KARYA TULIS

KONSEP DASAR STATISTIKA

Disusun Oleh:

Nama: Maria W.K Simamora

Npm: 1901070007

Program Studi: Pendidikan Matematika

Mata Kuliah: Statistika Dasar

Dosen Pengampu: Dr. Hotman Simbolon, MS

FAKULTAS KEGURUAN dan ILMU PENDIDIKAN

UNIVERSITAS HKBP NOMMENSEN PEMATANGSIANTAR

PENDIDIKAN MATEMATIKA

2021
 KATA PENGANTAR

Puji syukur saya panjatkan kehadirat Tuhan Yang Maha Esa, berkat kasih dan rahmat-Nya yang
senantiasa menyertai saya sehingga saya dapat menyelesaikan makalah ini tepat waktu. Makalah ini
saya buat untuk memenuhi tugas yang diberikan oleh pak Hotman Simbolon selaku dosen pengampu
mata kuliah Statistika Dasar . Pada makalah ini akan dijelaskan mengenai statistika dasar, distribusi
frekuensi, pemusatan data, teori dasar peluang, sebaran sampel dan pendugaan.

Saya sangat   berharap   makalah   ini   dapat   berguna   dalam   rangka menambah   wawasan   serta  
pengetahuan   kita   mengenai statistika. Sebelumnya   saya   mohon
maaf apabila terdapat kesalahan kata – kata yang kurang berkenan dan saya memohon   kritik   dan  
saran   yang   membangun   dari   pembaca   demi   perbaikan makalah ini di waktu yang akan datang.

Pematang Siantar, November 2021

Penulis

Maria W.K Simamora

 DAFTAR ISI

Kata Pengantar

Daftar Isi

Bab I Pendahuluan

A. Latar Belakang

B.Rumusan Masalah

C. Tujuan

Bab II Pembahasan

Bagian I

A. Pengertian Dasar

B. Jenis-jenis Statistika

C. Macam-macam Data

Bagian II

A. Pengertian Distribusi Frekuensi

B. Langkah-langkah membuat daftar Distribusi Frekuensi

Bagian III

A. Ukuran Pemisahan Data

B. Ukuran Penyebaran Data

C. Ukuran Keruncingan Data

Bagian IV

A. Pengertian Dasar

B. Titik Sampel

C. Peubah Acak

D. Pengertian Peluang Suatu Kejadian

E. Batas-batas Nilai Peluang

 F. Frekuensi Harapan

G. Teorema Peluang

H. Operasi Irisan dan Gabungan Dua Himpunan

I. Sebaran Peluang

Bagian V

Distribusi Seragam Kontinu

Bagian VI

A. Sebaran Sampel

B. Pendugaan

Bab III

Kesimpulan

Daftar Pustaka
 BAB I

PENDAHULUAN

A. Latar Belakang
Secara etimologis kata statistik berasal dari kata status (bahasa latin) yang
mempunyai persamaan arti dengan kata state (bahasa inggris) atau kata staat (bahasa
belanda), dan yang dalam bahasa indonesia diterjemahkan menjadi negara. Pada
mulanya, kata statistik diartikan sebagai kumpulan bahan keterangan (data), baik yang
berwujud angka (data kuantitatif) maupun yang tidak berwujud angka (data kualitatif),
yang mempunyai arti penting dan kegunaan yang besar bagi suatu Negara.
Namun pada perkembangan selanjutnya, arti kata statistik hanya dibatasi pada
kumpulan bahan keterangan yang berwujud angka (data kuantitatif) dan yang tidak
berwujud angka (data kualitatif).
Mata kuliah statistika bagi mahasiswa sangat diperlukan terutama ketika seorang
mahasiswa harus mengumpulkan, mengolah, menganalisis, dan menginterpresentasikan
data untuk pembuatan skripsi, thesis, atau disertasi. Dalam hal ini pengetahuan statistik
dipakai dalam menyusun metodologi penelitian.
Sebagai suatu ilmu, kedudukan statistika merupakan salah satu cabang dari ilmu
matematika terapan. Oleh karena itu untuk memahami statistika pada tingkat yang tinggi,
terlebih dahulu diperlukan pemahaman ilmu matematika.

B. Rumusan Masalah
1. Apa pengertian statistik dengan statistika
2. Apa saja jenis-jenis statistika
3. Apa saja pengaplikasian statistika terhadap soal

C. Tujuan
1. Untuk mengetahui apa perbedaan antara statistik dengan statistika
2. Untuk mengetahui apa saja jenis-jenis statistika
3. Untuk mengetahui cara pengerjaan soal statistika
 BAB II

PEMBAHASAN

BAGIAN I

A. Pengertian Dasar

Istilah statistik → “status”(bahasa latin) → suatu negara → suatu kegiatan pengumpulan data
yang ada hubungannya dengan kenegaraan. Misalnya data mengenai penduduk, data mengenai
penghasilan dsb, yang lebih berfungsi untuk melayani keperluan administrasi.
Secara kebahasaan, statistik berarti catatan angkaangka (bilangan); perangkaan; data yang berupa
angka-angka yang dikumpulkan, ditabulasi, dikelompokkan, sehingga dapat memberi informasi
yang berarti mengenai suatu masalah atau gejala atau peristiwa (Depdikbud,1994).
Statistika merupakan ilmu pengetahuan yang berhubungan dengan cara-cara
mengumpulkan, menabulasi, menggolong-golongkan, menganalisis, dan mencari keterangan
yang berarti dari data yang berupa bilangan-bilangan atau angka, sehingga dapat ditarik suatu
kesimpulan atau keputusan tertentu. Statistika digunakan untuk menunjukkan tubuh pengetahuan
(body of knowledge) tentang cara-cara pengumpulan data, analisis dan penafsiran data.

B. Jenis – jenis Statistika

1. Statistika Deskriptif

Statistika Deskriptif adalah teknik statistik yang memberikan informasi hanya mengenai
data yang dimiliki dan tidak bermaksud untuk menguji hipotesis dan kemudian menarik inferensi
yang digeneralisasikan untuk data yang lebih besar atau populasi.
Statistika ini sangat erat dengan pengumpulan data, pengolahan, dan penyajian data
sehingga memberikan informasi yang dapat membantu para penggunanya. Biasanya statistika ini
digunakan data dari sebuah kelompok penelitian yang bakalan digunain untuk menjelaskan
fenomena yang terjadi dalam suatu kelompok tersebut. Penjelasan tentang kelompok tersebut
biasanya digunakan ukuran lokasi, ukuran variabilitas, ukuran bentuk, penyajian grafik berupa
distribusi frekuensi dan histogram.

2. Statistika Inferensial

Statistika inferensial atau statistika induktif bermaksud menyajikan, menganalisa data

dari suatu kelompok untuk ditarik kesimpulan-kesimpulan, prinsip-prinsip tertentu yang berlaku
bagi kelompok yang lebih besar (populasi) disamping berlaku bagi kelompok yang bersangkutan
(sampel).
Statistika inferensial merupakan langkah akhir dari tugas statistika karena dalam setiap
penelitian kesimpulan inilah yang diinginkan. Statistika inferensial harus berdasar pada statistika
deskriptif, sehingga kedua-duanya harus ditempuh secara benar agar kita mendapatkan kegunaan
maksimal dari statistika ini.
 C. Macam – macam Data
Data dalam statistika adalah ukuran dari suatu variabel yang akan dicari. Misal ingin
meneliti tentang umur anak 12 tahun di desa A. Data yang dicari cari adalah seberapa
banyak anak umur 12 tahun di desa A.
Macam data ada dua yaitu data kualitatif dan data kuantitatif.

 Data kualitatif adalah data yang dinyatakan dalam bentuk kata, kalimat, dan
gambar.
 Data kuantitatif adalah data yang berbentuk angka, atau data kualitatif yang
diangkakan (skoring: baik sekali = 4, baik = 3, kurang baik = 2 dan tidak baik =
1).

Data kuantitatif dibagi menjadi dua, yaitu data diskrit/nominal dan data kontinum.

Data nominal adalah data yang hanya dapat digolong-golongkan secara terpisah, secara diskrit

atau kategori. Data ini diperoleh dari hasil menghitung, misalnya dalam suatu klas setelah

dihitung terdapat 50 mahasiswa, terdiri atas 30 pria dan 20 wanita. Dalam suatu kelompok

terdapat 1000 orang suku Jawa dan 500 suku sunda dll. Jadi data nominal adalah data diskrit.

Data kontinum, adalah data yang bervariasi menurut tingkatan dan ini diperoleh dari hasil

pengukuran. Data ini dibagi menjadi data ordinal, data interval dan data ratio.

• Data ordinal adalah data yang berbentuk rangking atau peringkat. Misalnya juara I, II, III dan
seterusnya. Data ini, bila dinyatakan dalam skala, maka jarak satu data dengan data yang lain
tidak sama.

• Data interval, adalah data yang jaraknya sama tetapi tidak mempunyai nilai nol (0) absulut /
mutlak). Contoh skala thermometer, walaupun ada nilai 00 C, tetapi tetap ada nilainya. Data-data
yang diperoleh dari pengukuran dengan instrument sikap dengan skala Likert misalnya adalah
berbentuk data interval.

• Data ratio adalah data yang jaraknya sama, dan mempunyai nilai nol mutlak. Misalnya data
tentang berat, panjang, dan volume. Berat 0 kg berarti tidak ada bobotnya, panjang 0 m berarti
tidak ada panjangnya. Data ini dapat dirubah ke dalam interval dan ordinal. Data ini juga dapat
dijumlahkan atau dibuat perkalian secara aljabar. Misalnya 2 m + 3 m = 7 m. Kalau dalam data
interval penjumlahannya tidak seperti dalam data ratio. Misalnya air 1 gelas dengan suhu 200 C
+ air 1 gelas dengan suhu 150C maka suhunya tidak menjadi 350 C, tetapi sekitar 17, 50 C. Data
rasio adalah data yang paling teliti.

Jenis Data Menurut Cara Memperolehnya

Data Primer
Data primer adalah secara langsung diambil dari objek / obyek penelitian oleh peneliti
perorangan maupun organisasi. Contoh : Mewawancarai langsung penonton bioskop 21
untuk meneliti preferensi konsumen bioskop.

Data Sekunder
Data sekunder adalah data yang didapat tidak secara langsung dari objek penelitian.
Peneliti mendapatkan data yang sudah jadi yang dikumpulkan oleh pihak lain dengan
berbagai cara atau metode baik secara komersial maupun non komersial. Contohnya
adalah pada peneliti yang menggunakan data statistik hasil riset dari surat kabar atau
majalah.

Macam-Macam Data Berdasarkan Sumber Data

Data Internal

Data internal adalah data yang menggambarkan situasi dan kondisi pada suatu organisasi
secara internal. Misal : data keuangan, data pegawai, data produksi, dsb.

Data Eksternal

Data eksternal adalah data yang menggambarkan situasi serta kondisi yang ada di luar
organisasi. Contohnya adalah data jumlah penggunaan suatu produk pada konsumen,
tingkat preferensi pelanggan, persebaran penduduk, dan lain sebagainya.

Klasifikasi Data Berdasarkan Jenis Datanya

Data Kuantitatif

Data kuantitatif adalah data yang dipaparkan dalam bentuk angka-angka. Misalnya
adalah jumlah pembeli saat hari raya idul adha, tinggi badan siswa kelas 3 ips 2, dan lain-
lain.

Data Kualitatif

Data kualitatif adalah data yang disajikan dalam bentuk kata-kata yang mengandung
makna. Contohnya seperti persepsi konsumen terhadap botol air minum dalam kemasan,
anggapan para ahli terhadap psikopat dan lain-lain.
Pembagian Jenis Data Berdasarkan Sifat Data

Data Diskrit

Data diskrit adalah data yang nilainya adalah bilangan asli. Contohnya adalah berat badan
ibu-ibu pkk sumber ayu, nilai rupiah dari waktu ke waktu, dan lain- sebagainya.

Data Kontinyu

Data kontinyu adalah data yang nilainya ada pada suatu interval tertentu atau berada pada
nilai yang satu ke nilai yang lainnya. Contohnya penggunaan kata sekitar, kurang lebih,
kira-kira, dan sebagainya. Dinas pertanian daerah mengimpor bahan baku pabrik pupuk
kurang lebih 850 ton.

Jenis-jenis Data Menurut Waktu Pengumpulannya

Data Cross Section

Data cross-section adalah data yang menunjukkan titik waktu tertentu. Contohnya
laporan keuangan per 31 desember 2006, data pelanggan PT. angin ribut bulan mei 2004,
dan lain sebagainya.

Data Time Series / Berkala

Data berkala adalah data yang datanya menggambarkan sesuatu dari waktu ke waktu atau
periode secara historis. Contoh data time series adalah data perkembangan nilai tukar
dollar amerika terhadap euro eropa dari tahun 2004 sampai 2006, jumlah pengikut
jamaah nurdin m. top dan doktor azahari dari bulan ke bulan, dll.

D. Penyajian Data
Penyajian data dapat dilakukan dengan cara menyajikan data dalam bentuk diagaram.
Diagram tersebut dapat berupa lingkaran, batang, atau garis. Tujuan dari penyajian data adalah
untuk mempermudah pembaca dalam melihat data. Diberikan sejumlah data seperti di bawah.

Daftar Berat Badan 60 siswa SMP N 1 Sukaraja

Data di atas akan kita sajikan dalam bentuk diagram lingkaran, batang, dan garis. Sebelumynya,
untuk mempermudah prosesnya, kita buat data di atas ke dalam tabel distribusi frekuensi seperti
terlihat pada tabel di bawah.

Tabel Distribusi Frekuensi

Diagram Lingkaran

Penyajian dalam bentuk lingkaran dibedakan menjadi dua, yaitu dalam bentuk derajat
dan persen. Untuk menyajikan data dalam bentuk lingkaran dalam bentuk derajat, kita perlu
merubah banyak data sesuai perbandingan dalam derajat. Begitu juga untuk penyajian data
bentu diagram lingkaran dalam persen. Kita perlu merubah banyak data ke dalam persen.

Perhatikan proses penyajian data dalam bentuk lingkaran dalam derajat dan persen yang
akan dibahas di bawah.

Diagram Lingkaran dalam Derajat (0)

Perhitungan banyaknya data ke dalam derajat:

Setelah mendapatkan data dalam bentuk derajat seperti data di atas, buatlah diagarm lingkaran
yang sesuai seperti terlihat pada gambar di bawah.
Gambar diagram lingkaran:

Diagram Lingkaran dalam Persen (%)

Perhitungan banyaknya data ke dalam persen:

Setelah mendapatkan data dalam bentuk derajat seperti data di atas, buatlah diagarm
lingkaran yang sesuai seperti terlihat pada gambar di bawah.

Gambar diagram lingkaran:

Diagram Batang

Penyajian data ke dalam bentuk diagram batang cukup mudah dilakukan dibanding diagaram
lingkaran. Sobat idschool hanya perlu menyesuaikan keterangan data dan banyak data pada
masing-masing sumbu x dan y. Selanjutnya, kita hanya perlu menggambar batangnya sesuai
data yang diketahui.

Penyajian data dalam bentuk diagram batang dapat dilihat pada gambar di bawah.

