1

BAB I

PENDAHULUAN

A. Latar Belakang

Peluang merupakan teori dasar dalam statistika yang memungkinkan

teradinya peristiwa dengan nilai tertentu. Nilai-nilai peluang tambahan bisa

membentuk suatu distribusi yang di sebut distribusi peluang.

Peluang atau kadang pula disebut dengan probabilitas merupakan suatu

derajat kepastian untuk terjadinya suatu peristiwa dengan ukuran antara 0

sampai dengan 1, dimana peristiwa tersebut terjadi secara acak.

Matematika merupakan ilmu universal yang mendasari perkembangan

teknologi modern, mempunyai peran penting dalam berbagai disiplin dan

mengembangkan daya pikir manusia. Perkembangan pesat di bidang

teknologi informasi dan komunikasi dewasa ini dilandasi oleh

perkembangan matematika di bidang teori bilangan, aljabar, analisis, teori

peluang dan matematika diskrit. Untuk menguasai dan mencipta teknologi

di masa depan diperlukan penguasaan matematika yang kuat sejak dini.

Mata pelajaran Matematika perlu diberikan kepada semua peserta didik

mulai dari pendidikan dasar untuk membekali peserta didik dengan

kemampuan berpikir logis, analitis, sistematis, kritis, dan kreatif, serta

kemampuan bekerjasama. Uraian singkat beberapa bidang kajian adalah

sebagai berikut:
 2

1. Teori Himpunan

Merupakan bidang matematika yg mengkaji himpunan yakni

kumpulan (koleksi) dari objek-objek. Dasar dari kajian himpunan adalah

konsep keanggotaan. Kajian himpunan berawal dari pemilahan obyek-

obyek fisik yg mempunyai kesamaan sifat . Walaupun obyek tersebut

dapat berupa obyek apapun, namun dalam matematika objek tersebut

berupa obyek yang relevan dengan matematika, yaitu bilangan (untuk

selanjutnya vektor, fungsi).

Di dalam matematika, teori himpunan merupakan dasar dari semua

bidang kajian, terutama untuk analisis matematis, topologi, aljabar

abstrak, dan matematika diskret.

Pada umumnya dalam teori himpunan, digunakan 2(dua)

pendekatan yaitu :

(i) Pendekatan intuitif (pendekatan tradisionil), seperti yang biasa dipelajari,

dan

(ii) Pendekatan aksiomatik (pendekatan modern).

Pendekatan modern ini berawal dari kajian aksioma dan sistem

aksioma, serta paradox (oleh Cantor dan Dedekind). Dalam kerangka

aksiomatik ini, diketengahkan (oleh Zermelo- Fraenkel) aksioma yang

dikenal sebagai aksioma pemilihan (axiom of choice) Pendekatan

aksiomatik dari teori himpunan dengan pendekatan logika matematis,

teori pembuktian, teori model, dan teori rekursi, dikenal sebagai fondasi

matematika. Pencarian jawab kebenaran dalam kerangka fondasi

 3

matematika tersebut melatar belakangi filsafat matematika. Terdapat

himpunan dengan pendekatan lain yang bukan merupakan bahasan dalam

teori himpunan. Pendekatan penentuan keanggotannya tidak bersifat

deterministik seperti dalam kajian himpunan yang telah disebutkan di

atas.

Dalam hal ini keanggotaannya ditentukan berdasarkan konsep

possibility. Himpunan ini dikenal dengan himpunan kabur (fuzzy set).

2. Logika matematis

Logika matematis (pendekatan khusus dari logika filosofis)

merupakan kajian matematis dari logika dan penerapannya pada bidang

lain (terutama sains komputer). Seperti kita ketahui bahwa tujuan utama

dari digunakannya logika adalah memberikan aturan-aturan yang dapat

menentukan keabsahan suatu argumentasi atau penalaran. Kajian awal

logika matematika ini menggunakan logika dasar ya/tidak dalam suatu

pernyataan matematis (atau kaitannya dengan pernyataan lain). Kajian

awal ini menggunakan pendekatan teori himpunan. Dengan pendekatan

ini menunjukkan bahwa hampir semua teorema matematika dapat

dijelaskan secara gamblang, meskipun terdapat terdapat beberapa

teorema masih belum dapat dibuktikan. Dalam kajian lanjut logika

matematis, dilakukan pendekatan dalam kerangka fondasi matematika

(menggunakan sistem formal). Dalam hal ini tidak secara langsung

membuktikan teorema dalam matematika, tetapi memperoleh teorema

sebagai alternatif jalan kearah pembuktian. Logika matematis

 4

berkembang sejalan dengan perkembangan fondasi matematika, dalam

kerangka geometri, aritmatika, dan analisis. Kajian fondasi matematika

tersebut semakin jelas perkembangannya dalam kajian pembuktian

konsistensi teori-teori fundamental oleh Hilbert. Hasil kajian Godel (dan

lain-lain) baru memberikan penjelasan secara parsial. Dengan

berkembangnya kajian lanjut di atas, dewasa ini terdapat beberapa

subbidang logika matematika, diantaranya teori himpunan, teori model,

teori rekursif, teori pembuktian, dan matematika konstruktif.

3. Teori Bilangan

Merupakan cabang matematika yang secara umum membahas

bilangan dan sifat-sifatnya (khususnya integer), berikut masalah dan klas

masalah yang muncul dalam pembahasan. Bidang matematika ini

sebelumnya dikenal dengan aritmatika. Akan tetapi dengan meluasnya

kajian yang dilakukan (tidak terbatas dengan hanya kalkulasi dan

sifatnya), selanjutnya bidang ini dikenal dengan teori bilangan.

Teori bilangan terbagi dalam beberapa subbidang, sesuai dengan

metode yang digunakan dan jenis kajian yang diteliti, yaitu :

(1) Teori bilangan elementer

Yang menjadi obyek kajian adalah bilangan integer dengan

pendekatan dasarnya adalah konsep keterbagian (divisibility).

Dengan konsep dasar tsb dikaji algoritma Euclid, pembagi bersama

terbesar (greatest common divisor), faktorisasi integer ke dalam

bilangan-bilangan prima, hubungan kekongruenan, persamaan

 5

Diophantine, bilangan sempurna (perfect number). Disamping itu

dibahas pula barisan integer, faktorial, dan bilangan Fibonacci.

Beberapa teorema yang penting dalam kajian teori bilangan antara

lain teorema Euler, Teorema Fermat, teorema sisa Cina (Chinesse

remainder theorem). Beberapa fungsi dan sifatnya yang muncul

dalam kajian ini antara lain fungsi Mobius, fungsi Euler-j. Beberapa

teorema dalam teori bilangan elementer dapat dijelaskan dengan

menggunakan pengertian-pengertian dalam teori bilangan elementer

walaupun dengan kajian yang mendalam. Akan tetapi terdapat

teorema yang memerlukan pendekatan lain di luar teori bilangan

elementer untuk menyelesaikannya, seperti :

(i ) Konjektur Golbach, berhubungan dengan penyajian bilangan

genap sebagai jumlah dua bilangan prima,

(ii) Konjektur Catalan (sekarang dikenal dengan teorema

Mihailescu), yang berhubungan dengan pangkat integer-integer

berturutan

(iii) Teorema terakhir Fermat, berhubungan dengan

ketakmungkinan untuk memperoleh integer taknol x, y, z yang

memenuhi Xn + Yn = Zn, untuk n > 2. (Teorema ini

dinyatakan sekitar tahun 1637 tak terbuktikan sampai tahun

1994).
 6

(2) Teori bilangan analitik

Digunakan untuk masalah dalam teori bilangan elementer

yang tidak dapat (atau sulit) dipecahkan menggunakan pendekatan

teori bilangan elementer (seperti yang telah disebutkan di atas).

Teori bilangan analitik ini menggunakan sarana kalkulus dan analisis

kompleks untuk menangani pemecahan masalah yang berhubungan

dengan integer. Beberapa diantaranya adalah teorema bilangan prima

dan hubungannya dengan hipotesis Riemann, masalah Waring

(penyajian integer sebagai jumlahan dari pangkat 2, 3, … dari

integer). Di sini dipelajari juga pembuktian tetapan matematis

transedental seperti e dan p (tetapi tetapan tersebut tidak menjadi

obyek bilangan sebagai dasar pembahasan)

(3) Aljabar bilangan

Dikaji perluasan konsep bilangan dengan bilangan aljabar

(pendekatan aljabar). Beberapa pembahasan yang dilakukan

diantaranya persamaan polinomial dan akarnya. Pembasasan lanjut

di sini diantaranya teori Galois, grup homologi, representasi grup,

fungsi-L. Beberapa pertanyaan teoritis yang dipecahkan

berhubungan dengan kajian modulo p, untuk bilangan prima p (i.e

grup berhingga)

(4) Geometri bilangan

Berhubungan dengan konsep dasar geometris untuk

memecahkan masalah dalam teori bilangan (seperti lattice).

 7

Pembahasan dimulai dengan teorema Minskowski yang

berhubungan dengan titik-titik lattice dalam himpunan konveks,

yang akan membawa ke pembuktian dasar keberhinggaan dari klas

bilangan dan teorema Dirichlets (dua teorema fundamental dalam

aljabar teori bilangan).

(5) Teori bilangan kombinatorial

Berhubungan dengan masalah teoritis yang melibatkan konsep

kombinatorial dalam penurunan penyelesaiannya. Beberapa topik

khusus di sini diantaranya covering system, masalah jumlah nol,

barisan aritmatik dalam himpunan integer. Dalam menurunkan

penyelesaian biasanya digunakan pendekatan aljabar.

(6) Komputasi teori bilangan

Dipelajari algoritma-algoritma dan tekniknya yang relevan

dalam teori bilangan. Misalnya algoritma cepat pengujian prima dan

faktorisasi integer. Teknik dan algoritma ini penting penerapannya

dalam bidang Kriptografi.

4. Aljabar

Merupakan cabang matematika yang berhubungan dengan kajian

kuantitas, hubungan, dan struktur yang terbentuk. Pada awalnya, kajian

dasar dilakukan dengan penyajian simbolik kuantitas serta operasi-

operasinya, meliputi persamaan, persamaan linear, persamaan kuadrat.

Kajian ini dikenal sekarang dengan aljabar elementer. Secara umum,

kajian aljabar dapat diklasifikasikan sebagai:

 8

 Aljabar elementer

 Aljabar Linear

 Aljabar Absttrak

Disamping itu, terdapat juga beberapa bidang lain yang dapat

digolongkan sebagai aljabar juga (menggunakan pendekatan aljabar),

seperti aljabar teori bilangan, aljabar kombinatorik, geometri aljabar, dan

sebagainya.

4.1 Aljabar elementer

Merupakan bentuk perampakan (generalisasi) dari

aritmatika. Dalam aritmatika hanya dipelajari bilangan, operasi

bilangan (seperti +, -, x, : ). Di dalam aljabar, bilangan disajikan

dengan simbol (seperti x, y, z), yang disebut dengan peubah

(variable). Dengan menggunakan simbol-simbol, termasuk

hubungan antar beberapa simbol maupun bilangan (=, < , >),

dilakukan eksplorasi sifat-sifat matematisnya. Beberapa konsep

dasar dalam aljabar linear antara lain ekspresi (termasuk juga

ekspresi bentuk polinomial), persamaan dan pertaksamaan,

persamaan lienar dan sistem persamaan linear. Aljabar elementer

ini biasanya dipelajari di sekolah menengah, dan sering dianggap

merupakan bagian dari prekalkulus.

4.2 Aljabar linear

Merupakan cabang matematika yang berhubungan dengan

kajian vektor, ruang vector (juga disebut ruang linear), pemetaan

 9

linear (disebut juga transformasi linear), dan sistem persamaan

linear (di dalamnya muncul pengertian matriks). Ruang vektor

merupakan salah satu topik utama dalam matematika modern.

Penyajian konkrit aljabar linear ini merupakan bagian dalam

geometrik analitik (secara lebih umum, dalam teori operator).

Secara lebih luas, aljabar linear digunakan dalam aljabar abstrak

dan analisis fungsional.

4.3 Aljabar abstrak

Bidang matematika yang mengkaji struktur aljabar seperti

grup, gelanggang (ring), lapangan (fields), modul, ruang vektor.

Kajian dimulai dengan suatu himpunan takhampa yang dilengkapi

dengan satu komposisi biner (struktur aljabar). Kadang-kadang

bidang kajian ini disebut dengan aljabar (saja) sebagai

kependekan aljabar abstrak, kadang disebut juga dengan struktur

aljabar. Tetapi orang lebih senang menyebutnya dengan aljabar

abstrak untuk membedakannya dengan aljabar elementer. Aljabar

abstrak ini banyak digunakan dalam kajian lanjut bidang

matematika (teori bilangan aljabar, topologi aljabar, geometri

aljabar). Demikian juga dalam fisika teoritis, seperti aljabar linier.

Kajian struktur aljabar dengan pendekatan homomorfisma akan

merupakan bidang kajian khusus yang disebut dengan kategori.

Teori kategori ini biasanya digunakan dalam pembandingan

berbagai struktur aljabar.

 10

5. Trigonometri (atau Goneometri)

Merupakan cabang matematika yang mengkaji bangun segitiga,

khususnya pada bidang datar yang salah satu sudutnya adalah 90 derajat.

Yang menjadi dasar dalam kajiannya adalah hubungan antara sudut-sudut

dan sisi-sisinya. Hubungan tersebut dinyatakan sebagai fungsifungsi

trigonometri. Trigonometri ini banyak diterapkan baik dalam matematika

murni maupun terapan (khususnya dalam sains dan teknologi), seperti

probabilitas, statistika, fisika, kimia, biologi, kimia, farmasi, seismologi,

meteorologi, oseanologi, geodesi, kartografi, rekayasa teknik (elektro,

mesin, sipil, arsitek). Oleh karena sangat luas bidang penggunaannya,

pada awalnya trigonometri dipelajari pada sekolah lanjutan ataupun

sebagai salah satu bagian dari prekalkulus. Salah satu cabang

trigonometri yaitu kajian trigonometri ruang (khususnya bola), disebut

dengan segitiga bola (spherical trigonometry). Bidang ini banyak

digunakan dalam astronomi dan navigasi.

6. Geometri

Merupakan cabang matematika yang mengkaji ukuran, bentuk

permukaan (shape), bentuk bangun, dan posisinya dalam ruang

observasi. Ini sesuai dengan penggunaan awal geometri (penyelidikan

bumi dan ukurannya), bidang ini merupakan sains tertua, yang pada

awalnya mengkaji ukuran panjang, luas, dan volume dari bangun-bangun

tertentu). Termasuk di dalamnya bidang astronomi yang mengkaji letak

dan peredaran planet-planet dalam jagad raya. Awal pengembangan

 11

secara aksiomatik dilakukan oleh Euclid yang dikenal dengan geometri

Euclid (Euclidean Geometry). Dengan diperkenalkannya konsep

koordinat (dikenal sebagai sistem kordinat Kartesius) oleh Rene

Descartes dan secara bersamaan dengan pengembangan konsep aljabar,

merupakan awal perkembangan bidang geometri. Sejak saat itu bangun-

bangun geometri (seperti kurva, garis, bidang datar dan ruang) dapat

dieksplorasi secara analitis. Kajian analitis geometri ini merupakan salah

bagian kajian dalam kalkulus. Dengan pengayaan kajian mengenai

struktur obyek geometri oleh Euler dan Gauss, akan membawa kajian

geometri ke arah kajian topologi dan diferensial geometri. Berawal

dengan pengenalan konsep transformasi menjadikan terjadinya kajian

geometri yang disebut dengan geometri non-Euclid (non Euclidean

geometry). Hal ini dianggap sebagai awal pengembangan geometri

modern. Penggunaan secara luas geometri ini dalam fisika menjadikan

berkembangnya konsep baru yang disebut dengan geometri Riemann

(Riemannian geometry). Pendekatan menggunakan geometri Riemann ini

dilakukan dalam kajian relativitas. Disamping jenis pendekatan geometri

di atas, dikenal pula geometri fraktal, geometri aljabar dan sebagainya.

