = 1/6
Probability must satisfy / aturan peluang :

1. 0≤ P(A) ≤ 1, Peluang sebuah kejadian A selalu berkisar antara 0 sampai 1. Tidak mungkin
lebih kecil dari 0 dan tidak mungkin lebih besar dari 1.

2. Peristiwa A dan à (bukan peristiwa A) saling komplemen (Law of complement) :

P(A) + P(Ã) = 1

1. Mutually Exclusive Events

Peluang di mana 2 atau lebih peristiwa/kejadian/hasil tidak dapat terjadi secara bersamaan
➢ P(A atau B) = P(AB) = P(A) + P(B)
➢ P(ABC) = P(A) + P(B) + P(C)

2. Peristiwa bebas/independent: Jika terjadinya atau tidak terjadinya peristiwa B tidak

mempengaruhi terjadinya peristiwa A .

P(A dan B) = P(A) * P(B)

5. Kejadian yang inklusif : A atau B atau kedua-duanya terjadi.
P(A dan atau B) = P(A) + P(B) – P(A dan B)

6. Kejadian bersyarat / conditional probability : Kejadian A akan terjadi

dengan syarat kejadian B sudah terjadi, dan sebaliknya :

P(A dan B) = P(B)* P(A I B )

Jika peluang B sesudah A terjadi :

P(A dan B) = P(A)* P(B I A )

Catatan:
• A I B untuk menyatakan peristiwa A terjadi dengan didahului terjadinya
peristiwa B,
• Peluangnya ditulis P(A I B) dan disebut peluang bersyarat untuk terjadinya
peristiwa A dengan syarat B
Tujuan mempelajari teori peluang :

1. Merupakan dasar bagi analisis statistika selanjutnya, yaitu tentang statistika

terapan atau pengujian hipotesis

2. Merupakan dasar bagi analisis untuk estimasi (pendugaan) dan prediksi

(peramalan)

3. Sifatnya yang harus dirandom sesuai dengan sifat-sifat dalam penelitian

4. Merupakan penghubung antara populasi dan sampel. Sesuai pula dengan

sifat penelitian yang lebih banyak bekerja dengan sampel.
Random Variables/Variabel random/Variabel Acak
• A random variable X associates a numerical value with each outcome of an
experiment

• Random variabel adalah suatu fungsi yang memetakan anggota ruang sampel S
dengan suatu himpunan bilangan nyata R, dimana setiap anggota dari S hanya
berhubungan dengan satu nilai dari himpunan R, tetapi satu nilai dari himpunan R
dapat berhubungan dengan lebih dari satu anggota himpunan S

• Jika variabel random X adalah terbatas (finite) atau tidak terbatas tetapi dapat
dihitung (dalam pengertian banyaknya nilai yang dapat diambil oleh X dalam suatu
interval adalah terbatas/dapat dihitung, maka X disebut variabel random diskrit.

• Jika variabel random X dapat mengambil semua nilai dalam sebuah interval nilai,
sehingga banyaknya nilai yang dapat diambil oleh variabel random X adalah tak
terhingga (infinite) atau tak terhitung (uncountable), maka X disebut variabel
random kontinyu.
Bila X adalah variabel random diskrit, maka P(X = Xi) adalah peluang untuk mengambil nilai Xi,
menunjukkan fungsi distribusi probabilitas (probability distribution) atau fungsi probabilitas
(probability function) X untuk semua kemungkinan nilai X, jika :

(i) P(X = Xi ) tidak sama dengan nol untuk seluruh i dan,

(ii) . n
 P( X
i =1
= Xi ) = 1

Bila X adalah variabel random kontinyu, maka f (X) merupakan kepadatan peluang (probability
density function) jika f(X) memenuhi :
a
(i)

−
f (X )  0

 b
(ii) P ( a  x  b) =  f ( x ) dx

−
f ( X ) = 1,
a
Rata-rata dan Varians suatu distribusi probability
• Rata-rata sering disebut nilai harapan (expected value)
• Varians dari suatu probabilita merupakan ukuran lokasi dan ukuran dispersi/variasi
dari distribusi probabilita tersebut.
• Rumus untuk menghitung rata-rata:

• E(X) = µ =
 x. p( x)
−
, untuk x yang diskrit

−

• E(X) = µ = x. f ( x)dx , untuk x yang kontinyu

• Rumus untuk menghitung varians :



• V(X) = 2 = E (X- µ)2 = E(X2) - µ2 

= x . p( x) − 
2 2
, untuk x yang diskrit
−

• V(X) =  =
 − 
2 2 2
x . f ( x ) dx , untuk X yang kontinue
−
Contoh :
Sebuah koin dilempar tiga kali. Koin tersebut mempunyai dua sisi yaitu muka (M) dan
belakang (B). Seluruh kemungkinan hasil yang berada dalam ruang sampel S adalah :
MMM, MMB, MBM, BMM, MBB, BMB,BBM,BBB
Jika variabel random X menyatakan banyaknya jumlah M yang muncul, maka X dapat
mengambil nilai 0,1,2 dan 3. Dengan kata lain X = jumlah sisi M yang muncul, maka
distribusi probabilitas X :

Tabel Fungsi Probabilita dari X

Outcome Nilai X P(X=X) = P(X)

BBB 0 1/8

MBB, BMB,BBM 1 3/8

MMB, MBM,BMM 2 3/8

MMM 3 1/8

Jumlah 1
Rata-rata :
3
E(X) = µ =  x. p( x) = 0 (1/8) + 1 (3/8) + 2 (3/8) + 3(1/8) = 12/8 = 3/2
x =0

Varians :
3
V(X) = 2 = E (X- µ)2 = E(X2) - µ2 =  x . p( x) − 
x =0
2 2

= 02 (1/8) + 12 (3/8) + 22 (3/8) + 32(1/8) = 24/8 - (3/2)2 = 3/4

 Cara lain:
Varians =σ2 =∑(Xi - µ)2*P(X)
P(X)*(X-Xbar)2
X P(X) X*P(X) (X-Xbar) (X-Xbar)2

0 0.125 0 -1.5 2.25 0.28125

1 0.375 0.375 -0.5 0.25 0.09375
2 0.375 0.75 0.5 0.25 0.09375
3 0.125 0.375 1.5 2.25 0.28125
1.5 0 5 0.75
DISTRIBUSI PROBABILITAS
Ada bermacam-macam distribusi teoritis :

1. Distribusi probability diskrit:

• Distribusi Binomial (Bernoulli)
• Distribusi Poisson

2. Distribusi probability kontinue:

• Distribusi Normal (Gauss)
• Distribusi t- Student ( W Gosset)
• Distribusi Chi Square ( X2 )
• Distribusi Fisher ( F )
 Distribusi Binomial
(Distribusi Probabilitas Diskrit)

Sifat-sifat :
• Percobaan terdiri dari n pengulangan
• Tiap pengulangan memberikan hasil yang dapat diidentifikasi sukses atau
gagal
• Probabilitas sukses dinyatakan dengan p, untuk setiap ulangan adalah sama
(tidak berubah) dan probabilitas gagal adalah q = 1- p
• Tiap pengulangan dan pengulangan lainnya saling bebas.
Distribusi Binomial
Banyaknya X sukses dalam n pengulangan suatu percobaan
bernoulli disebut sebagai variabel random Binomial,
sedangkan distribusi probabilitasnya disebut distribusi
Binomial dan nilainya dinyatakan sebagai :
b(x,n,p) dimana x = 1, 2, …, n

 n  x n−x n n!
b( x; n, p ) =  p q x
=
x! (n − x)!
 x
  ; Koefisien binom
Rata-rata dan Variansi Distribusi Binomial :

