Buku Statistika Terapan

Statistika Terapan
Edisi Kesatu
Hendro Permadi
Katalog Dalam Terbitan
Kata Pengantar
Puji syukur kehadirat Allah SWT, karena hanya dengan Rahmad dan
Hidayah-Nya Bahan Ajar Metode Statistika ini dapat diselesaikan.
Bahan Ajar Metode Statistika ini ditulis untuk memenuhi kebutuhan

dalam perkuliahan Metode Statistika. Dengan tersedianya bahan ajar ini
diharapkan mahasiswa tidak menemui kesulitan dalam menempuh
matakuliah Metode Statistika. Lebih lanjut diharapkan mahasiswa dapat
mengembangkan diri lebih optimal dengan mengkaji pula materi-materi yang
bersesuaian pada referensi-referensi lain.
Sebagian besar materi pada bahan ajar ini telah diujicobakan dan
berasal dari buku Metode Statistika Praktis. Banyak perbaikan yang dilakukan
baik berdasarkan masukan dari mahasiswa, maupun masukan dari teman
dosen sesama pembina matakuliah Metode Statistika terutama pengolahan
dengan bantuan Minitabnya. Oleh karena itu pada kesempatan ini penulis
menyampaikan ucapan terima kasih kepada mereka semua atas masukannya.
Penulis menyadari sepenuhnya bahwa bahan ajar ini masih jauh dari
sempurna. Untuk itu, akan dengan senang hati jika ada saran atau kritik dari
pembaca terhadap perbaikan penulisan bahan ajar ini.
Malang, Maret 2019
Penulis
i
Daftar Isi
Kata Pengantar ..................................................................................................... i
Daftar Isi ............................................................................................................... ii
Bab I. Ukuran Pemusatan ................................................................................... 1