Pendekatan geometri Euclid, terutama pada ruang dimensi dua (bidang

datar) dan ruang dimensi tiga (ruang nyata), biasanya dipelajari pada

sekolah lanjutan atau menjadi salah topik pada prekalkulus.

 12

7. Topologi

Merupakan cabang matematika yang merupakan pengembangan

dari geometri. Sesuai dengan namanya, topologi, kajian awal bidang ini

adalah dengan mempertim-bangkan konsep ‘tempat’ dalam struktur lokal

maupun globalnya (konsep ruang topologi). Awal kajian topologi

dilakukan oleh Euler (sejalan dengan berkembangnya teori graf) dan

konsep topologinya sendiri diperkenalkan beberapa abad kemudian oleh

B.Listing. Kajian topologi ini dikembangkan dengan menggunakan

konsep teori himpunan dengan memperhatikan himpunan titik-titik dan

keluarga himpunan-himpunan tersebut. Istilah topologi ini digunakan

sebagai nama bidang kajiannya atau juga sebagai nama himpunan dengan

sifat-sifat tertentu yang digunakan dalam ruang topologinya. Dengan

topologi dibangun konsep (melalui definisi) dan teorema, salah satu

konsep penting yang dikaji adalah pemetaan (fungsi) yang bersifat

homeomorfis. Secara mudahnya fungsi tersebut dapat dianggap dapat

me’rentang’kan (stretch) suatu ruang (atau bangun dalam ruang) tanpa

harus menjadikan ruang (atau bangun ruang) tersebut menjadi sobek.

Beberapa bidang bagian dari kajian topologi antara lain point-set

topology (antara lain menyelidiki konsep kekompakan, keterhubungan,

dan keterhitungan), topologi aljabar (antara lain menyelidiki konsep

homotopi dan homologi), dan topologi geometri (antara lain menyelidiki

konsep manifold)
 13

8. Analisis matematis

Dalam matematika disebut dengan analisis (saja). Merupakan

kajian secara taat azas (rigorous) dari kalkulus. Dalam hal ini dilakukan

analisis rinci dari besaran peubah maupun fungsi di dalamnya

berdasarkan pendefinisian pengertian besaran kecil dan .

Dengan pendefinisian tersebut dikaji limit (limit barisan, limit fungsi),

teori diferensiasi, integrasi, deret takhingga, dan fungsi analitik. Teori-

teori yang dipelajari di dalamnya dalam kerangka bilangan real,

bilangan kompleks, dan fungsi real, fungsi kompleks. Disamping itu

secara lanjut dikaji pula dalam kerangka ruang obyek matematis (ruang

topologi) yang mempertimbangkan ‘jarak’nya (ruang metrik) Dengan

berkembangnya jangkauan topik dalam analisis, kajian analisis

seringkali dibagi ke dalam beberapa kajian khusus, meliputi :

(i) Analisis real, merupakan kajian diferesial dan integral dari fungsi

real, termasuk di dalamnya kajian barisan serta limit, deretnya, dan

ukuran.

(ii) Analisis fungsional, merupakan kajian fungsi dalam ruang fungsi

menyangkut di dalamnya konsep ruang Banach dan ruang Hilbert

(iii) Analisis harmonik, kajian yang berhubungan dengan deret Fourier

dan abstraksinya

(iv) Analisis kompleks, seprti analisis real tetapi dikaji dikaji fungsi pada

bidang kompleks ke bidang kompleks yang dbersifat diferensiabel

 14

(v) Geometri diferensial dan topologi, yaitu penerapan kalkulus ke dalam

ruang ruang abstrak matematis yang struktur lebih spesifik

(vi) Analisis numerik, kajian yang berhubungan dengan algoritma

numerik untuk menghampiri (aproksimasi) fungsi kontinu dengan

menggunakan fungsi diskret (diskretisasi)

Disamping kajian analisis seperti yang telah disebutkan di atas, masih

terdapat pula beberapa pendekatan analisis lain.

9. Teori probabilitas

Merupakan cabang matematika yang berhubungan dengan analisis

fenomena acak. Obyek utama dalam kajian adalah peubah acak, kejadian

acak, dan proses stokastik. Dua obyek penting dalam kajian ini adalah

hukum bilangan besar (law of large number) dan teorema limit pusat

(central limit theorem). Pada awalnya yang dipertimbangkan adalah

kejadian diskret dengan metode yang menggunakan konsep

kombinatorial. Dasar matematisnya diberikan oleh Pascal dan Fermat

yang di dalamnya menggunakan kajian peluang dari munculnya suatu

kejadian. Selanjutnya, pendekatan analitisnya baru dapat dilakukan

dengan memperluas ke kejadian kontinu. Hal ini baru dapat dilakukan

setelah diperkenalkan sistem aksiomatik oleh Kolmogorov.

Pengembangan analitis teori probabilitas dapat berlanjut dengan

menggunakan teori ukuran (measure theory). Hal ini merupakan awal

pengembangan modern dari teori probabilitas. Teori probabilitas

merupakan konsep matematis fundamental dalam kajian statistika.

 15

Sebagai fondasi matematis, teori probabilitas diperlukan dalam berbagai

aktivitas yang melibatkan analisis kuantitatif dari data yang berjumlah

besar. Metode–metode probabilitas (dalam sistem kompleks) digunakan

dalam mekanika statistis. Hal ini merupakan pendekatan dalam fisika

teoritis dalam penyelidikan fenomena fisis khususnya dalan kajian secara

atomik. Kajian khusus dalam fisika teoritis tersebut disebut dengan

mekanika kuantum.

10. Statistika

Merupakan sains matematis dengan di dalamnya menggunakan

pertimbangan utamanya adalah data, meliputi analisis dan interpretasi

dengan pembahasan dan penggunaan metode (disebut metode statistika).

Untuk alasan praktis, biasanya observasi dilakukan terhadap sejumlah

data (sebagai sampel) yang diharapkan selanjutnya dapat

menggambarkan populasi fenomena yang diobservasi. Kajian metode

statistis tersebut dapat diklasifikasikan sebagai

(i) Statistika deskriptif, digunakan untuk menjelaskan gambaran

tentang kumpulan data. Dengan statitsika deskriptif tersebut,

digambarkan secara numerik (angka-angka) atau diagram dengan

menggunakan rata-rata (mean) dan simpangan bakunya (standard

deviation)

(ii) Statistika inferensi, digunakan untuk menjelaskan gambaran

tentang inferensi proses atau populasi yang diobservasi. Ini

 16

dilakukan setelah pola data dapat dimodelkan dengan

mempertimbangkan keacakannya dalam observasi.

Dengan statistika inferensi tersebut dilakukan pemodelan pola dari

data, keacakan data dan penggambaran inferensi dalam populasinya.

Inferensi ini dapat berupa jawaban ya/tidak (uji hipotesa), estimasi

karakteristik numerik (estimasi), gambaran keterhubungan (korelasi),

pemodelan hubungan (regresi), dan termasuk teknik pemodelan lain

meliputi analisis variansi (anova), runtun waktu (time series), dan data

mining. Kedua klas tersebut di atas dianggap sebagai statistika terapan.

Dengan mempertimbangkan sifat keempirikan statistika dan

penggunaannya, statistika dipandang sebagai cabang dari matematika

terapan. Akan tetapi dengan perkembangan penerapan statistika,

sementara orang menganggap bahwa statistika merupakan bidang ilmu

sendiri. Terdapat disiplin lain yg disebut dengan statistika matematis

yang mempelajari aspek teoritis (matematis) dari statistika. Fondasi

teoritis dari statistika merupakan teori probabilitas, yang berawal dari

kajian peluang munculnya kejadian, yg dilakukan oleh Pascal dan Fermat

(lihat probabilitas). Sedangkan metode awal dalam statistika (metode

least square) diperkenalkan oleh Gauss. Dengan penggunaan komputer,

dimungkinkan untuk mengolah sejumlah besar data dengan cepat. Hal ini

menjadikan berkembangnya kajian statistika yang dikenal dengan

komputasi statistika. Dalam sehari-hari sering dicampur adukan antara

statistika dengan statistik. Misalnya statistik kelahiran dan kematian,

 17

yang menyatakan banyaknya kelahiran dan kematian di suatu daerah dan

pada selang waktu tertentu. Demikian pula statistik kriminalitas, statistik

kemiskinan, dan sebagainya.

11. Matematika diskret

Dalam bidang ini dilakukan kajian struktur diskret secara

matematis, dalam arti tidak mempertimbangkan kekontinuan. Kadang

disebut juga dengan matematika berhingga. Obyek dasar yang dipelajari

di dalamnya meliputi himpunan terhitung (countable sets) seperti integer,

graf berhingga, dan bahasa formal. Matematika diskrit menjadi populer

sejalan dengan berkembangkan sains komputer. Beberapa topik yang

dipelajari diantaranya logika (kajian penalaran), teori himpunan (kajian

kumpulan elemen) termasuk di dalamnya fungsi dan relasi, poset

(partially order set) dan lattice, teori bilangan (termasuk di dalamnya

pencacahan ), kombinatorik (meliputi teori disain, kombinatorik

enumeratif, teori graf), algoritma serta teknik dan kompleksitasnya, serta

teori informasi. Dengan topik lanjut meliputi teori kompleksitas dan

komputabilitas (berhubungan dengan keterbatasan teoritis dari

algoritma), serta teori pembuktian.

12. Matematika Terapan

Merupakan cabang matematika yang berhubungan dengan

penerapan matematika pada bidang matematika sendiri (probabilitas,

teori persamaan diferensial, statistika, analisis numerik) maupun bidang

ilmu pengetahuan lain. Sejalan dengan perkembangan matematika yang

 18

berawal dari fisika, pada awalnya yang dimaksudkan dengan matematika

terapan merupakan kajian matematis dalam fisika (fisika berbasis

Newton). Pada awalnya adalah mekanika klasik dan mekanika fluida.

Sejalan dengan perkembangan masalah fisika, perkembangan selanjutnya

meliputi kajian aproksimasi (di dalamnya termasuk metode asimptotis,

metode variasional), dan optimisasi. Pada awalnya memang terdapat

pembedaan antara matematika terapan (applied mathematics) dan

penerapan matematika pada bidang ilmu pengetahuan lain (application

of mathematics). Namun sejalan dengan pesatnya perkembangan terapan

matematika pada bidang lain, yang sebelumnya hanya memerlukan

metode matematis, lama kelamaan semakin memerlukan dasar

pendekatan teori matematis. Perkembangan ini menjadikan munculnya

bidang kajian baru yang dapat dikategorikan sebagai matematika terapan

juga. Dengan demikian menjadikan semakin tipisnya pembedaan tersebut

di atas. Dengan berkembangnya pengetahuan lain maupun penerapan

pada masalah sehari-hari yang memerlukan fondasi matematika maupun

metode matematisnya, berkembang pula berbagai subbidang matematika

terapan. Dewasa ini yang menjadi topik (subbidang) utama dalam

matematika terapan adalah sebagai berikut :

(1) Analisis Terapan : teori aproksimasi, teori optimisasi, analisis

numerik, sistem dinamik, teori chaos

 19

(2) Matematika diskrit : Kombinatorik, teori graf, teori permainan,

geometri diskrit, teori komputasi, teori komputabilitas, teori

kompleksitas, teori Informasi, kriptografi

(3) Probabilitas: Distribusi probabilitas, statistika, proses stokastik

(4) Subbidang lain : Riset Operasional, Matematika biologi, Matematika

Finansial, Matematika Ekonomi, sains Komputer.

Kompetensi tersebut diperlukan agar peserta didik dapat memiliki

kemampuan memperoleh, mengelola, dan memanfaatkan informasi untuk

bertahan hidup pada keadaan yang selalu berubah, tidak pasti, dan

kompetitif. Standar kompetensi dan kompetensi dasar matematika dalam

dokumen ini disusun sebagai landasan pembelajaran untuk

mengembangkan kemampuan tersebut di atas. Selain itu dimaksudkan

pula untuk mengembangkan kemampuan menggunakan matematika

dalam pemecahan masalah dan mengomunikasikan ide atau gagasan

dengan menggunakan simbol, tabel, diagram, dan media lain. Pendekatan

pemecahan masalah merupakan fokus dalam pembelajaran matematika

yang mencakup masalah tertutup dengan solusi tunggal, masalah terbuka

dengan solusi tidak tunggal, dan masalah dengan berbagai cara

penyelesaian. Untuk meningkatkan kemampuan memecahkan masalah

perlu dikembangkan keterampilan memahami masalah, membuat model

matematika, menyelesaikan masalah, dan menafsirkan solusinya. Dalam

setiap kesempatan, pembelajaran matematika hendaknya dimulai dengan

pengenalan masalah yang sesuai dengan situasi.Dengan mengajukan

 20

masalah kontekstual, peserta didik secara bertahap dibimbing untuk

menguasai konsep matematika. Untuk meningkatkan keefektifan

pembelajaran, satuan pendidikan diharapkan menggunakan teknologi

informasi dan komunikasi seperti komputer, alat peraga, atau media

lainnya. Selain itu, perlu ada pembahasan mengenai bagaimana

matematika banyak diterapkan dalam teknologi informasi sebagai

perluasan pengetahuan peserta didik.

Salah satu definisi menyebutkan bahwa statistik adalah metode

ilmiah untuk menyusun, meringkas, menyajikan dan menganalisa data,

sehingga dapat ditarik suatu kesimpulan yang benar dan dapat dibuat

keputusan yang masuk akal berdasarkan data tersebut.

Kombinasi merupakan suatu alat analisis yang mempunyai peranan

yang sangat penting, khususnya dalam menentukan banyaknya alternatif

yang dapat dimungkinkan dalam pengambilan keputusan. Pertanyaan

tentang berapa macam cara suatu peristiwa, dapat terjadi seringkali

dihadapi dalam penghitungan bermacam kemungkinan untuk

menentukan alternatif pemilihan.

Dalam membahas Kombinasi, yang perlu dipahami adalah

pengertian Faktorial (disimbolkan dengan tanda seru atau !). Nilai suatu

bilangan yang difaktorialkan diformulasikan : n! = 1 x 2 x 3 x 4 x … x n.

(khusus untuk 0! = 1). Sebagai contoh : 5! = 1 x 2 x 3 x 4 x 5 = 120.

 21

Terlebih dahulu memahami materi, dasar peluang. Karena untuk

menghitung peluang suatu kejadian dapat menggunakan kombinasi.

Untuk menghitung peluang suatu kejadian maka kita perlu

menentukan kemungkinan semua hasil percobaan artinya mengetahui

jumlah seluruh titik contoh. Ilmu untuk menghitung titik contoh disebut

dengan kombinatorika.

B. Rumusan Masalah

Berdasarkan latar belakang diatas, agar makalah ini tidak keluar

dari pokok permasalahannya, maka kami sebagai penyusun akan

merumuskan permasalahannya, sebagai berikut:

1. Apa yang di maksud dengan distribusi peluang dan contohnya?

2. Bagaimana contoh peluang dari uang logam, dadu dan kartu bridge?

C. Tujuan

Adapun tujuan dari pembuatan makalah ini adalah untuk memenuhi

tugas mata kuliah Statistik Matematika dengan maksud:

1. Untuk mengetahui definisi Distribusi Peluang

2. Untuk mengetahui rumus-rumus yang terkait Distribusi Peluang

D. Manfaat

Manfaat dari makalah yang dibuat ini adalah:

 22

1. Pembaca maupun penulis dapat menambah pengetahuan yang terkait

tentang suatu distribusi peluang, definisi,rumus-rumus,serta kaidah-

kaidah yang berkaitan.

2. Pembaca serta penulis dapat mengaplikasikan pengetahuan yang

dimiliki tentang Distribusi Peluang tersebut dalam kehidupan sehari-

hari.
 23

BAB II

TINJAUAN TEORITIS

A. PELUANG ACAK

Pada percobaan yang digunakan untuk menjelaskan setiap proses yang

menghasilkan pengukuran, sering yang menarik perhatian kita bukan titik

sampel itu sendiri melainkan gambaran numeriknya. Misalnya, sebuah

mata uang dengan sisi muka (M) dan Belakang (B) yang dilemparkan tiga

kali memberikan ruang sampel S = {MMM, MMB, MBM, BMM, MBB,

BMB, BBM, BBB}. Bila yang diperhatikan banyaknya sisi muka yang

muncul, maka hasil numerik, 0, 1, 2, atau 3 dikaitkan dengan titik sampel.