Rata-rata =  = np
2
Variansi =
 = npq
 Contoh :
• Suppose 30% of the tree in a forest are infested with a parasite. Four tree are
randomly sampled. Let X denote the number of the tree sampled that have
parasite. Obtain the probability distribution of X .
• Solution:
Because each tree may either infested (I) or not infested (N), the number of
elementary outcomes concerning a sample of 4 trees is 2 x 2 x 2 x 2 = 16. We
obtain the probability distribution of X presented in Table .
Outcome Nilai X P(X)
NNNN 0 (0.7 )4 (0.3)0 = 0.2401
NNNI, NNIN, NINN,INNN 1 4 * (0.7)3 * (0.3) = 0.411
NNII,NINI,NIIN,
2 6*(0.7)2 *(0.3)2 = 0.2646
INNI,ININ,IINN
NIII, INII, IINI, IIIN 3 4* (0.7) * (0.3)3 = 0.0756
IIII 4 (0.3)4 = 0.0081
Jumlah 1
Contoh
In a large Drosophila population, 40% of the fly are Black (B) and 60% are
Gray (G). Suppose two flies are randomly chosen from the population.
Find the probability that both flies are the same color.
Contoh
According to the Mendelian theory of inherited characteristics, a cross
fertiilization of related species of red-and white-flowered plant produces a
generation whose offspring contain 25% red-flowered plants. Suppose that a
horticulturist wishes to cross 5 pairs of the cross-fertilized species. Of the
resulting 5 offspring, what is the probability that:
a. There will be no red-flowered plants
b. There will be 4 or more red-flowered plants
Distribusi Poisson
(Distribusi Probabilitas Diskrit)

Percobaan Poisson :
▪ Jika suatu percobaan menghasilkan variabel random X yang menyatakan
banyaknya sukses dalam daerah tertentu atau selama interval waktu
tertentu, percobaan itu disebut percobaan Poisson.
▪ Dalam distribusi binomial, bila diketahui probabilitas keberhasilan dari satu
percobaan, maka dapat ditentukan keberhasilan dalam sejumlah percobaan
lainnya.
▪ Namun bila hal ini dilakukan dalam satuan waktu atau ruang, distribusi
binomial tidak dapat digunakan. Maka digunakan distribusi poisson.
Distribusi Poisson
 Jumlah X dari keluaran yang terjadi selama satu percobaan
Poisson disebut Variabel random Poisson, dan distribusi
probabilitasnya disebut distribusi Poisson.
 Bila x menyatakan banyaknya sukses yang terjadi , µ adalah
rata-rata banyaknya sukses yang terjadi dalam interval waktu
atau daerah tertentu, dan e = 2,718 , maka rumus distribusi
Poisson adalah :

e −  x
p ( x;  ) = , x = 0,1,2,......
x!
Rata-rata dan Variansi Distribusi Poisson

 Mean (rata-rata) dan variansi dari distribusi Poisson adalah µ

Catatan :
 Distribusi Poisson sebagai suatu bentuk pembatasan distribusi Binomial
pada saat n besar, sedangkan p mendekati 0, dan np konstan, sehingga
bila n besar dan p mendekati 0, distribusi Poisson dapat digunakan
untuk memperkirakan probabilitas Binomial, dengan µ = np
Contoh
Rerata (μ) tibanya kendaraan di suatu gerbang tol setiap menit adalah 3
mobil. Bila fenomena ini mengikuti distribusi poisson, berapa
probabilitasnya terdapat 5 mobil per menit di gerbang tol tersebut?
Jawab :

e −  x
p ( x;  ) = , x = 5,  = 3
x!
−3 5
(2,71828 )(3 )
p(5,3) = = 0,1008
5!
 Contoh
Rata-rata banyaknya tikus per ha dalam suatu areal padi seluas 5 ha
diduga sebesar 10. Hitung peluang bahwa dalam luasan 1 ha
terdapat lebih dari 15 tikus.
Jawab: X = 15, µ = 10
 Distribusi Normal
(Distribusi Probabilitas Kontinu)
 Kurva Normal dan Variabel Random Normal

 Distribusi normal adalah sebuah distribusi yang paling sering digunakan

dalam teori statistika karena banyak distribusi empiris yang cenderung
mengikuti distribusi ini
 Distribusi probabilitas kontinu yang terpenting adalah distribusi normal atau
dikenal sebagai distribusi gauss, dan grafiknya disebut kurva normal.
 Variabel random X yang distribusinya berbentuk seperti lonceng disebut
variabel random normal.
Distribusi Normal
Variabel random X berdistribusi normal, dengan mean µ dan
varians 2 > 0, maka distribusi probabilitasnya adalah :

