PENDAHULUAN
A. Latar Belakang
Peluang merupakan teori dasar dalam statistika yang
memungkinkan terjadinya peristiwa dengan nilai tertentu. Nilai-nilai
peluang tambahan bisa membentuk suatu distribusi yang disebut
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:
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 objek-objek fisik yg mempunyai kesamaan sifat .
2
4. Aljabar
7
6. Geometri
Merupakan cabang matematika yang mengkaji ukuran,
bentuk permukaan (shape), bentuk bangun, dan posisinya dalam
10
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
tipologi 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
homeomorfisma. Secara mudahnya fungsi tersebut dapat dianggap
dapat merentangkan (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 ketergantungan), topologi aljabar (antara lain
menyelidiki konsep homotopi dan homologi), dan topologi geometri
(antara lain menyelidiki konsep manifold)
12
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.
Dengan pendefinisian tersebut dikaji limit (limit barisan, limit
fungsi), teori diferensiasi, integrasi, deret tak hingga, 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 objek matematis (ruang topologi) yang mempertimbangkan
‘jaraknya (ruang metrik) Dengan berkembangnya jangkauan topik
dalam analisis, kajian analisis seringkali dibagi ke dalam beberapa
kajian khusus, meliputi :
(i) Analisis real, merupakan kajian diferensial 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, seperti analisis real tetapi dikaji dikaji
fungsi pada bidang kompleks ke bidang kompleks yang bersifat
diferensiabel
13
9. Teori probabilitas
Merupakan cabang matematika yang berhubungan dengan
analisis fenomena acak. Objek utama dalam kajian adalah peubah
acak, kejadian acak, dan proses stokastik. Dua objek 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 diskrit 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
analisisnya 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. Sebagai fondasi
matematis, teori probabilitas diperlukan dalam berbagai aktivitas
14
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 statistika 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
dilakukan setelah pola data dapat dimodelkan dengan
mempertimbangkan ke acakannya dalam observasi.
Dengan statistika inferensi tersebut dilakukan pemodelan
pola dari data, keacakan data dan penggambaran inferensi dalam
15
B. Rumusan Masalah
Rumusan masalah dari penyusunan buku ini sebagai berikut.
1. Apa yang dimaksud dengan distribusi peluang dan contohnya?
2. Bagaimana contoh peluang dari uang logam, dadu dan kartu bridge?
C. Tujuan
Tujuan dari penulisan buku ini adalah untuk menyelesaikan
tugas pada mata kuliah Statistik Matematika 1. Penulisan buku ini
juga bertujuan untuk :
1. Untuk mengetahui definisi Distribusi Peluang
2. Untuk mengetahui rumus-rumus yang terkait Distribusi Peluang
20
D. Manfaat
Adapun manfaat yang diharapkan dari penyusunan buku ini
sebagai berikut.
1. Bagi mahasiswa, diharapkan buku ini dapat dijadikan referensi
dalam proses belajar dan dapat meningkatkan hasil belajar untuk
menemukan pengetahuan, serta mengembangkan wawasan.
2. Bagi perguruan tinggi, diharapkan dapat menjadi bahan masukan
untuk mengembangkan materi pembelajaran.
21
BAB II
TINJAUAN PUSTAKA
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,
MMM, 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.
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
25
9
1 x ≥ 2
X Jumlah
baris
0 1 2
F(x,y)
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
Jadi,
P(0 < X ≤ 1) = F(1) – F(0) = 2/9 – 1/9
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
26
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
≤ ≤
Apakah ini masuk akal? Kalo iya, karyawan yang mana yang mendapat upah
3jt 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 bisa, yakni fungsi kepadatan peluang Fungsi
Kepadatan Peluang dibedakan menjadi dua jenis, yakni untuk data diskrit dan
28
untuk data kontinu. Untuk Fungsi Kepadatan Peluang Data Diskrit sering
disebut sebagai fungsi sebaran peluang, sedangkan untuk fungsi data kontinu
sering disebut sebagai fungsi kepadatan peluang (fkp) atau probability Density
Function (PDF).