1. Kelompok manusia terdiri atas 50 orang dan 3 di antaranya lahir pada

tanggal 1 Januari. Secara acak diambil 5 orang. Berapa peluangnya di

antara 5 orang tadi:

a)      Tidak terdapat yang lahir tanggal 1 Januari?

SOLUSI

b)      Ambil x = banyak orang di antara n = 5 yang lahir pada tanggal 1

Januari. Maka dengan N = 50, D = 3 memberikan 

2. Misalkan rata-rata ada 1,4 orang buta huruf untuk setiap 100

orang.Sebuah sampel berukuran 200 telah diambil.

 24

Jika x = banyak banyak buta huruf per 200 orang, maka untuk kita

sekarang λ = 2,8. Peluang tidak terdapat buta huruf adalah:   

SOLUSI.

Sedangkan peluang terdapatnya yang buta huruf sama dengan 1-

0,0608 = 0,9392

B. FUNGSI DISTRIBUSI KOMULATIF

1. Menurut banyaknya hasil dalam suatu kejadian dapat dibedakan

menjadi dua macam kejadian, yaitu : Kejadian sederhana jika hasilnya

hanya satu, dan kejadian majemuk jika hasinlnya lebih dari satu.

Suatu kejadian dikatakan terjadi jika eksperimen yang

dilakukan menghasilkan hasil dalam kejadian tersebut.

Contoh :

 Jika eksperimen adalah melempar sebuah mata uang 2 kali dengan :

A = Kejadian mendapat M pada pelemparan pertama

B = Kejadian mendapat hasil kedua lemparan sama

C = Kejadian mendapatB pada pelemparan kedua, maka

A={ MB , MM } , B= { BB , MM } ,dan C={ MB , BB }

 Jika eksperimen adalah melempar sebuah dadu 1 kali dengan:

A = Kejadian mendapat mata genap

B = Kejadian mendapat mata ganjil

 25

C = Kejadian mendapat mata yang habis dibagi 3

D = Kejadian mendapat mata yang ≤ 6

Maka, A={ 2,4,6 }

B= {1,3,5 }

C={ 3,6 }

D= {1,2,3,4,5,6 }

C. FUNGSI DISTRIBUSI UNIVARIAT

a. F adalah fungsi yang tidak turun, artinya  jika a < b maka F(a) ≤ F(b)

b. F adalah fungsi yang kontinu dari kanan. Artinya, untuk setiap b dan setiap

barisan yang menurun bn, n≥1, yang konvergen ke b,

1.    Suatu pengiriman 8 komputer pc yang sama ke suatu toko mengandung 3

yang cacat. Bila suatu sekolah membeli 2 komputer ini secara acak, cari

distribusi peluang banyaknya yang cacat

JAWAB :

Misalkan X peubah acak dengan nilai x kemungkinan banyaknya

komputer yang cacat yang dibeli oleh sekolah tersebut. Maka x dapat

memperoleh setiap nilai 0, 1, dan 2. Sekarang,   

F(0) = P (X = 0) =     = 10/28               

F(1) = P(X = 1) =          = 15/28

f(1) = P(X = 2) =               = 2/28

 26

 Jadi distribusi peluang X

         x                   0          1          2

        f(x)         10/28   15/28   3/28

2.   Hitunglah distribusi kumulatif peubah acak X dalam contoh soal 2.

Dengan menggunakan F(x), perlihatkan bahwa f(2) = 3/8

JAWAB :

Dengan menghitung langsung distribusi peluang pada contoh soal 2,

diperoleh f(0) = 1/16, f(1) = 1/14, f(2) = 3/8, f(3) = ¼, dan f(4) = 1/16.

Jadi,

      F(0) = f(0) = 1/16

      F(1) = f(0) + f(1) = 5/16

      F(2) = f(0) + f(1) + f(2) = 11/16

      F(3) = f(0) + f(1) + f(2) + f(3) = 15/16

      F(4) = f(0) + f(1) + f(2) + f(3) + f(4) = 1

Jadi,

      f(2) = F(2) – F(1) = 11/ 16 – 5/16 = 3/8

3.    Misalkan bahwa galat suhu reaksi, dalam ºC, pada percobaan laboratorium

yang dikontrol merupakan peubah acak X yang mempunyai fungsi padat

peluang

      f(x) =    x2/3,               untuk –1 < x < 2

                   0,                    untuk x lainnya
 27

Tunjukkan bahwa syarat terpenuhi.

Hitung P(0 < x    1). 

Jawab:  

                    =      x2/3 dx = x3/9    = 8/9 + 1/9 = 1.

P(0 < x  ≤  1) =      x2/3 dx = x3/9   = 1/9

4.      Carilah F(x) dari fungsi pada contoh soal 4 dan kemudian hitunglah P(0 <

X  ≤  1)

JAWAB :

Untuk -1< x < 2,

F(x) =                      =     t2/3 dt = t3/9     =        x3+1

                                                          9

Jadi,

                        0                x    ≤  -1

      F(x) =       x3 + 1         -1    ≥  x < 2

                          9

                        1                x  ≥    2

Jadi,

P(0 < X  ≤   1) = F(1) – F(0) = 2/9 – 1/9

 28

5.  Dua isi ballpoint dipilih secara acak dari sebuah kotak yang berisi 3 isi

warna biru, 2 merah, dan 3 hijau. Bila X menyatakan banyaknya yang

berwarna biru dan Y warna merah yang terpilih, hitunglah

a.       Fungsi peluang gabungan f(x,y), dan

b.      P [(X,Y)  € A], bila A daerah { (x,y) [x+y ≤   1}

JAWAB :

Pasangan nilai (x,y) yang mungkin adalah (0,0), (0,1), (1,0), (1,1), (0, 2), dan

(2,0). Sekarang f(0,1), misalnya menyatakan peluang bahwa isi berwarna

merah dan hijau yang terpilih. Banyaknya cara yang berkemungkinan sama

memilih dua isi dari delapan adalah   = 28. Banyaknya cara memilih 1 merah

dari 2 isi berwarna merah dan hijau dari 3 isi berwarna hijau adalah = 6, jadi

f(0,1) = 6/28 = ¾. Dengan jalan yang sama dihitung peluang untuk kasus

lainnya, yang disajikan pada tabel halaman berikut

                                                      x = 0, 1, 2;

F(x,y) =                                         y = 0, 1, 2;

                                                      0       x+y     2

                                                          ≤          ≤

F(x,y) X Jumlah baris

 0            1               2
Y 0 3/28       9/28      3/28 15/28

1 3/14       3/14 3/7

2 1/28 1/28
jum. lajur 5/14     15/28    3/28 1
. P [(X, Y)  €   A]   = P (X + Y  ≤  1)

                               = f(0,0) + f(0,1) + f(1,0)

 29

                               = 3/28 + 3/14 + 9/28     = 9/14

D. FUNGSI DISTRIBUSI BIVARIAT

F. FUNGSI PADAT PELUANG

Dalam statistik, kadang dijumpai nilai yang diperoleh dari salah atu hasil

pemusatan data yang bias.

Contoh

Perusahaan jasa penjualan telur ayam kampung yang dikelola sendiri oleh Pak

Hadi, mempunyai 3 orang karyawan. Setiap bulannya pak Hadi membayar

upah setiap karyawannya sebesar 1 uta rupiah, dia sendiri setiap bulannya

mengambil bayaran sebesar 9 juta rupiah. Kemudian dia mengatakan bahwa

rata-rata upah dalam perusahaannya adalah 3 juta rupiah

 30

Apakah ini masuk akal? Kalo iya, karyawan yang mana yang mendapat upah 3 jt

rupiah? Kenyataannya tidak ada seorang karyawan pun yang mendapat upah 3

juta. Dari salah satu permasalahan di atas maka, perlu teknik lain supaya dalam

analisa data tidak bias, yakni fungsi kepadatan peluang Fungsi Kepadatan Peluang

dibedakan menjadi dua jenis, yakni untuk data diskrit dan untuk data kontinue.

Untuk Fungsi Kepadatan Peluang Data Diskrit sering disebut sebagai fungsi

sebaran peluang, sedangkan untuk fungsi data kontinue sering disebut sebagai

fungsi kepadatan peluang (fkp) atau probability Density Function(PDF).

1. Fungsi Kepadata Peluang Diskrit (Fungsi Sebaran Peluang)

Definisi:

Keterangan

f(x) lebih besar atau sama dengan nol, jelas, karena f(x) adalah peluang dari

masing masing nilai peubah acak yang diperoleh dari permasalahan, sesuai

definisi kisaran nilai peluang

 31

Sigma f(x) =1, hal ini dapat dijelaskan yakni, setiap nilai peubah acak menyebar

di ruang sampel (berpasangan dengan anggota ruang sampel) sehingga jumlah jika

setiap titik sampel yang menjadi pasangan nilai peubah dijumlahkan maka akan

sama dengan ruang sampel, sehingga peluangnya jelas berjumlah 1 karena

peluang menjadi ruang sampel dibagi ruang sampel sama dengan 1

P(X=x)=f(x), adalah peluang untuk peubah acak x tertentu, sama dengan fungsi

sebaran peluang untuk x tertentu tersebut.

Contoh 1

Dua buh dadu di tos 1 kali, diberikan peubah acak X yaitu jumlah mata dadu yang

muncul. Tentukan

a. formula sebaran peluangnya

b. P(X=3)

c. P(X<5)

Jawab

a. Terlebih dahulu kita menentukan nilai peubah acak yang mungkin yakni

{2,3,4,5,6,7,8,9,10,11,12},  tentu pasti kalian tau khan

Selanjutnya kita buatkan sebaran peluangnya sebagai berikut:

 32

 sehingga sebaran peluangnya sb

b. P(X=3)=f(3) = 2/36

c. P(X<5) = f(2) + f(3) + f(4) = 1/36 + 2/36 + 3/36 = 6/36 = 1/6

Gimana gampang khan he he

Contoh 2

Lima buah koin di tos 1. Diberikan fungsi peubah acak banyaknya sisi angka yang

muncul, tentukan

  a.    formula sebaran peluang

Jawab:

a. Terlebih dahulu kita perlu menentukan nilai peubah acaknya yakni

{0,1,2,3,4,5}

Selanjutnya kita tentukan sebaran peluang dengan menentukan berapa pasangan

tiap nilai peubah acak di ruang sampel, dimana banyaknya ruang sampel adalah

32. Untuk mempercepat kita dapat gunakan teknik permutasi atau kombinasi

(Teknik yang paling tepat adalah permutasi, namun dalama aljabar

perhitungannya mempunyai kesamaan dengan teknik kombinasi)

 33

          

Sehingga sebaran peluangnya dapat diperoleh yaitu:

Sehingga rumus sebaran peluangnya adalah C(5,x)/32 atau P(5,5)/(P(5-

x,).P(x,x))/32

G. FUNGSI PADAT PELUANG BIVARIAT

34
35
 36

H. FUNGSI PADAT PADAT PELUANG MULTIFARIAT

Suatu peubah acak bivariat X, Y ditulis fX,y , didefinisikan sebagai

Fx,y (x,y) = P (X = x, Y = y)

Untuk multivariat cukup mengganti x , y dengan x1, x2 , . . . , xn , x , y dengan

x1 , x2 , . . . , xn dan s, t dengan s1 , s2 , . . . , sn.

Semua sifat-sifat yang berlaku untuk fungsi padat peluang bifariat,

berlaku pula untuk padat peluang multifariat, maka fungsi padat peluang

multivariat pun mempunyai sifat – sifat sebagai berikut :

- fX,Y (x, y) ≥ 0 untuk setiap x dan y

- ∑ ∑ f x,y (x,y) = 1, jika x,y diskrit

x y

❑ ❑

- ∫ ∫ ❑ fx,y (x,y) dx dy, jika x,y kontinu

x y
 37

I. FUNGSI PADAT MARGINAL

Contoh. Fungsi padat gabungan peubah acak x dan y diberikan oleh :

1
F (x,y) = 8 xy untuk y < x < 1 , 0 < y < x

= 0 untuk x lainnya

> Hitunglah g (x) , h (y), f(y|x) dan P (y < 1/8 | x = ½)

- Misalkanlah x dan y dua peubah acak, diskret maupun continue

dengan fungsi peluang gabungan f (x,y) dan distribusi marginal

masing-masing g(x) dan h(y). Peubah acak x dan y dikatakan bebas

statistik jika dan hanya jika f(x,y) = g(x) h(y) untuk semua (x,y).
- Misalkanlah x1, x2 , x3 ,…..xn , n peubah acak diskret maupun

continue, dengan distribusi peluang gabungan f (x1 , x2 ….xn) dan

distribusi marginal masing-masing f1 (x1 ), f2 (x2), ….fn (xn ). Peubah

acak x1, x2 , x3 ,…..xn dikatakan saling bebas statistik jika dan hanya

jika f (x1 , x2 ….xn) = f1 (x1 ), f2 (x2), ….fn (xn ).

Contoh. Misalkan x1, x2 & x3 , 3 peubah acak bebas statistik dan misalkanlah

2 masing-masing mempunyai fungsi padat peluang :

(x) = e-x untuk x > 0

=0 untuk x lainnya
 38

> Hitunglah P (x1 < 2 , 1< x2 < 3 , x3 > 2 )

Jawab Fungsi padat peluang gabungan x1, x2 dan x3 adalah p

J. FUNGSI DISTRIBUSI MARGINAL

 Untuk distribusi bersyarat peubah acak diskret maupun continue adalah F

(y|x) =  , g(x) > 0              f(x|y) =  ; h(y) > 0P ( a< y < b | X=x) =

 Contoh:1. Fungsi padat gabungan peubah acak  dan y diberikan oleh : F

(x,y) = 8 xy       untuk y < x < 1 , 0 < y < x=  0           untuk x

lainnya

 Hitunglah g (x) , h (y), f(y|x) dan P (y < 1/8 | x = ½)

- Misalkanlah x dan y dua peubah acak, diskret maupun continue

dengan fungsi peluang gabungan f (x,y) dan distribusi marginal

masing-masing g(x) dan h(y). Peubah acak x dan y dikatakan

bebas statistik jika dan hanya jika f(x,y) = g(x) h(y) untuk

semua (x,y).

- Misalkanlah x1, x2  , x3  ,…..xn , n peubah acak diskret maupun

continue, dengan distribusi peluang gabungan f (x 1  , x2  ….xn)

dan distribusi marginal masing-masing f1  (x1 ), f2  (x2), ….fn 

(xn ). Peubah acak  x1, x2  , x3  ,…..xn dikatakan saling bebas

statistik jika dan hanya jika f (x1  , x2  ….xn) = f1  (x1 ), f2  (x2),

….fn  (xn ).
 39

 Contoh.2 Misalkan x1, x2  & x3  , 3 peubah acak bebas statistik dan

misalkanlah masing-masing mempunyai fungsi padat peluang : (x)        = 

e-x     untuk x > 0= 0        untuk x lainnya .

 Hitunglah P (x1 <2 , 1<  x2 < 3 ,  x3 > 2 ) Jawab Fungsi padat peluang

gabungan x1, x2  dan  x3 adalah 1.

