BAB I

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

Walaupun objek tersebut dapat berupa objek 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 diskrit.
Pada umumnya dalam teori himpunan, digunakan 2(dua)
pendekatan yaitu :
(i) Pendekatan intuitif (pendekatan tradisional), 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 matematika tersebut melatar belakangi
filsafat matematika. Terdapat himpunan dengan pendekatan lain
yang bukan merupakan bahasan dalam teori himpunan. Pendekatan
penentuan keanggotaannya 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
 3

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 ke arah pembuktian. Logika matematis 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 diatas, dewasa ini terdapat beberapa
sub bidang 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
4

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 objek 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 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 (Chinese 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 :
 5

(i ) Konjektur Goldbach, berhubungan dengan penyajian

bilangan genap sebagai jumlah dua bilangan prima,
(ii) Konjektur Catalan (sekarang dikenal dengan teorema
Mihailescu), yang berhubungan dengan pangkat integer-
integer berurutan
(iii) Teorema terakhir Fermat, berhubungan dengan
ketidakmungkinan untuk memperoleh integer tak nol x,
y, z yang memenuhi Xn + Yn = Zn, untuk n > 2.
(Teorema ini dinyatakan sekitar tahun 1637 tak
terbuktikan sampai tahun 1994).
(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
transendental 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.
6

Pembahasan lanjut disini diantaranya teori Galois, grup

homologi, representasi grup, fungsi-L. Beberapa pertanyaan
teoritis yang dipecahkan berhubungan dengan kajian modulo p,
untuk bilangan prima pie grup berhingga)
(4) Geometri bilangan
Berhubungan dengan konsep dasar geometris untuk
memecahkan masalah dalam teori bilangan (seperti lattice).
Pembahasan dimulai dengan teorema Minkowski 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 aritmatika 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
 7

Merupakan cabang matematika yang berhubungan dengan

kajian kuantitas, hubungan, dan struktur yang terbentuk. Pada
awalnya, kajian dasar dilakukan dengan penyajian simbolik kuantitas
beserta operasi-operasinya, meliputi persamaan, persamaan linear,
persamaan kuadrat. Kajian ini dikenal sekarang dengan aljabar
elementer. Secara umum, kajian aljabar dapat diklasifikasikan
sebagai:
▪Aljabar elementer
▪Aljabar Linear
▪Aljabar Abstrak
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 perampokan (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 (variabel). 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 pertidaksamaan, persamaan
linear dan sistem persamaan linear. Aljabar elementer ini
8

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 vektor (juga disebut ruang
linear), pemetaan 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 geometri 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 tak
hampa 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,
 9

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 perbandingan berbagai struktur
aljabar.

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 fungsi fungsi 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
10

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 secara aksiomatik dilakukan oleh
Euclid yang dikenal dengan geometri Euclid (Euclidean Geometry).
Dengan diperkenalkannya konsep koordinat (dikenal sebagai sistem
koordinat 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 objek 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
 11

dipelajari pada sekolah lanjutan atau menjadi salah topik pada

prekalkulus.

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

(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 diskrit (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. 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

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 dalam 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 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

populasinya. Inferensi ini dapat berupa jawaban ya/tidak (uji

hipotesis), 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 kelas tersebut di
atas dianggap sebagai statistika terapan. Dengan mempertimbangkan
sifat keempirisan 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, yang menyatakan banyaknya kelahiran dan kematian
di suatu daerah dan pada selang waktu tertentu. Demikian pula
statistik kriminalitas, statistik kemiskinan, dan sebagainya.
11. Matematika diskrit
Dalam bidang ini dilakukan kajian struktur diskrit secara
matematis, dalam arti tidak mempertimbangkan kekontinuan.
Kadang disebut juga dengan matematika berhingga. Objek dasar
16