1 − ( x −  ) 2 ( 2 2 )
n( x;  ,  ) = e
 2
−  x  
Kurva distribusi normal
0.997

0.954
0.683

µ
Sifat kurva normal, yaitu ::

 Kurva mencapai maksimum pada x = µ

 Kurva simetris terhadap garis tegak yang melalui
x=µ
 Sumbu x merupakan asimtot dari kurva normal
 Seluruh luas di bawah kurva, di atas sumbu x
adalah 1
 Sifat-Sifat Distribusi Normal :
• Bentuk distribusi normal ditentukan oleh μ dan σ. semakin besar nilai  , maka kurva
akan semakin landai, dan semakin kecil nilai  maka kurva akan semakin melancip

1 1
2

μ 1 < μ 2 σ1 = σ2
μ 1 = μ 2 σ1 > σ2

μ 1 < μ2 σ1 < σ2
Kurva Distribusi Normal Standard
Jika X adalah variabel random yang mengikuti distribusi normal dengan rata-rata μ dan varians, dan
untuk dapat menentukan probabilitas didalam kurva normal umum, maka dilakukan transformasi
normal baku adalah sbb :
x−
z=

Distribusi normal standard adalah distribusi normal dengan mean μ=0 dan standard deviasi σ=1.
Transformasi ini juga mempertahankan luas dibawah kurvanya, artinya:

Luas dibawah kurva distribusi Luas dibawah kurva distribusi

normal antara x1 dan x2 = normal standard antara z1 dan z2

Dengan z1 = (x1-μ)/σ dan z2 = (x2-μ)/σ.

Sehingga cukup dibuat tabel distribusi normal standard kumulatif saja!
Kurva Normal Standar : µ = 0 ; σ = 1 atau N(0,1)
 z 0 1 2 3 4 5 6 7 8 9
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
Area under the 0.2
0.3
0.0793
0.1179
0.0832
0.1217
0.0871
0.1255
0.0910
0.1293
0.0948
0.1331
0.0987
0.1368
0.1026
0.1406
0.1064
0.1443
0.1103
0.1480
0.1141
0.1517

Standard Normal 0.4

0.5
0.1554
0.1915
0.1591
0.1950
0.1628
0.1985
0.1664
0.2019
0.1700
0.2054
0.1736
0.2088
0.1772
0.2123
0.1808
0.2157
0.1844
0.2190
0.1879
0.2224

Density from 0 to z 0.6

0.7
0.2257
0.2580
0.2291
0.2611
0.2324
0.2642
0.2357
0.2673
0.2389
0.2704
0.2422
0.2734
0.2454
0.2764
0.2486
0.2794
0.2517
0.2823
0.2549
0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
3.1 0.4990 0.4991 0.4991 0.4991 0.4992 0.4992 0.4992 0.4992 0.4993 0.4993
3.2 0.4993 0.4993 0.4994 0.4994 0.4994 0.4994 0.4994 0.4995 0.4995 0.4995
3.3 0.4995 0.4995 0.4995 0.4996 0.4996 0.4996 0.4996 0.4996 0.4996 0.4997
3.4 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4998
3.5 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998
3.6 0.4998 0.4998 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.7 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.8 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.9 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000
 Contoh
 Jumlah kalori dari salad pada menu makan siang mengikuti sebaran normal dengan rata-
rata 200 dan SD = 5. Tentukan probabilitas bahwa salad yang anda pilih akan
mengandung:
a. Lebih dari 208 kalori
b. Antara 190 dan 200 kalori

Jawab:
Kita notasikan jumlah kalori dalam salad = x, maka variabel baku dapat ditulis:
x− X − 200
z= ; Z =
 5
a. Nilai Z untuk X = 208
Z = (208 – 200)/5 = 8/5 = 1,6
P(X > 208) = P(Z > 1,6)
= 0.5000 - 0.4452 = 0.0548, jadi peluang salad mengandung lebih dari 208 kalori adalah
0.0548
 z 0 1 2 3 4 5 6 7 8 9
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753