 Contoh:

Dua kelereng dipilih secara acak dari sebuah kotak berisi 3 kelereng biru,

2 kelereng merah, dan 3 kelereng hijau. Jika X menyatakan kelereng

berwarana biru yang terambil, dan Y menyatakan kelereng berwarna

merah yang terambil. Tentukan:

1. Distribusi peluang marginal X

2. Distribusi peluang marginal Y

Penyelesaian:

∑ f ( x, y)
1. g(x) = y

∑ f (0 , y )
g(0) = y = f(0,0)+ f(0,1) + f(0,2)

3 6 1 10
+ + =
= 28 28 28 28

9 6 15
+ =
g(1) = 28 28 28

3
g(2) = 28

disajikan dalam tabel

X 0 1 2
 40

10 15 3
g(x)
28 28 28

∑ f ( x, y)
2. h(x) = x

∑ f ( x,0 )
h(0) = x = f(0,0)+ f(1,0) + f(2,0)

3 9 3 15
+ + =
= 28 28 28 28

6 6 12
+ =
h(1) = 28 28 28

1
h(2) = 28

disajikan dalam tabel

X 0 1 2
15 12 1
g(x)
28 28 28
 Contoh:

Pandang fungsi padat gabungan

f(x,y) =
{kx(1+3 y2 ) ,0<x<2 , 0< y<1 ¿ ¿¿¿
tentukan:

1. Distribusi peluang marginal X

2. Distribusi peluang marginal Y

Penyelesaian:
 41

1
f(x,y) =
{
4
x(1+3 y 2 ) ,0< x<2 , 0< y<1 ¿ ¿¿¿

∞ 1
1
∫ f (x , y)dy = ∫ x(1+3 y 2 ) dy
1. g(x) = −∞ 0 4

1 1
x( y + y 3 )|10 = x
= 4 2 , 0<x<2

∞ 2
1
∫ f (x , y)dx = ∫ x(1+3 y 2 ) dx
2. h(y) = −∞ 0 4

1 1
(1+3 y 2 ) x 2|20 = (1+3 y 2 )
= 8 2 , 0<y<1.

BAB III
 42

PEMBAHASAN

A. PELUANG ACAK

1. Peluang Acak

Pada percobaan yang digunakan untuk menjelaskan setiap proses yang

menghasilkan pengukuran, sering yang menarik perhatian kita bukan titik

sampel itu sendiri melainkan gambaran numeriknya. Misalnya, sebuah mata

uang dengan sisi muka (M) dan Belakang (B) yang dilemparkan tiga kali

memberikan ruang sampel S = {MMM, MMB, MBM, BMM, MBB, BMB,

BBM, BBB}. Bila yang diperhatikan banyaknya sisi muka yang muncul, maka

hasil numerik, 0, 1, 2, atau 3 dikaitkan dengan titik sampel.

Transformasi yang memasangkan titik sampel di S ke suatu hasil

numeric disebut peubah acak (random variable). Jika X menyatakan

banyaknya sisi muka yang muncul dalam tiga kali pelemparan mata uang itu,

maka X = 0 merupakan gambaran numeric untuk {BBB} , X = 1 untuk

{MBB, BMB, BBM}, X = 2 untuk {MMB, MBM, BMM}, dan X = 3

{MMM}. Karena bilangan cardinal n(S) = 8, diperoleh nilai-nilai peluang P

(X = 3) = 1/8, sesuai ed bilangan cardinal masing-masing peristiwa yang

berkaitan dengan nilai X tersebut. Nilai-nilai peluang inilah yang disebut

fungsi distribusi peluang farik yang biasa disebut fungsi massa peluang dari

peubah acak X, yang dapat dibuat dalam sebuah tabel sebagai berikut:
 43

1.1. Fungsi massa peluang munculnya sisi muka dalma tiga kali

pelemparan mata uang

X P (X = x) = p (x)

0 1/8

1 3/8

2 3/8

3 1/8

Karena ruang sampel S adalah ruang sampel farik, maka peubah acak

X yang diturunkan dari S juga disebut peubah acak farik, dan distribusi

peluangnya disebut distribusi peluang farik. Peubah acak ditulis dengan huruf

capital, misalnya X dan symbol nilai pengamatannya dengan huruf kecil x.

Untuk penyerderhanaan, kita tulis p (x) untuk x = 0, 1, 2, 3 memiliki sifat-

sifat sebagai berikut:

1. p(x) ≥ 0 untuk x = 0, 1, 2, 3

2.

Sifat-sifat diatas dapat dinyatakan secara umum. Untuk setiap peubah

acak farik X yang mempunyai terhingga banyaknya nilai x 1, x2, x3, …..xn

dengan peluang p(xi) = pi untuk i = 1, 2, 3, ……n untuk sebaang bilangan asli

n, harus memenuhi sifat-sifat fungsi massa peluang berikut:

1. pi ≥ 0 untuk i = 1, 2, 3, …….n
 44

2.

Sifat ini dapat diperluas lagi untuk peubah acak yang memiliki tak

hingga banyaknya nilai, dan masih dapat dipadankan satu-satu dengan

bilangan asli A = {1, 2, 3…}. Misalkan nilai-nilai peubah acak X adalah x1, x2,

x3….. dengan peluang masing-masing p1, p2, p3….. harus memenuhi sifat-sifat

berikut:

1. pi ≥ 0 untuk i = 1, 2, 3, …….

2.

Ada dua momen penting dari peubah acak yang disebut nilai harapan

(expected value) dan variansi (variance). Rumus kedua momen ini berturut-

turut adalah:

x i pi
m = E (X) = i 1

2 2
 (x i  i ) pi
s = E (X - m) = i 1

Symbol E (X) dalam bahasa Inggris dibaca Expected value of X. rumus

x i
2
pi
variansi dapat pula ditulis dengan s 2 = E(X2) - m 2, dengan E(X2) = i 1 .

Untuk peubah acak farik X yang nilainya terhingga banyaknya (n), kedua

nomen tersebut dinyatakan oleh rumus yang sama, tetapi batas sigma yang

berbeda sebagai berikut:

 45

x i pi
m = E (X) = i 1

 (x i  i ) pi
s2 = E (X - m)2 = i 1

Hasil suatu percobaan mungkin saja tak hingga banyaknya dan tidak

dapat dipadankan satu-satu dengan bilangan asli. Misalnya, penelitian

mengenai jarak yang ditempuh sebuah mobil yang dijalankan dengan lima

liter bensin. Jika X menyatakan jarak yang ditempuh oleh mobil itu sampai

bensin itu habis, maka peubah acak ini memiliki nilai tak hingga banyaknya.

Perlu diperhatikan disini bahwa peubah acak X dapat didefinisikan langsung

dari percobaan dan tidak melalui transformasi dari ruang sample S, karena

ruang sample itu sendiri sudah dinyatakan dengan bilangan riil. Ruang sampel

yang memuat takhingga banyaknya titik sampel dan tidak dapat dipadankan

satu-satu dengan bilangan asli disebut ruang sampel malar, dan peubah acak

yang diturunkannya disebut peubah acak malar.

Peubah acak malar X memiliki fungsi distribusi khusus yang disebut

fungsi padat peluang f (x), dan harus memenuhi sifat-sifat berikut:

1. f(x)  0 untuk semua x  R = {bilangan riil}



 f (x)dx dx  1
2. 

 f (x) dx
3. P(a<X<b) = a untuk a, b  R

Nilai harapan dan variansi peubah acak malar dihitung dengan rumus
 46


  E(X)   x.f (x)dx


 
   (x   ) .f (x)dx   x .f (x)dx  
2 2 2 2

 

Rumus-rumus ini dapat dimodifikasi untuk peubah acak malar x yang

memiliki nilai terbatas, seperti A  x  B, untuk bilangan riil A, dan B

tertentu. Dalam hal ini, kedua momen tersebut dapat ditulis:

B
  E(X)   x.f (x)dx
A

B B
 2   (x   ) 2 .f (x)dx   x 2 .f (x)dx   2
A A

Karakteristik yang paling mendasar untuk dikaji dalam mempelajari

tingkah laku suatu distribusi adalah fungsi massa atau fungsi padat peluang.

Dalam fungsi/padat peluang ini terkandung sifat-sifat mendasar yang menjadi

ciri khas distribusi itu. Misalnya, nilai rata-rata dan variansi dapat dihitung

dari fungsi massa/pada peluang.

Selanjutnya, kita akan melihat beberapa fungsi peluang farik dan

fungsi peluang malar, khususnya yang sudah banyak digunakan dalam

statistika terapan. Perhatikan bahwa kita menggunakan istilah fungsi massa

peluang untuk distribusi peluang farik dan fungsi pada peluang untuk

peluang malar.

2. Contoh Peluang Acak

a. Distribusi Peluang
 47

1. Variabel Acak

Misal S ruang sampel. Fungsi X yang memetakan setiap

anggota ruang sampel S ke suatu bilangan real disebut variabel acak

(variable random). Variabel biasa dinyatakan dengan huruf besar X, Y,

Z, dan sebagainya, sedangkan nilai-nilai dari variabel acak dinotasikan

dengan huruf kecil missal x, y, z dan sebagainya.

Pada pengundian dua buah mata uang logam, peristiwa yang terjadi

adalah:

GG, GA, AG, AA

P(GG) = P(GA) = P(AG) P(AA) = ¼

Jika X menyatakan banyaknya Angka (A), maka X = 0,1,

Sehingga P(X = 0) = ¼, P(X = 1) = ½ , P(X = 2) = ¼, dengan

menggunakan tabel

X P(X)
0 ¼
1 ½
2 ¼
Jumlah 1

Simbol X, yang memiliki peluang, bersifat variabel dan hanya

memiliki harga-harga 0, 1, 2, 3, …

Variabel berharga demikian, di mana untuk setiap harga variabel

terdapat nilai peluangnya disebut variabel acak diskret.

Dalam tabel di atas jumlah peluang adalah sama dengan satu. Apabila

hal ini terjadi, maka dikatakan bahwa distribusi peluang untuk varibel

acak X telah terbentuk.

 48

Variabel acak diskret X menentukan distribusi peluang apabila untuk

nilai-nilai x1, x2, … , xn terdapat peluang p(xi) = P (X = xi) sehingga

n

∑ p ( x i )=1
i=1

p(x) disebut fungsi peluang untuk variabel acak X dengan harga X = x

Variabel acak yang tidak diskret disebut variabel kontinu. Beberapa

diantaranya misalnya untuk menyatakan waktu dan hasil pengukuran.

Variabel ini dapat mempunyai setiap harga.

Jadi jika X adalah variabel kontinu, maka harga X = x dibatasi oleh

−∽< x <∽ atau batas-batas lain.

Jika X sebuah variabel acak kontinu, maka mempunyai fungsi densitas

f(x) yang dapat menghasilkan peluang untuk harga-harga x.

∽
Dalam hal ini berlaku ∫ f ( x ) dx=1
−∽

2. Macam-Macam Distribusi Peluang Variabel Acak Diskret

Pada variable diskrit setiap harga variabel terdapat nilai

peluangnya, serta peluang diskrit terbentuk bilamana jumlah semua

peluang sama dengan satu. Ini dikatakan wajar karena setiap peristiwa

pasti memiliki nilai penjumlahan peluang sama dengan satu dari setiap

kejadian yang mungkin terjadi.

Variabel diskrit merupakan variable yang nilainya dapat diperoleh

dengan cara membilang ataupun menghitung. Variable dari sampel

yang diambil dari populasi ini bertujuan untuk mempermudah

 49

pemahaman teori sampel dan pembahasan hipotesis pada pengujian

selanjutnya.

E(x) = ekspektasi untuk variabel acak X dan penjumlahan dilakukan untuk

semua harga X yang mungkin serta merupakan rata-rata untuk variabel X.

Pengamatan yang dilakukan oleh seorang siswa memperlihatkan banyak

kendaraan yang melewati sekolahnya tiap menit mengikuti distribusi peluang.

CONTOH.

Kelompok manusia terdiri atas 50 orang dan 3 di antaranya lahir

pada tanggal 1 Januari. Secara acak diambil 5 orang. Berapa

peluangnya di antara 5 orang tadi:

a)      Tidak terdapat yang lahir tanggal 1 Januari?

SOLUSI

b)      Ambil x = banyak orang di antara n = 5 yang lahir pada

tanggal 1 Januari. Maka dengan N = 50, D = 3 memberikan 

1. Distribusi Poisson

Untuk menentukan  peluang sebuah peristiwa yang dalam

area kesempatan tertentu diharapkan terjadinya  sangat jarang.

Distribusi poison biasanya sangat jarang digunakan, mengingat

peristiwa didalamnya adalah sangat kecil peluangnya untuk terjadi.

Misalnya, kemungkinan seorang artis jatuh cinta pada seorang

pengemis atau gelandangan, kemungkinan di pasar ada yang

 50

menjual seorang anak manusia, dan kejadian-kejadian yang kecil

peluang terjadinya. Variabel acak diskrit dikatakan mempunyai

distribudi poisson jika fungsi peluangnya berbentuk dengan

Dengan X=0,1,2,3,…

e = sebuah bilangan konstan

  = 2,7183

λ = sebuah bilangan tetap

CONTOH.

Misalkan rata-rata ada 1,4 orang buta huruf untuk setiap 100

orang.Sebuah sampel berukuran 200 telah diambil.

Jika x = banyak banyak buta huruf per 200 orang, maka untuk kita

sekarang λ = 2,8. Peluang tidak terdapat buta huruf adalah:   

SOLUSI.

Sedangkan peluang terdapatnya yang buta huruf sama dengan 1-

0,0608 = 0,9392

Distribusi poison digunakan untuk menentukan peluang sebuah

peristiwa yang dalam area kesempatan tertentu diharapkan

terjadinya sangat jarang.

3. Macam-Macam Distribusi Peluang Variabel Acak Kontinu

 51

1. Distribusi Normal atau Distribusi Gauss

Variabel acak kontinu X dikatakan berdistribusi normal

dengan parameter μ dan σ juka dan hanya jika fungsi kepadatan

peluang dari X adalah

2
−1 x−μ
1 2
(
σ
)
f ( x )= e ,−∽< x <∽ , σ >0
σ √2 π

Dengan

π : 3,1416σ > 0

e: 2,7183

μ : parameter, merupakan rata-rata dari X

σ : parameter, merupakan simpangan baku dari X, σ > 0

Sifat distribusi Normal

a. Grafik y = f(x) simetri terhadap rata-ratanya (μ), mempunyai

satu puncak, dan berbentuk seperti lonceng

b. Nilai rata-rata (μ) = median = modus

c. Karena f(x) adalah rumus fungsi kerapatan peluang dari X,

maka:

 Grafik y = f(x) berada di atas sumbu x

 Luas daerah di atas sumbu X dan di bawah y = f(x), dari

x =−∽ sampai x = , sebesar satu satuan

x
 52

Distribusi Normal Baku

 Distribusi normal baku adalah distribusi normal dengan rata-rata μ

= 0, dan simpangan baku σ = 1

 Jika X berdistribusi normal dengan rata-rata μ dan simpangan baku

X−μ
σ , dan misal Z= , maka Z berdistribusi normal baku.
σ

 Untuk a, b, c, dan d adalah bilangan real, dan X berdistribusi

normal dengan rata-rata μ dan simpangan baku σ , maka

a−μ b−μ
o P (a < X < b) = P ( < Z< ) = luas di bawah kurva normal
σ σ

a−μ b−μ
baku dari z 1= sampai z 2
σ σ

o P (X < c) = 1 – P(X ≥ c)

o P (X > d) = 1 – P(X ≤ d)

o P (Z ≤ 0) = P(Z ≥ 0) = 0,5

2. Distribusi Student (t)

Distribusi t atau yang sering dikenal dengan distribusi

student merupakan distribusi acak kontinu yang memiliki rumus

sebagai berikut, dan ini berlaku jika harga ‘t’ memenuhi ∞<t<∞
 53

dan K merupakan bilangan tetap yang besarnya bergantung pada

‘n’.

Bilangan n-1 pada persamaan di penyebut tersebut

menyatakan derajat kebebasan pada distribusi tersebut, n-1 berarti

distribusi tersebut kehilangan 1 derajat kebebasannya.

Mirip grafik distribusi normal baku

  simetrik terhadap t = 0

 untuk  harga ‘n’ yang lebih       (n≥30),distribusi ‘t’ mendekati

distribusi normal baku.    

Merupakan grafik distribusi ‘t’ dengan dk=(n-1). Luas

daerah yang diarsir = p dan dibatasi paling kanan oleh tp, dimana

nilai tp ini akan dicari menggunakan daftar pasangan v dan p yang

diberikan. V dalam hal ini adalah pengganti dk.

Ciri dari distribusi t adalah:

 Grafik fungsi menyerupai grafik fungsi distribusi normal

 Untuk menentukan nilai t, tergantung dari nilai npeluang (α

) dan derajat kebebasan (ν) dengan ν=n−1, n menyatakan

ukuran sampel.

 Nilai t dapat dicari pada tabel distribusi t

3. Distribusi Chi Kuadrat ( χ 2 )

 54

Distribusi Chi kuadrat atau yang sering disebut distribusi

chi square merupakan distribusi acak kontinu yang memiliki

persamaan dan cirri seperti berikut.