yang dipelajari di dalamnya meliputi himpunan terhitung (countable

sets) seperti integer, graf berhingga, dan bahasa formal. Matematika
diskrit menjadi populer sejalan dengan perkembangan sains
komputer. Beberapa topik yang dipelajari diantaranya logika (kajian
penalaran), teori himpunan (kajian kumpulan elemen) termasuk di
dalamnya fungsi dan relasi, poset (partially ordered set) dan lattice,
teori bilangan (termasuk di dalamnya pencacahan), kombinatorik
(meliputi teori desain, 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 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
perbedaan antara matematika terapan (applied mathematics) dan
penerapan matematika pada bidang ilmu pengetahuan lain
(application of mathematics). Namun sejalan dengan pesatnya
 17

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 sub bidang
matematika terapan. Dewasa ini yang menjadi topik (sub bidang)
utama dalam matematika terapan adalah sebagai berikut :
(1) Analisis Terapan : teori aproksimasi, teori optimasi, analisis
numerik, sistem dinamik, teori chaos
(2) Matematika diskrit : Kombinatorial, 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
18

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 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
menganalisis 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
 19

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.
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
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.

1. Kelompok manusia terdiri atas 50 orang dan 3 diantaranya 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.
Jika x = banyak banyak buta huruf per 200 orang, maka
untuk kita sekarang λ = 2,8. Peluang tidak terdapat buta huruf
adalah:   
SOLUSI.
22

Sedangkan peluang terdapatnya yang buta huruf sama dengan

1- 0,0608 = 0,9392

B. Fungsi Distribusi Kumulatif

1. Menurut banyaknya hasil dalam suatu kejadian dapat dibedakan
menjadi dua macam kejadian, yaitu : Kejadian sederhana jika hasilnya
hanya satu, dan kejadian majemuk jika hasilnya 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 mendapat B 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
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 }
 23

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
 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
24

      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

 
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
                                                          ≤          ≤

Tabel 1.1 Peluang 1

(Sumber : Statistik Matematika, 2015)

. 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

D. Fungsi Distribusi Bivariat

Gambar 1.1 Fungsi Bivariat Peluang 1

(Sumber : Statistik, 2014)

 27

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 juta rupiah, dia sendiri
setiap bulannya mengambil bayaran sebesar 9 juta rupiah. Kemudian dia
mengatakan bahwa rata-rata upah dalam perusahaannya adalah 3 juta
rupiah

Gambar 1.2 Perhitungan Statistik 1

(Sumber : Matematika SMA, 2013)

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).

1. Fungsi Kepadatan Peluang Diskrit (Fungsi Sebaran Peluang)

Definisi:

Gambar 1.3 Rumus Fungsi Peluang 1

(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:

Gambar 1.4 Sebaran Peluang 1

(Sumber : Statistik Matematika,2015)

 sehingga sebaran peluangnya sebagai berikut :

30

Gambar 1.5 Sebaran Peluang 1

(Sumber: Statistik Matematika,2015)

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

Gambar 1.6 Kombinasi Permutasi 1

(Sumber : Statistik Dasar Matematika : 2016)

Sehingga sebaran peluangnya dapat diperoleh yaitu:

Gambar 1.7 Kombinasi Permutasi 1

(Sumber : Statistik Dasar Matematika : 2016)

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
32
 33

H. Fungsi Padat Padat Peluang 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 multivariat, maka fungsi padat
peluang multivariat pun mempunyai sifat – sifat sebagai berikut :
 34

- 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

I. Fungsi Padat Marginal

Contoh.1 Fungsi padat gabungan peubah acak dan y diberikan oleh :
 35

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 (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

> 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 diskrit maupun kontinu adalah
F (y|x) =  , g(x) > 0              f(x|y) =  ; h(y) > 0P ( a< y < b | X=x) =
36

♦ 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 statistik dan
misalkan lah 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 berwarna biru yang terambil, dan Y menyatakan kelereng
berwarna merah yang terambil. Tentukan:
1. Distribusi peluang marginal X
 37

2. Distribusi peluang marginal Y

Penyelesaian:

1. g(x) =

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

g(1) =

g(2) =
disajikan dalam tabel
Tabel 1.2 Distribusi Peluang Marginal X 1

X 0 1 2

g(x)

(Sumber : Matematika SMA ,2013)

2. h(x) =

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

=
38

h(1) =

h(2) =
disajikan dalam tabel
Tabel 1.3 Distribusi Peluang Marginal Y 1

X 0 1 2

g(x)

(Sumber : Matematika SMA,2013)

♦ Contoh:
Pandang fungsi padat gabungan

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) =

. 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:

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

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:

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

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

besar X, Y, Z, dan sebagainya, sedangkan nilai-nilai dari variabel

acak dinotasikan dengan huruf kecil misal 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
Tabel 2.2 Pengundian Uang Logam 1

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

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

=x
Variabel acak yang tidak diskrit 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 Diskrit

Pada variabel 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 variabel yang nilainya dapat
diperoleh dengan cara membilang ataupun menghitung. Variabel
dari sampel yang diambil dari populasi ini bertujuan untuk
mempermudah 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
 47

seorang siswa memperlihatkan banyak kendaraan yang melewati

sekolahnya tiap menit mengikuti distribusi peluang.
CONTOH.
Kelompok manusia terdiri atas 50 orang dan 3 diantaranya
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 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.

Sedangkan peluang terdapatnya yang buta huruf sama dengan

1- 0,0608 = 0,9392

Distribusi poisson digunakan untuk menentukan peluang

sebuah peristiwa yang dalam area kesempatan tertentu
diharapkan terjadinya sangat jarang.

3. Macam-Macam Distribusi Peluang Variabel Acak Kontinu

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
 49

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 kepadatan 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
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

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<∞ 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.
 51

Ciri dari distribusi t adalah:

⮚ Grafik fungsi menyerupai grafik fungsi distribusi
normal
⮚ Untuk menentukan nilai t, tergantung dari nilai
peluang (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 )

Distribusi Chi kuadrat atau yang sering disebut
distribusi chi square merupakan distribusi acak kontinu yang
memiliki persamaan dan ciri 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
2
berkurang.Daftar H berisikan harga-harga X  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.
52

Contoh penggunaan distribusi chi-square

Apabila luas daerah di sebelah kanan sama dengan 0,05 maka
2
Χ   = 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
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 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

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

 53

n1 – 1 dan υ 2 (derajat kebebasan penyebut) dengan υ 2 =

n2 – 1.

B. Fungsi Distribusi Kumulatif

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

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

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)pe

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 :

probabilitas untuk seluruh nilai x dan sebaran probabilitas kumulatif,

disertai gambar grafiknya adalah sebagai berikut
p(x) :
 55

Fungsi sebarannya adalah

F(x) = P ( X ≤ x ), untuk x = 0, 1, 2, 3, 4 dapat diperoleh nilai-nilai F(x)
se-bagai berikut :

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

Gambar 2.1 Grafik Sebaran Peluang 1

(Sumber : Statistik Matematika I, 2016)

56

Gambar 2.2 Grafik Fungsi Sebaran Peluang 1

(Sumber : Statistik Matematika I, 2016)

Contoh 2 :
Peubah X kontinu dengan fungsi kepekatan probabilitas f(x) sebagai
berikut :

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
kontinu.
Di mana e = 2,7182818 ≈ 2,718
Penyelesaian :
Fungsi kepekatan probabilitas dari peubah X yang kontinu adalah f(x), se-
demikian rupa sehingga
 57

dengan

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

fungsi probabilitas

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

TEORI PROBABILITAS
58

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 matematis
ini menentukan tendensi sentral dari distribusi probabilitas.
Seringkali kita menjumpai data pengamatan yang memuat peubah
acak tidak tunggal. Misalnya, X dan Y peubah 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 variansi dari peubah 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 (Ω)