(Sumber : Statistik,2014)
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
29
P(X=x)=f(x), adalah peluang untuk peubah acak x tertentu, sama dengan fungsi
sebaran peluang untuk x tertentu tersebut.
Contoh 1
Dua buah dadu ditos 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:
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
Contoh 2
Lima buah koin ditos 1. Diberikan fungsi peubah acak banyaknya sisi angka
yang muncul, tentukan
a. formula sebaran peluang
b P(2 ≤ X ≤ 4)
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 dalam
aljabar perhitungannya mempunyai kesamaan dengan teknik kombinasi)
31
- Misalkan x dan y dua peubah acak, diskrit maupun kontinu 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).
- Misalkan x1, x2 , x3 ,…..xn , n peubah acak diskrit maupun kontinu, 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 misalkan lah masing-
masing mempunyai fungsi padat peluang :
(x) = e-x untuk x > 0
=0 untuk x lainnya
1. g(x) =
g(1) =
g(2) =
disajikan dalam tabel
Tabel 1.2 Distribusi Peluang Marginal X 1
X 0 1 2
g(x)
2. h(x) =
=
38
h(1) =
h(2) =
disajikan dalam tabel
Tabel 1.3 Distribusi Peluang Marginal Y 1
X 0 1 2
g(x)
f(x,y) =
tentukan:
1. Distribusi peluang marginal X
2. Distribusi peluang marginal Y
Penyelesaian:
f(x,y) =
1. g(x) =
39
= , 0<x<2
2. h(y) =
= , 0<y<1.
40
BAB III
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:
41
1.1. Fungsi massa peluang munculnya sisi muka dalam tiga kali
pelemparan mata uang
Tabel 2.1 Peluang Pelemparan Uang Logam 1
X P (X = x) = p (x)
0 1/8
1 3/8
2 3/8
3 1/8
(Sumber : Statistik Matematika,2014)
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 kapital, misalnya X dan simbol nilai pengamatannya dengan
huruf kecil x. Untuk penyederhanaan, 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 sebarang
bilangan asli n, harus memenuhi sifat-sifat fungsi massa peluang berikut:
1. pi ≥ 0 untuk i = 1, 2, 3, …….n
2.
42
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:
μ = E (X) =
σ2 = E (X - μ)2 =
Symbol E (X) dalam bahasa Inggris dibaca Expected value of X. rumus
variansi dapat pula ditulis dengan σ2 = E(X2) - μ2, dengan E(X2) =
μ = E (X) =
43
σ2 = E (X - μ)2 =
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 sampel S, karena ruang sampel itu sendiri sudah dinyatakan dengan
bilangan riil. Ruang sampel yang memuat tak hingga 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}
2.
3. P(a<X<b) = untuk a, b ∈ R
Nilai harapan dan variansi peubah acak malar dihitung dengan rumus
44
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
45
X P(X)
0 ¼
1 ½
2 ¼
Jumlah 1
(Sumber : Statistik,2015)
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 diskrit.
Dalam tabel di atas jumlah peluang adalah sama dengan satu.
Apabila hal ini terjadi, maka dikatakan bahwa distribusi peluang
untuk variabel acak X telah terbentuk.
Variabel acak diskrit 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
46
1. Distribusi Poisson
Untuk menentukan peluang sebuah peristiwa yang
dalam area kesempatan tertentu diharapkan terjadinya sangat
jarang. Distribusi poisson biasanya sangat jarang digunakan,
mengingat peristiwa di dalamnya adalah sangat kecil
peluangnya untuk terjadi. Misalnya, kemungkinan seorang
artis jatuh cinta pada seorang pengemis atau gelandangan,
kemungkinan di pasar ada yang menjual seorang anak
manusia, dan kejadian-kejadian yang kecil peluang
terjadinya. Variabel acak diskrit dikatakan mempunyai
distribusi poisson jika fungsi peluangnya berbentuk dengan
Dengan X=0,1,2,3,…
e = sebuah bilangan konstan
= 2,7183
λ = sebuah bilangan tetap
48
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.