Diagram Garis

Cara menyajikan data dalam bentuk diagram garis hampir sama dengan diagram batang.
Bedanya terletak pada langkah akhirnya.Pada diagram batang hasil akhinya adalah menggambar
batangnya. Pada diagram garis, sobat idschool hanya perlu menarik garis dari titik-titik yang
telah disesuaikan dengan data yang diketahui. Hasil penyajian data dalam bentuk diagram garis
dapat dilihat pada gambar di bawah.
BAGIAN II
A. Pengertian Distribusi Frekuensi
Data yang telah diperoleh dari suatu penelitian yang masih berupa data acak yang dapat
dibuat menjadi data yang berkelompok yaitu data yang telah disusun ke dalam kelas-
kelas tertentu. Daftar yang memuat data berkelompok disebut distribusi frekuensi atau
tabel frekuensi.

Jenis – jenis Distribusi Frekuensi

 Distribusi Frekuensi Biasa

Distribusi frekuensi yang berisikan jumlah frekuensi dari setiap kelompok data. Distribusi
frekuensi ada dua jenis yaitu distribusi frekuensi numerik dan distribusi frekuensi peristiwa atau
kategori.

 Distribusi Frekuensi Relatif

Distribusi frekuensi yang berisikan nilai-nilai hasil bagi antara frekuensi kelada dan jumlah
pengamatan. Distribusi frekuensi relatif menyatakan proporsi data yang berada pada suatu kelas
interval, distribusi frekuensi relatif pada suatu kelas didapatkan dengan cara membagi frekuensi
dengan total data yang ada dari pengamatan atau observasi.

 Distribusi Frekuensi Kumulatif

Distribusi frekuensi yang berisikan frekuensi kumulatif “frekuensi yang dijumlahkan”, distribusi
frekuensi kumulatif memiliki kurva yang disebut ogif. Ada dua macam distribusi frekuensi
kumulatif yaitu distribusi frekuensi kumulatif kurang dari dan distribusi frekuensi lebih dari.
Bagian – bagian Distribusi Frekuensi

 Kelas-kelas : Kelas adalah kelompok nilai data

 Batas Kelas : Batas kelas adalah nilai-nilai yang membatasi kelas yang satu dengan kelas
yang lain. Ada dua batas kelas yaitu :

Batas bawah kelas terdapat disebelah kiri deretan kelas. Batas atas kelas terdapat disebelah kanan
deretan kelas

 Tepi Kelas

Tepi kelas adalah batas kelas yang tidak memiliki lubang untuk angka tertentu antara kelas yang
satu dengan kelas yang lain.Tepi kelas ini kegunaanya waktu pembuatan histogram. Apabila
ujung atas interval kelas pertama ditambah ujung bawah interval kedua dan dikalikan setengah,
maka hasil tersebut dinamakan tepi kelas, atau ujung bawah interval kelas dikurangi 0,5; 0,05
bahkan 0,005 tergantung ketelitian data yang dibuat oleh peneliti dan diujung kelas atas
ditambah 0,5; 0,05; 0,005 maka nilai itu dinamakan batas kelas.

 Titik tengah kelas

Adalah nilai data yang terletak ditengah-tengah kelas. Titik tengah kelas = ½(batas atas kelas +
batas bawah kelas)

 Interval : adalah selang yang memisahkan kelas yang satu dengan kelas yang lain
 Panjang interval kelas : adalah jarak antara tepi atas kelas dan tepi bawah kelas
 Frekuensi kelas

Adalah banyaknya data yang termasuk kedalam kelas tertentu.

Contoh :

Dari distribusi frekuensi diatas :

Banyaknya kelas adalah 7

Batas kelas-kelas adalah 9, 21, 22, 34, …

Batas bawah kelas-kelas adalah 9, 22, 35, 48, 61, 74, 87

Batas atas kelas-kelas adalah 21, 34, 47, 60, 73, 86, 99

Tepi bawah kelas adalah 8,5; 21,5; 34,5; 47,5; 60,5; 73,5; 86,5

Tepi atas kelas adalah 21,5; 34,5; 47,5; 60,5; 73,5; 86,5; 99,5

Titik tengah kelas adalah 15, 28, 41, 54, 67, 80, 93

Interval Kelas adalah 9-21, 22-34, 35-47, 48-60, 61-73, 74-86, 87-99.

Panjang Interval kelas-kelas masing-masing 13.

Frekuensi kelas-kelas adalah 3, 4 ,4 ,8 ,12 ,23 ,6.

B. Langkah – langkah membuat daftar Distribusi Frekuensi

1. Tetapkan data terbesar dan data terkecil, kemudian tentukan rangenya.

2. Bagilah range ini ke dalam sejumlah interval kelas yang mempunyai ukuran sama. Jika tidak

mungkin, gunakan interval kelas dengan ukuran berbeda. Biasanya banyak interval kelas

yang digunakan antara 5 dan 20, bergantung pada data mentahnya. Diupayakan agar tanda

kelas merupakan data observasi sesungguhnya. Hal ini untuk mengurangi apa yang disebut

dengan grouping-error. Namun batas kelas sebaiknya tidak sama dengan data observasi.

range
3. Hitung lebar interval kelas d = Kalau diperlukan dapat dibulatkan.
banyak interval kelas

4. Starting point: mulailah dengan bilangan limit bawah untuk kelas interval pertama. Dapat

dipilih sebagai data terkecil dari observasi atau bilangan di bawahnya.

5. Dengan menggunakan limit bawah interval kelas pertama dan lebar interval kelas, tentukan

limit bawah interval kelas lainnya.

6. Susunlah semua limit bawah interval kelas secara vertikal, kemudian tentukan limit atas
 yang bersesuaian.

7. Kembalilah ke data mentah dan gunakan turus untuk memasukkan data pada interval kelas

yang ada.

Contoh:

Berikut nilai 80 siswa pada ujian akhir mata pelajaran matematika:

Langkah-langkah untuk membuat tabel distribusi frekuensi dilakukan sebagai berikut:

1. Nilai tertinggi = 97 dan nilai terendah 53. Jadi range = 97-53 = 44.

2. Tetapkan jumlah kelas; dalam hal ini diambil 10.

3. Lebar interval kelas d = 44/10 = 4.4 dibulatkan menjadi 5.

4. Diambil bilangan 50 sebagai limit bawah untuk kelas pertama.

5. Selanjutnya, limit bawah untuk kelas kedua adalah 50+5 = 55, limit bawah kelas ketiga

55+5 = 60 dan seterusnya.

6. Limit atas kelas interval yang bersesuaian adalah 54 untuk kelas pertama, 59 untuk kelas

kedua, dan seterusnya.

7. Gunakan turus untuk memasukkan data ke dalam interval kelas.

Hasilnya seperti terlihat pada Tabel 2.3 berikut:

Akhirnya diperoleh tabel distribusi frekuensi sebagai berikut:

Melalui tabel ini kita dapat mengetahui pola penyebaran nilai siswa. Paling banyak nilai siswa

mengumpul pada interval 75-79, paling sedikit data termuat dalam interval 50-54. Sedangkan

siswa yang mendapat nilai istimewa atau di atas 90 hanya ada 8 orang.

Pola penyebaran ini akan tampak lebih jelas jika digambarkan dengan menggunakan histogram.

Penyajian data dengan menggunakan grafik dan diagram akan dibicarakan minggu depan.
BAGIAN III

A. UKURAN PEMUSATAN DATA

Ukuran pemusatan adalah suatu sembarang ukuran yang menunjukkan pusat dari sekelompok

data yang telah diurutkan dari nilai terkecil hingga nilai terbesar atau sebaliknya.

Jenis jenis pemusatan data

1. Rata rata ( mean)

Rata-rata disebut juga mean dengan lambang x́ (dibaca x bar). Kita bisa menghitung nilai rata-
rata atau mean dari data tunggal dan data tunggal berkelompok atau berfrekuensi.  Apa ya
bedanya data tunggal dan data tunggal berkelompok? Pada data tunggal, kita mengumpulkan
atau memperoleh data apa adanya (bisa berurutan atau acak) dan tidak mengelompokkannya ke
tabel frekuensi.

Contoh data tunggal

Nilai ujian matematika kelas IX A

5 9 7 8 6 5

6 8 9 5 7 8

7 9 8 6 6 5

8 8 6 5 7 5

7 8 6 5 5 7

5,6,7,8,9 dari data diatas disebut datum. Datum adalah masing-masing angka yang ada pada
suatu data. Untuk memperoleh nilai rata-rata kita bisa membagi jumlah semua nilai atau datum-
nya dengan banyaknya data. 

Rumus mencari nilai rata rata data tunggal

❑
∑ x
jumlah semua nilai
x́= atau x́= ❑
banyaknya data n

Rumus mencari nilai data tunggal berkelompok

 ❑
∑ f n xn
x 1 f 1+ x 2 f 2 +…+ x n f n
x́= atau x́= ❑
f 1 + f 2+ …+ f n ❑
∑ f
❑

Keterangan : x n = nilai atau data ke-n

f n = frekuensi ke-n

Contoh soal

Data nilai ulangan harian IPA kelas VIII-1. Berapa banyak siswa di kelas itu yang nilainya lebih
dari rata-rata?

Nilai 5 6 7 8 9 10
Frekuensi 9 10 12 6 2 1
Penyelesaian :

❑
∑ f n xn
x́= ❑
❑
∑ f
❑

5.9+6.10+7.12+8.6+ 9.2+ 10.1

x́=
9+10+12+6+ 2+ 1

45+60+ 84+ 48+18+10

x́=
40

265
x́=
40

x́=6,625

Diperoleh nilai rata-ratanya adalah 6,625. Karena yang ditanya di soal itu banyak siswa yang
nilainya di atas rata-rata, maka nilainya ada 7 sampai 10. Kalau kita total semua jumlah
siswanya, ada sebanyak 21 siswa.

2. Median (Me)

Rumus mencari nilai median untuk data ganjil

Me = x n+1
2

Rumus mencari nilai median untuk data genap

xn + x n
+1
Me = 2 2
2

Contoh soal

Median dari data: 7, 8, 8, 9, 4, 3, 7, 9, 5, 7, 6, 5, 6

Penyelesaian :

urutkan nilainya dari terkecil sampai terbesar

3, 4, 5, 5, 6, 6, 7, 7, 7, 8, 8, 9, 9 (n =13 termasuk data ganjil)

Me = x n+1
2

Me = x 13+1
2

Me = x 7 ( cari data ke-7 )

Maka diperoleh hasilnya adalah 7.

3. Modus (Mo)

Modus adalah nilai yang paling sering muncul dalam suatu data statistika. Modus juga
merupakan nilai mayoritas atau nilai dengan frekuensi paling tinggi. Modus dapat digunakan
untuk menentukan sampel dari suatu populasi dalam statistika.

Contoh soal

Modus dari data berikut adalah:

102, 108, 106, 107, 108
105, 107, 105, 108, 106
106, 106, 107, 102, 105
105, 102, 106, 105, 106
107, 106, 105, 106, 102
105, 107, 107, 106, 105
106, 106, 105, 107, 102

Agar lebih mudah, buat dalam bentuk tabel turus

Nilai Turus Frekuensi

102 IIII 5

104 IIII II 7

105 IIII IIII 9

106 IIII IIII I 11

108 III 3

frekuensi yang paling tinggi 11, jadi modus dari data itu adalah 106.

Rumus Modus Data Berkelompok

Keterangan :

Contoh:
Berikut ini adalah nilai statistik mahasiswa jurusan ekonomi sebuah universitas.

Berapakah modus nilai statistik mahasiswa tersebut?

Jawab:

Dari tabel di atas, kita bisa mengetahui bahwa modus terletak pada kelas interval keempat (66 -
70) karena kelas tersebut memiliki frekuensi terbanyak yaitu 27 (fm = 27), batas bawah kelas
tersebut adalah 65,5 (b=65,5), frekuensi kelas sebelumnya 14 (fm = 14),(fm – 1 = 14), frekuensi
kelas sesudahnya

21 (fm + 1=21). Panjang kelas interval sama dengan 5 (p=5).

Selanjutnya kita menghitung modus nilai statistik mahasiswa, yaitu sebagai berikut.
 B. UKURAN PENYEBARAN DATA

Ukuran penyebaran data adalah suatu ukuran yang menyatakan seberapa besar nilai-nilai data

berbeda atau bervariasi dengan nilai ukuran pusatnya atau seberapa besar penyimpangan nilai-
nilai data dengan nilai pusatnya. atau interval dari nilai rata-rata hitungnya (Mean).

Jenis jenis penyebaran data

1. Jangkauan (range)

Jangkauan sering disebut range atau rentang. Jangkauan dari suatu data didefinisikan sebagai
selisih antara data terbesar dengan data terkecil. Jangkauan biasanya disimbolkan dengan R.

Rumus umum jangkauan

R = x maks−x min

Keterangan : R = jangkauan atau range

x maks = nilai atau data terbesar

x min = nilai atau data terkecil

Untuk menentukan range dari data berkelompok, dapat dilakukan dengan dua cara berikut:

 Selisih titik tengah kelas tertinggi dengan titik tengah kelas terendah
 Selisih tepi atas kelas tertinggi dengan tepi atas kelas terendah

Contoh range data tunggal

Tentukan range dari data berikut: 2, 4, 3, 1, 5, 1, 9, 8, 5.

Pembahasan :

Karena x maks = 9 dan x min = 1

Maka R = 9 – 1 = 8
Contoh range data berkelompok

Interval Frekuensi

8 – 10 5
12 – 14 7

16 - 18 4

Cara 1 :

8+10
Nilai tengah kelas pertama = =9
2

16+18
Nilai tengah kelas terakhir = = 17
2

R = 18,5 7,5 = 11

Cara 2 :

Tepi bawah kelas pertama = 8 – 0,5 = 7,5

Tepi atas kelas terakhir = 18 + 0,5 = 18,5

R = 18,5 – 7,5 = 11

2. Simpangan Rata Rata

Simpangan rata-rata atau disebut juga deviasi rata-rata adalah suatu ukuran yang menunjukkan
rata-rata dari harga mutlak simpangan atau deviasi tiap data terhadap nilai rata-ratanya.

Untuk data yang tidak berkelompok, simpangan rata-rata dapat dihitung dengan rumus:

SR =
∑ ¿ xi −x́∨¿
i=1
¿
n

Untuk data yang berkelompok, simpangan rata-rata dapat dihitung dengan rumus:
 n

∑ f i ∨xi −x́∨¿
i=1
SR = n
¿
∑ fi
i=1

Contoh simpangan rata rata data tunggal

Tentukanlah simpangan rata-rata dari data: 2, 1, 4, 2, 6.

Pembahasan :

Hitung rata-rata terlebih dahulu

2+ 1+ 4+ 2+ 6
x́ = =3
5

∑ ¿ xi −x́∨¿ 8
SR = i=1 = = 1,6
¿ 5
n

Jadi, simpangan rata-ratanya adalah 1,6.

Contoh simpangan rata rata data berkelompok

Tentukanlah simpangan rata-rata dari distribusi frekuensi tabel berikut!