Area under the 0.2

0.3
0.0793
0.1179
0.0832
0.1217
0.0871
0.1255
0.0910
0.1293
0.0948
0.1331
0.0987
0.1368
0.1026
0.1406
0.1064
0.1443
0.1103
0.1480
0.1141
0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
Standard Normal 0.5
0.6
0.1915
0.2257
0.1950
0.2291
0.1985
0.2324
0.2019
0.2357
0.2054
0.2389
0.2088
0.2422
0.2123
0.2454
0.2157
0.2486
0.2190
0.2517
0.2224
0.2549

Density from 0 to z 0.7

0.8
0.2580
0.2881
0.2611
0.2910
0.2642
0.2939
0.2673
0.2967
0.2704
0.2995
0.2734
0.3023
0.2764
0.3051
0.2794
0.3078
0.2823
0.3106
0.2852
0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
3.1 0.4990 0.4991 0.4991 0.4991 0.4992 0.4992 0.4992 0.4992 0.4993 0.4993
3.2 0.4993 0.4993 0.4994 0.4994 0.4994 0.4994 0.4994 0.4995 0.4995 0.4995
3.3 0.4995 0.4995 0.4995 0.4996 0.4996 0.4996 0.4996 0.4996 0.4996 0.4997
3.4 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4998
3.5 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998
3.6 0.4998 0.4998 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.7 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.8 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.9 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000
 Contoh
• Seorang peneliti di laboratorium telah mengumpulkan data kolesterol
darah dari 10.000 pasien dirumah sakit tertentu selama 2 tahun. Dari
hasil pengolahan data diketahui bahwa data tersebut menghasilkan
sebaran simetris dengan rata-rata 180 mg/dl dengan simpangan baku 50
mg/dl. Hitunglah :
a. Probabilitas seorang pasien dengan kadar kolesterol lebih besar
dari 200 mg/dl
b. Probabilitas seorang pasien dengan kadar kolesterol antara 150
s/d 200 mg/dl
 Contoh : Cari z!
Berapakah nilai Z tabel jika diketahui :
a. P(Z > z) = 0.025
b. P(Z < -z) =0.05
Jawab:
a) P(Z > z) = 0.025 berarti 0.5 - 0.025 = 0.4750
Dari tabel terbaca nilai 0.4750 adalah untuk z = 1.96.
Jadi P(Z > 1.96) = 0.025

0.025

Z=1.96
b) P(Z< -z) = 0.05, → 0.5 – 0.05 = 0.45, dari tabel distribusi normal terlihat
bahwa z = 1,65 memberi P(Z < -1,65) = 0.4495 dan z = 1.64 memberi
P(Z< - 1.64) = 0.4505. Karena 0.05 terletak antara peluang 0.4495 dan
0.4505, maka kita interpolasi antara dua nilai z tersebut dan
diperoleh nilai z = 1.645
Jadi P(Z < - 1,645) = 0.05

-Z= -1.645
 Contoh
Hitung luas dan Pergunakanlah tabel distribusi normal standard untuk
menghitung luas daerah :
a) Dari Z = 1.75 ke kanan
b) Antara Z = -1.96 s/d Z = 0.96
c) Antara Z = 0 dan Z = 2,25
d) Antara Z = 0 dan Z = -1,76
e) Antara Z = -1,50 dan Z = 1,62
f) Antara Z = 1.40 dan Z = 2.65
g) Dari Z = 1,96 ke kiri
h) Dari Z = 1,96 ke kanan
 Contoh
Cari nilai Z dengan menggunakan tabel distribusi normal standard :

0.123 0.125

-Z Z

0.2643
0.351

-Z Z
 Latihan 1
Hitung luas dan Pergunakanlah tabel distribusi normal standard untuk
menghitung luas daerah :

a. Z antara 1,05 dan 2,65

b. Z antara -0,92 dan -2,25
c. Z antara -0,75 dan 1,25
d. Dari Z = 0,98 ke kanan
e. Dari Z =0,98 ke kiri
f. Dari Z = -1,22 ke kanan
g. Dari Z = - 2,20 ke kiri
h. Dari Z = 1.47 ke kanan
i. Z antara -0.15 dan 1.60
j. Z antara -1.2 dan 2.1
Latihan 2 : cari nilai Z