Ruang sampel adalah himpunan dari semua hasil yang mungkin
diperoleh pada suatu percobaan. Ruang sampel yang sering digunakan
dalam kriptografi adalah Ω = {0,1}

2. Kejadian (E)
Kejadian adalah satu subset dari ruang sampel E ⊂ Ω
3. Frekuensi relatif kejadian E
 59

Percobaan diulang n kali dengan kondisi yang sama pada

percobaan acak dan kejadian E muncul f kali, maka frekuensi relatif

kejadian
4. Probabilitas kejadian E (P(E))

Probabilitas kejadian E dinotasikan dengan . Misalkan

adalah jumlah outcome E . Saat dan

maka

[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)

- Frekuensi relatif dari

-
Aksioma Probabilita
60

Sebuah himpunan fungsi P mempunyai sifat-sifat :

aksioma 1.1 untuk setiap kejadian

aksioma 1.2

aksioma 1.3 Jika maka

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 , sedangkan nilainya

dinyatakan dengan huruf kecil

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 atau merupakan himpunan

terhitung (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 :

1) untuk setiap
 61

2)
Fungsi kepadatan probabilitas selain dapat dinyatakan dengan persamaan,
dapat juga dinyatakan secara tabel dan grafik.

Fungsi distribusi kumulatif (CDF) dari X adalah

untuk sembarang bilangan real x. Jadi menyatakan peluang

kejadian . Untuk variabel random diskrit, grafik dari

berupa fungsi tangga

Sifat-sifat CDF:

1)

3)

4) Jika maka

Jika maka , kedua interval saling

asing sehingga diperoleh:

6. Ekspektasi (nilai harapan)

Definisi 1.4 (Walpole,2007 :108)
62

Misalkan X adalah variabel acak dengan distribusi probabilitas .

Mean atau ekspektasi atau nilai harapan dari X adalah

jika X diskrit

jika X kontinu
Ekspektasi atau nilai rata-rata atau nilai mean (Bernard W. Lindgren:

1993) dari variabel acak X dengan pdf f dan nilai untuk

adalah

[1.4]
Teorema 1.1

Jika X adalah variabel acak diskrit, nilai mean dari fungsi

adalah

[1.5]
Teorema 1.2
Misalkan X dan Y adalah variabel acak diskrit maka

a. untuk sembarang konstanta dan

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:

b. Sifat linear ekspektasi

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

probabilitas X dinyatakan dengan atau dinotasikan dengan

atau .
Definisi 1.4 ( Walpole,2007:116)

Misalkan X adalah variabel acak dengan distribusi probabilitas dan

mean . Variansi dari X adalah

, jika X diskrit
64

, jika X kontinu

Akar kuadrat positif dari variansi dinamakan standar deviasi dari X.

Teorema 1.3
Variansi variabel acak X adalah

[1.6]
Bukti :
Untuk kasus diskrit dapat dituliskan

karena dan untuk setiap distribusi

probabilitas diskrit maka

sehingga diperoleh

8. Distribusi
a. Distribusi bernoulli
Suatu variabel acak X mempunyai distribusi bernoulli dengan

parameter jika X hanya bernilai 0 atau 1 dan

 65

Fungsi probabilitas dari X dapat ditulis dalam bentuk

Jika variabel acak X mempunyai distribusi bernoulli, maka

dan
b. Distribusi binomial
Jumlah sukses pada kali percobaan bernoulli dinamakan
variabel acak binomial. Distribusi probabilitas dari variabel acak diskrit ini

dinamakan distribusi binomial, yang dinyatakan dengan .

Definisi 1.5 (Walpole, 2007:144)
Suatu percobaan bernoulli yang dapat menghasilkan sukses dengan

probabilitas dan gagal dengan probabilitas maka distribusi

probabilitas variabel acak binomial X dengan jumlah sukses dalam

percobaan independen adalah

Teorema 1.4

Mean dan variansi distribusi binomial adalah

dan
Teorema 1.5
66

Jika X adalah variabel acak binomial dengan mean dan variansi

maka bentuk limit dari distribusi

dimana

adalah berdistribusi Normal Standar atau .