1.1. Rata-rata (Mean), Nilai Tengah (Median) dan Modus Data Tunggal . 1
1.1.1 Rata Rata (Mean) ................................................................................ 2
1.1.2. Nilai Tengah (Median) ..................................................................... 4
1.1.3. Modus ................................................................................................. 5
1.2. Lembar Kerja Mahasiswa ........................................................................... 6
Bab II. Peubah Acak ............................................................................................ 21
2.1. Pengertian Peubah Acak ............................................................................ 21
2.2. Distribusi Peluang Diskrit ......................................................................... 23
2.3. Harapan Matematis .................................................................................... 26
2.4. Rataan Peubah Acak Diskrit ...................................................................... 27
2.5. Variansi Peubah Acak Diskrit ................................................................... 28
Rangkuman .......................................................................................................... 29
Bab III. Distribusi Hipergeometrik .................................................................... 31
3.1. Pengertian Distribusi Hipergeometrik ..................................................... 31
3.2. Distribusi Hipergeometrik Peubah Ganda .............................................. 37
3.3. Perbedaan Distribusi Binomial dan Distribusi Hipergeometrik .......... 38
Rangkuman .......................................................................................................... 38
Bab IV. Distribusi Seragam ................................................................................ 41
Bab V. Distribusi Binomial ................................................................................. 43
Bab VI. Distribusi Multinomial .......................................................................... 45
6.1. Cara Menggunakan Program Minitab Berkaitan dengan
Distribusi Binomial ..................................................................................... 46
Bab VII. Distribusi Binomial Negatif dan Geometri ....................................... 51
7.1. Distribusi Binomial Negatif ....................................................................... 51
Latihan Soal .......................................................................................................... 54
Bab VIII. Sebaran Poison .................................................................................... 61
8.1. Pengertian dan Sifat-Sifat Khusus Sebaran Poison ................................ 61
ii
8.2. PDF, CDF, Ekspetasi, MGF dan Variansi dari Sebaran Poisson ........... 62
8.3. Kaitan antara Sebaran Binomial dengan Sebaran Poisson .................... 65
8.4. Contoh-Contoh Soal dan Penyelesaiannya ............................................. 66
Model Model Soal Sebaran Poisson dan Penyelesaiannya ............................ 81
Rangkuman .......................................................................................................... 85
Bab IX. Distribusi Geometrik ............................................................................. 87
9.1. Distribusi Geometrik .................................................................................. 87
9.2. Latihan Soal ................................................................................................. 89
Rangkuman .......................................................................................................... 92
Bab X. Distribusi Peluang Kontinu ................................................................... 93
10.1 Definisi Peubah Acak Kontinu .................................................................. 93
10.2 Harapan Matematis ..................................................................................... 98
10.3 Rataan dan Variansi Peubah Acak untuk Kontinu ................................ 99
10.4 Latihan Soal ................................................................................................. 101
Rangkuman ......................................................................................................... 108
Bab XI Distribusi Normal, Normal Baku dan Penerapannya ....................... 109
11.1 Definisi Distribusi Normal ........................................................................ 109
11.2 Jenis Jenis Kurva Distribusi Normal, Normal Baku dan Penerapannya 109
11.3 Hampiran Normal Terhapad Distribusi Binomial ................................. 114
11.4 Contoh Soal dan Penyelesaiannya ............................................................ 119
Rangkuman .......................................................................................................... 122
Bab XII. Distribusi Khi-Kuadrat ........................................................................ 123
12.1 Pengertian dan Dasar Dasar Distribusi Khi-Kuadrat ............................ 123
12.2 Fungsi Padat Peluang dan Grafik Distribusi Probabilitas Khi-Kuadrat 123
12.3 Rataan dan Variansi Distribusi Khi-Kuadrat .......................................... 124
Bab XIII. Distribusi t-Student ............................................................................. 127
13.1. Pengertian dan Dasar Dasar Distribusi t-Student .................................. 127
13.2 Fungsi Padat Peluang dan Grafik Distribusi Probabilitas t-Student .... 128
13.3 Rataan dan Variansi Distribusi t-Student ................................................ 129
13.4 Contoh Soal Distribusi t-Student ............................................................... 130
Rangkuman .......................................................................................................... 130
Bab XIV. Distribusi F-Scedecor .......................................................................... 133
14.1 Definisi Distribusi F-Scedecor ................................................................... 133
14.2 Fungsi Kepadatan Peluang ........................................................................ 134
14.3 Nilai Harapan/Ekspetasi ............................................................................. 134
iii
14.4 Variansi ......................................................................................................... 135
14.5 Contoh Soal .................................................................................................. 135
Rangkuman .......................................................................................................... 138
Bab XV. Distribusi Eksponensial ....................................................................... 139
15.1 Definisi Distribusi Eksponensial ............................................................... 139
15.2 Fungsi Kepadatan Peluang ........................................................................ 139
15.3 Fungsi Sebaran Kumulatif .......................................................................... 140
15.4 Ekspetasi / Nilai Harapan ........................................................................... 141
15.5 Variansi ......................................................................................................... 141
15.6 Sifat Tanpa Memori ..................................................................................... 141
15.7 Contoh-Contoh Soal .................................................................................... 141
Rangkuman .......................................................................................................... 144
Daftar Rujukan ..................................................................................................... 145
iv
BAB I
UKURAN PEMUSATAN
1.1. Rata-rata (Mean), Nilai Tengah (Median) dan Modus Data Tunggal
Dalam kehidupan sehari-hari, kita sering menemukan beberapa
permasalahan atau kejadian yang berhubungan dengan angka-angka. Berikut
diantaranya.
1. Persahabatan antara beberapa anak di suatu sekolah juga terlihat pada

saat mereka mau berbagi dengan makanan yang dimiliki setiap anak.
Desi, Nurul, Uthie, dan Dewi merupakan empat orang sahabat yang
masih duduk dibangku kelas VI SD. Suatu hari, Desi membawa 4 potong
roti ke sekolah dan Nurul juga membawa 8 potong roti sebagai ganti
jajanan. Desi dan Nurul mengumpulkan roti mereka berdua untuk dibagi
sama rata untuk mereka berempat. Berapa potong roti masing-masing
yang diperoleh keempat orang anak itu?
2. Dalam 5 tahun terakhir ini, klub sepakbola Barcelona memiliki seorang

penyerang yang sangat ditakuti oleh lawan-lawanya yaitu Leonil Messi.
Hampir setiap musim dalam 5 tahun terakhir ini Messi (sebutan untuk
Leonil Messi) merupakan pencetak gol terbanyak untuk klub Barcelona.
Jika ada data tentang daftar nama pencetak gol klub Barcelona dalam lima
tahun terakhir, maka nama Messi paling sering muncul di daftar tersebut.
3. Zafran memiliki beberapa kartu bridge dengan nomor 2, 6, 6, 2, 8, 8, 4, 6,