0.1056
0.1131

Z
-Z

0.102 0.405

Z Z
 0.756 0.6528

-1 Z -Z Z

0.20
0.59

-Z
-Z 1.82
 0.688 0.888

-Z Z -Z 2.0
 Hubungan antara Distribusi Binomial dan
Distribusi Normal

Jika n cukup besar dan jika tak satu pun dari p atau q sangat dekat dengan
nol maka distribusi binomial dapat didekati atau diaproksimasi oleh sebuah
distribusi normal dengan variabel terstandarisasi yang dirumuskan sebagai:

𝑥 − 𝑛𝑝
𝑧=
𝑛𝑝𝑞

np = µ dan ragam/varians = σ2 = npq , q = 1-p

Pendekatan ini akan semakin baik seiring dengan semakin bertambah

besarnya n. Dalam praktiknya, pendekatannya akan sangat bagus jika np dan
n q kedua-duanya lebih besar daripada 5.
Contoh
Let X have a binomial distribution with n = 150 and
p = 0.6. approximate the probability that:
a. X is between 82 and 101 both inclusive
b. X is greather than 97

Solution:
Mean = np = 150 * 0.6 = 90
Sd = √np(1-p) = √150*0.6*0.4 = √36 = 6
the standardized variable is :
x − np x − 90
z = z =
npq 6
The event (82 ≤ X ≤ 101) includes both endpoint. The appropriate continuity
correction is to subtract ½ from the lower end and add ½ to the upper end.
We then approximate:
81.5 − 90 X − 90 101.5 − 90
P (81.5  X  101.5) = P (   )
6 6 6
= P (−1.42  Z  1.92)

From the normal table:

P(-1.42 ≤ Z ≤ 1.92) = 0.9724 – 0.0782 = 0.8942
And approximate P(82 ≤ X ≤ 101) by the normal probability 0.8942
 Distribusi-Student’s t

• Sama halnya dengan distribusi normal, distribusi-t

mempunyai penyebaran nilai antara - ∞ sampai + ∞
• Bentuk distribusinya simetris terhadap t = 0
• Distribusi t digunakan apabila ukuran sampel kecil (n < 30)
Kurva Distribusi -t
 df α
0,05 0,025 0,01 0,005
1 6,314 12,706 31,821 63,657
Tabel distribusi t 2 2,920 4,303 6,965 9,925
3 2,353 3,182 4,541 5,841
Level significance for one 4 2,132 2,776 3,747 4,604
tailed test 5
6
2,015
1,943
2,571
2,447
3,365
3,143
4,032
3,707
Contoh : df=1, α = 0,05, 7 1,895 2,365 2,998 3,499
8 1,860 2,306 2,896 3,355
maka nilai t = 6,314 9 1,833 2,262 2,821 3,250
10 1,812 2,228 2,764 3,169
11 1,796 2,201 2,718 3,106
Untuk two tailed test: α = 12 1,782 2,179 2,681 3,055
0,1 13 1,771 2,160 2,650 3,012
14 1,761 2,145 2,624 2,977
15 1,753 2,131 2,602 2,947
16 1,746 2,120 2,583 2,921
17 1,740 2,110 2,567 2,898
18 1,734 2,101 2,552 2,878
19 1,729 2,093 2,539 2,861
20 1,725 2,086 2,528 2,845
21 1,721 2,080 2,518 2,831
22 1,717 2,074 2,508 2,819
23 1,714 2,069 2,500 2,807
24 1,711 2,064 2,492 2,797
25 1,708 2,060 2,485 2,787
26 1,706 2,056 2,479 2,779
27 1,703 2,052 2,473 2,771