Teorema 1.6 (Teorema Limit Pusat)

Jika adalah mean dari sampel acak berukuran yang diambil dari

suatu populasi dengan mean dan variansi maka bentuk limit dari
distribusi

dimana [1.10]

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 dalam trial multinomial dengan parameter

yang masing-masing merupakan peluang sel.

 67

Fungsi peluang distribusi multinomial adalah

untuk

Parameter-parameter itu memenuhi

Nilai ekspektasi dan variansi dari distribusi multinomial adalah

dan dimana .
Teorema 1.7

misalkan berdistribusi multinomial dengan probabilitas

maka untuk besar, variabel acak tidak negatif

dimana

mendekati distribusi chi-square dengan derajat bebas dengan

harga mean adalah .

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
kemungkinan yang dapat terjadi pada eksperimen multinomial) dan tidak

tergantung pada harga .

Bukti :
68

Rumus transformasi sering ditulis dengan persamaan

[1.12]

dimana adalah frekuensi sel i yang diobservasi dalam sampel

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

kemungkinan yang sama yaitu .

Dalam kasus khusus model multinomial. persamaan dapat dinyatakan

dengan

[1.13]

d. Distribusi chi square

 69

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]

9. Uji goodness of fit

Teorema 1.9

Uji goodness of fit antara frekuensi yang diobservasi dengan

frekuensi yang diharapkan, berdasarkan pada ukuran

[1.16]

dimana adalah nilai variabel acak yang distribusi samplingnya hampir

mendekati distribusi chi-square dengan derajat bebas ,

adalah frekuensi yang diobservasi dan adalah frekuensi yang

diharapkan untuk setiap sel ke-i.

Prosedur uji goodness of fit berdasarkan atas distribusi

pendekatan maka prosedur ini sebaiknya tidak digunakan jika frekuensi
70

harapan sangat kecil atau . 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, didefinisikan 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:
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 ananda 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
 71

 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 kontinu
Def.2.7: Sebaran peluang kumulatif F(x) dari suatu peubah acak
kontinu 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
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               
72

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

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
 
 73

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
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 :
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
74

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

                                                          ≤          ≤
Tabel 3.1 Peluang ballpoint merah dan hijau

(Sumber : Matematika SMA/K , 2017)

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
 75

6. Teknik Fungsi Distribusi Kumulatif

Karena Y = u(X), maka Y merupakan fungsi komposisi yang
didefinisikan pada Ω. Artinya untuk setiap ω di Ω, berlaku :
Y(ω) = u(X)(ω) = u(X(ω))
Dengan demikian Y juga merupakan variabel random pada Ω
dengan ruang dari Y adalah
ΩY={y / y = Y(ω), ω∈Ω} = {y / y = u(X(ω)), ω∈Ω}
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 F X, 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 kontinu bersama dengan

FX, Y ( x, y) = x + y, untuk 0<x<1, 0<y<1
Maka:
76

FX, Y ( x, y) = ∫ x ❑−¿¿
−¿¿
∫ y ❑ F X ,Y (s ,t) ds dt
● 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
 77

Antara kepadatan multivariate, penting khusus adalah distribusi normal

multivariate, yang merupakan generalisasi dari distribusi normal dalam
satu variabel. Sebagai yang terbaik( memang hamper diperlukan) untuk
menyajikan distribusi ini dalam notasi matrix, kami hanya akan membahas
kasus bivariat.
Sepasang variabel acak x dan y memiliki distribusi yang normal bivariat,
dan mereka disebut variabel acak sebagai bersama – sama berdistribusi
normal, jika dan hanya jika kepadatan probabilitas gabungan mereka
diberikan oleh:

−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

Dan, setelah menyelesaikan persoalan dengan memisalkan :

v 2 – 2 ρμv = ( v - ρμ2) - ρ2μ2
Dan hal persoalan ini menjadi:

−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

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 sedemikian hingga varians komponen utama menjadi
maksimum dan antar komponen utama bersifat saling bebas. Model:

maks var(Yi) dan corr(Yi, Yj)=0.