10. Dia mengurutkan kartu tersebut dari yang terkecil hingga terbesar.
Kemudian dia mengambil dua buah kartu yaitu kartu ujung kanan dan
ujung kiri. Hal tersebut dia lakukan secara terus-menerus hingga tersisa
satu kartu, tapi jika yang tersisa adalah dua kartu, maka dia
menjumlahkan nilai kedua kartu tersebut dan membagi dua hasil
penjumlahannya.
Permasalahan atau pun kejadian di atas merupakan contoh kejadian

yang berhubungan dengan statistika, khususnya ukuran pemusatan data yaitu
rata-rata, median dan modus.
Statistika Terapan 1
1.1.1. Rata-rata (Mean)
Perhatikan permasalahan 1 yang telah dipaparkan di atas. Jika roti yang
dibawa Desi digabung dengan roti yang dibawa Nurul maka banyak roti
seluruhnya adalah 4 + 8 = 12 potong roti. Agar mereka mendapat pembagian
yang sama rata, maka masing-masing siswa mendapat tiga potong roti, kita
hitung dengan cara: 12/4 = 3.
Definisi Rataan Populasi.

Misalkan data 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 , membentuk suatu populasi hingga berukuran 𝑁, maka
rataan populasinya adalah
∑𝑁
𝑖=1 𝑥𝑖
𝜇=
𝑁
Definisi Rataan Sampel.

Misalkan data 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ini merupakan sampel berukuran 𝑛, maka rataan (rata-
rata) sampel ini adalah
∑𝑛𝑖=1 𝑥𝑖
𝑥̅ =
𝑛
Contoh soal :
Data nilai ulangan harian yang diperoleh Iwan ditunjukkan sebagai berikut.
Matematika : 70 Biologi : 75 Sejarah : 80
Bahasa Inggris : 75 Fisika : 65 Geografi : 85
1. Berapakah nilai rata-rata ulangan harian Iwan?
2. Jika setiap nilai ditambah dengan 10, berapakah nilai rata-rata ulangan
harian setelah penambahan? Apa yang bisa kamu simpulkan?
3. Jika setiap nilai di kurang dengan 5 berapakah nilai rata-rata Iwan? Apa
yang bisa kamu simpulkan?
4. Jika setiap nilai dikali dengan 0,5, berapakah nilai rata-rata Iwan? Apa
yang bisa kamu simpulkan?
Penyelesaian :
1. Rata-rata nilai ulangan Iwan adalah:
70 + 75 + 75 + 65 + 80 + 85 450
𝑥̅ = = = 75
6 6
Jadi, nilai rata-rata ulangan harian Iwan adalah 75.
2. Jika setiap nilai ditambah dengan 10, maka nilai rata-rata ulangan harian
setelah penambahan adalah:
(70+10)+(75+10)+(75+10)+(65+10)+(80+10)+(85+10) 510
𝑥̅ = = = 85
6 6
Jadi, nilai rata-rata ulangan harian Iwan adalah 85.
Jika kita perhatikan nilai rata-rata ulangan harian Iwan sebelum

penambahan dan setelah penambahan, ternyata nilai rata-rata Iwan setelah
penambahan juga bertambah 10, yaitu dari rata-rata 75 sebelum
penambahan menjadi 85 setelah penambahan.
3. Jika setiap nilai di kurang dengan 5, maka nilai rata-rata Iwan dihitung
sebagai berikut:
(70 − 5) + (75 − 5) + (75 − 5) + (65 − 5) + (80 − 5) + (85 − 5) 420

𝑥̅ = =
6 6
= 70
Jadi, nilai rata-rata ulangan harian Iwan setelah pengurangan adalah 70.
Jika kita perhatikan nilai rata-rata ulangan harian Iwan sebelum

pengurangan dan setelah pengurangan, ternyata nilai rata-rata Iwan setelah
penambahan juga berkurang 5, yaitu dari rata-rata 75 sebelum
pengurangan menjadi 70 setelah pengurangan.
4. Jika setiap nilai dikali dengan 0,5, maka nilai rata-rata Iwan dihitung
sebagai berikut:
𝑥̅
(70 × 0,5) + (75 × 0,5) + (75 × 0,5) + (65 × 0,5) + (80 × 0,5) + (85 × 0,5)
=
6
225
= = 37,5
6
Jadi, nilai rata-rata ulangan harian Iwan setelah setiap nilai dikali 0,5 adalah
85. Jika kita perhatikan nilai rata-rata ulangan harian Iwan sebelum
perkalian dan setelah perkalian, ternyata nilai rata-rata Iwan juga dikali
dengan 0,5, yaitu dari rata-rata 75 sebelum perkalian menjadi 37,5 setelah
perkalian.
Dari contoh di atas, dapat disimpulkan bahwa rata-rata memiliki sifat-
sifat sebagai berikut.
 Jika setiap data bertambah sebesar r, maka rata-rata baru akan