α 28
29
1,701
1,699
2,048
2,045
2,467
2,462
2,763
2,756
30 1,697 2,042 2,457 2,750

tα 40
50
100
1,684
1,676
1,660
2,021
2,009
1,984
2,423
2,403
2,364
2,704
2,678
2,626
10000 1,645 1,960 2,327 2,576
 Latihan
1. Untuk fenomena yang mengikuti distribusi t dengan dk 16, tentukan
harga-harga t sehingga luas:
• Dari t ke kanan = 0.05
• Dari t ke kanan = 0.01
• Dari t ke kiri = 0.95
2. Pertanyaan no 1, untuk dk= 20
3. Didapat harga t = 2.54 untuk dk = 19, berapa luas daerah dari t ke
kanan?
 Distribusi Khi Kuadrat

• Sama halnya dengan distribusi-t, distribusi khi kuadrat ( distribusi

χ2) sering digunakan dalam statistika induktif dan analisis tabel
untuk uji kebebasan (test of independence) atau uji kesamaan
proporsi
• Distribusi ini tergantung pada satu parameter yaitu derajat
kebebasan (degree of freedom)=dk=df
• Distribusinya tidak simetris

Contoh :
Nilai χ2 pada dk = 1, α = 0.05 adalah 3.84
 Derajat Kebebasan (DB=DK=DF)
• Semakin suatu prosedur atau model cocok, maka jumlah derajat kebebasan semakin
kecil. Penghitungan derajat kebebasan dilakukan melalui ukuran sampel.

• Derajat kebebasan merupakan pengukuran jumlah informasi dari data sample yang
telah digunakan

• Derajat bebas adalah sebuah bilangan yang menunjukkan banyaknya ukuran contoh (n)
dikurangi dengan banyaknya parameter populasi (k) yang harus diestimasi dari contoh.
• Simbolnya adalah  (baca: nu) dan secara matematis  = n – k. Atau db = n – k.

• DB : patokan membaca tabel statistik berkenaan dengan daerah kritis (batas dimana
suatu hasil perhitungan statistik dapat disebut signifikan)

• Signifikansi : tingkat ketepatan (presisi) dalam kaitannya dgn kesalahan pengambilan

sampel (sampling error)
 Kurva distribusi Khi Kuadrat

α
0
χ2α
Latihan
1. Untuk fenomena yang berdistribusi chi kuadrat dengan dk = 27,
carilah nilai-nilai χ2 sehingga luas:
a. Dari χ2 ke kanan besarnya 0.05
b. Dari χ2 ke kanan besarnya 0.95
c. Dari χ2 ke kiri besarnya 0.99
d. Dari χ2 ke kiri besarnya 0.01
2. Untuk pertanyaan no 2 untuk dk = 13
Tabel 8.3 Distribusi-2 : Luas ujung kurva (curve tail areas)