Nilai Frekuensi ( f i)
40 - 49 4
50 - 59 6
60 - 69 10
70 - 79 4
80 - 89 4
90 - 99 2
Pembahasan :

Nilai Frekuensi ( f i) Titik tengah ( x i) | x i−x́∨¿ f | x i−x́∨¿

40 - 49 4 44,5 21,17 84,68
50 - 59 6 54,5 11,17 67,02
 60 - 69 10 64,5 1,17 11,70
70 - 79 4 74,5 8,83 35,32
80 - 89 4 84,5 18,83 75,32
90 - 99 2 94,5 28,83 57,66
❑ ❑
∑ f i= 30 = n ∑ f | x i−x́∨¿ 331 ,70
❑ ❑
Rata-rata data ini telah dihitung, yaitu = 65,67.

∑ f i ∨xi −x́∨¿ 331,70

i=1
SR = ¿= = 11,06
n
30
∑ fi
i=1

Jadi, simpangan rata-ratanya adalah 11,06.

3. Simpangan Baku

Simpangan baku atau disebut juga deviasi standar adalah suatu ukuran yang menunjukkan
deviasi standar data pengamatan terhadap rata-ratanya. Dibandingkan dengan simpangan rata-
rata maka deviasi standar merupakan ukuran penyebaran yang lebih baik karena ukuran ini tidak
menggunakan asumsi nilai mutlak terhadap deviasi, melainkan dengan asumsi kuadrat dari
deviasi.

Simpangan baku atau standar deviasi adalah salah satu ukuran dispersi yang diperoleh dari akar
kuadrat positif varians. Yang dimaksud dengan varians adalah rata-rata hitung dan kuadrat
simpangan setiap pengamatan terhadap rata-rata hitungnya. Di antara ukuran dispersi atau
variasi, simpangan baku paling banyak digunakan dalam ilmu statistik. Sebab, ia memiliki sifat-
sifat matematis (mathematical property) yang sangat penting dan berguna untuk pembahasan
teori dan analisis.

Nilai simpangan baku pada kumpulan data bisa bernilai nol atau lebih kecil dari nol. Jika
nilainya nol, maka seluruh nilai yang terdapat dalam himpunan itu sama. Sedangkan jika nilainya
lebih besar atau lebih kecil dari nol, maka titik data dari individu itu jauh dari nilai rata-rata.
Untuk menghitung nilai simpangan baku pada kumpulan data, Anda harus memerhatikan
beberapa langkah terlebih dahulu. Pertama, hitung nilai rata-rata (mean) pada setiap titik data.
Kemudian hitung varian data dengan cara menghitung simpangan atau selisih setiap titik data
dari nilai rata-rata. Nilai simpangan di setiap titik data dikuadratkan dan diselisihkan dengan
kuadrat dari nilai rata-ratanya.

Nilai ini disebut sebagai variansi. Setelah mendapatkan nilai variansi kita dapat menghitung
simpangan baku dengan cara mengakarkuadratkan nilai variansinya.

Rumus varian data

n
S2=n ∑ x i2−¿ ¿ ¿ ¿
i =1

Rumus simpangan baku

√
S = n ∑ x i2−¿ ¿ ¿ ¿ ¿
i=1

Contoh soal

Diketahui data sebagai berikut:

9, 10, 8, 7, 8, 6

Tentukan ragam (variansi) dan simpangan bakunya!

9+10+8+ 7+8+6 48
x́= = =8
6 6

∑ (x1 −x́)2
S2= i=1
n

( 9−8)2 +(10−8)2 +( 8−8)2 +(7−8)2 +( 8−8)2 +(6−8)2

S2 =
6

1+4 +0+1+0+ 4 10
S2 = = = 1,67
6 6

S = √ 1,67 = 1,29

Jadi nilai simpangan baku dari data tersebut adalah 1,29.

 4. Simpangan Kuartil

Kuartil merupakan ukuran yang membagi data menjadi empat bagian yang sama. Kuartil terdiri
dari tiga bagian, yaitu kuartil bawah (Q₁), kuartil tengah (Q₂) dan kuartil atas (Q₃).

simpangan kuartil adalah setengah dari selisih kuartil atas (Q₃) dengan kuartil bawah (Q₁).
Simpangan kuartil sering disebut juga dengan nama jangkauan semi antar-kuartil, deviasi kuartil,
atau rentang semi-interkuartil.

Simpangan kuartil dilambangkan dengan Qd dan rumusnya dituliskan sebagai berikut:

Qd = ½ H = ½ (Q₃ - Q₁)

Contoh soal

Tentukan rentang interkuartil dan simpangan kuartil pada data di bawah ini:

19, 12, 14, 35, 7, 15, 10, 20, 25, 17, 23

Susun terlebih dahulu data dalam bentuk naik

7, 10, 12, 14, 15, 17, 19, 20, 23, 25, 35

↑ ↑ ↑

Q1 Q2 Q3

Kuartil bawah Q1 = 12 dan kuartil atas Q3 = 23

Rentang interkuartil (RAK) = Q3 - Q1 = 23-12 = 11

Simpangan kuartil = ½ RAK = ½ 11 = 5,5

C. UKURAN KERUNCINGAN DATA

Keruncingan atau kuortis adalah derajat kelancipan dan distribusi tersebut dibandingkan

distribusi normal (kurva normal). Ditinjau dari segi kelancipannya suatu distribusi dapat
dibedakan menjadi 3, yakni :

1. Leptokurtik, sebuah distribusi yang mempunyai kurva frekuensi dengan puncak relatif tinggi.
2. Mesokurtik, sebuah distribusi yang mempunyai kurva frekuensi yang puncaknya tidak terlalu
tinggi atau tidak mendatar.
3. Platikurtik, sebuah distribusi yang mempunyai kurva frekuensi dengan puncak landai atau
tumpul.

Rumus menentukan koefisien keruncingan adalah :

1
(Q3−Q1 )
K= 2
P90−P10
Keterangan :   
K         : Kurtosis
Q         : Kuartil
P          : Persentil

1. Jika koefisien keruncingan nilainya kurang dari 0,263 maka tergolong data platikurtik
2. Jika koefisien keruncingan nilainya sama dengan 0,263 maka tergolong data mesokurtik
3. Jika koefisien keruncingan nilainya lebih dari 0,263 maka tergolong data leptokurtik
Contoh soal
Berikut disajikan data tabel distribusi frekuensi :
Kelas fi xi F f i xi
41 – 50 4 45,5 4 182
51 – 60 6 55,5 10 333
61 – 70 2 65,5 12 131
71 – 80 3 75,5 15 226,5
81 – 90 5 85,5 20 427,5
91 – 100 2 95,5 22 191
Jumlah 22 1491
Tentukan koefisien keruncingan data diatas dan tentukan jenis kategori kemiringannya!
Penyelesaian :
 1
(Q3−Q1 )
K= 2
P90−P10

Kuartil 1

1
Q 1= 50,5 + 10 ( . 22−4 ¿ ¿ )
4 6

Q 1=¿ 50,5 + 2,5

Q 1 = 53

Kuartil 3

3
Q 3 = 80,5 + 10 ( . 22−15 ¿ ¿ )
4 5

Q 3 = 80,5 + 3

Q 3 = 83,5

Persentil ke-10

10
P10 = 40,5 + 10 ( . 22−0 ¿ ¿ )
100 4

P10 = 40,5 + 5,5

P10 = 46

Persentil ke-90

90
P90 = 80,5 + 10 ( . 22−15 ¿ ¿ )
100 5

P90 = 80,5 + 9,6

P90 = 90,1

Maka koefisien kemiringannya

 1
(Q3−Q1 )
K= 2
P90−P10

1
(83,5−53)
K= 2
90,1−46

K = 0,35

Karena koefisien keruncingan bernilai 0,35 lebih besar dari 0,263 maka data tersebut tergolong
leptokurtik atau memiliki puncak yang relatif tinggi.

Menentukan Mean Median Modus dengan menggunakan Rumus Microsoft Excel

1. Siapkan Data di Microsoft Excel

Sebagai contoh saya menggunakan Data Berat Badan 15 Siswa SMA kelas XII

2. Menentukan Rata rata

Untuk menentukan mean atau rata-rata dengan menggunakan excel silahkan pilih kotak untuk
tempat nilai mean atau mean-import akan ditempatkan, kemudian klik  = AVERAGE (C2:
C16)  kemudian klik enter maka nilai rata-rata akan keluar secara otomatis. 
Catatan: RATA-RATA adalah kode untuk mencari mean dan (C2: C16) menunjukkan lokasi
data yang akan ditentukan-rata-dapat.

3. Menentukan Median

Untuk menentukan median dengan m enggunakan excel hambat sama dengan proses penentuan
mean yang berbeda hanya kodenya. Hal pertama yang dilakukan adalah pilih kotak untuk tempat
nilai mean atau rata-kebutuhan akan ditempatkan, kemudian klik  = MEDIAN (C2:
C16)  kemudian klik enter maka nilai median akan keluar secara otomatis.  
Catatan: Kode MEDIAN adalah untuk saya ncari median dan (C2: C16) menunjukkan lokasi
yang akan ditentukan mediannya. 

4. Menentukan Modus

Untuk menentukan medus dengan menggunakan excel hampir sama dengan proses penentuan
mean dan median yang berbeda hanya kodenya. Hal pertama yang dilakukan adalah pilih kotak
untuk tempat nilai mean atau rata-kebutuhan akan ditempatkan, kemudian klik  = M (C2:
C16)  kemudian klik enter maka nilai modus akan keluar secara otomatis.  

Catatan: MODE kode adalah untuk mencari modus dan (C2: C16) menunjukkan lokasi data yang
akan ditentukan modusnya.

BAGIAN IV (Teori Dasar Peluang)

A. Pengertian Dasar
Peluang atau disebut juga probabilitas merupakan harga angka yang menunjukkan
seberapa besar kemungkinan suatu peristiwa atau kejadian akan terjadi. Nilai peluang di
antara 0 dan 1. Peluang kejadian 0 artinya kejadian tersebut tidak mungkin terjadi.
Sedangkan peluang kejadian 1 artinya kejadian tersebut pasti terjadi.
 Ruang sampel adalah himpunan dari semua hasil yang mungkin pada suatu
percobaan/kejadian. Ruang Sampel suatu percobaan dapat dinyatakan dalam bentuk diagram
pohon atau tabel.

Ruang sampel ini ada dua macam, yaitu ruang sampel diskrit dan ruang sampel kontinu.
Definisi 3.2: RUANG SAMPEL DISKRIT Ruang sampel diskrit adalah ruang sampel
yang mempunyai banyak anggotanya berhingga atau tidak berhingga tetapi dapat
dihitung. Definisi 3.3: RUANG SAMPEL KONTINU Ruang sampel kontinu adalah
ruang sampel yang anggotanya merupakan interval pada garis bilangan real.

Contoh Ruang Sampel Diskrit

(1) Jika kita melakukan eksperimen pelemparan sebuah mata uang logam Rp.500, maka
ruang sampelnya adalah S = {G, H} dengan G = GAMBAR "BUNGA MELATI" dan
H = HURUF "BANK INDONESIA". Dalam hal ini, G saja maupun H saja masing-
masing merupakan titik sampel.
(2) Misalkan kita melakukan eksperimen pelemparan sebuah mata uang logam Rp.500
sampai muncul GAMBAR "BUNGA MELATI" (G) pertama kali. Tentukan ruang
sampelnya. a. Pada pelemparan pertama muncul G, sehingga hasilnya ditulis G ; I
b. Pada pelemparan pertama muncul H dan pelemparan kedua muncul G sehingga
hasilnya ditulis HG ;
c. Pada pelemparan pertama dan kedua muncul H dan pelemparan ketiga muncul G
sehingga hasilnya ditulis HHG; dan
d. seterusnya Jadi, ruang sampelnya ditulis S = {G, HG, HHG, · · · }.
 Contoh Ruang Sampel Kontinu

Misalkan perusahaan pompa air "BAGUS" memproduksi sebuah pompa air baru. Kita
akan lihat masa hidup (dalam hari) dari pompa air tersebut. Tentukan ruang sampelnya.

Karena masa hidup pompa air bernilai bilangan real positif, maka ruang sampelnya
adalah: S = {t : t > 0}

B. Titik Sampel

adalah anggota-anggota dari ruang sampel atau kemungkinan-kemungkinan

 Contoh:

1. Pada percobaan melempar dua buah mata uang logam (koin) homogen yang berisi
angka (A) dan gambar (G) sebanyak satu kali. Tentukan ruang sampel percobaan
tersebut.

Jawaban:
C. Peubah Acak

Peubah Acak (Random Variable): Sebuah keluaran numerik yang merupakan hasil dari
percobaan (eksperimen). Untuk setiap anggota dari ruang sampel percobaan, peubah acak
bisa mengambil tepat satu nilai. Peubah acak biasanya dinyatakan dengan huruf besar,
misalnya X, sedangkan nilainya dinyatakan dengan huruf kecil padanannya, misalnya x.
Peubah acak terdiri dari 2 jenis yaitu :

• Peubah Acak Diskrit : Sebuah Peubah Acak yang hanya bisa bernilai terbatas atau
terhitung

Peubah acak diskrit adalah peubah acak yang dibangkitkan dari ruang sampel diskrit dan
himpunan kemungkinan hasilnya dapat dihitung. Sebagai contoh, banyak barang yang
cacat dalam sampel sebesar k, banyaknya korban meninggal dalam kecelakaan setiap
tahunnya dan sebagainya.

• Peubah Acak Kontinu: Sebuah Peubah Acak yang bisa bernilai pada sebarang nilai
dalam sebuah selang

Peubah acak kontinu adalah peubah acak yang dibangkitkan dari ruang sampel kontinu.
Peubah acak kontinu diperoleh dari semua nilai yang berada pada skala kontinu dan
menyatakan data yang dapat diukur seperti semua kemungkinan tinggi, berat, temperatur,
jarak, jangka hidup dan sebagainya.

D. Pengertian Peluang Suatu Kejadian

Kejadian atau peristiwa merupakan himpunan bagian dari ruang sampel Definisi
peluang : Peluang suatu kejadian yang diinginkan adalah perbandingan banyaknya titik
sampel kejadian yang diinginkan itu dengan banyaknya anggota ruang sampel kejadian
tersebut. Peluang disebut juga dengan nilai kemungkinan.
 Contoh :

Pada percobaan melempar sebuah dadu bermata 6, pada ruang sampelnya terdapat
sebanyak 6 titik sampel, yaitu munculnya sisi dadu bermata 1, 2, 3, 4, 5, dan 6. Kejadian-
kejadian yang mungkin terjadi misalnya :

● Munculnya mata dadu ganjil

● Munculnya mata dadu genap

● Munculnya mata dadu prima

Jika pada percobaan tersebut diinginkan kejadian munculnya mata dadu prima, maka mata dadu
yang diharapkan adalah munculnya mata dadu 2, 3, dan 5, atau sebanyak 3

titik sampel. Sedang banyaknya ruang sampel adalah 6, maka peluang kejadian
munculnya mata dadu prima adalah 3/6

Atau: Menyatakan nilai peluang suatu kejadian pada suatu percobaan dapat dinyatakan
dengan menggunakan cara :

Contoh: Pada percobaan melempar sebuah koin bersisi angka (A) dan gambar (G) dengan
sebuah dadu bermata 1 sampai 6 bersama-sama sebanyak satu kali. Berapa peluang
munculnya pasangan koin sisi gambar dan dadu mata ganjil ?