bertambah sebesar r.
 Jika setiap data berkurang sebesar s, maka rata-rata baru akan
berkurang sebesar s.
 Jika data lama dikali sebesar t, maka rata-rata baru menjadi t kali
rata-rata lama.
 Jika data lama dibagi sebesar u, u ≠ 0, maka rata-rata baru menjadi
rata-rata lama dibagi u.
1.1.2. Nilai Tengah (Median)

Perhatikan kejadian Zafran saat mengambil kartu Bridge dari kiri dan
kanan. Hal yang dilakukan Zafran adalah mencari kartu yang berada di
tengah-tengah, tentunya dengan mengurutkan kartu tersebut terlebih dahulu
dari yang terkecil hingga terbesar. Bila kita lihat urutan kartunya yaitu 2, 2, 4,
6, 6, 6, 8, 8, 10 maka kartu yang berada di tengah adalah 6. Apa yang
didapatkan Zafran disebut sebagai median (nilai tengah).
Jika banyak data relatif kecil, cukup gampang menentukan angka yang
berada ditengah-tengah urutan data. Bagaimana jika banyak data cukup
banyak? Misalnya menentukan data yang berada ditengah-tengah pada urutan
data sebagai berikut.
1, 2, 3, 4, 5, 6, 7, …, 35, 36, 37, 38, 39.
Data yang berada pada urutan tengah dapat ditentukan dengan membagi dua
data sama banyak. Bagian yang sama banyak tersebut adalah:
1, 2, 3, 4, 5, 6, 7,.., 15, 16, 17, 18 → data berada di sebelah kiri
20, 21, 22, 23, …, 36, 37, 38, 39 → data berada di sebelah kanan.
Jadi, 19 adalah data yang berada di tengah-tengah ke dua bagian

tersebut. Oleh karena itu, data yang berada di tengah-tengah adalah 19.
Seandainya, banyak data genap, misalnya:
10, 20, 30, 40, 50, 60, 70, 80.
Maka tidak ada data yang berada tepat di tengah. Untuk mencari nilai data
tengah kita tentukan dengan menjumlahkan data keempat dengan data kelima
40+50
kemudian dibagi dengan dua, yaitu: = 45
2
Jadi nilai data tengahnya adalah 45. Untuk banyak data yang relatif banyak
maka data yang berada di tengah-tengah urutan data, ditentukan dengan cara
yang sama. Berdasarkan contoh di atas, kita temukan definisi median
sebagai berikut.
Dalam suatu himpunan data yang telah diurut dari data terkecil menuju
ke data terbesar, maka suatu nilai yang dilambangkan dengan 𝑴𝒆 sedemikian
hingga setengah dari keseluruhan data paling tinggi nilainya sama dengan 𝑴𝒆
dan setengahnya lagi paling rendah nilainya sama dengan 𝑴𝒆 disebut median.
Dari definisi tersebut apabila kita akan menghitung nilai 𝑴𝒆 pertama, kita
urutkan terlebih dahulu data yang ada dari data yang terkecil ke data yang
terbesar. Kedua perhatikan banyaknya data 𝑛. Apabila 𝑛 ganjil, maka 𝑴𝒆
adalah data yang di tengah dalam daftar yang terurut itu dan letaknya dapat
(𝑛+1)
dicari dengan menghitung data ke dari data terkecil. Tetapi, jika 𝑛 genap,
2
𝑛 𝑛
maka 𝑴𝒆 merupakan rataan dari data ke dan data ke + 1. Atau dapat
2 2
ditulis sebagai berikut :
Definisi Median.
Misalkan 𝑥1 , 𝑥2 , 𝑥3 , ⋯ , 𝑥𝑛 adalah suatu data, dengan 𝑥1 < 𝑥2 < 𝑥3 < ⋯ < 𝑥𝑛 , nilai
data yang posisinya di tengah-tengah urutan data disebut Median, disimbolkan
dengan Me.
Jika banyak data ganjil, maka:
𝑛+1
Me = Nilai data ke- , 𝑛 adalah banyak data
2
Jika banyak data genap, maka:
𝑛 𝑛
𝑁𝑖𝑙𝑎𝑖 𝐷𝑎𝑡𝑎 𝑘𝑒− (2 )+𝑁𝑖𝑙𝑎𝑖 𝐷𝑎𝑡𝑎 𝑘𝑒− ( 2 +1)
Me = , 𝑛 adalah banyak data.
2
1.1.3. Modus
Dalam kasus pencetak gol pada kejadian di atas, jika ada data tentang
daftar nama pencetak gol klub Barcelona dalam lima tahun terakhir, maka
nama Messi paling sering muncul di daftar tersebut. Dalam hal ini nama Messi
disebut modus dari data tentang daftar nama pencetak gol klub Barcelona
dalam lima tahun terakhir.
Perhatikan contoh berikut. Diketahui nilai rapor seorang siswa kelas VII
SMP pada semester I, sebagai berikut. 65, 70, 75, 85, 80, 85, 90. Berdasarkan
data tersebut nilai 85 disebut modus dari data nilai rapor siswa tersebut.
Berdasarkan contoh-contoh di atas, modus dapat didefinisikan sebagai