kurva 2 = kurva 2n-1 Luas daerah arsiran = 

2 ,



0.995 0.990 0.975 0.950 0.900 0.100 0.050 0.025 0.010 0.005
1 0.000 0.000 0.001 0.004 0.016 2.706 3.841 5.024 6.635 7.879
2 0.010 0.020 0.051 0.103 0.211 4.605 5.991 7.378 9.210 10.597
3 0.072 0.115 0.216 0.352 0.584 6.251 7.815 9.348 11.345 12.838
4 0.207 0.297 0.484 0.711 1.064 7.779 9.488 11.143 13.277 14.860
5 0.412 0.554 0.831 1.145 1.610 9.236 11.070 12.832 15.086 16.750
6 0.676 0.872 1.237 1.635 2.204 10.645 12.592 14.449 16.812 18.548
7 0.989 1.239 1.690 2.167 2.833 12.017 14.067 16.013 18.475 20.278
8 1.344 1.647 2.180 2.733 3.490 13.362 15.507 17.535 20.090 21.955
9 1.735 2.088 2.700 3.325 4.168 14.684 16.919 19.023 21.666 23.589
10 2.156 2.558 3.247 3.940 4.865 15.987 18.307 20.483 23.209 25.188
11 2.603 3.053 3.816 4.575 5.578 17.275 19.675 21.920 24.725 26.757
12 3.074 3.571 4.404 5.226 6.304 18.549 21.026 23.337 26.217 28.300
13 3.565 4.107 5.009 5.892 7.041 19.812 22.362 24.736 27.688 29.819
14 4.075 4.660 5.629 6.571 7.790 21.064 23.685 26.119 29.141 31.319
15 4.601 5.229 6.262 7.261 8.547 22.307 24.996 27.488 30.578 32.801
16 5.142 5.812 6.908 7.962 9.312 23.542 26.296 28.845 32.000 34.267
17 5.697 6.408 7.564 8.672 10.085 24.769 27.587 30.191 33.409 35.718
18 6.265 7.015 8.231 9.390 10.865 25.989 28.869 31.526 34.805 37.156
19 6.844 7.633 8.907 10.117 11.651 27.204 30.144 32.852 36.191 38.582
20 7.434 8.260 9.591 10.851 12.443 28.412 31.410 34.170 37.566 39.997
21 8.034 8.897 10.283 11.591 13.240 29.615 32.671 35.479 38.932 41.401
22 8.643 9.542 10.982 12.338 14.041 30.813 33.924 36.781 40.289 42.796
23 9.260 10.196 11.689 13.091 14.848 32.007 35.172 38.076 41.638 44.181
24 9.886 10.856 12.401 13.848 15.659 33.196 36.415 39.364 42.980 45.558
25 10.520 11.524 13.120 14.611 16.473 34.382 37.652 40.646 44.314 46.928
26 11.160 12.198 13.844 15.379 17.292 35.563 38.885 41.923 45.642 48.290
27 11.808 12.878 14.573 16.151 18.114 36.741 40.113 43.195 46.963 49.645
28 12.461 13.565 15.308 16.928 18.939 37.916 41.337 44.461 48.278 50.994
29 13.121 14.256 16.047 17.708 19.768 39.087 42.557 45.722 49.588 52.335
30 13.787 14.953 16.791 18.493 20.599 40.256 43.773 46.979 50.892 53.672
32 15.134 16.362 18.291 20.072 22.271 42.585 46.194 49.480 53.486 56.328
34 16.501 17.789 19.806 21.664 23.952 44.903 48.602 51.966 56.061 58.964
36 17.887 19.233 21.336 23.269 25.643 47.212 50.998 54.437 58.619 61.581
38 19.289 20.691 22.878 24.884 27.343 49.513 53.384 56.895 61.162 64.181
40 20.707 22.164 24.433 26.509 29.051 51.805 55.758 59.342 63.691 66.766
 Distribusi F
• Biasanya digunakan dalam estimasi dan pengujian hipotesis
• Distribusi F tergantung pada dua parameter yaitu dua
derajat kebebasan (v1 dan v2; v1 = dk pembilang, v2 = dk
penyebut)
• Bentuk distribusi F tidak simetris

Contoh :
• Pada tabel memberikan nilai hanya untuk α = 0.05 dan α =
0.05 untuk berbagai pasangan derajat kebebasan v1 dan v2
Jadi, nilai F untuk derajat kebebasan 6 dan 10 adalah
F0.05 = 3.22
 Kurva Distribusi F

0 Fα
 Latihan
1. Dari daftar distribusi F, dengan dk pembilang 7 dan dk penyebut 18, carilah nilai F
sehingga luas:
a. Dari F ke kanan = 0.01
b. Dari F ke kanan = 0.05
c. Dari F ke kiri = 0.99
2. Seperti soal no 1, dk pembilang 11 dan dk penyebut 30
• Johnson,R.A and Bhattacharyya,G.K. 1996. Statistics, Principle and
Methods. Third Ed. John Wiley and Sons, Inc. New York
• Myra L Samuels, Jeffrey A Witmer, Andrew Schaffner. 2012. Statistics
for the Life Sciences. Fourth Edition. Pearson Education,Inc
• Sudjana. 1992. Metode Statistika. Tarsito, Bandung
• Walpole, Ronald E. 1992. Pengantar Statistika.(alih bahasa : Bambang
Sumantri). Gramedia Pustaka Utama, Jakarta.
Sekian,

Terima Kasih