Banyaknya kejadian munculnya pasangan gambar dan mata dadu ganjil ada 3, yaitu
(G,1), (G,3) dan (G,5). Peluang kejadian munculnya pasangan gambar dan mata dadu
ganjil adalah 3

E. Batas-Batas Nilai Peluang

Nilai peluang suatu kejadian (P) memenuhi sifat , 0 ≤ P ≤ 1

yang berarti Jika P = 0, maka kejadian tersebut tidak pernah terjadi atau suatu
kemustahilan Jika P = 1, maka kejadian tersebut merupakan kepastian.

Jika A adalah suatu kejadian yang terjadi, dan A’ adalah suatu kejadian dimana A tidak
terjadi, maka :

P(A)+P(A’) = 1
 Contoh Soal:

1. Peluang yang dimiliki seorang anak di Papua untuk terkena busung lapar adalah 0,12.
Lalu berapakah peluang seorang anak tidak terkena penyakit busung lapar?

Penyelesaian:
P(terkena busung lapar) = 0,11
P(tidak terkena busung lapar) = 1 – P(terkena busung lapar)
P(tidak terkena busung lapar) = 1 – 0,11
P(tidak terkena busung lapar) = 0,89

2. Dua buah dadu kubus homogen bermata enam dilempar bersama-sama sebanyak satu
kali. Berapakah peluang munculnya mata dadu tidak berjumlah 12 ?
3. Jawab :
Banyaknya ruang sampel percobaan tersebut ada 36 kejadian, sedang kejadian
muncul mata dadu berjumlah 12 ada 1 kejadian yaitu (6,6), sehingga peluang muncul
mata dadu berjumlah 12 yaitu 1/36. sehingga peluang muncul mata dadu  tidak
berjumlah 12 yaitu 1-1/36 = 35/36
F. Frekuensi Harapan
Frekuensi Harapan (fh) dari suatu kejadian adalah banyaknya kemunculan kejadian yang
dimaksud dalam beberapa kali percobaan.
Atau dirumuskan seperti:

fh kejadian A =p(A) x banyaknya percobaan

Contoh Soal:

 Sebuah dadu bermata enam dilempar sebanyak 120 kali. Berapa harapan akan muncul
mata dadu 6?

Jawab:

fh muncul mata dadu 6= P (mata 6) x 120 kali

1
= x 120 kali
6

= 20 kali

G. Teorema Peluang
 Teorema 1.1:

Misalkan A dan B adalah kejadian dalam ruang contoh S

dan AC menyatakan komplemen dari A, maka

(a) P(A) = 1 - P(A)

(b) Jika A ⊆ B maka P(A) ≤ P(B)

(c) P(A ∪ B) = P(A) + P(B) – P (A ∩ B)

Bukti (a) : Perhatikan bahwa A ∪ Ac = S dan A ∩ Ac = ∅. Karena A dan Ac saling lepas,

maka

P(A ∪ Ac) = P(A) + P(Ac) = 1

Jadi P(Ac) = 1 – P(A)

H. Operasi Irisan dan Gabungan Dua Himpunan

A  ∩ B = { x | x  ∈ A  dan   x ∈ B } , dengan kata lain  himpunan A irisan  B 

merupakan himpunan yang anggota-anggotanya merupakan anggota himpunan
A dan juga anggota B.

Contoh 1:

A = { 1, 2, 3, 4, 5, 6} , dan B = { 2, 3, 5, 7} , maka     A ∩ B = { 2, 3, 5}, dan  n (A ∩ B) =

3

A  U  B = { x | x  ∈ A  atau   x ∈ B },  gabungan himpunan A dan B  adalah suatu
himpunan yang anggota-anggotanya merupakan anggota himpunan A atau   anggota
B.

Contoh 2:

A = { 1, 2, 3, 4, 5, 6} , dan B = { 2, 3, 5, 7} , maka  A  U  B = { 1, 2, 3, 4, 5, 6, 7 } , dan n

(A  U  B) = 7 .

Hubungan  dua himpunan A dan B

Ada  empat kemungkinan hubungan antara himpunan A dan B  seperti digambarkan dengan
diagram Venn berikut:
 Gb. (i)  menyatakan  B merupakan himpunan bagian (subset) dari A) atau

A memuat B  (superset).

Gb. (ii)  menyatakan  A merupakan himpunan bagian  dari B) atau B memuat A .

Gb. (iii)  menyatakan  himpunan A beririsan dengan himpunan B ,  A  ∩  B .  atau   A
∩  B ≠ ø

Disebut juga  himpunan A dan B  tidak saling lepas .

Gb. (iv)  menyatakan  himpunan A tidak beririsan dengan himpunan B ,  A  ∩ B = ø  .

Disebut juga  himpunan A dan B  saling lepas (terpisah).

Banyaknya anggota  A Gabung  B 

Pada kasus (i) ,  A  ∩ B = A  ,  maka  n (A  ∩ B) = n (A) .

Pada kasus (ii) ,  A  ∩  B = B  ,  maka  n (A ∩ B) = n (B) .

Pada kasus (iii) ,  A  U  B = A + B – (A ∩  B)  ,  maka  n (A U B) = n (A) + n (B) –

n(A  ∩ B)

Pada kasus (iv) ,  A U  B = A  + B ,  maka  n (A U  B) = n (A) + n (B)

Rumus (i) s.d. (iv) cukup mudah dicerna dengan nalar kita, begitupun pembuktian rumus
(iii).

n (A  U   B) = n (A) + n (B) – n(A ∩ B)

Bukti:

 Jika   n (A) = x + y  ,  n(B) = y + z , dan  n(A  ∩ B) = y  seperti pada diagram Venn berikut:
    

maka,  n (A U B)    = x  + y +  z

                                    = x  + y  + y + z  – y                      (teknik menambah dan mengurang)

                                    = (x + y) + ( y + z) – y

                                    = n (A)   + n (B)  –  n(A ∩ B)   ( yang harus dibuktikan).

 Contoh 3:

Seperti pada contoh 2, kita gunakan rumus (iii)

n (A  U  B)   = n (A) + n (B) – n(A ∩ B)

                     =  6  + 4  –  3

                     =  7

I. Sebaran Peluang
Sebaran Peluang Diskret
Merupakan sebaran peluang bagi peubah acak yang nilai – nilainya diperoleh dengan cara
mencacah (counting)

Sebaran Peluang Kontinu

Merupakan sebaran peluang bagi peubah acak yang nilai – nilainya diperoleh dengan
menggunakan alat ukur

Beberapa Sebaran Peluang Diskrit

1. Sebaran Seragam
Distribusi seragam (uninformly distribution) merupakan distribusi probabilitas yang
paling sederhana diantara distribusi-distribusi probabilitas yang lain. Dalam distribusi
ini setiap nilai peubah acak mempunyai probabilitas terjadi yang sama. Distribusi
 seragam dapat pula didefinisikan seperti berikut. Bila peubah acak X mempunyai
nilai-nilai X1, X2, …Xk, dengan probabilitas yang sama, distribusi seragam diskret
dinyatakan sebagai
Rumus 1.1

P(x : k) = 1/k untuk x = x1, x2, …, xk

Kita menggunakan notasi p(x, k), alih-alih p(x) untuk menunjukkan bahwa distribusi seragam
bergantung pada parameter k.

Contoh :

1) Sebuah dadu setimbang dilemparkan sekali. Bila x menyatakan mata dadu yang muncul,
buatlah distribusi probabilitas x!
Jawab
Ruang contoh S = {1,2,3,4,5,6} dan setiap mata dadu mempunyai probabilitas yang sama
untuk muncul, yaitu 1/6. Dengan demikian distribusi seragamnya adalah
p(x : 6) = 1/6 untuk x = 1,2,3,4,5,6

2) Tim bulu tangkis terdiri atas 8 orang. Bila dari tim tersebut dipilih 2 orang secara acak untuk
melakukan pertandingan, tentukan distribusi seragam yang diambil secara acak!
Jawab
Jumlah dalam satu tim 8 orang, maka kita mengambil 2 orang secara acak dalam (8 2) = 28
orang. Bila cara masing-masing diberi nomor 1 sampai 28, distribusi probabilitasnya adalah

p(x : 28) = 1/28 untuk x = 1, 2,…, 28

2. Sebaran Binomial dan Multinomial

Dalam distribusi multinomial sebuah percobaan akan menghasilkan beberapa
kejadian (lebih dari dua) yang saling meniadakan atau saling lepas (mutually
exclusive).
Sebagai contoh, keadaan cuaca dapat digolongkan menjadi cerah, hujan, atau mendung.
Pilihan kendaraan untuk ke kantor adalah mobil sendiri, bus, kereta api, angkot bahkan ojek.
Seluruhnya merupakan ulangan-ulangan yang menghasilkan lebih dari dua kemungkinan. Secara
umum, bila setiap ulangan dapat menghasilkan satu diantara k kemungkinan hasil percobaan E1,
E2, …, Ek kali kejadian dalam n ulangan yang bebas dengan x1 + x2 + … + xk = n. sedangkan
banyaknya sekatan n elemen ke dalam k kelompok dengan x1 dalam kelompok pertama, x2 dalam
kelompok kedua, … dan xk dalam kelompok ke k merupakan suatu permutasi dari n elemen yang
seluruhnya tidak dapat dibedakan. Dengan demikian, probabilitas distribusi multinomial dapat
dirumuskan secara matematik dengan persamaan berikut
Rumus 1.6
b(x1, x2, …xn : n : p1, p2, …, pk) = (n x1, x2, …xk) p1x1 p2x2 … pkxt

dengan probabilitas suku-suku pengurai multinomial p1 + p2 + … + pk = 1

Contoh :
1. Dalam pemilu legislatif, para konstituen mempunyai pilihan mencoblos 3 partai politik
dengan probabilitas pilihan : PAN 0.5, Partai Demokrat 0.3, GOLKAR 0.2. berapa
probabilitas bahwa di antara 10 konstituen sebanyak 4 konstituen memilih PAN, 3 konstituen
memilih PD dan 3 konstituen memilih GOLKAR
Jawab
Kita daftar kejadian yang mungkin
E1 = 4 konstituen memilih PAN
E2 = 3 konstituen memilih PD
E3 = 3 konstituen memilih GOLKAR
Setiap ulangan dengan probabilitas masing-masing, p1 = 0.5, p2 = 0.3 dan p3 = 0.2 oleh karena
x1=4, x2=3 dan x3=3, distribusi multinomial adalah
b(4, 3, 3 : 10 : 0.5, 0.3, 0.2) = (10 4,3,3) (0.5)4 (0.3)3 (0,2)2
= 10! / 4! 3! 3! (0.0625) (0.027) (0.008)
= 0.057

Distribusi binomial merupakan suatu distribusi probabilitas peubah acak yang bersifat diskret.
Distribusi ini sering disebut proses Bernoulli (Bernoulli Trials). Nama ini diambil dari seorang
ahli matematika berkebangsaan Swiss, yaitu James Bernoulli (1654 – 1705). Pada umumnya,
suatu eksperimen atau percobaan dapat dikatakan eksperimen atau percobaan binomial apabila
mempunyai beberapa syarat berikut :

a. Setiap percobaan selalu dibedakan menjadi dua macam kejadian yang bersifat saling
meniadakan (mutually exclusive)

b. Dalam setiap percobaan hasilnya dapat dibedakan, yaitu berhasil atau gagal

c. Probabilitas kejadian berhasil dinyatakan dengan huruf p, sedangkan probabilitas gagal

dinyatakan dengan huruf q, dimana p + q = 1 atau q = 1 – p

d. Masing-masing percobaan merupakan peristiwa yang bersifat bebas, yaitu peristiwa yang satu
tidak dapat mempengaruhi peristiwa yang lain

Misalnya, keluarga Markus merencanakan memiliki 3 anak seperti yang terlihat pada tabel
1.1. Disini setiap kelahiran anak laki-laki dikatakan “berhasil” dan setiap kelahiran anak
perempuan dikatakan “gagal”. Dengan demikian, banyaknya anak laki-laki dipandang sebagai
sebuah peubah acak x yang mengambil bilangan 0 sampai 3. Peubah acak x yang merupakan
banyaknya keberhasilan dalam setiap percobaan disebut peubah acak binomial.

Tabel 1.1 hasil “percobaan” keluarga Markus

Ruang contoh Peubah X Probabilitas

PPP 0 1/8

LPP 1 1/8

PLP 1 1/8 = 3/8

PPL 1 1/8

LLP 2 1/8

LPL 2 1/8 = 3/8

PLL 2 1/8

LLL 3 1/8

Selanjutnya, ilustrasi keluarga Markus di atas akan kita generalisasi dengan mencari rumusan
yang lebih umum dari distribusi binomial. Bila kelahiran anak laki-laki dinyatakan sebagai x,
probabilitas kelahiran anak laki-laki mempunyai nilai yang tetap, yaitu ½. Probabilitas kelahiran
anak laki-laki yang dipandang berhasil adalah x dengan probabilitas p dan sebaliknya, setiap
kegagalan yaitu kelahiran anak perempuan, adalah (n – x) dengan probabilitas q = 1 – p. Dengan
demikian, probabilitas untuk urutan tertentu dinyatakan dengan px . qn-x

Sekarang tinggal menghitung banyaknya kombinasi yang mempunyai keberhasilan x dan

kegagalan (n – x). Bilangan ini tidak lain adalah bentuk kombinasi. Selanjutnya, banyaknya
kombinasi ini dikalikan dengan px . qn-x untuk mendapatkan rumus distribusi binomial. Dengan
kata lain, jika suatu percobaan binomial mempunyai probabilitas keberhasilan p dan probabilitas
kegagalan q, distribusi probabilitas peubah acak x adalah banyaknya keberhasilan dalam n
percobaan yang bebas dan dinyatakan oleh

Rumus 1.2

b(x : n : p) = (n x) px . qn-x dengan x = 0, 1, 2, … n

Tabel 1.2 Koefisien probabilitas distribusi binomial

Peubah X Koefisien Distribusi binomial Polinomial
0 1 (p+q) 0
1 p+q (p+q) 1
2 p2 + 2pq + q2 (p+q) 2
3 p3 + 3p2q1 + 3p1q2 + q3 (p+q) 3
4 p + 4p3q1 + 6p2q2 + 4p1q3 + q4
4
(p+q) 4
5 p5 + 5p4q1 + 10p3q2 + 10p2q3 + 5p1q4 + q5 (p+q) 5
… ……………………………………………………… ………
………...
n pn + npn-1q1 + ….+ np1qn-1+ qn (p+q) n

Misalnya, besarnya probabilitas keluarga Markus dengan 2 anak laki-laki dari 3 anak yang
dimiliki adalah

b(2 : 3 : ½) = (3 2) (1/2)2 (1-1/2) 3-2 = 3! / 2! (3-2)! (1/2)2(1/2)1 = 3/8

Perumusan 1.2 dapat dirangkum dalam bentuk tabel probabilitas binomial bagi peubah acak x
yang memuat kombinasi yang mungkin terjadi.