berikut.
Definisi Modus.
Misalkan 𝑥1 , 𝑥2 , 𝑥3 , ⋯ , 𝑥𝑛 adalah suatu data, data yang paling sering muncul disebut
modus, disimbolkan dengan Mo.
1.2. LEMBAR KERJA MAHASISWA

Soal Nomor 1.
Di berikan data dari suatu perusahaan “ X “ berupa data gaji karyawan
dan pimpinan pada setiap unit kerja. Pimpinan bagian HRD menjelaskan
pada seseorang (pelamar) yang akan masuk sebagai salah satu pimpinan
(orang tersebut telah berpengalaman) dengan menggunakan salah satu ukuran
pemusatan yaitu median gaji diperusahaan “ X “ adalah 159 $ perbulan.
Gaji Karyawan Dan

No Keterangan
Pimpinan ($)
1 158 Karyawan
2 158 Karyawan
3 157 Karyawan
4 163 Karyawan
5 160 Karyawan
6 162 Karyawan
7 160 Karyawan
8 155 Karyawan
9 158 Karyawan
Gaji Karyawan Dan
No Keterangan
Pimpinan ($)
10 156 Karyawan
11 160 Karyawan
12 163 Karyawan
13 151 Karyawan
14 152 Karyawan
15 151 Karyawan
16 164 Karyawan
17 158 Karyawan
18 156 Karyawan
19 161 Karyawan
20 154 Karyawan
21 164 Karyawan
22 161 Karyawan
23 157 Karyawan
24 154 Karyawan
25 152 Karyawan
26 161 Karyawan
27 355 Pimpinan
28 360 Pimpinan
29 350 Pimpinan
30 370 Pimpinan
a) Bagaimana komentar anda tentang penggunaan statistik (ukuran

pemusatan) yang dijelaskan oleh pimpinan HRD terhadap pelamar
tersebut? Jelaskan pendapat anda!
b) Apakah ukuran pemusatan yang dijelaskan oleh pimpinan HRD
menguntungkan atau merugikan perusahaan “ X” ? Jelaskan mengapa
demikian?
c) Apakah ukuran pemusatan yang dijelaskan oleh pimpinan HRD
menguntungkan atau merugikan si Pelamar tersebut ? Jelaskan mengapa
demikian ?
d) Bagaimana seharusnya yang dilakukan pimpinan HRD tersebut mengolah
data agar memberikan rasa keadilan bagi si pelamar ?
Penyelesaian
a). Bagaimana komentar anda tentang penggunaan statistik (ukuran
tersebut ? Jelaskan pendapat anda !
Jawaban: Penggunaan statistik median yang digunakan pimpinan HRD
secara prosedural nilai mediannya benar 159, akan tetapi nilai ini menjadi
sangat merugikan bagi pelamar yang berpengalaman (calon pimpinan)
dengan gaji sekitar 350 $
Descriptive Statistics: GAJI+