Dengan U =  X2

Harga u>0

V= drajat kebebasan

K=bilangan tetap yang bergantung pada v

Luas daerah di bawah kurva sama dengan satu satuan luas

e=2,7183

Bentuk grafik distribusi chi square merupakan kurva

distribusi chi-square dengan derajat kebebasan =v merupakan

kurva positif, yaitu miring ke kanan. Jika derajat kebebasan ‘v’

makin besar, maka kemiringan kurva makin berkurang.Daftar H

berisikan harga-harga X2  untuk pasangan dk dan peluang p yang

besarnya tertentu. Peluang p terdapat pada baris paling atas dan dk

(v ) ada pada kolom paling kiri.

Luas daerah arsir sama dengan peluang p, yaitu luas dari X p2  ke

sebelah kiri.

Contoh penggunaan distribusi chi-square

Apa bila luas daerah di sebelah kanan sama dengan 0,05 maka Χ2  

= 16,9. ini diperoleh dari dk = 9 dan 0,95

Dan Apa bila luas daerah di sebelah kiri sama dengan 0,025 maka

Χ2  = 27,0. ini diperoleh dari dk = 9 dan 0,025

 55

Ini didapatkan dengan cara melihat atau bantuan dari daftar h.

Yang perlu diperhatikan dalam menentukan nilai dari distribusi χ 2

adalah derajat kebebasan (ν) dengan ν=n−1 dan nilai peluang (α).

4. Distribusi F

Distribusi F merupakan distribusi acak kontinu yang memiliki

persamaan seperti berikut

F>0, K= bilangan tetap yang harganya bergantung pada v1 dan v2

V2= dk penyebut

Dari persamaaan diatas jelas kita lihat bahwa distribusi F

kehilangan 2 derajat kebebasannya, maka distribusi F dapat kita

katakana memiliki dk = 2

Untuk tiap pasang dk, v1, v2, Daftar berisikan harga F dengan kedua

luas daerah (0,010 atau (0,05)

Untuk tiap dk=v2, daftar terdiri atas 2 baris, yang atas untuk

peluang p=0,05 dan yang bawah untuk p=0,01

Ciri distribusi F:

 Grafiknya mirip distribusi χ 2

 Untuk menentukan nilai f tergantung dari dua derajat

kebebasan υ 1 (derajat kebebasan pembilang) dengan υ 1 = n1 – 1

dan υ 2 (derajat kebebasan penyebut) dengan υ 2 = n2 – 1.

B. FUNGSI DISTRIBUSI KOMULATIF

 56

Misalkan X1, X2, X3, …, Xn merupakan peubah acak diskrit dengan

fungsi probabilitas p(x) > 0, maka fungsi sebaran bagi peubah acak tersebut

dapat ditulis sebagai berikut

F ( x ) = P( X ≤ x ) = ∑ p( x )
X ≤ x

Contoh :

Fungsi Probabilitas Kumulatif (Fungsi Sebaran) Kontinu

Bila X1, X2, X3, …, Xn merupakan peubah acak kontinu dengan fungsi

kepekatan probabilitas f(x) > 0, maka fungsi sebaran bagi peubah acak

tersebut dapat ditulis sebagai berikut

x
F( x ) = P( X ≤ x ) = ∫ f ( x) dx
−∞

Contoh :

Sifat–sifat dari fungsi sebaran F(x):

Baik untuk peubah acak diskrit ataupun untuk peubah acak kontinu, terdapat

beberapa sifat dari fungsi sebaran sebagai berikut ;

1. F (- ~) = P (X  - ~ ) = 0

2. F (+~) = P (X  + ~) = 1

3. Monoton tidak turun :

F(x1)  F(x2) untuk x1 >x2

ℓ im F ( x+ h)=F( x )
0<h→0
 57

4. Kontinu dari sebelah kanan :

5. P(a < X  b)

= P(X  b) - P(X  a)

= F(b) - F(a)

6. P(a  X  b)

= P(X  b) - P(X < a)

= F(b) - F(a) + P(X = a)

7. P(a  X < b)

= P(X <b) - P(X < a)

= F(b)- F(a) - P(X = a) + P(X=b)

8. P(a < X < b)

= P(X < b)-P(X  a)=F(b)-F(a) + P(X = b)

Contoh 1 :

Peubah X1, X2, X3, X4 merupakan sampel acak berukuran 4 yang me-nyebar

binomial dengan probabi-litasnya sama dengan 0.50 dan fungsi probabilitas

p(x) sebagai berikut :

x 4 x
4!  1  1
P(x) =    
x! (4 - x)!  2   2
probabilitas untuk seluruh nilai x dan sebaran probabilitas kumulatif, disertai

gambar grafiknya adalah sebagai berikut

p(x) :
 58

0 4
4!  1  1 1
P(0)      =
0! (4 - 0)!  2  2 16

4 6 4
P ( 1) = ; P ( 2) = ; P ( 3) = ; dan
16 16 16
1
P ( 4 )=
16

Fungsi sebarannya adalah

F(x) = P ( X  x ), untuk x = 0, 1, 2, 3, 4 dapat diperoleh nilai-nilai F(x) se-

bagai berikut :

1 5
F(0 ) = ; F(1 ) = F(0 ) + P(1 ) =
16 16

11 15
F( 2 ) = F( 1) + P( 2) = ; F( 3 ) = ; dan
16 16
16
F( 4 ) = =1
16

Grafik dari P(X=x) = p(x) dan F(x) dapat dilihat sebagai berikut
 59

P(X)
16/16

8/16
4/16
X
0 1 2 3 4

F(X)
16/16

8/16
4/16
X
0 1 2 3 4

Contoh 2 :

Peubah X kontinu dengan fungsi kepekatan probabilitas f(x) sebagai berikut :

 2e -2x , x > 0
f ( x) =  0 , x  0

a. Gambarkan grafik f(x)

b. Gambarkan F(x) = P( X  x )

c. Cari P ( 2 < x < 4 ) = P (2  X  4 ) berlaku untuk peubah kontinyu.

Di mana e = 2,7182818  2,718

Penyelesaian :
 60

Fungsi kepekatan probabilitas dari peubah X yang kontinu adalah f(x), se-

demikian rupa sehingga

b
P ( a < X  b ) =  f(x) dx
a

dengan


f(x)  0 dan  f(x) dx = 1
-

kurva f(x) dan P ( a  X  b ), f(x) = fungsi kepekatan Probabilitas, bukan

fungsi probabilitas

f(x )

A
x
a b

b
A = P (a  X  b) = P (a < X < b) =  f(x) dx
a
= luas daerah yang diarsir

Apabila F(x) diketahui maka f(x) dapat ditentukan dengan

 61

d F(x)
f (x) = turunan dari fungsi probabilitas
dx
kumulatif

TEORI PROBABILITAS

Distribusi probabilitas memiliki berbagai sifat atau karakteristik yang

dapat digunakan untuk mengidentifikasi suatu distribusi. Karakteristik yang

biasa digunakan antara lain rata-rata hitung yang biasa disebut “harapan

matematis” (atau nilai harapan) dan variansi. Harapan matetatis ini

menentukan tendensi sentral dari distribusi probabilitas.

Sering kali kita menjumpai data pengamatan yang memuat perubah acak

tidak tunggal. Misalnya, X dan Y perubah acak, maka nilai harapan

dinyatakan E(X), E(Y), dan E(XY) , Variansi dari X dan Y dinyatakan

σ 2 X , σ 2 Y , dan kovariansi dari perubah acak X dan Y dinyatakan σ 2 XY .

Tujuan mempelajari teori probabilitas adalah untuk menetapkan model-

model matematik untuk percobaan-percobaan random. Kegunaan dari model-

model matematik tersebut adalah untuk membuat inferensi-inferensi tentang

percobaan random. Dalam suatu percobaan dapat dijabarkan hal-hal sebagai

berikut:

1. Ruang sampel ()

 62

Ruang sampel adalah himpunan dari semua hasil yang mungkin

diperoleh pada suatu percobaan. Ruang sampel yang sering digunakan

dalam kriptografi adalah  = {0,1}.

2. Kejadian (E)

Kejadian adalah satu subset dari ruang sampel E  

3. Frekuensi relatif kejadian E

Percobaan diulang n kali dengan kondisi yang sama pada percobaan

f
E
acak dan kejadian E muncul f kali, maka frekuensi relatif kejadian n

4. Probabilitas kejadian E (P(E))

P E # E
Probabilitas kejadian E dinotasikan dengan . Misalkan

# E  k #    N
adalah jumlah outcome E . Saat dan maka

k # E
PE  
N #  

[1.2]

atau dapat dinyatakan dengan

Banyaknya elemen dari E

P  E 
Banyaknya elemen dari 

Contoh:
 63

Barisan s = 1011010101 dimana n = 10 maka:

-  = {0,1}

- Kejadian E yaitu bit yang muncul angka 1 (bit = 1)

6
E
- Frekuensi relatif dari 10

1
PE 
- 2

Aksioma Probabilita

Sebuah himpunan fungsi P mempunyai sifat-sifat :

E,0  P  E   1
aksioma 1.1 untuk setiap kejadian

P    1
aksioma 1.2

aksioma 1.3 Jika EF  0 maka 

P E F  P E PF

5. Variabel acak

Variabel random adalah suatu fungsi yang nilai berupa bilangan real yang

ditentukan oleh setiap unsur dalam ruang sampel S. Variabel acak dinyatakan

dengan huruf kapital X ,Y , Z, , sedangkan nilainya dinyatakan dengan huruf

kecil x, y , z,
 64

Dengan konsep variabel acak, setiap kejadian dalam S dapat dihubungkan

dengan suatu himpunan bilangan real. Variabel acak terbagi menjadi dua jenis

yaitu variabel acak diskrit dan variabel acak kontinu.

a. Variabel acak diskrit

Variabel acak X dikatakan diskrit, jika himpunan semua nilai yang mungkin

dari X, yaitu x1, x2 , , xn atau x1, x2 , merupakan himpunan terhitung

f  x   P  X  x  ; x  x1, x2 ,
(countable). Fungsi yang berbentuk disebut

fungsi kepadatan probabilitas diskrit (discrete probability density function)

untuk X atau disingkat pdf.

Suatu fungsi f adalah pdf dari variabel acak diskrit jika dan hanya jika

memenuhi sifat-sifat berikut :

f  xi   0
1) untuk setiap xi


semua xi
f ( xi )  1
2)

Fungsi kepadatan probabilitas selain dapat dinyatakan dengan persamaan,

dapat juga dinyatakan secara tabel dan grafik.

F  x  P  X  x
Fungsi distribusi kumulatif (CDF) dari X adalah untuk

F  x
sembarang bilangan real x. Jadi menyatakan peluang kejadian
 65

X   , x  F  x
. Untuk variabel random diskrit, grafik dari berupa fungsi

tangga

Sifat-sifat CDF:

Lim F ( x )  0
1) x 

Lim F ( x )  1
2 x 

Lim F ( x  h )  F ( x )
3) h 0

4) Jika a  b maka  
F a  F  b

Jika a  b maka  , b    , b    a, b  , kedua interval saling asing

sehingga diperoleh:

P  a  X  b  P  X  b  P  X  a  F  b  F  a 

6. Ekspektasi (nilai harapan)

Definisi 1.4 (Walpole,2007 :108)

f  x
Misalkan X adalah variabel acak dengan distribusi probabilitas . Mean

atau ekspektasi atau nilai harapan dari X adalah

  E  X    xf  x 
x jika X diskrit


 E X   xf  x  dx
 jika X kontinu
 66

Ekspektasi atau nilai rata-rata atau nilai mean (Bernard W. Lindgren: 1993)

dari variabel acak X dengan pdf f dan nilai xi untuk i  1,2, adalah


E  X    x i f  xi 
i 1 [1.4]

Teorema 1.1

Y  g X
Jika X adalah variabel acak diskrit, nilai mean dari fungsi adalah

E  Y   E g  X     g  xi  P  X  x i 
i [1.5]

Teorema 1.2

Misalkan X dan Y adalah variabel acak diskrit maka

a, E  a   a E  aX   aE  X 
a. untuk sembarang konstanta dan

E  X Y   E  X   E Y 
b.

c. terdapat kontanta a, b, c

E  aX  bY  c   aE  X   bE  Y   c

Sifat-sifat ekspektasi:

a. Jika X merupakan variabel acak dengan pdf fx(x) dan u(X) adalah fungsi dari

X, maka ekspektasi dari u(X) adalah:

 67

  u  x  fx  x  , jika X diskrit
 x
E u  X     
  u  x  fx  x  dx, jika X kontinu
 

b. Sifat linear ekspektasi

E ag  X   bh  X    aE g  X    bE h  X  

7. Variansi

Mean dari variabel acak X adalah suatu nilai yang penting dalam statistik

karena nilai tersebut menggambarkan dimana distribusi probabilitas berpusat.

Meskipun demikian mean tidak cukup untuk memberikan gambaran tentang

bentuk suatu distribusi.Untuk mengetahui bentuk suatu distribusi, perlu

diketahui variabilitas distribusi tersebut (Walpole, 2007;115). Salah satu

ukuran variabilitas dalam statistik adalah variansi. Variansi dari variabel acak

Var  X 
X atau variansi dari distribusi probabilitas X dinyatakan dengan atau

dinotasikan dengan  x atau  .

2 2

Definisi 1.4 ( Walpole,2007:116)

f  x
Misalkan X adalah variabel acak dengan distribusi probabilitas dan

mean  . Variansi dari X adalah

 2  E  X        x    f  x 
2 2

  x
, jika X diskrit
 68


 2  E  X        x    f  x  dx
2 2

 
 , jika X kontinu

Akar kuadrat positif ddari variansi   dinamakan standar deviasi dari X.

Teorema 1.3

Variansi variabel acak X adalah

 2  E  X 2   2
[1.6]

Bukti :

Untuk kasus diskrit dapat dituliskan

 2    x    f  x     x 2  2 x   2  f  x 
2

x x

  x 2f  x   2  xf  x    2  f  x 
x x x

   xf  x  f  x  1
karena x dan x untuk setiap distribusi probabilitas

diskrit maka

 2   x 2f  x   2  2   2
x

sehingga diperoleh

 2   x 2f  x    2 E  X 2    2
x
 69

8. Distribusi

a. Distribusi bernoulli

Suatu variabel acak X mempunyai distribusi bernoulli dengan parameter

p  0  p  1
jika X hanya bernilai 0 atau 1 dan

P  X  1  p  1  P  X  0 

Fungsi probabilitas dari X dapat ditulis dalam bentuk

 p x q1 x , x  0,1, q  1  p
f  x p  
0 ,lainnya

Jika variabel acak X mempunyai distribusi bernoulli, maka

E X  p Var  X   pq
dan

b. Distribusi binomial

Jumlah x sukses pada n kali percobaan bernoulli dinamakan variabel

acak binomial. Distribusi probabilitas dari variabel acak diskrit ini dinamakan

b  x; n, p 
distribusi binomial, yang dinyatakan dengan . Definisi 1.5 (Walpole,

2007:144)

Suatu percobaan bernoulli yang dapat menghasilkan sukses dengan

probabilitas p dan gagal dengan probabilitas q  1  p maka distribusi

probabilitas variabel acak binomial X dengan jumlah sukses dalam n

percobaan independen adalah

 70

n
b  x; n, p     p x q n  x , x  0,1,2, , n
x [1.7]

Teorema 1.4

b  x; n, p 
Mean dan variansi distribusi binomial adalah

  np dan  2  npq [1.8]

Teorema 1.5

Jika X adalah variabel acak binomial dengan mean   np dan variansi

 2  npq maka bentuk limit dari distribusi

x  np
Z
npq dimana n  

[1.9]

N  0,1
adalah berdistribusi Normal Standar atau .

Teorema 1.6 (Teorema Limit Pusat)

Jika x adalah mean dari sampel acak berukuran n yang diambil dari suatu

populasi dengan mean  dan variansi  maka bentuk limit dari distibusi
2

x 
Z

n dimana n   [1.10]
 71

N  0,1
adalah berdistribusi Normal Standar atau .