Nilai rata-rata dan varian distribusi binomial pada dasarnya ditentukan oleh berbagai macam
peristiwa yang dihasilkan dari percobaan binomial, terutama probabilitas keberhasilan atau
kegagalannya. Misalkan hasil percobaan ke n dinyatakan peubah acak L n dengan probabilitas p
keberhasilan Ln = 1 dan probabilitas q kegagalan Ln = 0. Suatu percobaan binomial banyaknya
keberhasilan dituliskan sebagai jumlah n peubah acak bebas :

x = L1 + L2 + … + Ln

Nilai harapan setiap Ln adalah E(Ln) = 1 (p) + 0 (q) = p sehingga rata-rata suatu populasi
distribusi binomial dapat dinyatakan sebagai perkalian n percobaan dengan probabilitas
percobaan.

Rumus 1.3

µ = E(x) = E(L1) + E(L2) + … + E(Ln)

= p + p + … + p = n.p

Sementara besarnya ragam distribusi binomial dapat dicari dari hubungan berikut. Ragam
populasi untuk setiap Li adalah

δ2 Li = E [(Li – p)2] = E(Li2) – p2

= (1)2p + (0)2 q – p2 = p.q

Dengan demikian, total ragam populasi distribusi binomial dirumuskan sebagai berikut :

Rumus 1.4

δ2 = δ2 L1 + δ2 L2 + … + δ2 Ln = p.q + p.q + … = npq

dan simpangan bakunya adalah

Rumus 1.5

δ = √n p q

Contoh :
1) Keluarga Markus berencana memiliki 3 anak. Bila X menyatakan banyaknya kelahiran anak
laki-laki, hitunglah
a. Probabilitas kelahiran 2 anak laki-laki
b. Probabilitas memiliki tidak lebih dari 2 anak laki-laki
c. Rata-rata dan simpangan baku peubah acak X
Jawab
Probabilitas kelahiran anak laki-laki sama dengan anak perempuan, p,q = ½ dan n = 3
a. Probabilitas lahir 2 anak laki-laki
p(x = 2) = b(x : n : p) = (n x) px . qn-x
= b(2 : 3 : ½) = (3 2) (1/2)2 . (1/2) 3-2
= 3! / 2! (3 – 2)! . (½) 2+1
= 3! / 2! 1! . (1/2) 3
= 3 . (½)3
= 3 . 0.125 = 0.375
b. Tidak lebih dari 2 anak laki-laki
p(x ≤ 2) dimana x = 0, 1 dan 2
b (0 : 3 : ½) = (3 0) (1/2)0 . (1/2) 3-0
= 3! / 0! (3 – 0)! . (½) 0+3
= 3! / 3! . (1/2) 3
= 0.125
b (1 : 3 : ½) = (3 1) (1/2)1 . (1/2) 3-1
= 3! / 1! (3 – 1)! . (½) 1+2
= 3! / 1! 2! . (1/2) 3
= 0.375
b (2 : 3 : ½) = (3 2) (1/2)2 . (1/2) 3-2
= 3! / 2! (3 – 2)! . (½) 2+1
= 3! / 2! 1! . (1/2) 3
= 3 . (½)3
= 3 . 0.125 = 0.375
Sehingga p (x ≤ 2) = 0.125 + 0.375 + 0.375
= 0.875
 Dapat juga diselesaikan dengan bantuan tabel distribusi binomial
p(x ≤ 2) = Σ n= 0..2 b (x : 3 : 0.5)
= b (0 : 3 : ½) + b (1 : 3 : ½) + b (2: 3 : ½)
= 0.1250 + 0.375 + 0.375
= 0.875

c. Rata-rata, ragam dan simpangan baku kelahiran anak laki-laki

Rata-rata, µ = n . p = 3 . ½ = 1.5, dengan n = 3 dan p = ½
Simpangan baku, δ = √ n . p . q = √ 3 . ½. ½ = 0.866
Jadi, dalam kelahiran 3 anak, rata-rata anak laki-laki yang dilahirkan adalah 1.5 dengan
simpangan baku sebesar 0.866

2) Menurut penelitian, probabilitas seseorang untuk sembuh dari penyakit antraks dengan
pemberian obat tertentu adalah sebesar 60%. Jika diambil 10 orang yang terjangkit secara
acak, hitunglah :
a. Probabilitas tidak lebih dari 3 orang sembuh
b. Sedikitnya 5 orang sembuh
c. Rata-rata dan simpangan baku pasien sembuh
Jawab
n = 10, p = 60% = 0.6, q = 1 – p = 40% = 0.4
a. Tidak lebih dari 3 orang dapat sembuh
p(x ≤ 3) = Σ n= 0..3 b (x : 10 : 0.6)
= b (0 : 10 : 0.6) + b (1 : 10 : 0.6) + b (2 : 10 : 0.6) + b (3 : 10 : 0.6)
= 0.0001 + 0.0016 + 0.0106 + 0.0425
= 0.548

b. Sedikitnya 5 orang dapat sembuh

p(x ≥ 5) = 1 – (Σ n= 0..3 b (x : 10 : 0.6) + b (4 : 10 : 0.6))
= 1 – (0.548 + 0.1114)
 = 0.3406
c. Rata-rata, ragam dan simpangan baku pasien dapat sembuh
Rata-rata µ = 10 (0.6) = 6
Simpangan baku, δ = √ 10. 0.6 . 0.4 = 1.55

3. Sebaran Binomial negatif dan Geometrik

Distribusi probabilitas semacam ini dikenal sebagai distribusi binomial negatif yang
dinotasikan dengan b*(x : n : p).

Bila x menyatakan banyaknya ulangan yang menghasilkan x keberhasilan, probabilitas

terjadinya keberhasilan pada ulangan bebas ke n didahului oleh n -1 keberhasilan dan n – x
kegagalan, distribusi peubah acak x merupakan banyaknya ulangan sampai terjadinya x
keberhasilan. Akan tetapi, karena masing-masing ulangan bebas satu sama lain, mereka perlu
dikalikan dengan semua probabilitas p dan kegagalan dengan q = 1 – p. Dengan demikian,
probabilitas urutannya berakhir pada keberhasilan, yaitu px qn-x. Sekarang tinggal menghitung
banyaknya kombinasi yang mempunyai keberhasilan x dan kegagalan (n – x). Bilangan ini tidak
lain adalah suatu kombinasi (n – 1, x – 1).

Selanjutnya banyak titik kombinasi ini dikalikan dengan px.qn–x untuk mendapatkan rumus
umum distribusi binomial negatif. Dengan kata lain, jika suatu percobaan binomial negatif
mempunyai probabilitas keberhasilan p dan probabilitas kegagalan q, distribusi probabilitas
peubah acak x adalah banyaknya ulangan sampai terjadinya x keberhasilan sehingga secara
matematis distribusi binomial negatif dirumuskan menjadi
Rumus 1.7

b*(x : n : p) = (n -1, x-1) px . qn-x

dengan x = n, n+1, n+2

contoh :
1. Seorang peneliti tengah menginokulasi beberapa tikus putih dengan menyuntikkan virus yang
menyerang metabolisme pencernaan sampai ia memperoleh 3 ekor tikus putih terserang
penyakit tersebut. Bila probabilitas terjangkit penyakit itu adalah 25%, berapa probabilitas
bahwa dalam percobaan itu diperlukan 10 ekor tikus
Jawab
b.(3 : 10 : 0.25) = (9 2) (0.25)3 . (0.75)7
= 9! / 2! (9 – 2)! . 0.0156 . 0.1335
= 36 . 0.0156 . 0.1335
= 0.075
Jadi probabilitas diperlukannya 10 ekor tikus putih untuk 3 ekor tikus yang terserang penyakit
adalah 0.075 atau 7.5%

2. Menurut hasil penelitian ahli sosiologi, kurang lebih 800 dari 1000 wanita tidak setuju dengan
praktik poligami yang dilakukan para suami. Bila hasil penelitian ini benar, hitunglah
probabilitas bahwa pada suatu hari tertentu, wanita ke empat yang diwawancarai adalah
wanita ke empat yang tidak menyetujui poligami
Jawab
p = 800 / 1000, x = 4 dan n = 4
b . (4 : 4 : 8/10) = (3 3) . 8/103 2/100
= 1 . 0.4096 . 1
= 0.4096
Jadi, probabilitasnya wanita ke empat yang diwawancarai merupakan wanita keempat yang
tidak setuju dengan poligami adalah adalah 41%

Distribusi geometrik yang dapat didefinisikan bila percobaan bebas dan berulang-ulang dapat
menghasilkan keberhasilan dengan probabilitas p dan kegagalan dengan probabilitas q=1–p,
distribusi probabilitas bagi peubah acak x, yaitu banyaknya ulangan sampai muncul keberhasilan
yang pertama, dinyatakan dengan rumus berikut

Rumus 1.8

g(n : p) = p qn-1
contoh :
1. Menurut hasil penelitian ahli sosiologi, kurang lebih 800 dari 1000 wanita tidak setuju dengan
praktik poligami yang dilakukan para suami. Bila hasil penelitian ini benar, hitunglah
a. Probabilitas bahwa seorang sosiolog memerlukan 3 orang wanita sampai diperoleh wanita
yang tidak setuju dengan poligami
b. Probabilitas bahwa seorang sosiolog memerlukan 3 orang wanita bila diketahui n = 5
Jawab
a. Dengan menggunakan distribusi geometrik, diketahui n = 3 dan p = 800/1000
g(n : p) = p.qn-1
= 800/1000 . (200/1000)3-1
= 0.8 . 0.22
= 0.032

b. n = 5
g(n : p) = 800/1000 . (200/1000)5-1
= 0.8 . (0.2)4
= 0.00128

4. Sebaran Hipergeometrik
distribusi hipergeometrik merupakan bentuk probabilitas tanpa pengembalian (without
replacement), yaitu setiap pencuplikan data yang telah diamati tidak dimasukkan kembali dalam
populasi semula (Algifari, 2010).

Misalnya suatu kotak berisi 10 buah kelereng. 4 buah kelereng berwarna merah dan 6 buah
kelereng berwarna putih. Apabila diambil satu buah kelereng secara acak (random), probabilitas
terambilnya kelereng berwarna merah adalah 4/10. Apabila dilakukan pengambilan lagi terhadap
kelereng yang ada di kotak dan kelereng yang terambil pada pengambilan pertama tidak
dikembalikan, probabilitas terambilnya masing-masing kelereng warna merah dan probabilitas
kelereng warna putih akan berubah. Misalnya pada pengambilan pertama terambil kelereng
warna merah, probabilitas terambilnya kelereng warna merah pada pengambilan kedua adalah
3/9 dan probabilitas terambilnya kelereng warna putih adalah 6/9. Probabilitas terambilnya
kelereng warna merah atau kelereng warna putih setiap kali pengambilan akan berbeda-beda
pada proses pengambilan tanpa pengembalian.

Bila suatu populasi berukuran N terdiri atas k unsur yang diharapkan muncul (berhasil) dan
(N-k) unsur yang tidak muncul (gagal), pencuplikan n contoh adalah populasi berukuran N,
probabilitas mendapatkan x yang diharapkan mengikuti fungsi hipergeometrik. Disini semua
pengambilan contoh dianggap mempunyai probabilitas terpilih yang sama dan banyaknya
kombinasi yang berukuran n dari suatu populasi berukuran N adalah (N n). Analog dengan ini
adalah untuk memilih x keberhasilan dari k keberhasilan yang tersedia terdapat (k x) macam
kombinasi. Sedangkan banyaknya kombinasi kegagalan dari (n – k) adalah (N-k, n-x). Dengan
demikian, banyaknya contoh yang memenuhi syarat diantara kombinasi (N n) adalah (N n) (N-k
n-x).
Definisi secara umum dari distribusi probabilitas hipergeometrik bagi peubah acak x adalah
bila dari populasi berukuran N yang dapat digolongkan yaitu kelompok keberhasilan dan
kelompok kegagalan, masing-masing dengan k dan N-k unsur, dipilih sebanyak n, distribusi
probabilitas peubah acak x yang menyatakan banyaknya kejadian berhasil yang terpilih adalah
Rumus 1.9
h(x : N : n : k) = (k x) (N – k, n - x) / (N n), dengan x = 0, 1, 2, 3…n

1.1 Nilai Rata-rata dan Varian Distribusi Hipergeometrik

Nilai rata-rata distribusi hipergeometrik merupakan hasil kali contoh berukuran n dengan
k keberhasilan dibagi dengan N populasinya. Secara matematis dirumuskan sebagai
Rumus 1.10
µ = nK / N

Rasio k/N pada rumus di atas setara nilainya dengan probabilitas keberhasilan p sehingga nilai
rata-rata dibagi distribusi hipergeometrik dinyatakan dalam persamaan berikut
Rumus 1.11
µ = n.p

dan varian bagi distribusi hipergeometrik h(x : N : n : k) adalah

Rumus 1.12
δ2 = (N-n / N-1) n k/N (1 – k/N)

Bila n relatif sangat kecil dibandingkan dengan N, probabilitas pada pengambilan akan kecil
sekali sehingga dapat dikatakan bahwa percobaan menjadi percobaan binomial, artinya kita
dapat menghampiri distribusi hipergeometrik dengan menggunakan distribusi binomial rasio p
= k/N. Tampak bahwa varian populasi distribusi binomial pada rumus 1.11 diperoleh dengan
mengambil limit dari ragam distribusi hipergeometrik rumus 1.12.
Rumus 1.13
lim N->∞ N-n / N-1 = lim N->∞ (N/N-1 – n/N-1) = 1
Dapat dikatakan bahwa pengambilan contoh tanpa pemulihan bisa dianggap sebagai
pengambilan contoh dengan pemulihan asalkan ukuran populasi N sangat besar. Atas dasar
ini, semua perhitungan dapat dilakukan “seolah-olah” contoh diambil dari pemulihan.