Variable N N* Mean SE Mean TrMean StDev Minimum Q1
Median Q3
GAJI+ 30 0 184,7 12,7 173,4 69,6 151,0 155,8
159,0 163,0
Variable Maximum
GAJI+ 370,0
Histogram of GAJI+
Histogram of GAJI+
25
20
15
Frequency
10
0
150 200 250 300 350
GAJI+
b). Apakah ukuran pemusatan yang dijelaskan oleh pimpinan HRD
menguntungkan atau merugikan perusahaan “ X” ? Jelaskan mengapa
demikian ?
Jawaban: ukuran pemusatan yang digunakan akan menguntungkan
perusahaan, karena seharusnya pelamar mendapat gaji ditawarkan gaji
berkisar 350 $, tetapi dengan nilai median hanya 159 $
c). Apakah ukuran pemusatan yang dijelaskan oleh pimpinan HRD
demikian ?
Jawaban: ukuran pemusatan (nilai median) yang digunakan akan
merugikan pelamar, karena seharusnya pelamar ditawarkan dengan gaji
berkisar 350 $, tetapi yang terjadi hanya ditawarkan dengan gaji hanya
159 $
d). Bagaimana seharusnya yang dilakukan pimpinan HRD tersebut mengolah
Jawaban: pimpinan HRD seharusnya mengolah data dengan
mengelompokkan gaji karyawan sendiri dan gaji pimpinan sendiri,
sehingga dengan ukuran pemusatan median dapat memberikan rasa
keadilan bagi si pelamar. Hasil analisis diberikan di bawah ini
Descriptive Statistics: Gaji Pimpinan

Variable N N* Mean SE Mean TrMean StDev Minimum
Q1 Median
Gaji Pimpinan 4 0 358,75 4,27 * 8,54 350,00
351,25 357,50
Variable Q3 Maximum
Gaji Pimpinan 367,50 370,00
Histogram of Gaji Pimpinan
Histogram of Gaji Pimpinan
1,0
0,8
Frequency
0,6
0,4
0,2
0,0
350 355 360 365 370
Gaji Pimpinan
Descriptive Statistics: GAJI KARYAWAN

Median
GAJI KARYAWAN 26 0 157,92 0,782 157,96 3,99 151,00 154,75
158,00
Variable Q3 Maximum
GAJI KARYAWAN 161,00 164,00
Histogram of GAJI KARYAWAN
Histogram of GAJI KARYAWAN
4
Frequency
0
152 154 156 158 160 162 164
GAJI KARYAWAN
Soal Nomor 2
Di berikan data dari suatu perusahaan “ Y “ berupa data produktifitas
karyawan baru dan lama. Pimpinan bagian HRD menjelaskan pada seseorang
(pelamar) yang akan masuk sebagai salah satu karyawan baru (orang tersebut
belum berpengalaman) dengan menggunakan salah satu ukuran pemusatan
yaitu rata-rata produktivitas diperusahaan “ Y “ adalah 73 slop perbulan.
No Produktifitas Karyawan Baru Dan Keterangan

Lama (Slop/Bulan)
1 53 Karyawan Baru
2 51 Karyawan Baru
3 53 Karyawan Baru
4 60 Karyawan Baru
5 51 Karyawan Baru
6 50 Karyawan Baru
7 62 Karyawan Baru
8 57 Karyawan Baru
9 55 Karyawan Baru
10 57 Karyawan Baru
11 62 Karyawan Baru
12 58 Karyawan Baru
13 50 Karyawan Baru
14 60 Karyawan Baru
15 92 Karyawan Lama
16 91 Karyawan Lama
17 87 Karyawan Lama
18 94 Karyawan Lama
19 94 Karyawan Lama
20 93 Karyawan Lama
No Produktifitas Karyawan Baru Dan Keterangan
Lama (Slop/Bulan)
21 81 Karyawan Lama
22 85 Karyawan Lama
23 80 Karyawan Lama
24 80 Karyawan Lama
25 94 Karyawan Lama
26 83 Karyawan Lama
27 81 Karyawan Lama
28 82 Karyawan Lama
29 87 Karyawan Lama
30 93 Karyawan Lama
a) Bagaimana komentar anda tentang penggunaan statistik (ukuran

tersebut ? Jelaskan pendapat anda!
menguntungkan atau merugikan perusahaan “ Y” ? Jelaskan mengapa
demikian ?
demikian ?
Penyelesaian
a). Bagaimana komentar anda tentang penggunaan statistik (ukuran
tersebut ? Jelaskan !
Jawaban: Penggunaan statistik rata-rata yang digunakan pimpinan HRD
terhadap produktifitas secara prosedural nilai rata-ratanya benar 72,53,
akan tetapi nilai ini menjadi sangat berat bagi pelamar baru karena di
target dengan nilai produktifitas sebesar 73 sangat tinggi bagi karyawan
baru nilai rata-rata tidak mewakili (data heterogen) data berasal dari dua
populasi karyawan baru dan i karyawan lama.
Descriptive Statistics: PROD_KARYAWAN