1. Factor Analysis
84

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:

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

baru : dan sehingga corr( ) maks dan

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:

, i=1,...,t j=1,...,ni, k=1,...,p.

5. Discriminant Analysis
 85

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 Multivariat

Analisis statistik multivariat merupakan metode statistik yang

memungkinkan kita melakukan penelitian terhadap lebih dari dua
variabel 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 variabel kualitas produk, harga dan
saluran distribusi terhadap kepuasan pelanggan. Contoh yang lain,
misalnya pengaruh kecepatan pelayanan, keramahan petugas dan
kejelasan memberikan informasi terhadap kepuasan dan loyalitas
pelanggan. Analisis multivariat digunakan karena pada kenyataannya
masalah yang terjadi tidak dapat diselesaikan dengan hanya
menghubung-hubungkan dua variabel atau melihat pengaruh suatu
variabel terhadap variabel lainnya. Sebagaimana contoh diatas,
variabel kepuasan pelanggan dipengaruhi tidak hanya oleh kualitas
produk tetapi juga oleh harga dan saluran distribusi produk tersebut. 

3. Klasifikasi Teknik-Teknik Analisis Multivariat

86

Teknik analisis multivariat secara dasar diklasifikasi menjadi dua,

yaitu analisis dependensi dan analisis interdependensi. Analisis
dependensi berfungsi untuk menerangkan atau memprediksi variabel
(variabel) tergantung dengan menggunakan dua atau lebih variabel
bebas. Yang termasuk dalam klasifikasi ini adalah analisis regresi linear
berganda, analisis diskriminan, analisis varian multivariate
(MANOVA), dan analisis korelasi kanonikal Metode dependensi
diklasifikasikan didasarkan pada jumlah variabel tergantung, misalnya
satu atau lebih dan skala pengukuran bersifat metrik atau non metrik.
Jika variabel tergantung hanya satu dan pengukurannya bersifat metrik,
maka teknik analisisnya digunakan analisis regresi berganda. Jika
variabel tergantung hanya satu dan pengukurannya bersifat non-metrik,
maka teknik analisisnya digunakan analisis diskriminan. Jika variabel
tergantung lebih dari satu dan pengukurannya bersifat metrik, maka
teknik analisisnya digunakan analisis multivariate varian. Jika variabel
tergantung lebih dari satu dan pengukurannya bersifat non-metrik,
maka teknik analisisnya digunakan analisis conjoint. Jika variabel
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 memprediksi

laba perusahaan dengan menggunakan biaya promosi dan harga
produk. Analisis interdependensi berfungsi untuk memberikan makna
terhadap seperangkat variabel atau membuat kelompok-kelompok
secara bersama-sama. Yang termasuk dalam klasifikasi ini adalah
analisis faktor, analisis cluster, dan multidimensional scaling. Contoh
 87

membuat klasifikasi terhadap k Metode interdependensi

diklasifikasikan didasarkan pada jenis masukan variabel dengan skala
pengukuran bersifat metrik atau non metrik. Jika masukan data berskala
metrik, maka kita dapat menggunakan teknik analisis faktor, analisis
cluster dan multidimensional scaling.