Contoh :
1. Sebuah kantong plastik berisi 5 kelereng merah dan 4 kelereng biru. Kemudian diambil 3
kelereng tanpa pemulihan. Bila x menyatakan banyaknya kelereng merah yang diambil,
susunlah fungsi dan distribusi probabilitas hipergeometriknya
Jawab
Diketahui N = 9, k = 5, n = 3, N-k= 9 - 5 = 4
Dengan menggunakan rumus 1.9
h(x : N : n : k) = (k x) (N – k, n - x) / (N n), diperoleh
Pada (x = 0) h(0 : 9 : 4 : 5) = (5 0) (4 3) / (9 3)
= 4/84
Pada (x = 1) h(1 : 9 : 4 : 5) = (5 1) (4 2) / (9 3)
= 30/84
Pada (x = 2) h(2 : 9 : 4 : 5) = (5 2) (4 1) / (9 3)
= 40/84
Pada (x = 3) h(3 : 9 : 4 : 5) = (5 3) (4 0) / (9 3)
= 10/84
 Semua kemungkinan peubah acak x berikut probabilitasnya dapat disusun dalam tabel
distribusi berikut
Tabel 1.1 Distribusi sebaran hipergeometrik
x 0 1 2 3
P(X = 4/84 30/84 40/84 10/84
x)

Jadi, fungsi distribusi hipergeometrik h(x : 9 : 4 : 5) = (5 x) (4 3-x) / (9 3)

Untuk x = 0, 1, 2, 3

2. 6 kartu diambil secara acak dari ½ kartu bridge (warna merah). Hitunglah probabilitas
diperolehnya 4 kartu wajik
Jawab
Kita menggunakan distribusi hipergeometrik untuk n = 6 kartu yang diambil dari populasi
N = 26 kartu. Banyaknya kartu wajik k = 13 dan x = 4. Maka probabilitas untuk
memperoleh 4 kartu wajik dari 6 kartu yang diambil adalah
h(4 : 26 : 6 : 13) = (13 4) (13 2) / (26 6)
= 715. 78 / 230230 = 0.242

5. Sebaran Poisson
Distribusi poisson merupakan distribusi peubah acak dimana hasil percobaan terjadi selama
waktu tertentu atau di suatu daerah tertentu. Distribusi ini secara luas sering dipakai terutama
dalam proses simulasi, misalnya banyaknya dering telpon dalam satu jam di suatu kantor,
banyaknya kesalahan ketik dalam satu halaman laporan, dan sebagainya. Menurut Benson
(2008), percobaan poisson memiliki ciri-ciri sebagai berikut :
1. Banyaknya hasil percobaan yang terjadi pada suatu selang tertentu atau daerah tertentu tidak
bergantung pada banyaknya hasil percobaan pada selang waktu atau daerah lain
2. Probabilitas terjadinya satu hasil percobaan selama selang waktu tertentu yang singkat sekali
atau daerah lain yang kecil, sebanding dengan panjang selang waktu atau daerah lain, juga
tidak tergantung pada banyaknya hasil percobaan yang terjadi di luar selang waktu atau
daerah lain
3. Probabilitas bahwa lebih dari satu hasil percobaan akan terjadi dalam selang waktu yang
singkat atau daerah kecil dapat diabaikan

Perhatikan bentuk umum probabilitas binomial :

b(x, n, p) = (n (n – 1).(n – 2)…(n – x+1) / x! ) . px .qn-x

Oleh karena rata-rata distribusi binomial adalah µ = n.p dengan mengatur kembali suku-suku
ruas kanan, selanjutnya
b(x, n, p) = (n/n). (n-1/n) …(1 - µ/n) –x (µx / x!)(1 - µ/n)n
pada n = ∞, limit suku-suku dalam kurung bawah sama dengan 1. Selanjutnya dicari suku
terakhir pada ruas kanan, yaitu :
(1 - µ/n)n = (1 - µ/n) -(-n/µ)µ = e -µ

Untuk percobaan n yang cukup besar, distribusi binomial akan menjadi distribusi poisson yang
sering dituliskan p(X, µ). Nilai-nilai probabilitas distribusi poisson hanya bergantung pada
parameter µ, yaitu rata-rata banyaknya hasil percobaan yang terjadi selama selang waktu tertentu
atau daerah lain yang diberikan. Dengan demikian, rumus umum distribusi poisson adalah
sebagai berikut
Rumus 1.15
p(X, µ) = e -µ µx / x!
keterangan :
p(X, µ) = probabilitas x dengan µ tertentu
µ = banyaknya sukses yang diharapkan
e = suatu konstanta matematis yang nilainya mendekati 2,71828
x = banyaknya sukses setiap unit

Distribusi poisson merupakan turunan langsung dari distribusi binomial bila jumlah percobaan
lebih dari 20 amatan dan probabilitas p ≤ 0.05. dalam hal demikian, rata-rata binomial akan
diganti dengan rata-rata poisson.

Contoh :
1. Rata-rata banyaknya tikus per hektar yang menyerang tanaman padi adalah 8 ekor. Hitunglah
probabilitas bahwa dalam 1 hektar terdapat lebih dari 13 ekor
Jawab
Bila x menyatakan banyaknya tikus per hektar tanaman padi, probabilitas lebih dari 13 ekor
tikus per hektarnya adalah
P(x > 13) = 1 - P(x ≤ 13)
= 1 – Σ0..13 e -8 8x / x!
= 1 – 0.9658
= 0.0342
Bagian V

Distribusi Seragam Kontinu

Distribusi Seragam kontinu adalah distribusi peluang kontinu yang paling sederhana. Fungsi
padat peluang dari peubah acak seragam kontinu X pada selang [a, b] adalah:

Kurva fungsi padat peluangnya →

Contoh 1.

Sebuah ruang konferensi dapat disewa untuk rapat yang lamanya tidak lebih dari 4 jam.
Misalkan X adalah peubah acak yang menyatakan waktu rapat, yang mempunyai distribusi
seragam.

a) Tentukan fungsi densitas peluang dari X.

b) Tentukan peluang suatu rapat berlangsung 3 jam atau lebih.

Jawaban :

1
a) a = 0, b = 4, sehingga f(x) = 4
{,0 ≤ x ≤ 4
0 , x lainnya
}
4
1 4 3 1
3
1
b) P (x ≥ 3) = ∫ 4 dx = 4 x| x=4
x=3 = -
4 4 = 4

Rataan dan variansi dari distribusi seragam kontinu adalah:

Fungsi kumulatif:

Kasus khusus: jika a = 0 dan b = 1, maka distribusinya disebut distribusi seragam baku
(standard uniform distribution), dilambangkan dengan U(0,1)
Distribusi Normal

Distribusi normal adalah distribusi yang paling penting di antara distribusi yang lain. Kurva
dari distribusi normal mempunyai bentuk setangkup seperti lonceng:

Nama lainnya: distribusi Gauss (Gaussian distribution) Kurva distribusi normal disebut juga
kurva normal atau kurva topi orang Meksiko (mexican hat) .

Fungsi padat peluang (pdf) dari peubah acak normal X, dengan rataan μ dan variansi σ2 adalah

yang dalam hal ini π = 3.14159... dan e = 2.71828...

Cukup dengan mengetahui µ dan σ, maka seluruh kurva normal diketahui. Misalnya bila µ =
30 dan σ = 8, maka ordinat n(x; 30, 8) dapat dihitung untuk berbagai nilai x dan kurvanya
dapat digambarkan.

Kurva normal dengan µ1 < µ2 dan σ1 = σ2 :

Kurva normal dengan µ1 < µ2 dan σ1 < σ2 :

Kurva normal dengan µ1 = µ2 dan σ1 < σ2 :

Sifat-Sifat Kurva Normal:

 Modus, adalah suatu titik yang terletak pada sumbu x di mana kurva mempunyai nilai
maksimum, yaitu pada x = μ.

 Kurva berbentuk simetri terhadap sumbu tegak pada x = μ.

 Kurva mempunyai titik belok pada x = μ ± σ, cekung dari bawah bila µ – σ < x < µ + σ
dan cekung dari atas untuk bawah bila µ – σ < x < µ + σ dan cekung dari atas untuk
nilai x lainnya.

 Kedua ujung kurva normal mendekati sumbu datar secara asimptotik bila x bergerak
menjauhi μ baik dari kiri maupun dari kanan.

 Luas daerah di bawah kurva adalah 1.

Luas Daerah di bawah Kurva Normal

Untuk mengatasi kesulitan dalam menghitung integral fungsi padat normal, maka dibuat tabel
luas kurva normal.Tetapi, tidak mungkin membuat tabel berbeda untuk setiap nilai µ dan σ.
Untunglah seluruh pengamatan setiap peubah acak normal X dapat ditransformasikan menjadi
himpunan pengamatan baru peubah acak normal Z dengan rataan 0 dan variansi 1.

Definisi. Distribusi peubah acak normal dengan rataan 0 dan variansi 1 disebut dengan
distribusi normal baku (standard normal distributiion).

Cara transformasinya sebagai berikut:

 (x−μ)
Z= σ

Bila X bernilai antara x = x1 dan x = x1 maka peubah acak Z bernilai antara z1 = (x1 – µ)/σ dan
z2 = (x2 – µ)/σ.
Dengan transformasi tersebut, maka tabel luas kurva normal yang dibutuhkan cukup satu saja,
yaitu distribusi normal baku.Sebagian tabel distribusi normal baku dapat dilihat pada halaman
berikut ini.
Contoh :
2. Diberikan distribusi normal baku, hitunglah daerah di bawah kurva yang dibatasi:
(a) sebelah kanan z = 1.84
(b) antara z = -1.97 dan z = 0.86
Jawaban:
(a) Luas sebelah kanan = 1 – luas sebelah kiri z = 1.84 (lihat
gambar di halaman berikut ini). Dari tabel luas sebelah kiri = gambar di halaman berikut ini).
Dari tabel luas sebelah kiri = 0.9671, jadi Luas sebelah kanan = 1 – 0.9671 = 0.0329
(b) Luas daerah antar batas tersebut adalah luas di sebelah kiri z = 0.86 dikurangi dengan luas di
sebelah kiri z = -1.97. Dari tabel diperoleh 0.8051 - 0.0244 = 0.7807
Contoh
3. Diberikan distribusi normal dengan μ = 50 dan σ = 10, hitunglah peluang x terletak antara 45
dan 62.
Jawaban: (lihat gambar di halaman berikut ini)
Nilai z yang bersesuaian dengan x tersebut adalah:
(45−50) (62−50)
Z1 = = - 0,5 dan Z2 = = 1,2
10 10

sehingga
P(45 < X < 62) = P(−0.5 < Z < 1.2)
= P(Z < 1.2) − P(Z < −0.5)
= 0.8849 − 0.3085 = 0.5764
Aproksimasi Normal untuk Binomial

Dalam bahan kuliah sebelumnya sudah dijelaskan bahwa distribusi Poisson dapat
digunakan untuk menghampiri distribusi binomial ketika n membesar dan p sangat dekat ke 0
atau 1. Kedua distribusi tersebut adalah diskrit.

Distribusi normal juga dapat digunakan untuk menghampiri distribusi binomial bilamana
n cukup besar. Distribusi normal sering merupakan hampiran yang baik terhadap distribusi
diskrit bila yang terakhir ini berbentuk lonceng setangkup.
  Misalkan dari distribusi binomial diketahui n = 15 dan p = 0.4. Untuk menghitun
P(X = 4), maka dengan tabel binomial mudah dihitung,
P(X = 4) = b(4; 15, 0.4) = 0.1268
 Sekarang nilai peluang itu akan dihampiri dengan distribusi normal.
Hitunglah µ = np = (15)( 0.4) = 6
σ2 = npq = (15)(0.4().6) = 3.6
σ = √3.6 = 1.897
Dari perhitungan binomial, telah diketahui P(X = 4) = 0.1268. Nilai ini sama dengan luas daerah
di bawah kurva normal antara x1 = 3.5 dan x2 = 4.5 (dimana x = 4 adalah titik tengah).

Jika diubah ke nilai z, maka

Z1 = (3.5 – 6) / 1.897 = -1.32
Z2 = (4.5 – 6) / 1.897 = -0.79

Bila X peubah acak binomial dan Z peubah normal baku,

P(X = 4) = b(4; 15, 0.4)
= P(-1.32 < Z < -0.79)
= P(Z < -0.79) – P(Z < -1.32)
= 0.2148 – 0.0934
= 0.1214
Hasil ini cukup dekat dengan nilai sesungguhnya yaitu 0.1268. Hampiran normal akan berguna
untuk menghitung jumlah binomial untuk nilai n yang besar.

Contoh
Dalam soal ujian terdapat 200 pertanyaan multiple choice, setiap soal terdiri dar 4 jawaban dan
hanya satu jawaban yang benar. Bila seorang siswa hanya menerka saja, berapakah peluang
siawa menebak dengan benar sebanyak 25 sampai 30 dari 80 soal?
Jawaban:
Peluang jawaban yang benar untuk tiap soal adalah p = 1/4. Jika X adalah peubah acak yang
menyatakan banyaknya jawaban yang benar dengan menerka, maka
30
1
P(25 ≤ x ≤ 30) = ∑ b (x; 80; 4 )
x=25
Dengan menggunakan hampiran kurva normal dengan
μ = np = (80)(1/4) = 20
dan
σ = √ npq = ( 80 ) 1 3 = 3,873
√
4 4 ( )( )
Diperlukan luas antara x1 = 24.5 dan x2 = 30.5. Nilai peubah z yang bersesuaian adalah:
z1 = (24,5 - 20) / 3,873 = 1,16
dan
z2 = (30,5 - 20) / 3,873 = 2,71
Sehingga dapat dihitung:
30
1
≤ ≤
P(25 x 30) = ∑ b (x; 80; )
x=25 4
≈ P (1,16 < Z < 2,71)
= P (x < 2,71) – P (x < 1,16)
= 0,9966 – 0,8770
= 0,1196

Distribusi Gamma
Fungsi gamma adalah fungsi berbentuk:
∞
∝−1
F (∝) = ∫ x e− x dx untuk ∝ > 0
0

Peubah acak kontinu Peubah acak kontinu X mempunyai distribusi mempunyai distribusi
gamma, dengan parameter α dan β, jika fungsi padat peluangnya diberikan oleh:
1

dengan α > 0 dan β > 0.

{
f ( x) = β ∝ F (∝)
x ∝−1 e− x/ β , x ≥ 0

0 , untuk x yang lainnya

Grafik fungsi gamma:

Distribusi Eksponensial

 Distribusi gamma yang khusus dengan α = 1 disebut distribusi eksponensial.

 Peubah acak kontinu X mempunyai distribusi eksponensial dengan parameter β, jika

fungsi padat peluangnya berbentuk:
1 − x/ β

dengan β > 0
f ( x) =
{ β
e , x≥0
0 , untuk x yan g lain

 Rataan dan variansi dari distribusi gamma adalah

μ = ∝ β dan σ 2 = ∝ β 2
 Akibatnya, rataan dan variansi distribusi eksponensial adalah:
μ = β dan σ 2 = β 2

Aplikasi distribusi eksponensial:

1. Dalam teori antrian, jarak antar kedatangan pelanggan di fasilitas pelayanan (seperti bank,
loket kereta api, tukang cukur, dsb) memenuhi distribusi eksponensial.

2. Lama waktu mulai dipakai sampai rusaknya suatu suku cadang dan alat listrik memenuhi
distribusi eksponensial.

Hubungan dengan proses Poisson

 Hubungan antara distribusi eksponensial dan proses Poisson cukup sederhana.
 Misalkan distribusi Poisson dengan parameter λ, dimana λadalah banyaknya kejadian
dalam satu satuan waktu. Misalkan X adalah peubah acak yang menyatakan panjang
selang waktu yang diperlukan agar kejadian pertama terjadi. Dengan distribusi Poisson,
peluang tidak ada kejadian yang muncul sampai selang waktu t adalah
 e−λt ( λt )0
p(0 ; λt) = 0!
= e− λt

 Peluang panjang selang waktu kejadian pertama terjadi sampai melewati X sama dengan
peluang tidak ada kejadian. Fungsi distribusi kumulatif dari X adalah:
P(0 ≤ x ≤ x) = 1 – p(X ≥ x) = 1 - e− λx
Fungsi densitas adalah turunan turunan fungsi diatas:
f(x) = λe− λx
yang merupakan fungsi padat peluang distribusi eksponesial dengan λ = 1/β

 Hal yang perlu diperhatikan adalah parameter λ dan β. Rataan dari distribusi eksponensial
adalah β yang sama dengan 1/ λ. β adalah rataan antara dua kejadian yang berturutan.