Variable N N* Mean SE Mean TrMean StDev Minimum
Q1 Median
PROD_KARYAWAN 30 0 72,53 3,07 72,62 16,83 50,00
56,50 80,00
Variable Q3 Maximum
PROD_KARYAWAN 88,00 94,00
Histogram of PRODUKTIFITAS
Histogram of PROD_KARYAWAN
4
Frequency
0
50 60 70 80 90
PROD_KARYAWAN
b). Apakah ukuran pemusatan yang dijelaskan oleh pimpinan HRD

menguntungkan atau merugikan perusahaan “ Y” ? Jelaskan mengapa
demikian ?
Jawaban: ukuran pemusatan yang digunakan rata-rata akan
menguntungkan perusahaan, karena pelamar ditarget dengan
produktivitas 73. Target ini sangat tinggi karena karyawan lama
dimasukkan dalam memperoleh nilai rata-rata.
c). Apakah ukuran pemusatan yang dijelaskan oleh pimpinan HRD
demikian ?
Jawaban: ukuran pemusatan (nilai rata-rata) yang digunakan akan
merugikan pelamar, karena seharusnya pelamar ditarget dengan
produktifitas 55 tapi dibebankan produktifitas 73.
d). Bagaimana seharusnya yang dilakukan pimpinan HRD tersebut mengolah
mengelompokkan produktifitas karyawan baru dan karyawan lama, dan
dianalisis secara terpisah sehingga nilai karyawan baru nilai rata-rata 55
dan nilai karyawan lama mempuyai nilai rata-rata 87 sehingga dengan
rata-rata 55 dapat memberikan rasa keadilan bagi si pelamar. Hasil
analisis diberikan di bawah ini.
Descriptive Statistics: PROD_KBARU

Median
PROD_KBARU 13 0 55,31 1,21 55,18 4,37 50,00 51,00
55,00
Variable Q3 Maximum
PROD_KBARU 59,00 62,00
Histogram of PROD_KBARU
3,0
2,5
2,0
Frequency
1,5
1,0
0,5
0,0
50 52 54 56 58 60 62
PROD_KBARU
Descriptive Statistics: karyawan lama

Variable N N* Mean SE Mean StDev Minimum Q1
Median Q3
karyawan lama 16 0 87,31 1,40 5,62 80,00 81,25
87,00 93,00
Variable Maximum
karyawan lama 94,00
Histogram of karyawan lama
Frequency
3
0
80 82 84 86 88 90 92 94
karyawan lama
Soal Nomor 3
Di berikan data dari suatu perusahaan “ Z “ berupa data gaji karyawan
dan pimpinan pada setiap unit kerja. Pimpinan bagian HRD menjelaskan
pada seseorang (pelamar) yang akan masuk sebagai salah satu pimpinan
(orang tersebut telah berpengalaman) dengan menggunakan salah satu ukuran
pemusatan yaitu MODE (MODUS) gaji diperusahaan “ Z “ adalah 158 $
perbulan.
Gaji Karyawan Dan

No Keterangan
Pimpinan ($)
1 151 Karyawan
2 151 Karyawan
3 152 Karyawan
4 152 Karyawan
5 154 Karyawan
6 154 Karyawan
7 155 Karyawan
8 156 Karyawan
9 156 Karyawan
10 157 Karyawan
11 158 Karyawan
Gaji Karyawan Dan
No Keterangan
Pimpinan ($)
12 158 Karyawan
13 158 Karyawan
14 158 Karyawan
15 159 Karyawan
16 160 Karyawan
17 160 Karyawan
18 160 Karyawan
19 161 Karyawan
20 161 Karyawan
21 161 Karyawan
22 162 Karyawan
23 162 Karyawan
24 162 Karyawan
25 164 Karyawan
26 164 Karyawan
27 355 Pimpinan
28 355 Pimpinan
29 360 Pimpinan
30 370 Pimpinan
a) Bagaimana komentar anda yang tentang statistik (ukuran pemusatan)