Definisi 1.6 (Soejoeti,1985:5)

Kuadrat suatu variabel acak normal standar adalah variabel random chi-

square dengan derajat bebas sama dengan 1.

c. Distribusi multinomial

Definisi 1.7 (Soejoeti,2005:5.4)

distribusi multinomial adalah distribusi peluang bersama frekuensi-frekuensi

sel n1, , nk dalam n trial multinomial dengan parameter p1, , pk yang

masing-masing merupakan peluang sel.

Fungsi peluang distribusi multinomial adalah

n! k
f  n1, , nk   p1n1  pk nk n i n
n1 ! nk ! untuk i 1

p i 1
Parameter-parameter itu memenuhi i 1

E  ni   npi
Nilai ekspektasi dan variansi dari distribusi multinomial adalah

Var  ni   npi  1  pi 
dan dimana i  1,2, , k .

Teorema 1.7
 72

misalkan y1, y 2 , , y k berdistribusi multinomial dengan probabilitas

p1, p2 , , pk maka untuk n besar, variabel acak tidak negatif

 y i  npi 
2
k
 
2

i 1 npi dimana i  1,2, , k

[1.11]

mendekati distribusi chi-square dengan derajat bebas  k  1 dengan harga

mean  adalah   k  1 .
2

Persamaan 1.11 pertama kali diperkenalkan dan dipelajari oleh Karl

Pearson pada tahun 1900 sehingga dikenal dengan nama ”Pearson’s chi

square statistic”.

Harga mean  hanya tergantung pada banyak sel atau kelas k (banyak
2

kemungkinan yang dapat terjadi pada eksperimen multinomial) dan tidak

tergantung pada harga pi , i  1,2, , k .

Bukti :

E  y i  npi 
2
k
mean    E    
2 2

npi
i 1
 73

k var  y i  k npi  1  pi 
 
i 1 npi i 1 npi
k k k
  1  pi   1   pi  k  1
i 1 i 1 i 1

Rumus transformasi  sering ditulis dengan persamaan

2

 y i  npi   Oi  Ei 
2 2
k k
 
2

i 1 npi i 1 Ei [1.12]

dimana Oi  y i adalah frekuensi sel i yang diobservasi dalam sampel

Ei  npi  mean  y i 
berukuran n, sedangkan adalah mean atau frekuensi sel

i yang diharapkan (nilai ekspektasi).

Kasus khusus model multinomial (Soejoeti, 1985:8) adalah uji hipotesis

apakah suatu eksperimen dengan k hasil yang mungkin memiliki

1
H0 : p1  p2    pk 
kemungkinan yang sama yaitu k.

Dalam kasus khusus model multinomial. persamaan  dapat dinyatakan

2

dengan

2
k k  n
2   
n i 1 
yi  
k  [1.13]

d. Distribusi chi square

 74

Definisi 1.8

Variabel acak kontinu X mempunyai distribusi chi square dengan derajat

bebas v jika fungsi densitasnya adalah

 1 v 1  x

 v2 v x e ,x  0
2 2

f  x; v    2   2 
0 , lainnya [1.14]


dimana v adalah bilangan bulat positif

Teorema 1.8

mean dan variansi distribusi chi-square adalah

  v dan  2  2v [1.15]

9. Uji  goodness of fit

2

Teorema 1.9

Uji  goodness of fit antara frekuensi yang diobservasi dengan frekuensi

2

yang diharapkan, berdasarkan pada ukuran

 Oi  Ei 
2
k
 
2

i 1 Ei [1.16]

dimana  adalah nilai variabel acak yang distribusi samplingnya hampir

2

mendekati distribusi chi-square dengan derajat bebas v  k  1, Oi adalah

 75

frekuensi yang diobservasi dan Ei adalah frekuensi yang diharapkan untuk

setiap sel ke-i.

Prosedur uji  goodness of fit berdasarkan atas distribusi pendekatan

2

maka prosedur ini sebaiknya tidak digunakan jika frekuensi harapan sangat

kecil atau ei  5 . Jika dalam proses perhitungan terdapat frekuensi harapan

yang lebih kecil dari lima maka frekuensi tersebut dapat digabungkan dengan

frekuensi yang lain supaya prosedur diatas terpenuhi.(Zanzawi Soejati,

1985:24).

C. FUNGSI DISTRIBUSI (KUMULATIF) UNIVARIAT

5. Definisi  

Fungsi distribusi (kumulatif) univariat atau lebih sering disebut

fungsi sebaran F dari peubah acak X, didefiniskan untuk semua bilangan

nyata b, -∞ < b < ∞, dengan

F(b) = P(X ≤ b)        

Beberapa sifat dari fungsi sebaran :

a. F adalah fungsi yang tidak turun, artinya  jika a < b maka F(a) ≤

F(b)

b. F adalah fungsi yang kontinu dari kanan. Artinya, untuk setiap b dan

setiap barisan yang menurun bn, n≥1, yang konvergen ke b,

Contoh:
 76

Suatu koin dilantunkan empat kali.

Tentukan:

1) formula sebaran peluang munculnya H yaitu f(x)

2) sebaran kumulatif F(x) nya

Jawab:

1.      Jumlah titik cuplik anada 24 = 16. Jika x menyatakan banyaknya

muncul H, akan ada kombinasi sebanyak C(4,x). Dengan demikian f(x)

= C(4, x)/16, dimana x = 0, 1, 2, 3, 4

f(0) = (4!/4!)/16 =1/16

 f(1)=(4!/3!)/16 = 4/16

 f(2) = (4!/(2!2!))/16 = 6/16

 f(3) = f(1)

 f(4)= f(0);

2.      Berdasarkan Def.2.5, diperoleh: F(0) = f(0) = 1/16; F(1) = f(0) + f(1)

= 5/16; ... dst

2. Sebaran peluang kumulatif kontinyu

Def.2.7: Sebaran peluang kumulatif F(x) dari suatu peubah acak

kontinyu X dengan fungsi kerapatan f(x)                  

Ada dua hasil langsung dari Def.2.7, yaitu:

1) P(a<X<b) = F(b) –F(a)

2) f(x) = dF(x)/dx

Contoh
 77

Soal: Untuk fungsi pada contoh 2.6., tentukanF(x) dan gunakan untuk

menghitung P(0< X≤1)

Jawab:

Oleh karena itu,

P ( 0 < X  ≤ 1 ) = F (1) – F (0) = (2/9) –(1/9) = 1/9

SOAL DAN PEMBAHASAN

1.    Suatu pengiriman 8 komputer pc yang sama ke suatu toko mengandung 3

yang cacat. Bila suatu sekolah membeli 2 komputer ini secara acak, cari

distribusi peluang banyaknya yang cacat

JAWAB :

Misalkan X peubah acak dengan nilai x kemungkinan banyaknya

komputer yang cacat yang dibeli oleh sekolah tersebut. Maka x dapat

memperoleh setiap nilai 0, 1, dan 2. Sekarang,    

F(0) = P (X = 0) =     = 10/28               

F(1) = P(X = 1) =          = 15/28

f(1) = P(X = 2) =               = 2/28

 Jadi distribusi peluang X

         x                   0          1          2

        f(x)         10/28   15/28   3/28
 78

2.   Hitunglah distribusi kumulatif peubah acak X dalam contoh soal 2.

Dengan menggunakan F(x), perlihatkan bahwa f(2) = 3/8

JAWAB :

Dengan menghitung langsung distribusi peluang pada contoh soal 2,

diperoleh f(0) = 1/16, f(1) = 1/14, f(2) = 3/8, f(3) = ¼, dan f(4) = 1/16.

Jadi,

      F(0) = f(0) = 1/16

      F(1) = f(0) + f(1) = 5/16

      F(2) = f(0) + f(1) + f(2) = 11/16

      F(3) = f(0) + f(1) + f(2) + f(3) = 15/16

      F(4) = f(0) + f(1) + f(2) + f(3) + f(4) = 1

Jadi,

      f(2) = F(2) – F(1) = 11/ 16 – 5/16 = 3/8

2. Misalkan bahwa galat suhu reaksi, dalam ºC, pada percobaan laboratorium

yang dikontrol merupakan peubah acak X yang mempunyai fungsi padat

peluang

      f(x) =    x2/3,               untuk –1 < x < 2

                   0,                    untuk x lainnya

Tunjukkan bahwa syarat terpenuhi.

Hitung P(0 < x    1). 

Jawab:
 79

  

                    =      x2/3 dx = x3/9    = 8/9 + 1/9 = 1.

P(0 < x  ≤  1) =      x2/3 dx = x3/9   = 1/9

3.      Carilah F(x) dari fungsi pada contoh soal 4 dan kemudian hitunglah P(0 <

X  ≤  1)

JAWAB :

Untuk -1< x < 2,

F(x) =                      =     t2/3 dt = t3/9     =        x3+1

                                                          9

Jadi,

                        0                x    ≤  -1

      F(x) =       x3 + 1         -1    ≥  x < 2

                          9

                        1                x  ≥    2

Jadi,

P(0 < X  ≤   1) = F(1) – F(0) = 2/9 – 1/9

4.  Dua isi ballpoint dipilih secara acak dari sebuah kotak yang berisi 3 isi

warna biru, 2 merah, dan 3 hijau. Bila X menyatakan banyaknya yang

berwarna biru dan Y warna merah yang terpilih, hitunglah

a.       Fungsi peluang gabungan f(x,y), dan

b.      P [(X,Y)  € A], bila A daerah { (x,y) [x+y ≤   1}

JAWAB :
 80

Pasangan nilai (x,y) yang mungkin adalah (0,0), (0,1), (1,0), (1,1), (0, 2), dan

(2,0). Sekarang f(0,1), misalnya menyatakan peluang bahwa isi berwarna

merah dan hijau yang terpilih. Banyaknya cara yang berkemungkinan sama

memilih dua isi dari delapan adalah   = 28. Banyaknya cara memilih 1 merah

dari 2 isi berwarna merah dan hijau dari 3 isi berwarna hijau adalah = 6, jadi

f(0,1) = 6/28 = ¾. Dengan jalan yang sama dihitung peluang untuk kasus

lainnya, yang disajikan pada tabel halaman berikut

                                                      x = 0, 1, 2;

F(x,y) =                                         y = 0, 1, 2;

                                                      0       x+y     2

                                                          ≤          ≤

F(x,y) x Jumlah
 0            1               2 baris
y 0 3/28       9/28      3/28 15/28

1 3/14       3/14 3/7

2 1/28 1/28
jum. 5/14     15/28    3/28 1

lajur
. P [(X, Y)  €   A]   = P (X + Y  ≤  1)

                               = f(0,0) + f(0,1) + f(1,0)

                               = 3/28 + 3/14 + 9/28

                               = 9/14
 81

6. Teknik Fungsi Distribusi Kumulatif

Karena Y = u(X), maka Y merupakan fungsi komposisi yang

didefinisikan pada . Artinya untuk setiap  di , berlaku :

Y() = u(X)() = u(X())

Dengan demikian Y juga merupakan variabel random pada 

dengan ruang dari Y adalah

Y={y / y = Y(), } = {y / y = u(X()), }

Sehingga fungsi distribusi kumulatif dari Y adalah

F(y)=P( Y  y ) = P(u(X)  y )

Fungsi densitas / probabilitas dapat di cari melalui F(y).

D. FUNGSI DISTRIBUSI BIVARIAT

Suatu peubah acak bivariat X, Y ditulis FX, Y ( ‘,’), didefinisikan sebagai

FX, Y ( x, y) = P (X, Y ditulis FX, Y  Y)

Untuk setiap x dan y

 FX, Y (x, y) = ∑ ❑ ∑ P ( X =s ,Y =t ), Jika X, Y Diskrit

sx ty

 FX, Y (x, y) = ∫ x ❑−¿¿

−¿¿
∫ y F X , Y (t , s) ds dt, jika X, Y continue

Contoh :

1. Jika X, Y peubah acak continue bersama dengan

FX, Y ( x, y) = x + y, untuk 0<x<1, 0<y<1
Maka:
FX, Y ( x, y) = ∫ x ❑ ∫ y F X , Y (s , t) ds dt
−¿¿ −¿¿
 82

 Jika 0<x<1 dan 0<y<1, maka

FX, Y (x, y) = ∫ x ❑ ∫ y F X , Y (s +t) ds dt
−¿¿ −¿¿
= ½ xy ( x+ y)
 Jika x> 1 dan 0<y<1
FX, Y (x, y) = ∫ x ❑ ∫ y F X , Y (s +t) ds dt
−¿¿ −¿¿
= ½ y ( y+ 1)
 Jika 0<x<1 dan y>1 , maka
1 x

FX, Y (x, y) = ∫ ❑∫ (s+ t ) ds dt

0 0

= ½ x ( x+ 1
 Jika x 1 dan y 1, maka
1 1

FX, Y (x, y) = ∫ ❑∫ (s+ t ) ds dt

0 0

=1
Dengan demikian , maka

0 ,untuk x0, atau y0

½ xy (x+y) , untuk 0< x < 1, 0 < y< 0

FX, Y (x, y) = ½ y (y+1) , untuk x >1, 0<y<1

½ x (x +1) , untuk 0<x<1 , y >1

1 , untuk x 1 , y 1

Antara kepadatan multivariate, penting khusus adalah distribusi normal

multivariate, yang merupakan generalisasi dari distribusi normal dalam satu
variable. Sebagai yang terbaik( memang hamper diperlukan) untuk
menyajikan distribusi ini dalam notasi matrix, kami hanya akan membahas
kasus bivariat.

Sepasang variable acak x dan y memiliki distribusi yang normal bivariat, dan
mereka disebut variable acak sebagai bersama – sama terdistribusi normal,
jika dan hanya jika kepadatan probabilitas gabungan mereka diberikan oleh:
 83

−1
¿¿
2 (1− p2)
e

 (x, y) =

2  12 √ 1−❑2

Untuk - < x< dan - < y<  , dimana 1 > 0 , 2 > 0, dan -1 <  < 1.

Untuk mempelajari distribusi ini mari kita menunjukkan bahwa parameter

masing masing adalah , sarana dan standar deviasi dari variable variable acak
x dan y . mengintegrasikan pada y dari-  ke . Untuk mendapatkan kepadatan
marginal x , kita dapat menulis
−1
¿¿
2 (1− p2)
e
−1
¿¿
2 (1− p2 )
g(x) = ∫e ¿
−

2  12 √ 1−❑2

x−1
Sementara membuat substitusi u = . untuk menyederhanakan notasi dan
1
x−2
mengubah variable integrasi dengan memisalkan: v = . Kita memperoleh;
2
−1 2
x
2 (1− p2)
e
−1 2
(v −2 v)
2 (1− p2 )
g(x) = ∫e dv
−

2  12 √ 1−❑2

Dan, setelah menyelesaikan persoalan dengan memisalkan :

v 2 – 2 v = ( v - 2) - 22

Dan hal persoalan ini menjadi:

 84

−1 2
❑
2
e

g(x)=

1√ 2
−1
1 2 ¿¿
= e
√2
Akhirnya, dengan mengidentifikasi kuantitas dalam kurung sebagai integral
dari kepadatan yang normal dari, -  ke . Dan karenanya persamaan sama,
maka didapatkan;
−1 2
❑
2
e

g(x)=

1√ 2

−1
1 2
¿¿
= e
√2
Untuk -  < x < . Mengikuti dengan ispeksi bahwa kepadatan marginal x
adalah distribusi normal dengan 1 dan 1 deviasi standard an oleh simetri,
bahwa kepadatan marginal y distribusi normal dengan 2 rata rata dan 2
standar devasi.

Sejauh parameter  yang bersangkutan, dimana  adalah huruf kecil yunani

disebut rho, hal itu disebut koefisien korelasi , dan integrasi yang diperlukan
akan menunjukkan bahwa cov ( x, y) =  1 2 , dengan demikian, langkah
langkah  parameter bagaimana random variable x dan y bervariasi bersama ,
dan signifikansi akan dibahas lebih lanjut.