4. Analisis 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 variabel
tergantung. Teknik ini bermanfaat untuk menganalisis variable-
variabel tergantung lebih dari dua yang berskala interval atau rasio.
prosedur 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 juta rupiah, dia sendiri
setiap bulannya mengambil bayaran sebesar 9 juta rupiah. Kemudian dia
88

mengatakan bahwa rata-rata upah dalam perusahaannya adalah 3 juta

rupiah

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

 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 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

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)

          
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

Berdasarkan daerah yang diminta, maka dapat diperoleh dengan

menjumlahkan nilai sebaran peluang dari peubah acak 2 sampai dengan 4,
sehingga
=f(2) + f(3) + (f4) = 10/36 + 10/36 + 5/36 = 25/36
92

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
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

H. FUNGSI PADAT PADAT PELUANG MULTIVARIAT

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 bivariat,
berlaku pula untuk padat peluang multivariat, maka fungsi padat peluang
multivariat pun mempunyai sifat – sifat sebagai berikut :
- fX,Y (x, y) ≥ 0 untuk setiap x dan y
 97
❑ ❑
- ∑ ❑∑ ❑ f x,y (x,y) = 1, jika x,y diskrit
x y
❑ ❑
- ∫ ❑∫❑ fx,y (x,y) dx dy, jika x,y kontinu
x y

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 terhindarkan dalam analisis data yang
menggunakan statistika multivariat.
Suatu peubah acak bivariat X, Y ditulis f X,y , didefinisikan
sebagai
Fx,y (x,y) = P (X = x, Y = y)
Untuk multivariat cukup mengganti x , y dengan x 1, x2 , . . . , xn , x , y
dengan x1 , x2 , . . . , xn dan s, t dengan s1 , s2 , . . . , sn.
Semua sifat-sifat yang berlaku untuk fungsi padat peluang
bivariat, berlaku pula untuk padat peluang multivariat, maka fungsi padat
peluang multivariat pun mempunyai sifat – sifat sebagai berikut :
98

- 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

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 (X1, X2, . . ., Xn) ; 1≤ k
≤ n-1
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 ( X 1,
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 ).
 99

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 :

- 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) > 0

P ( 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)

100

- 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

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

J. FUNGSI DISTRIBUSI MARGINAL

Untuk menentukan fungsi distribusi marginal peubah acak
( X1, X2, . . ., Xn ), 1 ≤ k ≤ n, yaitu:
1. Menentukan terlebih dahulu fungsi padat marginal, kemudian fungsi
distribusi marginal.
2. Langsung dari fungsi distribusi bersama dari peubah acak ( X 1,
X2, . . ., Xn ), yaitu dengan cara berikut:
FX1, X2,. . ., Xn ( x1, x2, . . ., xn ) = FX1, X2,. . ., Xn ( x1, . . ., xn, . . .)
Contoh:
 101

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

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
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 X 1 adalah
 103

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(0) = = f(0,0)+ f(0,1) + f(0,2)

g(1) =

g(2) =
disajikan dalam tabel
X 0 1 2

g(x)
 105

4. h(x) =

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

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 Statistik Matematika

● Rumus Rataan Hitung (Mean)
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
 107

Dengan: fixi = frekuensi untuk nilai xi yang bersesuaian

xi = data ke-i
c. Rumus Rataan Hitung Gabungan

● Rumus Modus

a. Data yang belum dikelompokkan

Modus dari data yang belum dikelompokkan adalah ukuran
yang memiliki frekuensi tertinggi. 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
108

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 dikelompokkan Untuk mencari median,
data harus dikelompokan terlebih dahulu dari yang terkecil
sampai yang terbesar.

b. Data yang Dikelompokkan

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

● Rumus Simpangan Quartil (Qd)