Dengan
π : 3,1416σ > 0
e : 2,7183
μ : parameter, merupakan rata-rata dari X
49
x
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
X−μ
simpangan baku σ , dan misal Z= , maka Z
σ
berdistribusi normal baku.
● Untuk a, b, c, dan d adalah bilangan real, dan X berdistribusi
normal dengan rata-rata μ dan simpangan baku σ , maka
50
a−μ b−μ
o P (a < X < b) = P ( < Z< ) = luas di bawah kurva
σ σ
a−μ b−μ
normal 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
4. Distribusi F
Distribusi F merupakan distribusi acak kontinu yang
memiliki persamaan seperti berikut
F>0, K= bilangan tetap yang harganya bergantung pada v 1
dan v2 V2= dk penyebut
Dari persamaan 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 χ2
⮚ Untuk menentukan nilai f tergantung dari dua derajat
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
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
54
Contoh 1 :
Peubah X1, X2, X3, X4 merupakan sampel acak berukuran 4 yang
menyebar binomial dengan probabilitas nya sama dengan 0.50 dan fungsi
probabilitas p(x) sebagai berikut :
Grafik dari P(X=x) = p(x) dan F(x) dapat dilihat sebagai berikut
Contoh 2 :
Peubah X kontinu dengan fungsi kepekatan probabilitas f(x) sebagai
berikut :
dengan
TEORI PROBABILITAS
58
2. Kejadian (E)
Kejadian adalah satu subset dari ruang sampel E ⊂ Ω
3. Frekuensi relatif kejadian E
59
kejadian
4. Probabilitas kejadian E (P(E))
[1.2]
atau dapat dinyatakan dengan
Contoh:
Barisan s = 1011010101 dimana n = 10 maka:
- Ω = {0,1}
- Kejadian E yaitu bit yang muncul angka 1 (bit = 1)
-
Aksioma Probabilita
60
aksioma 1.2
1) untuk setiap
61
2)
Fungsi kepadatan probabilitas selain dapat dinyatakan dengan persamaan,
dapat juga dinyatakan secara tabel dan grafik.
1)
3)
4) Jika maka
jika X diskrit
jika X kontinu
Ekspektasi atau nilai rata-rata atau nilai mean (Bernard W. Lindgren:
[1.4]
Teorema 1.1
[1.5]
Teorema 1.2
Misalkan X dan Y adalah variabel acak diskrit maka
b.
c. terdapat kontanta
63
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:
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 X atau variansi dari distribusi
atau .
Definisi 1.4 ( Walpole,2007:116)
, jika X diskrit
64
, jika X kontinu
[1.6]
Bukti :
Untuk kasus diskrit dapat dituliskan
sehingga diperoleh
8. Distribusi
a. Distribusi bernoulli
Suatu variabel acak X mempunyai distribusi bernoulli dengan
dan
b. Distribusi binomial
Jumlah sukses pada kali percobaan bernoulli dinamakan
variabel acak binomial. Distribusi probabilitas dari variabel acak diskrit ini
Teorema 1.4
dan
Teorema 1.5
66
dimana
Jika adalah mean dari sampel acak berukuran yang diambil dari
suatu populasi dengan mean dan variansi maka bentuk limit dari
distribusi
dimana [1.10]
untuk
dan dimana .