2. FUNGSI PADAT PELUANG BIVARIAT

Suatu peubah acak bivariat X, Y ditulis fX,y , didefinisikan sebagai

Fx,y (x,y) = P (X = x, Y = y)
 85

*jika fx,y (·,·) adalah fungsi padat peluang bersama untuk peubah acak X,

Y maka fungsi padat tersebut akan memenuhi sifat-sifat :

- fX,Y (x, y) ≥ 0 untuk setiap x dan y

- ∑ ∑ f x,y (x,y) = 1, jika x,y diskrit

x y

❑ ❑

- ∫ ∫ ❑ fx,y (x,y) dx dy, jika x,y kontinu

x y
86
 87

E. FUNGSI DISTRIBUSI MULTIVARIAT

1. Analisis Statistika Multivariat

Analisis statistika multivariate adalah analisis statistika yang

dikenakan pada data yang terdiri dari banyak variabel dan antar variabel

saling berkorelasi. Beberapa metode yang termasuk ke dalam golongan

analisis ini adalah :

a. Principal Component Analysis.

Mereduksi dimensi data dengan cara membangkitkan variabel baru

(komponen utama) yang merupakan kombinasi linear dari variabel asal

sedemikan hingga varians komponen utama menjadi maksimum dan antar

komponen utama bersifat saling bebas. Model:

Y i=a ' X maks var(Y )
i

dan corr(Yi, Yj)=0.

1. Factor Analysis
 88

Mereduksi dimensi data dengan cara menyatakan variabel asal

sebagai kombinasi linear sejumlah faktor, sedemikian hingga sejumlah

faktor tersebut mampu menjelas-kan sebesar mungkin keragaman data

yang dijelaskan oleh variabel asal. Model: X =CF+ε maks var(CF).

2. Cannonical Correlation

Menganalisis hubungan antar dua kelompok variabel dengan cara

membangkitkan variabel baru pada setiap kelompok. Variabel baru

tersebut merupakan kombinasi linear dari variabel asal. Kombinasi

linearnya ditentukan sedemikian hingga korelasi antar variabel baru yang

berasal dari dua kelompok menjadi maksimum. Contoh: Ada dua

kelompok variabel :X dan Ydibangkitkan variabel baru :

U i =a ' X dan

V i=b ' Y sehingga corr( U i ,V i ) maks dan corr( U i ,V i ) =0.

3. Multivariate Regression

Memodelkan hubungan antara kelompok variabel respon (Y)

dengan kelompok variabel (X) yang diduga mempengaruhi variabel

respon. Model: Y = Xβ+ε

.

4. MANOVA
 89

Menganalisis hubungan antara vektor va-riabel respon (Y) yang

diduga dipengaruhi oleh beberapa perlakuan (treatment). Model:

Y ijk =μ k +τ ik +ε ijk , i=1,...,t j=1,...,n , k=1,...,p.

i

5. Discriminant Analysis

Membentuk fungsi yang memisahkan antar kelompok berdasarkan

variabel pembeda, fungsi tsb disusun sedemikian nisbah kera-gaman data

antar dan kelompok maksimum.

6. Cluster Analysis

Mengelompokkan data ke dalam beberapa kelompok sedemikian

hingga data yang berada di dalam kelompok yang sama cenderung

mempunyai sifat yang lebih homogen daripada data yang berada di

kelompok yang berbeda.

2. Karakteristik Analisis Mutlivariat

Analisis statistik multivariat merupakan metode statistik yang

memungkinkan kita melakukan penelitian terhadap lebih dari dua variable

secara bersamaan. Dengan menggunakan teknik analisis ini maka kita

dapat menganalisis pengaruh beberapa variable terhadap variabel –

(variable) lainnya dalam waktu yang bersamaan. Contoh kita dapat

menganalisis pengaruh variable kualitas produk, harga dan saluran

distribusi terhadap kepuasan pelanggan. Contoh yang lain, misalnya

 90

pengaruh kecepatan layanan, keramahan petugas dan kejelasan

memberikan informasi terhadap kepuasan dan loyalitas pelanggan.

Analisis multivariat digunakan karena pada kenyataannnya masalah yang

terjadi tidak dapat diselesaikan dengan hanya menghubung-hubungkan

dua variable atau melihat pengaruh satu variable terhadap variable lainnya.

Sebagaimana contoh di atas, variable kepuasan pelanggan dipengaruhi

tidak hanya oleh kualitas produk tetapi juga oleh harga dan saluran

distribusi produk tersebut. 

3. Klasifikasi Teknik-Teknik Analisis Multivariat

Teknik analisis multivariat secara dasar diklasifikasi menjadi dua, yaitu

analisis dependensi dan analisis interdependensi. Analisis dependensi

berfungsi untuk menerangkan atau memprediski variable (variable)

tergantung dengan menggunakan dua atau lebih variable bebas. Yang

termasuk dalam klasifikasi ini ialah analisis regresi linear berganda, analisis

diskriminan, analisis varian multivariate (MANOVA), dan analisis korelasi

kanonikal Metode dependensi diklasifikasikan didasarkan pada jumlah

variable tergantung, misalnya satu atau lebih dan skala pengukuran bersifat

metrik atau non metrik. Jika variable tergantung hanya satu dan

pengukurannya bersifat metrik, maka teknik analisisnya digunakan analisis

regresi berganda. Jika variable tergantung hanya satu dan pengukurannya

bersifat non-metrik, maka teknik analisisnya digunakan analisis

diskriminan. Jika variable tergantung lebih dari satu dan pengukurannya

 91

bersifat metrik, maka teknik analisisnya digunakan analisis multivariate

varian. Jika variable tergantung lebih dari satu dan pengukurannya bersifat

non-metrik, maka teknik analisisnya digunakan analisis conjoint. Jika

variable tergantung dan bebas lebih dari satu dan pengukurannya bersifat

metrik atau non metrik, maka teknik analisisnya digunakan analisis korelasi

kanonikal.

Contoh umum untuk metode dependensi, misalnya memprediski laba

perusahaan dengan menggunakan biaya promosi dan harga

produk. Analisis interdependensi berfungsi untuk memberikan makna

terhadap seperangkat variable atau membuat kelompok-kelompok secara

bersama-sama. Yang termasuk dalam klasifikasi ini ialah analsis faktor,

analisis kluster, dan multidimensional scaling. Contoh membuat klasifikasi

terhadap k Metode interdependensi diklasifikasikan didasarkan pada jenis

masukan variable dengan skala pengukuran bersifat metrik atau non metrik.

Jika masukan data berskala metrik, maka kita dapat menggunakan teknik

analisis faktor, analisis kluster dan multidimensional scaling.

4. Analsis Multivariat Varian (MANOVA)

Manova mempunyai pengertian sebagai suatu teknik statistik yang

digunakan untuk menghitung pengujian signifikansi perbedaan rata-rata

secara bersamaan antara kelompok untuk dua atau lebih variable

tergantung. Teknik ini bermanfaat untuk menganalisis variable-variabel

tergantung lebih dari dua yang berskala interval atau rasio. prosedur
 92

MANOVA disebut juga GLM Multivariat digunakan untuk menghitung

analisis regresi dan varians untuk variabel tergantung lebih dari satu

dengan menggunakan satu atau lebih variabel faktor atau covariates.

F. FUNGSI PADAT PELUANG

Dalam statistik, kadang dijumpai nilai yang diperoleh dari salah atu hasil

pemusatan data yang bias.

Contoh

Perusahaan jasa penjualan telur ayam kampung yang dikelola sendiri oleh Pak

Hadi, mempunyai 3 orang karyawan. Setiap bulannya pak Hadi membayar

upah setiap karyawannya sebesar 1 uta rupiah, dia sendiri setiap bulannya

mengambil bayaran sebesar 9 juta rupiah. Kemudian dia mengatakan bahwa

rata-rata upah dalam perusahaannya adalah 3 juta rupiah

Apakah ini masuk akal ?Kalo iya, karyawan yang mana yang mendapat upah 3

jt rupiah? Kenyataannya tidak ada seorang karyawanpun yang mendapat upah

3 juta Dari salah satu permasalahan di atas maka, perlu teknik lain supaya

dalam analisa data tidak bias, yakni fungsi kepadatan peluang Fungsi
 93

Kepadatan Peluang dibedakan menjadi dua jenis, yakni untuk data diskrit dan

untuk data kontinue. Untuk Fungsi Kepadatan Peluang Data Diskrit sering

disebut sebagai fungsi sebaran peluang, sedangkan untuk fungsi data kontinue

sering disebut sebagai fungsi kepadatan peluang (fkp) atau probability Density

Function(PDF)

1. Fungsi Kepadata Peluang Diskrit (Fungsi Sebaran Peluang)

Definisi:

Keterangan

f(x) lebih besar atau sama dengan nol, jelas, karena f(x) adalah peluang dari

masing masing nilai peubah acak yang diperoleh dari permasalahan, sesuai

definisi kisaran nilai peluang

Sigma f(x) =1, hal ini dapat dijelaskan yakni, setiap nilai peubah acak

menyebar di ruang sampel (berpasangan dengan anggota ruang sampel)

sehingga jumlah jika setiap titik sampel yang menjadi pasangan nilai peubah

dijumlahkan maka akan sama dengan ruang sampel, sehingga peluangnya

jelas berjumlah 1 karena peluang menjadi ruang sampel dibagi ruang sampel

sama dengan 1

P(X=x)=f(x), adalah peluang untuk peubah acak x tertentu, sama dengan

fungsi sebaran peluang untuk x tertentu tersebut.

 94

Contoh 1

Dua buh dadu di tos 1 kali, diberikan peubah acak X yaitu jumlah mata dadu

yang muncul. Tentukan

a. formula sebaran peluangnya

b. P(X=3)

c. P(X<5)

Jawab

a. Terlebih dahulu kita menentukan nilai peubah acak yang mungkin yakni

{2,3,4,5,6,7,8,9,10,11,12},  tentu pasti kalian tau khan

Selanjutnya kita buatkan sebaran peluangnya sebagai berikut:

 sehingga sebaran peluangnya sb

b. P(X=3)=f(3) = 2/36

c. P(X<5) = f(2) + f(3) + f(4) = 1/36 + 2/36 + 3/36 = 6/36 = 1/6

Gimana gampang khan he he

 95

Contoh 2

Lima buah koin di tos 1. Diberikan fungsi peubah acak banyaknya sisi angka

yang muncul, tentukan

  a.    formula sebaran peluang

Jawab:

a. Terlebih dahulu kita perlu menentukan nilai peubah acaknya yakni

{0,1,2,3,4,5}

Selanjutnya kita tentukan sebaran peluang dengan menentukan berapa

pasangan tiap nilai peubah acak di ruang sampel, dimana banyaknya ruang

sampel adalah 32. Untuk mempercepat kita dapat gunakan teknik permutasi

atau kombinasi (Teknik yang paling tepat adalah permutasi, namun dalama

aljabar perhitungannya mempunyai kesamaan dengan teknik kombinasi)

          

Sehingga sebaran peluangnya dapat diperoleh yaitu:

 96

Sehingga rumus sebaran peluangnya adalah C(5,x)/32 atau P(5,5)/(P(5-

x,).P(x,x))/32

Berdasarkan daerah yang diminta, maka dapat diperleh dengan menjumlahkan

nilai sebaran peluang dari peubah acak 2 sampai denan 4, sehingga

=f(2) + f(3) + (f4) = 10/36 + 10/36 + 5/36 = 25/36

Nach bagaimana permasalahan di awal pembicaraan di atasi dengan teknik

FKP/PDF Diskret

Permasalahan di atas dapat diatasi dengan menentukan nilai peubah acaknya

yaitu {1,2,3,4,5,6,7,8,9} dalam satuan juta

Selanjutnya dapat di buat sebaran peluangnya sebagai berikut

Dari fungsi sebaran peluang di atas tampak jelas bahwa karyawan yang

mendapat gaji 1 jt, mempunyai peluang 3/4 lebih besar dari peluang yang

mendapat gaji 9 jt, sehingga sajian data di atas lebih mewakili keadaan

sebenarnya. Perhatikan yang peluangnya nol, karena memang tidak ada yang

mendapat gaji pada kisaran yang dimaksud.

G. FUNGSI PADAT PELUANG BIVARIAT

Suatu peubah acak bivariat X, Y ditulis fX,y , didefinisikan sebagai

 97

Fx,y (x,y) = P (X = x, Y = y)

*jika fx,y (·,·) adalah fungsi padat peluang bersama untuk peubah

acak X, Y maka fungsi padat tersebut akan memenuhi sifat-sifat :

- fX,Y (x, y) ≥ 0 untuk setiap x dan y

- ∑ ∑ f x,y (x,y) = 1, jika x,y diskrit

x y

❑ ❑

- ∫ ∫ ❑ fx,y (x,y) dx dy, jika x,y kontinu

x y
98
 99

H. FUNGSI PADAT PADAT PELUANG MULTIFARIAT

Mengganti x , y dengan x1, x2 , . . . , x n , x , y dengan x 1 , x2 , . . . , xn dan

s, t dengan s1 , s2 , . . . , sn.

Semua sifat-sifat yang berlaku untuk fungsi padat peluang bifariat,

berlaku pula untuk padat peluang multifariat, maka fungsi padat peluang

multivariat pun mempunyai sifat – sifat sebagai berikut :

- fX,Y (x, y) ≥ 0 untuk setiap x dan y

- ∑ ∑ f x,y (x,y) = 1, jika x,y diskrit

x y

❑ ❑

- ∫ ∫ ❑ fx,y (x,y) dx dy, jika x,y kontinu

x y
 100

1. Definisi Fungsi Padat Peluang Multivariat

Statistika multivariat merupakan objek kajian pada statistika yang

mempelajari perilaku dan hubungan antara dua atau lebih variabel. Dasar dari

kajian ini adalah analisis korelasi dan analisis regresi untuk dua variabel.

Prinsip yang sama kemudian dikembangkan untuk lebih dari dua variabel.

Kompleksitas yang muncul akibat penambahan variabel dan tipenya

(nominal, ordinal, atau rasional), serta teknik penyaringan informasi yang

bisa diambil menjadi kajian pembahasannya.

Statistika multivariat saat ini diterapkan di hampir semua cabang

ilmu, baik ilmu pengetahuan alam maupun sosial. Teknik-tekniknya disukai

karena dianggap mampu memodelkan kerumitan sistem yang nyata,

meskipun sulit untuk diterapkan. Komputer dengan kapasitas memori yang

besar tidak terhidarkan dalam analisis data yang menggunakan statistika

multivariat.

Suatu peubah acak bivariat X, Y ditulis fX,y , didefinisikan sebagai

Fx,y (x,y) = P (X = x, Y = y)

Untuk multivariat cukup mengganti x , y dengan x1, x2 , . . . , xn , x , y dengan

x1 , x2 , . . . , xn dan s, t dengan s1 , s2 , . . . , sn.

Semua sifat-sifat yang berlaku untuk fungsi padat peluang bifariat,

berlaku pula untuk padat peluang multifariat, maka fungsi padat peluang

multivariat pun mempunyai sifat – sifat sebagai berikut :

- fX,Y (x, y) ≥ 0 untuk setiap x dan y

- ∑ ∑ f x,y (x,y) = 1, jika x,y diskrit

x y
 101

❑ ❑

- ∫ ∫ ❑ fx,y (x,y) dx dy, jika x,y kontinu

x y

I. FUNGSI PADAT MARGINAL

1. FUNGSI PADAT MARGINAL

Jika f X1, X2, . . ., Xn ( X1, X2,. . ., Xn) adalah fungsi padat peluang bersama

peubah acak multivariate ( X1, X2,. . ., Xn), maka fungsi padat peluang

marginal bersama dari sebarang k peubah acak (X 1, X2, . . ., Xn) ; 1≤ k ≤ n-

Ditulis f X1, . . ., Xk ( X1, . . ., Xk )

Didefinisikan sebagai ∑ ❑ ∑ ❑∑ ❑ , X n (X1, X2, . . ., Xn )

xk+1 xk+2 xn

Jika (X1, X2, . . ., Xn ) diskrit

❑ ❑ ❑

∫ ❑ ∫ ❑∫ ❑ f X1, X2, . . ., Xn ( X1, X2,. . ., Xn)

xk+1 xk +2 xn

Jika (X1, X2, . . ., Xn ) kontinu

2. FUNGSI DISTRIBUSI MARGINAL

Untuk menentukan fungsi distribusi marginal peubah acak ( X1, X2, . . ., Xn

) ; 1≤ k ≤ n-1 , yaitu :

1. Menentukan terlebih dahulu fungsi padat marginal, kemudian fungsi

distribusi normal.