 Teori keandalan (reliability) yang menyangkut kegagalan peralatan sering memenuhi

proses Poisson, di sini β dapat merepresentasikan waktu rata-rata antara kegagalan.

 Banyak kerusakan peralatan memenuhi proses Poisson, dan karena itu distribusi
eksponensial dapat diterapkan di situ.

Contoh. (aplikasi distribusi gamma)

Suatu panggilan telepon datang pada papan switching mengikuti proses Poisson, dengan rata-rata
5 sambungan datang tiap menit. Tentukan peluang hingga 1 menit berlalu baru 2 sambunganyang
datang.

Jawaban:
Proses Poisson dapat diterapkan dengan menunggu 2 kejadian Poisson terjadi mempunyai
distribusi Gamma dengan β = 1/5 dan α = 2. Misalkan X adalah selang waktu sebelum 2
panggilan telpon datang. Peluangnya adalah

Distribusi Khi-Kuadrat

 Kasus khusus yang lain dari distribusi gamma adalah dengan mengambil α = v/2 dan
 β = 2, untuk v bilangan bulat positif. Hasilnya disebut distribusi khi-kuadrat (chi
squared). Parameter v disebut derajat kebebasan.

 Peubah acak kontinu kontinu X mempunyai mempunyai distribusi distribusi khi -kuadrat
kuadrat dengan derajat kebebasan v, bila fungsi padat peluangnya diberikan oleh:
v
1

{
−1
2 −x /2
x e , x >0
v
f(x) 2 F ( 2 )
v /2

0 , untuk x yang lain

 Rataan dan variansi distribusinya adalah µ = v dan σ2 = 2v
Distribusi Weibull

 Peubah acak kontinu X mempunyai distribusi Weibull, dengan parameter α dan β, bila
fungsi padatnya berbentuk:

Dengan α > 0 dan β > 0.

 Rataan dan variansi dari distribusi Weibull adalah

Distribusi Lognormal
 Peubah acak kontinu X mempunyai distribusi lognormal, jika peubah acak Y = ln(X)
mempunyai distribusi normal dengan rataan µdan simpangan baku σ dan fungsi padat
peluangnya diberikan sebagai berikut:

 Rataan dan variansi dari distribusi lognormal adalah

Bagian VI (Sebaran Sampel dan Pendugaan)

I. Sebaran Sampel

A. Pengertian Sebaran Sampel

Suatu nilai yang dihitung dari sampel disebut statistik. Pengambilan sampel dari
satu populasi mempunyai kemungkinan beberapa cara tergantung pada ketentuan sampel yang
didefenisikan sehingga statistik tertentu dari sampel ke sampel merupakan peubah acak dan
sebaran peubah acak ini dinamakan sebaran sampel.
Bila statistik rata-rata menjadi semesta pembicaraan dari sampel maka sebaran
dinamakan sebaran rataan, bila statistik proprosi yang menjadi semesta pembicaraan maka
sebaran dinamakan sebaran proporsi.
Dari penjelasan diatas dapat diberikan beberapa defenisi antara lain seperti
dibawah ini :
Defenisi 9.1 : Statistik merupakan peubah acak yang hanya tergantung pada sampel acak yang
diambil.
Defenisi 9.2 : Sebaran peluang suatu statistik disebut sebaran sampel.
Defenisi 9.3 :Rata-rata sebaran sampel suatu statistik disebut rata-rata statistik tersebut.
Defenisi 9.4 : Varians sebaran sampel suatu statistik disebut varians statistik tersebut.

B. Sebaran Rataan
Defenisi 9.5 : Sebaran yang peubah acaknya adalah semua rataan sampel berukuran
tertentu dari suatu populasi disebut sebaran sampel rataan disingkat sebaran rataan.
Teorema 9.1 : μ x́ = μ x
Bukti : bila dari suatu populasi berukuran N diambil sampel berukuran n maka ada sebanyak
N
( )
n
cara pengambilan sampel, tiap grup sampel adalah unsur kombinasi n per n unsur dari N
unsur, rataan menjadi unsur dari sebaran rataan.
Masing-masing Xi dalam semua kombinasi tersebut sebanyak ( Nn−1
−1
) sehingga jumlah semua
rataannya adalah
N
N−1 N −1 N −1 1 1 N−1
[( ) ( )
n−1
X 1+
n−1
X 2 +…+ (
n−1 ) ]
Xn =
n n n−1 ( ) ∑ X1
i=1
Jadi,
N
1 N−1
μ x́ =
(
n n−1 )∑ X = ∑ X
i=1
i
N

i
= μx
i=1
N
n ( ) N
n
Teorema 9.2 : untuk n menuju tak hingga atau cukup besar atau bila ≤ 0,25 dapat digunakan
N
σ2
saja σ x = 2

Teorema 9.3 : Bila populasi menyebar normal maka sebaran rataan pun normal (ukur sampel
σ2
tidak dipersoalkan) dengan rataan = μ x = μ x́, varians σ 2 = .Bila populasi tidak normal atau
n
tidak diketahui sebenarnya maka untuk besar (umumnya besar diartikan n≥ 30 ) masih berlaku
pendekatan normal untuk sampel.

Teorema 9.4 : Bila

_
x rataan sampel acak ukuran n diambil dari populasi yang rata-rata

x́−μ
dan variansnya yang berhingga maka limit sebaran Z = , n → ∞ adalah sebaran normal
σ/N
baku (z,0,1).

C. Sebaran Selisih Rataan

Defenisi 9.6 : Sebaran yang peubah acaknya adalah selisih peubah acak antara dua
sebaran rataan dari dua populasi disebut sebaran sampel selisih rataan disingkat sebaran selisih
rataan.

Teorema 9.5 : Sebaran sampel bebas dan selisih rataan x́ - ý menghampiri sebaran normal,
( x́− ý ) ( μ 1−μ2 )
2 σ 21 σ 22
rataan varians adalah μ x́−´y = σ x́−´ ý = + n dan z = 2 σ 2 menghampiri sebaran

normal baku.
n1 2
√
σ 1 /¿ n1 + 2 ¿
n2

Contoh:
Pegawai perusahaan Global Network Inspectionpada Divisi Inspeksi Pembongkaran
mempunyai gaji rata-rata sebesar $4300/bulan, sedangkan Divisi Inspeksi Pengangkutan
mempunyai gaji $3750/bulan. Setelah dihitung, diperoleh rata-rata hitung dari deviasi kuadrat
setiap gaji terhadap gaji rata-rata Divisi Inspeksi Pembongkaran $52.000, sedangkan Divisi
Inspeksi Pengangkutan sebesar $19.500. Bila diasumsikan diambil sampel random pada
Divisi Inspeksi Pembongkaran sebanyak 90 orang dan Divisi Inspeksi Pengangkutan75,
berapakah probalilita selisih rata-rata gaji dari dua sampel lebih besar dari $ 500 ?
Jawab:

D. Sebaran Proporsi
Dari suatu populasi diambil sampel acak n dan dimisalkan di dalamnya terdapat peristiwa
A sebanyak X. Sampel ini memberikan statistik proporsi peristiwa A = x/n. Dari
kumpulan ini dapat dihitung rata-ratanya ( ). Dan simpangan bakunya σ x/ n .Jika
ukuran populasi kecil dibandingkan dengan ukuran sampel maka :

Jika ukuran populasi besar dibandingkan dengan ukuran sampel maka:

 dinamakan kekeliriuan baku proporsi atau galat baku proporsi. Untuk ini digunakan

transformasi . Jika perbedaan antara proporsi sampel yang satu dengan yang
lainnya tidak lebih dari sebuah harga d yang ditentukan maka berlaku :

Contoh:

Hasil pemilihan umum menunjukkan bahwa seorang kandidat tertentu menerima 46% suara.
Tentukanlah probabilitas bahwa pemilihan oleh

a. 200

b. 1000

Orang yang dipilih secara acak dari populasi pemilih akan menunjukkan bahwa
mayoritas suara akan memilih kandidat tersebut

Jawab :

a)

Peluang untuk memihak kandidat tersebut adalah 0,5 maka bilangan Z =

Luas area di bawah kurva normal = 0,5 - 0,2083 =0,2917

b)
Peluang untuk memihak kandidat tersebut adalah 0,5 maka

Bilangan Z =

Luas area di bawah kurva normal = 0,5 - 0,0163 = 0,4837

 E. Sebaran Selisih Proporsi

Selisih proporsi adalah distribusi probabilitas yang dapat terjadi dari selisih proporsi dua
sampel yang berbeda berdasarkan pada dua sampel tertentu dari ukuran parameter dua
populasinya, adapun rumus distribusi sampling selisih proporsi dinyatakan dalam :

a. Rata-rata proporsi:

b. Simpangan baku proporsi

Distribusi sampling selisih proporsi inipun akan mendekati distribusi normal bila

ukuran-ukuran sampel cukup besar (n1, n2 > 30), maka untuk merubahnya menjadi bentuk

normal standar diperlukan rumus :

Jika π 1 dan π 2 tidak diketahui dan dianggap sama maka nilai :

sehingga standar baku proporsinya menjadi :

Contoh:

Alya dan Deasy akan melakukan sebuah pertandingan pelemparan sekeping uang logam,

Deasy akan menang bila memperoleh 8 sisi gambar lebih banyak dari pada Alya, jika

diasumsikan mereka diberi kesempatan masing-masing melempar uang logam sebanyak 40

kali, berapa peluang Deasy memenangkan pertandingan ini ? Berilah saran apakah Deasy

akan ikut dalam pertandingan atau tidak, jika harapan kemenangannya harus sebesar 15%

atau lebih?

Jawab:
 F. Sebaran T

Distribusi-t (distribusi t-student) merupakan distribusi sampling yang digunakan untuk

pengujian statistik dengan kondisi ukuran sampel yang relatif kecil. Dengan menggunakan
distribusi-t, kita bisa melakukan pengujian statistik untuk memperkirakan parameter yang tidak
diketahui (seperti standar populasi) dengan cara ,menggunakan distribusi sampel untuk
mengubah standar deviasi populasi

Distribusi-t digunakan dalam estimasi statistik sampel kecil (small statistic estimation). Dalam
hal ini,  para ahli sepakat menyimpulkan bahwa ukuran sampel kecil di bawah 30 unit. Ini juga
sejalan dengan Teorema Limit Pusat (Central Limit Theorem).
Karakteristik distribusi-t

Distribusi-t merupakan distribusi sampling yang mirip dengan distribusi-Z (distribusi normal).

Bila anda sudah pernah melihat bentuk distribusi normal, maka distribusi t memiliki bentuk yang
sedikit berbeda.

Distribusi t memiliki bentuk lonceng dengan puncak yang datar dengan luas wilayah total adalah
1. Seperti distribusi normal standar, nilai rata-ratanya adalah nol dengan standar deviasi yang
lebih besar dibandingkan dengan distribusi z.

Semakin besar jumlah sampel pada distribusi t, bentuk distribusi ini akan semakin mendekati
distribusi normal.Kita bisa  menemukan nilai pastinya dengan melihat setiap titik pengamatan.
Sama seperti saat kita mengubah skor-Z menjadi nilai-Z. Tapi, bentuknya berbeda. Ini memiliki
bentuk lonceng dasar dengan luas 1 di bawahnya.

Setiap distribusi-t memiliki derajat kebebasan. Derajat kebebasan ini mempengaruhi nilai kritis
di setiap distribusi.Derajat kebebasan ditentukan oleh jumlah sampel. Dalam distribusi-t,
penentuan derajat kebebasan adalah n-1.

Derajat kebebasan ditentukan oleh jumlah sampel. Dalam distribusi-t, penentuan derajat
kebebasan adalah n-1. Formula penggunaan distribusi t

Ada 2 jenis formula yang perlu anda ketahui dalam penggunaan distribusi t. Formula tersebut
bisa digunakan dan dimodifikasi dalam berbagai kasus.

1. Jika standar deviasi dari populasi diketahui, formula yang digunakan adalah:
2. Jika standar deviasi tidak diketahui, dengan menggunakan asumsi bahwa sampel yang kita
gunakan memiliki distribusi standar normal dimana nilai rata-rata=0 dan nilai varians=1, maka:

G. Sebaran Simpangan Baku

Pada Ilmu Statistika dan Probabilitas, Simpangan Baku atau juga disebut sebagai Deviasi
Standar merupakan sebuah teknik statistik yang dipakai dalam menjelaskan Homogenitas di
dalam suatu kelompok.

Simpangan baku  juga diartikan sebagai suatu nilai statistik yang sering kali dipakai dalam
menentukan bagaimana sebaran data yang ada di dalam sampel, dan juga seberapa dekat titik
data individu dengan mean atau rata-rata nilai dari sampel itu sendiri.

Nilai standar deviasi yang berasal dari kumpulan data yakni bisa saja = 0 atau bahkan lebih besar
ataupun lebih kecil dari nol (0).

Dengan ketentuan:

Apabila nilainya sama dengan nol, maka seluruh nilai yang terdapat di dalam himpunan itu
merupakan sama.Sedangkan jika pada nilai yang bernilai lebih besar atau bahkan lebih kecil
menandakan jika titik data dari individu itu jauh dari nilai rata-rata.
Langkah pertama yang harus dilakukan untuk mencari nilai simpangan baku ialah sebagai
berikut:

Menghitung nilai mean atau rata-rata pada setiap titik data yang tersedia.Nilai mean atau rata –
rata sama dengan jumlah dari masing – masing nilai yang terdapat di dalam kumpulan
data.Selanjutnya kalian bagi dengan jumlah total titik yang ada di data tersebut.

Langkah berikutnya:

Menghitung penyimpangan pada masing – masing titik data dari nilai meannya atau rata-ratanya.
Yakni dengan cara mengurangi nilai dari nilai mean.

Selanjutnya, simpangan pada setiap titik data kalian kuadratkan kemudian cari penyimpangan
kuadrat individu rata-ratanya.

Nilai yang dihasilkan tersebutlah yang disebut sebagai varian.