Teorema 1.7
dimana
Harga mean hanya tergantung pada banyak sel atau kelas k (banyak
kemungkinan yang dapat terjadi pada eksperimen multinomial) dan tidak
[1.12]
[1.13]
Definisi 1.8
Variabel acak kontinu X mempunyai distribusi chi square dengan derajat
bebas v jika fungsi densitasnya adalah
[1.14]
dimana v adalah bilangan bulat positif
Teorema 1.8
mean dan variansi distribusi chi-square adalah
dan [1.15]
[1.16]
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
≤ ≤
Tabel 3.1 Peluang ballpoint merah dan hijau
Contoh :
FX, Y ( x, y) = ∫ x ❑−¿¿
−¿¿
∫ y ❑ F X ,Y (s ,t) ds dt
● Jika 0<x<1 dan 0<y<1, maka
= 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
−1
¿¿
2 (1− p2)
e
ƒ (x, y) =
2 π σ1σ2 √ 1−❑2
Untuk -~ < x<~ dan -~ < y< ~ , dimana σ1 > 0 , σ2 > 0, dan -1 < ρ < 1.
Untuk mempelajari distribusi ini mari kita menunjukkan bahwa parameter
masing masing adalah , sarana dan standar deviasi dari variabel variabel
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
2 π σ1σ2 √ 1−❑
78
x−1
Sementara membuat substitusi u = . untuk menyederhanakan notasi
1
x−2
dan mengubah variable integrasi dengan memisalkan: v = . Kita
2
memperoleh;
−1 2
x
2 (1− p2)
e
−1 2
(v −2 v)
2 (1− p2)
g(x) = ∫❑e dv
−
2 π σ1σ2 √ 1−❑2
−1 2
❑
2
e
g(x)=
σ1√ 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
79
g(x)=
σ1√ 2
−1
1 2 ¿¿
= e
√2
Untuk - ~ < x < ~. Mengikuti dengan inspeksi bahwa kepadatan marginal
x adalah distribusi normal dengan μ1 dan σ1 deviasi standar dan oleh
simetri, bahwa kepadatan marginal y distribusi normal dengan μ2 rata rata
dan σ2 standar deviasi.
Sejauh parameter ρ yang bersangkutan, dimana ρ adalah huruf kecil yunani
disebut rho, hal itu disebut koefisien korelasi , dan integrasi yang
diperlukan akan menunjukkan bahwa cov ( x, y) = ρ σ1 σ2 , dengan
demikian, langkah langkah ρ 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)
*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
❑ ❑
- ∫ ❑∫❑ f x,y (x,y) dx dy, jika x,y kontinu
x y
80
81
82
83
maks var(CF).
2. Canonical 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
corr( ) =0.
3. Multivariate Regression
Memodelkan hubungan antara kelompok variabel respon (Y)
dengan kelompok variabel (X) yang diduga mempengaruhi variabel
respon. Model: .
4. MANOVA
Menganalisis hubungan antara vektor variabel respon (Y)
yang diduga dipengaruhi oleh beberapa perlakuan (treatment). Model:
Apakah ini masuk akal ?Kalau iya, karyawan yang mana yang mendapat
upah 3jt rupiah? Kenyataannya tidak ada seorang karyawan pun yang
mendapat upah 3 juta Dari salah satu permasalahan di atas maka, perlu
teknik lain supaya dalam analisis data tidak bisa, yakni fungsi kepadatan
peluang Fungsi Kepadatan Peluang dibedakan menjadi dua jenis, yakni
untuk data diskrit dan untuk data kontinu. Untuk Fungsi Kepadatan
Peluang Data Diskrit sering disebut sebagai fungsi sebaran peluang,
sedangkan untuk fungsi data kontinu sering disebut sebagai fungsi
kepadatan peluang (fkp) atau probability Density Function(PDF)
1. Fungsi Kepadatan Peluang Diskrit (Fungsi Sebaran Peluang)
Definisi:
Keterangan
89
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.
Contoh 1
Dua buah dadu ditos 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:
90
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 ditos 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
91
Sehingga sebaran peluangnya dapat diperoleh yaitu:
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
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
❑ ❑
- ∫ ❑∫❑ f x,y (x,y) dx dy, jika x,y kontinu
x y
93
94
95
96
Contoh :
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 :
Contoh.2 Misalkan x1, x2 & x3 , 3 peubah acak bebas stokastik dan misalkan lah
masing-masing mempunyai fungsi padat peluang :
(x) = e-x untuk x > 0
=0 untuk x lainnya
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.