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

adalah distribusi binomial, sedangkan distribusi peluang

kontinu yang akan dibahas adalah distribusi normal.
1. Distribusi Binomial
Ketika melakukan suatu percobaan, terkadang
hasil yang terjadi berupa percobaan yang sukses atau
percobaan yang gagal. Contohnya, ketika pengujian
barang hasil produksi hasilnya dapat berupa barang cacat
atau barang tidak cacat. Proses ini dikenal sebagai proses
Bernoulli dan setiap usahanya disebut usaha Bernoulli.
Banyaknya X yang sukses pada “n” usaha
Bernoulli disebut variabel acak binomial, sedangkan
distribusi peluangnya disebut distribusi binomial. Proses
percobaan binomial memiliki beberapa syarat, yaitu :
● Percobaan dilakukan dengan n pengulangan
● Setiap hasil percobaan adalah sukses atau gagal
● Peluang sukses dinyatakan dengan p, sedangkan
peluang gagal dinyatakan dengan q. keduanya memiliki
peluang yang sama di setiap pengulangan percobaan
● Pengulangan-pengulangan percobaan bersifat bebas
satu sama lain artinya hasil pengulangan pertama tidak
mempengaruhi hasil pengulangan kedua, hasil
pengulangan kedua tidak mempengaruhi hasil
pengulangan ketiga dan seterusnya.
Peluang sukses dari suatu percobaan misalkan
dinyatakan dengan P(S) = p, sedangkan peluang gagal
dinyatakan dengan P(G) = q = 1-p. jika percobaan
dilakukan sebanyak n kali pengulangan dengan kejadian
 111

sukses S terjadi sebanyak x kali maka kejadian gagal G

terjadi sebanyak (n – x). Maka peluang dari kejadian
sukses dan gagal dari suatu percobaan dapat dirumuskan
sebagai berikut :

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 :

Adapun, sifat-sifat penting dari distribusi normal adalah

sebagai berikut :
● Seluruh luas kurva di atas sumbu datar (x) sama
dengan 1
● Mempunyai satu buah modus yaitu pada x = µ
● Bentuknya simetris pada x = µ
● Kurva mempunyai titik belok pada x = µ±σ
Untuk mempermudah perhitungan distribusi peluang
dalam distribusi normal, maka setiap data berdistribusi
112

normal ditransformasikan menjadi distribusi normal

baku yang memiliki rata-rata nol dan variasi 1.
Transformasi dilakukan dengan menggunakan rumus
berikut : Z = x – µσ
Luas daerah di bawah kurva distribusi normal dapat
ditentukan dengan mengintegralkan rumus distribusi
peluang untuk distribusi normal. Luas seluruh daerah di
bawah kurva distribusi normal bernilai 1. Nilai distribusi
peluang dapat ditentukan menggunakan bantuan tabel Z.

2. Contoh Peluang Pada Mata Uang Logam

Dalam percobaan melemparkan sebuah mata uang logam
sebanyak 120 kali, ternyata banyaknya angka muncul sebanyak 50
kali. Dari persoalan diatas, tentukanlah frekuensi relatif muncul angka
dan frekuensi relatif muncul gambar!
Jawab:

Frekuensi relatif muncul angka = Banyak angka yang muncul atau

Banyak percobaan
= 50/120
= 5/12

Frekuensi relatif muncul gambar = Banyak gambar yang muncul atau

Banyak percobaan
= (120 – 50) / 120
= 70/120
= 7/12
 113

Contoh Peluang dengan Dadu

Sebuah dadu lalu dilempar 1 kali, berapa peluang munculnya mata
dadu 5?

Pembahasan
Banyaknya titik sampel n(S) = 6

Titik sampel dadu bernilai 5 n(A) = 1

P(A) = n(A)/n(S) = 1/6

Jadi, peluang munculnya mata dadu 5 adalah 1/6

Contoh Peluang dengan Kartu Bridge
Terdapat 1 set kartu bridge sebanyak 52 Buah. Jika seorang
mengambil 2 kartu secara acak Dua kali berturut-turut.
Tentukan peluang munculnya satu kartu As dan satu kartu Jack Jika
kartu yang sudah di ambil tidak boleh dikembalikan lagi?

Jawab :

Jika A = Kartu pengambilan pertama

Maka P(A) = n(A)/n(S) = 4/52
Jika B|A = Kartu pengambilan kedua setelah kartu pengambilan
pertama tidak dikembalikan lagi
Maka P(B | A) = 4/51
114

Jadi P(A n B) = P(A) x P(B|A)

= 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.