Selepas itu, untuk mencari standar deviasi yakni dengan cara mengakar kuadratkan nilai
variannya

Rumus

1. Simpangan baku untuk populasi

2. Simpangan baku untuk sampel

3. Perhitungan

rumus varian sampel:

4. Varian

5. Simpangan baku

Keterangan:
 S: Varians: Standar deviasixi: Nilai x ke-ix: Rata-ratanyan: Ukuran sampel

II. Pendugaan

Secara umum, parameter populasi akan diberi symbolθ . Jadi θ bisa merupakan rata-
rata μ, simpangan baku σ , proporsi π dan sebagainya. Jika θ, yang tidak diketahui
harganya, ditaksir oleh harga θ^ , maka θ^ dinamakan penaksir. Jelas bahwa sangat
dikehendaki θ^ = θ, yaitu bisa mengatakan harga θ yang sebenarnya. Tetapi ini merupakan
keinginan yang boleh dibilang ideal sifatnya. Kenyataan yang bisa terjadi adalah

a. Menaksir θ oleh θ^ terlalu tinggi

 b. Menaksir θ oleh θ^ terlalu rendah
Kriteria untuk memperoleh penaksir yang baik yaitu: tak bias, memiliki varians minimum
dan konsisten.
a. Penaksir θ^ dikatakan penaksir takbias jika rata-rata semua harga θ^ yang mungkin akan
sama dengan θ, ditulis E(θ^ )=θ. Penaksir yang tidak tak bias disebut penaksir bias
b. Penaksir bervarians minimum ialah penaksir dengan varians terkecil diantara semua
penaksir untuk parameter yang sama. Jika θ^ 1dan θ^ 2 dua penaksir untuk θ, jika varians
θ^ 1 < varians θ^ 2, maka θ^ 1 merupakan penaksir bervarians minimum
c. Misalkan θ^ penaksir untuk θ yang diutung berdasarkan sebuah sampel acak berukuran
n. Jika ukuran sampel n makin besar mendekati ukuran populasi menyebabkan θ^
mendekati θ maka ini sebut penaksir konsisten.
d. Penaksir yang takbias dan bervarians minimum dinamakan penaksir terbaik

1. Menaksir Rata-Rata μ
Misalkan kita mempunyai sebuah populasi berukuran N dengan rata-rata μ dan
simpangan baku σ. Dari populasi ini parameter rata-rata μ akan ditaksir. Untuk
keperluan ini, ambil sebuah sampel acak berukuran n, lalu hitung statistik yang
perlu, ialah X́ dan s. Titik taksiran untuk rata-rata μ ialah X́ .
Dengan kata lain, nilai μ besarnya ditaksir oleh harga X́ yang didapat dari
sampel.
Untuk memperoleh taksiran yang lebih tinggi derajat kepercayaannya,
digunakan interval taksiran atau selang taksiran disertai nilai koefisien kepercayaan
yang dikehendaki.
Simpangan baku σ diketahui dan populasinya berdistribusi normal. Untuk ini
rumus (2) menjadi:
Z1 σ Z1 σ
P ( X́ - γ
. < μ <x́ + γ . ) = γ
2 √n 2 √n

Dengan γ koefisien kepercayaan dan = bilangan Z didapat dari tabel normal

1γ
baku untuk peluang . Rumus dapat dinyatakan dalam bentuk lain, ialah untuk
2
memperoleh 100% interval kepercayaan parameter μ dapat digunakan rumus :
Z1 σ Z1 σ
X́ - γ
. < μ <x́ + γ
γ.
2 √n 2 √n
 Contoh:
Sebuah LSM ingin mengetahui rata-rata penghasilan pengamen yang ada di
Yogyakarta. Untuk penelitian tersebut diambil sampel 29 pengamen, dan diperoleh
data bahwa rata-rata penghasilan pengamen per hari adalah Rp. 19.500,- dengan
standar deviasi Rp. 4.200,-. Dengan menggunakan interval keyakinan 95%, tentukan
penaksiran rata-rata penghasilan pengamen di Yogyakarta tersebut?
Pembahasan:
Dik: n = 29
X = 19.500
SD = 4.200
α = 5% (0,05)
t1/2 α. n-1 = t1/2 (0,05). 29-1 = t0,025. 28 = 2,048
Jawab:
μ = Χ ± t1 2α .n−1

μ = 19.500 ± 2,048
μ = 19 .500 ± 2 ,048 (779 ,92 )
μ =19.500±1.559,84
μ =19.500±1.560 (dibulatkan)
μ =19.500+1.560 = 21.060
μ =19.500−1.560 =17.940
Atas dasar perhitungan tersebut dapat disimpulkan bahwa rata-rata penghasilan
pengamen yang ada di Yogyakarta paling besar adalah Rp Rp21.060 dan yang paling
kecil adalah Rp 17.940.

2. Menaksir Selisih Rata-rata

Misalkan kita punya dua buah populasi, kedua-duanya berdistribusi normal.
Rata-rata dan simpangan bakunya masing-masig µ1 dan σ1 untuk populasi satu, µ2
dan σ2 untuk populasi dua. Dari masing-masing populasi diambil sebuah sampel
secara acak dengan ukuran n1 dan n2. Rata-rata dan simpangan baku dari sampel-
sampel itu berturut-turut adalah , s1 dan , s2. Akan ditaksir selisih rata-rata (µ1 -
µ2).
 σ1 = σ2
Jika kedua populasi normal itu mempunyai σ1 = σ2 = σ dan besarnya diketahui,
maka 100 γ % interval kepercayaan untuk (µ1 - µ2) ditentukan oleh rumus:
1 1 1 1
( x́ ¿ ¿ 1 x́ 2 )¿ – z 1 σ
2
γ √ n 1 n2 2√
+ < μ1 μ 2<( x́ ¿ ¿ 1 x́ 2 )¿ + z 1 σ
γ
+
n 1 n2

Dengan z 1 γ didapat dari daftar normal baku dengan peluang ½ γ.

2

Jika kedua populasi normal itu mempunyai σ1 = σ2 = σ tetapi tidak diketahui

besarnya, maka dihitung terlebih dahulu varians gabungannya (s2) dengan rumus:
(n¿¿ 2−1)s 22
s2=(n¿¿ 1−1) s 21+ ¿¿
n1 +n2 −2
Interval kepercayaannya ditentukan dengan menggunakan distribusi student.
Rumus untuk 100 γ % interval kepercayaan untuk (µ 1 - µ2) adalah

Dengan s (varians gabungan) dan tp didapat dari dstribusi Student (daftar G)

dengan p = ½ (1 + γ) dan dk = (n1 + n2 – 2)

Contoh:
Ada dua pengukuran untuk mengukur kelembaban suatu zat. Cara I dilakukan 50
kali yang menghasilkan x́ 1= 60,2 dan = 24,7. Cara II dilakukan 60 kali dengan x́ 2
= 70,4 dan = 37,2. Tentukan interval kepercayaan 95% mengenai perbedaan rata-
rata kedua pengukuran tersebut!
Pembahasan:
( 50−1 ) 24,7+ ( 60−1 ) 37,2
s2= =31,53
50+ 60−2
Selanjutnya dihitung:
1 1 31,53 31,53
s=
√ + =
n1 n2 50 √
+
60
=1,08

Dengan p = 0,975 dan dk = 108, dari daftar distribusi t didapat t = 1,984

(70,4 – 60,2) – (1,984) (1,08) < μ1 μ 2< (70,4 – 60,2) + (1,984) (1,08)
 atau 8,06 < μ1 μ 2< 12,34
Jadi, 95% percaya bahwa selisih rata-rata pengukuran kedua cara itu akan ada dalam
interval yang dibatasi 8,06 dan 12,34.

3. Observasi Berpasangan
Misalkan populasi kesatu mempunyai variabel acak X dan populasi kedua
dengan variabel acak Y. Rata-rata masing-masing . Diambil dua sampel
acak masing- masing sebuah dari tiap populasi, yang berukuran sama, jadi n1 =
n2 = n. Didapat data sampel: (x1, x2,......,xn) dan (y1, y2,........,yn). Kedua data hasil
observasi ini dimisalkan berpasangan menjadi:
x1 berpasangan dengan y1
x2 berpasangan dengan y2
...........................................
xn berpasangan dengan yn
100γ % interval kepercayaan untuk µB ditentukan oleh:
t p . SB t .S
B́- < μB < B́- p B
√n √n

4. Menaksir Proporsi
Bila dalam suatu sampel berukuran n terdapat suatu peristiwa sebanyak x, maka
proporsi peristiwa itu adalah p = x/n. Bila proporsi peristiwa itu digunakan sebagai
penaksir, maka daerah penaksiran parameter π nya adalah seperti rumus berikut ini.
p.q
π=p±z½τ.
√ n
q=1–p
z ½ adalah harga z dalam tabel kurva normal untuk peluang ½ τ.
Contoh:
Akan dipelajari proporsi rumput teki diantara rerumputan di halaman. Untuk itu
diambil sampel secara acak 100 batang rerumputan. Dari 100 itu terdapat 15 batang
rumput teki. Berapa proporsi rumput teki di halaman?
 Pembahasan:
Dik : n = 100X = 15 bt rumput teki
Harga z untuk τ = 0,95 adalah 1,96.
Harga z untuk = 9,99
Dit : π
Hitungan:
p = 15 /100
= 0,15
Maka:
q =1–p
= 1 – 0,15
= 0,85
1 p .q
Sehingga: π= p ± z τ .
2 n √
0,15× 0,85
π=0,15 ± 1,96 ×
√ 100
π=0,15 ± 1,96 ×0,035707142
π=0,15 ± 0,07
Jadi daerah taksiran π adalah 0,08 – 0,22.

5. Menaksir Selisih Proporsi

Misalkan dipunyai dua populasi binomial dengan parameter untuk peristiwa
yang sama masing-masing π 1 dan π 2 . Dari populasi ini secara indenpenden masing-
masing diambil sebuah sampel acak berurutan n1 dari populasi kesatudan n 2 dari
populasi kedua. Proporsi untuk peristiwa yang diperhatikan pada sampel tersebut

x1 x2
adalah p1 dan p2 dengan x 1 dan x 2 menyatakan banyaknya peristiwa yang
n1 n2
diperhatikan, yang didapat di dalam sampel kesatu dan sampel kedua. Akan
ditentukan interval taksiran untuk ( π 1−π 2 ¿. Untuk itu digunakan pendekatan oleh
distribusi normal asalakan n1 dan n2 cukup besar. Rumus yang digunakan untuk
interval kepercayaan 100γ selisih ( π ¿ ¿ 1−π 2 )¿ adalah :
 p1 q1 p2 q2 p 1 q 1 p2 q2
( p1− p2 ¿−Z 1
2
γ √ n1
+
n2
< π 1−π 2< ( p1− p2 ¿+ Z 1
2
γ √
n1
+
n2

Dengan q 1=1− p1 , q2=1− p2dan Z 1 γ diperoleh dari daftar normal baku untuk
2

1
peluang γ.
2

6. Menaksir Simpangan Baku

Untuk menaksir varians dari sebuah populasi, sampel varians berdasarkan
sampel acak berukuran n perlu dihitung, dan rumus yang digunakan ialah rumus:
❑
s2=∑ ¿ ¿¿
❑

Ternyata bahwa varians adalah penaksir tak bias untuk varians σ 2. Akan tetapi simpangan baku s bukan
penaksir tak bias untuk simpangan baku σ. Jadi titik taksiran untuk σ adalah bias. Jika populasinya
berdistribusi normal

dengan varians σ2, maka 100 % interval kepercayaan untuk σ 2 ditentukan

dengan menggunakan distribusi chi-kuadrat.

Rumusnya adalah :

(n−1) s2 (n−1) s2
<σ < ¿ 2
X 21/ 2(1+ y) X 1/ 2(1− y)

Dengan n = ukuran sampel sedangkan dan di dapat dari

daftar chi- kuadrat berturut-turut untuk P = dan dengan dk = (n-1).

Untuk mendapatkan interval taksiran simpangan baku σ, tinggal melakukan penarikan

ketidaksamaan dalam rumus. Hasil ini tidak eksak, akan tetapi cukup akurat untuk maksud-
maksud tertentu.

7. Menaksir Nisbah (Perbandingan) Dua Varians

Selang kepercayaan untuk populasi normal
Misalkan S21 dan S22 adalah varians dua sampel acak bebas berukuran n1 dan n2
 yang berasal dari dua populasi normal yang varians berturut-turut σ 12 dan σ 22 maka

σ 21
dengan keyakinan 100γ % selang kepercayaan untuk 2 adalah
σ2

s 21 1 σ 21 s21 1
< 2< 2
s 22 f 1
; v 1 , v 2 σ 2 s2 f
1
;v ,v
2 ( 1−γ ) 2 ( 1−γ ) 1 2
Derajat bebas adalah v1 = n1 -1 dan v2 = n2 -16.9

8. Batas Toleransi
Batas toleransi yang dimiliki sebaran normal μ dan σ tidk diketahui untuk
pengukuran yang dimiliki sebaran normal dengan rata-rata μ dan simpangan baku σ
tidak diketahui. Batas toleransi diberikan oleh x =ks, k ditentukan sedemikian rupa
sehingga dapat ditegaskan dengan 100Ω % kepercayaan bahwabatastersebut
menagndung paling sedikit γ proporsi pengukuran.
 BAB III

PENUTUP

A. Kesimpulan

Dari makalah ini dapat disimpulkan bahwa Statistika merupakan ilmu pengetahuan yang
berhubungan dengan cara-cara mengumpulkan, menabulasi, menggolong-golongkan,
menganalisis, dan mencari keterangan yang berarti dari data yang berupa bilangan-bilangan atau
angka, sehingga dapat ditarik suatu kesimpulan atau keputusan tertentu. Statistika digunakan
untuk menunjukkan tubuh pengetahuan (body of knowledge) tentang cara-cara pengumpulan
data, analisis dan penafsiran data.

Kemuadian kita juga dapat mempelajari tentang Jenis-jenis statistik, macam-macam data,
penyajian data, distribusi frekuensi, ukuran pemusatan data, ukuran penyebaran data, ukuran
keruncingan data, peluang, sebaran peluang diskrit, sebaran peluang kontinu, dan sebaran sampel
dan pendugaan.
 DAFTAR PUSTAKA

Ardiansyah,Gumelar.2021.Pengertian Statistik.guruakuntansi.co.id

http://staffnew.uny.ac.id. Jenis-jenis Data

Amariah,Hani.2020.Penyajian Data Dalam Tabel dan Diagram|Matematika Kelas 7.www-

ruangguru-com.cdn.ammproject.org

Kelas Pintar.Mari Pelajari Tabel Distribusi Frekuensi Disini.www-Kelaspintar-id.cdn

ammproject.org

Dosen Pendidikan.2021.Distribusi Frekuensi.dosenpendidikan.co.id

Munir,Rinaldi.Beberapa Distribusi Peluang Kontinu.informatika.stev.itb.ac.id

Sunardi, Slamet Waluyo & Sutrisna. 2014. Konsep dan Penerapan Matematika SMA/MA Kelas
XI. Jakarta: Penerbit PT Bumi Aksara.

Buku Statistik: Teori dan Aplikasi karya J. Supranto

https://www.cak-figi.com/2021/03/kemiringan-dan-keruncingan-data.html

Konsep Dasar Peluang.https://www.stat.ipb.ac.id

Sudibyo,BS.2013.Dasar-Dasar Teori Peluang.https://repository.unikom.ac.id

Lukman.Statistika dan Teori Peluang.http://file.upi.edu

Spiegel, M.R. 1975. Theory and Problems of Proba-bility and Statistic, Asian Student Edition.
Schaum’s Outline Mc Graw Hill, Singapore. Halaman 347.

Spiegel, M.R. 1975. Theory and Problems of Probability and Statistic, Asian Student Edition.
Schaum’s Outline Mc Graw Hill, Singapore. Halaman 344.

https://www.scribd.com/document/358880151/Makalah-Distribusi-Sampling

https://www.scribd.com/document/100005070/sebaran-sampel

https://www.scribd.com/doc/250147836/Sebaran-Penyampelan-dan-Sebaran-Rerata

https://www.slideshare.net/mmubaraq/statistika-inferensial-1

https://id.scribd.com/document/97209080/Pendugaan-Penafsiran-Estimasi

https://id.scribd.com/doc/152574946/MATERI-TEORI-MENAKSIR