2. Langsung dari fungsi distribusi bersama dari peubah acak (X 1, X2, . . .,

Xn ), yaitu dengan cara berikut :

F X1, X2, . . ., Xn (X1, X2, . . ., Xn ) = F X1, X2, . . ., Xn (X1, X2, . . ., Xn ).

Contoh :
 102

Jika kita lihat kembali pada peubah acak kontinu dari contohnya dapat

kita peroleh fungsi distribusi bersama untuk peubah acak ( X,Y) adalah

Maka :

Fungsi distribusi marginal untuk peubah acak X adalah :

Fx (x) = F X,Y (x,∞)

Sehingga :

Fx(X) = 0 ,untuk x ≤ 0

Fx(X) = ½ x(x+1) ,untuk 0 < x < 1

Fx(X) = 1 ,untuk x ≥ 0

DISTRIBUSI MARGINAL

● Bila distribusi peluang f(x,y) dengan peubah acak x dan y diketahui maka

distribusi peluang x sendirian dan y sendirian adalah :

∑ f ( x , y) ∑ f ( x , y)
- Untuk Diskret : g(x) = y h(y) = x

∞ ∞

- Untuk Kontinue : g (x) =

∫∞ f ( x, y)dy ∫
h(y) = −∞ f (x,y) dx
≈ Untuk distribusi bersyarat peubah acak diskret maupun continue adalah

f (x,y) f (x,y)
F (y|x) = g (x ) , g(x) > 0 f(x|y) = h( y) ; h(y) > 0

∫ f ( y|x )dy
P ( a< y < b | X=x) = y

Contoh.1 Fungsi padat gabungan peubah acak x dan y diberikan oleh :

F (x,y) = 8 xy untuk y < x < 1 , 0 < y < x

 103

= 0 untuk x lainnya

> Hitunglah g (x) , h (y), f(y|x) dan P (y < 1/8 | x = ½)

- Misalkanlah x dan y dua peubah acak, diskret maupun continue

dengan fungsi peluang gabungan f (x,y) dan distribusi marginal

masing-masing g(x) dan h(y). Peubah acak x dan y dikatakan bebas

statistik jika dan hanya jika f(x,y) = g(x) h(y) untuk semua (x,y).
- Misalkanlah x1, x2 , x3 ,…..xn , n peubah acak diskret maupun

continue, dengan distribusi peluang gabungan f (x1 , x2 ….xn) dan

distribusi marginal masing-masing f1 (x1 ), f2 (x2), ….fn (xn ). Peubah

acak x1, x2 , x3 ,…..xn dikatakan saling bebas statistik jika dan hanya

jika f (x1 , x2 ….xn) = f1 (x1 ), f2 (x2), ….fn (xn ).

Contoh.2 Misalkan x1, x2 & x3 , 3 peubah acak bebas statistik dan misalkanlah

masing-masing mempunyai fungsi padat peluang :

(x) = e-x untuk x > 0

=0 untuk x lainnya

> Hitunglah P (x1 < 2 , 1< x2 < 3 , x3 > 2 )

J. FUNGSI DISTRIBUSI MARGINAL

Untuk menentukan fungsi distribusi marginal peubah acak ( X 1,

X2, . . ., Xn ), 1 ≤ k ≤ n, yaitu:
 104

1. Menentukan terlebih dahulu fungsi padat marginal, kemudian fungsi

distribusi marginal.

2. Langsung dari fungsi distribusi bersama dari peubah acak ( X1, X2, . . .,

Xn ), yaitu dengan cara berikut:

FX1, X2,. . ., Xn ( x1, x2, . . ., xn ) = FX1, X2,. . ., Xn ( x1, . . ., xn, . . .)

Contoh:

1. Jika kita lihat kembali pada peubah acak kontinu dari contohnya dapat kita

peroleh fungsi distribusi bersama untuk peubah acak (X, Y) adalah

Maka:

fungsi distribusi marginal untuk peubah acak X adalah:

FX (x) = FX,Y (x,~)

Sehingga:

0 , untuk x ≤ 0

1
Fx (x) = x (x+1) , untuk 0 ˂ x ˂ 1
2

1 , untuk x ≥ 1

 Definisi: Jika X1 dan X2 merupakan variabel random diskrit dan f(x1, x2)

adalah harga dari distribusi probabilitas bersama di (x1, x2), maka fungsi

yang diberikan oleh g(x1) =

untuk setiap x1 di dalam range dari X1 disebut densitas marginal dari X1.

Demikian pula, fungsi yang diberikan oleh h(x2) =

untuk setiap x2 di dalam range dari X2 disebut densitas marginal dari X2.
 105

 Definisi: Jika X1 dan X2 merupakan variabel random kontinu dan f(x1, x2)

adalah harga dari distribusi probabilitas bersama di (x1, x2), maka fungsi

yang diberikan oleh g(x1) =

untuk -¥ < x1 < ¥, -¥ < x2 < ¥ disebut densitas marginal dari X1.

Demikian pula, fungsi yang diberikan oleh h(x2) =

untuk -¥ < x1 < ¥, -¥ < x2 < ¥ disebut densitas marginal dari X2.

 Contoh: Jika densitas bersama

f(x1, x2) =

maka densitas marginal dari X1 adalah g(x1) = 2/3(x1 + 1), untuk 0

< x1 < 1, dan densitas marginal dari X2 adalah h(x2) = 1/3(1 +

4x2), untuk 0 < x1 < 1.

Seperti halnya pada distribusi univariat, di sini didefinisikan pula

fungsi distribusi marginal dan fungsi distribusi marginal bersama

berikut.

 Definisi: Jika F(x1, x2) adalah harga dari fungsi distribusi bersama dari

variabel random X1 dan X2 di titik (x1, x2), maka fungsi G dengan

G(x1) = P(X1 £ x1, X2 = 1)

untuk -¥ < x1 < ¥ disebut fungsi distribusi marginal dari X1.

Demikian pula fungsi H dengan

H(x2) = P(X1 = 1, X2 £ x2)

untuk -¥ < x2 < ¥ disebut fungsi distribusi Marginal dari X2.

 Definisi: Jika F(x1, x2,x3)merupakan harga dari fungsi distribusi bersama

variabel random X1 ,X2, dan X3 di titik (x1, x2,x3),maka fungsi G dengan

 106

G(x1, x2) = P(X1 £ x1, X2 £ x2, X3 = 1)

untuk -¥ < x1 < ¥, -¥ < x2 < ¥ disebut fungsi distribusi marginal bersama

dari X1 dan X2.

 Contoh: Jika diketahui densitas dari variabel random X1, X2, dan X3 berikut

f(x1, x2, x3) =

maka fungsi distribusi marginal bersama dari X1 dan X3 dengan

F(x1, x2, x3) =

adalah

G(x1, x3) dan fungsi distribusi marginal dari X1 adalah

H(x1) =

 Bila distribusi peluang f(x,y) dengan peubah acak x dan y diketahui maka

distribusi peluang x sendirian dan y sendirian adalah :

- Untuk Diskret :     g(x) =             h(y) =

- Untuk Kontinue :   g (x) =       h(y) = f (x,y) dx

 Untuk distribusi bersyarat peubah acak diskret maupun continue adalah F

(y|x) =  , g(x) > 0              f(x|y) =  ; h(y) > 0P ( a< y < b | X=x) =

 Contoh:1. Fungsi padat gabungan peubah acak  dan y diberikan oleh : F

(x,y) = 8 xy       untuk y < x < 1 , 0 < y < x=  0           untuk x

lainnya

 Hitunglah g (x) , h (y), f(y|x) dan P (y < 1/8 | x = ½)

- Misalkanlah x dan y dua peubah acak, diskret maupun continue

dengan fungsi peluang gabungan f (x,y) dan distribusi marginal

masing-masing g(x) dan h(y). Peubah acak x dan y dikatakan

 107

bebas statistik jika dan hanya jika f(x,y) = g(x) h(y) untuk

semua (x,y).

- Misalkanlah x1, x2  , x3  ,…..xn , n peubah acak diskret maupun

continue, dengan distribusi peluang gabungan f (x 1  , x2  ….xn)

dan distribusi marginal masing-masing f1  (x1 ), f2  (x2), ….fn 

(xn ). Peubah acak  x1, x2  , x3  ,…..xn dikatakan saling bebas

statistik jika dan hanya jika f (x1  , x2  ….xn) = f1  (x1 ), f2  (x2),

….fn  (xn ).

 Contoh.2 Misalkan x1, x2  & x3  , 3 peubah acak bebas statistik dan

misalkanlah masing-masing mempunyai fungsi padat peluang : (x)        = 

e-x     untuk x > 0= 0        untuk x lainnya .

 Hitunglah P (x1 <2 , 1<  x2 < 3 ,  x3 > 2 ) Jawab Fungsi padat peluang

gabungan x1, x2  dan  x3 adalah 1.

 Contoh:

Dua kelereng dipilih secara acak dari sebuah kotak berisi 3 kelereng biru,

2 kelereng merah, dan 3 kelereng hijau. Jika X menyatakan kelereng

berwarana biru yang terambil, dan Y menyatakan kelereng berwarna

merah yang terambil. Tentukan:

3. Distribusi peluang marginal X

4. Distribusi peluang marginal Y

Penyelesaian:

∑ f ( x , y)
3. g(x) = y
 108

∑ f (0, y)
g(0) = y = f(0,0)+ f(0,1) + f(0,2)

3 6 1 10
+ + =
= 28 28 28 28

9 6 15
+ =
g(1) = 28 28 28

3
g(2) = 28

disajikan dalam tabel

X 0 1 2
10 15 3
g(x)
28 28 28

∑ f ( x , y)
4. h(x) = x

∑ f ( x,0)
h(0) = x = f(0,0)+ f(1,0) + f(2,0)

3 9 3 15
+ + =
= 28 28 28 28

6 6 12
+ =
h(1) = 28 28 28

1
h(2) = 28

disajikan dalam tabel

X 0 1 2
15 12 1
g(x)
28 28 28
 109

 Contoh:

Pandang fungsi padat gabungan

f(x,y) =
{kx(1+3 y2 ) ,0<x<2 , 0< y<1 ¿ ¿¿¿
tentukan:

3. Distribusi peluang marginal X

4. Distribusi peluang marginal Y

Penyelesaian:

1
f(x,y) =
{
4
x(1+3 y 2 ) ,0< x<2 , 0< y<1 ¿ ¿¿¿

∞ 1
1
∫ f (x , y)dy = ∫ x(1+3 y 2 ) dy
3. g(x) = −∞ 0 4

1 1
x( y + y 3 )|10 = x
= 4 2 , 0<x<2

∞ 2
1
∫ f (x , y)dx = ∫ x(1+3 y 2 ) dx
4. h(y) = −∞ 0 4

1 1
(1+3 y 2 ) x 2|20 = (1+3 y 2 )
= 8 2 , 0<y<1.

Rumus Statistika Matematika

Rumus Rataan Hitung (Mean)

 110

Rata-rata hitung dihitung dengan cara membagi jumlah nilai

data dengan banyaknya data.Rata-rata hitung bisa juga disebut mean.

a. Rumus Rataan Hitung dari Data Tunggal

b. Rumus Rataan Hitung Untuk Data yang Disajikan Dalam

Distribusi Frekuensi

Dengan: fixi = frekuensi untuk nilai xi yang bersesuaian

xi = data ke-i

c. Rumus Rataan Hitung Gabungan

Rumus Modus

a. Data yang belum dikelompokkan

 111

Modus dari data yang belum dikelompokkan adalah ukuran yang

memiliki frekuensitertinggi. Modus dilambangkan mo.

b. Data yang telah dikelompokkan

Rumus Modus dari data yang telah dikelompokkan dihitung

dengan rumus:

Dengan :

Mo = Modus

L = Tepi bawah kelas yang memiliki frekuensi tertinggi (kelas

modus)

i = Interval kelas

b1 = Frekuensi kelas modus dikurangi frekuensi kelas interval

terdekat sebelumnya

b2 = frekuensi kelas modus dikurangi frekuensi kelas interval

terdekat sesudahnya

Rumus Median (Nilai Tengah)

a. Data yang belum dikelompokkanUntuk mencari median, data

harus dikelompokan terlebih dahulu dari yang terkecil sampaiyang

terbesar.
 112

b. Data yang Dikelompokkan

Dengan :

Qj = Kuartil ke-j j = 1, 2, 3

i = Interval kelas

Lj = Tepi bawah kelas

Qjfk = Frekuensi kumulatif sebelum kelas

Qjf = Frekuensi kelas

Qjn = Banyak data

Rumus Jangkauan ( J )

Selisih antara nilai data terbesar dengan nilai data terkecil.

Rumus Simpangan Quartil (Qd)

 113

BAB IV

PENUTUP

A. Kesimpulan

Kombinasi adalah Suatu susunan yang dibentuk oleh keseluruhan

atau sebagian dari sekumpulan benda tanpa memperhatikan  urutannya.

 114

Rumus Kombinasi r dari n obyek adalah :

n!
Crn=
r !(n−r )!

Kombinasi C dari sebuah himpunan S adalah himpunan bagian dari S.

Kombinasi dapat dibentuk dari dua kombinasi sebelumnya. Ini

mengakibatkan banyaknya kombinasi juga bersifat rekursif:

Jika urutan tidak diperhatikan dan objek bisa dipilih lebih dari sekali, maka

jumlah kombinasi yang ada adalah:

Distribusi yang diturunkan dari hasil suatu percobaan dapat

dibedakan atas :

1. Distribusi farik

2. Distribusi malar

Jadi, kalau ruang sampelnya farik, distribusinya juga disebut distribusi

farik. Demikian juga kalau ruang sampelnya malar, distribusinya disebut

distribusi malar.
 115

Fungsi distribusi terletak pada peubah acak. Peubah acak (random

variable) yaitu transformasi yang memasangkan titik sampel di semesta ke

suatu hasil numeric. Ruang sampel yang memuat takhingga banyaknya titik

sampel dan tidak dapat dipadankan satu-satu dengan bilangan asli disebut

ruang sampel malar dan peubah acak yang diturunkannya disebut peubah acak

malar.

B. Saran

Diharapkan agar pembaca khususnya Mahasiswa Pendidikkan

Matematika dapat memahami materi tentang Kombinasi dengan memahami

definisi serta kaidah-kaidah yang terkait mengenai kombinasi,sehingga dapat

memudahkan dalam proses pembelajaran dan dapat diterapkan dalam

kehidupan sehari - hari.

DAFTAR PUSTAKA

1. Tiro, M. A. 1999a. Analisis Data Frekusi dengan Chi Kuadrat. Ujung

Pandang Hasanuddin University Press.

2. Tiro, M. A. 1999b. Dasar-dasar Statistika. Ujung Pandang Badan Penerbit

UNM Ujung Pandang.

 116

3. Tiro, M. A. 2000. Analisis Regresi dengan Data Kategori. Makassar:

Makassar State University Press.

4. Walpole, R. E. 1993. Pengantar Statistika, Edisi ke-3 Jakarta; Penerbit PT.

Gramedia Pustaka Utama.

5. Watulingas,J.R. 2010. Teori Kemungkinan. Fakultas Universitas

Mulawarman : Samarinda

6. http://id.wikipedia.org/wiki/Kombinasi

7. http://www.ilmustatistik.com/category/bahan-kuliah/page/5/

8. http://fatur.6te.net/Matematika/Peluang/materi01.html

9. http://freedownloadbooks.net/peluang-kombinasi-permutasi-doc.html

10. http://www.belajarti.co.cc/2010/02/statistik-peluang-kombinasi.html

11. http://......dasar.statistika.id www.dasar.statistika.com

12. Herrhyanto,Nor. 2003. Statistik Lanjutan. CV Pustaka Setia:

Bandung

13. Pramudjono. 2008. Statistika Dasar(Aplikasi Untuk Penelitian)

Edisi IV. FKIP Universitas Mulawarman: Samarinda

14. Sudijono, Anas. 2004. Pengantar Statistik Pendidikan . Raja

Grafindo Persada : Jakarta

15. Suparman. 1989. Statistik Matematik. CV Rajawali. Jakarta