→ 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) =
102
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 diskrit maupun kontinu 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)
- Misalkan x dan y dua peubah acak, diskrit maupun
kontinu 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).
- Misalkan x1, x2 , x3 ,…..xn , n peubah acak diskrit
maupun kontinu, 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 (x 1 ,
x2 ….xn) = f1 (x1 ), f2 (x2), ….fn (xn ).
♦ Contoh.2 Misalkan x1, x2 & x3 , 3 peubah acak bebas stokastik dan
misalkan lah masing-masing mempunyai fungsi padat peluang : (x)
= e-x untuk x > 0= 0 untuk x lainnya .
104
⮚ 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 berwarna biru yang terambil, dan Y menyatakan kelereng
berwarna merah yang terambil. Tentukan:
3. Distribusi peluang marginal X
4. Distribusi peluang marginal Y
Penyelesaian:
3. g(x) =
g(1) =
g(2) =
disajikan dalam tabel
X 0 1 2
g(x)
105
4. h(x) =
h(1) =
h(2) =
disajikan dalam tabel
X 0 1 2
g(x)
♦ Contoh:
Pandang fungsi padat gabungan
f(x,y) =
tentukan:
3. Distribusi peluang marginal X
4. Distribusi peluang marginal Y
Penyelesaian:
106
f(x,y) =
3. g(x) =
= , 0<x<2
4. h(y) =
= , 0<y<1.
● Rumus Modus
Dengan :
Mo = Modus
L = Tepi bawah kelas yang memiliki frekuensi tertinggi
(kelas modus)
i = Interval kelas
108
Dengan :
Qj = Kuartil ke-j j = 1, 2, 3
i = Interval kelas
Lj = Tepi bawah kelas
Jfk = Frekuensi kumulatif sebelum kelas
Qjf = Frekuensi kelas
Qjn = Banyak data
● Rumus Jangkauan ( J )
Selisih antara nilai data terbesar dengan nilai data terkecil.
109
BAB IV
PENUTUP
A. Kesimpulan
1. Distribusi peluang adalah sebuah daftar yang berisi seluruh
hasil yang mungkin dari suatu percobaan dan peluang yang
berkaitan dengan setiap hasil tersebut. Selang nilai peluang
suatu kejadian adalah dari 0-1. Sedangkan, jumlah dari
seluruh peluang hasil harus sama dengan 1.
Jenis Distribusi Peluang
Distribusi peluang terbagi menjadi dua jenis, yaitu
distribusi peluang diskrit dan kontinu. Dalam pembahasan
kali ini, jenis distribusi peluang diskrit yang akan dibahas
110
2. Distribusi Normal
Distribusi peluang kontinu yang banyak dipakai dalam
statistika adalah distribusi normal. Kurva distribusi normal
berbentuk seperti lonceng yang simetris. Persamaan
matematika distribusi normal bergantung pada dua
parameter, yaitu rataan (µ) dan simpangan baku (σ).
Adapun bentuk umum distribusi normal adalah sebagai
berikut :
Pembahasan
Banyaknya titik sampel n(S) = 6
Jawab :
= 4/52 x 4/51
= 16/2652
= 4/663
B. Saran
1. Sebaiknya setelah membaca buku ini pembaca dapat mengoreksi dan
memperbaiki apabila ada kesalahan-kesalahan dalam penulisannya
dan tidak segera merasa cukup dengan materi yang tersaji di buku ini
melainkan mencari referensi lain. Sebagai mahasiswa pendidikan
matematika diharapkan setiap mahasiswa tidak hanya dapat
mengetahui metode melukis sudut saja, melainkan juga terampil
dalam melukis garis karena sudut dan garis saling berhubungan.
2. Sebaiknya dalam Pengerjaan Peluang dengan metode tabel, para
peserta didik diperlukan ketelitian yang sangat jeli agar dapat
meminimalisir kesalahan yang terjadi.