yang dijelaskan oleh pimpinan HRD tersebut ?
menguntungkan atau merugikan perusahaan “ Z” ?
menguntungkan atau merugikan si Pelamar tersebut ?
Penyelesaian
a) Bagaimana komentar anda yang tentang statistik (ukuran pemusatan)

yang dijelaskan oleh pimpinan HRD tersebut?
Jawaban: Penggunaan statistik modus yang digunakan pimpinan HRD
secara prosedural nilai mediannya benar 158, akan tetapi nilai ini menjadi
sangat merugikan bagi pelamar yang berpengalaman (calon pimpinan)
dengan gaji sekitar 355 $
HASIL ANALISIS GAJI + (KARYAWAN DAN PIMPINAN TIDAK

DIPISAHKAN)
Descriptive Statistics: C2
N for
Variable N Mean Minimum Median Maximum Range Mode Mode
C2 30 184,7 151,0 159,5 370,0 219,0 158 4
Summary for GAJI+

A nderson-Darling N ormality Test
A -S quared 7,92
P -V alue < 0,005
M ean 184,70
S tD ev 69,58
V ariance 4841,87
S kew ness 2,26721
Kurtosis 3,40472
N 30
M inimum 151,00
1st Q uartile 155,75
M edian 159,50
3rd Q uartile 162,00
150 200 250 300 350 M aximum 370,00
95% C onfidence Interv al for M ean
158,72 210,68
95% C onfidence Interv al for M edian
157,23 161,00
95% C onfidence Interv al for S tDev
9 5 % C onfidence Inter vals
55,42 93,54
Mean
Median
150 160 170 180 190 200 210

menguntungkan atau merugikan perusahaan “ Z”?
Jawaban: ukuran pemusatan yang digunakan akan menguntungkan
perusahaan, karena seharusnya pelamar mendapat gaji ditawarkan gaji
berkisar 355 $, tetapi dengan nilai modus hanya 158 $
menguntungkan atau merugikan si Pelamar tersebut?
Jawaban: ukuran pemusatan (nilai modus) yang digunakan akan
merugikan pelamar, karena seharusnya pelamar ditawarkan dengan gaji
berkisar 355 $, tetapi yang terjadi hanya ditawarkan dengan gaji hanya
158 $
data agar memberikan rasa keadilan bagi si pelamar?
mengelompokkan gaji karyawan sendiri dan gaji pimpinan sendiri,
sehingga dengan ukuran pemusatan modus dapat memberikan rasa
keadilan bagi si pelamar. Hasil analisis diberikan di bawah ini
HASIL ANALISIS GAJI KARYAWAM (KARYAWAN DAN PIMPINAN

DIPISAHKAN)
Descriptive Statistics: karyawan
Variable N N* Mean SE Mean StDev Variance Minimum

Q1 Median
karyawan 26 0 157,92 0,764 3,90 15,19 151,00
154,75 158,00
N for
Variable Q3 Maximum Mode Mode
karyawan 161,00 164,00 158 4
Histogram of karyawan
4
Frequency
0
152 154 156 158 160 162 164
karyawan
Descriptive Statistics: pimpinan

Variable N N* Mean SE Mean StDev Variance Minimum
Q1 Median
pimpinan 4 0 360,00 3,54 7,07 50,00 355,00
355,00 357,50
N for
Variable Q3 Maximum Mode Mode
pimpinan 367,50 370,00 355 2
Histogram of pimpinan
2,0
1,5
Frequency
1,0
0,5
0,0
355,0 357,5 360,0 362,5 365,0 367,5 370,0
pimpinan
BAB II
PEUBAH ACAK
2.1 Pengertian Peubah Acak
Definisi Peubah Acak

Peubah Acak: suatu fungsi yang memetakan seluruh anggota ruang Contoh S ke
himpunan bilangan nyata R; Y : S → R.
Jika suatu ruang sampel mengandung titik yang berhingga banyaknya atau sederetan
anggota yang banyaknya sebanyak bilangan bulat maka ruang sampel itu dinamakan
ruang sampel diskrit.
Bila ruang sampel mengandung titik yang tak berhingga banyaknya dan banyaknya
sebanyak titik pada sebuah garis, maka ruang sampel itu disebut ruang sampel
kontinu.
Definisi Peubah Acak Diskrit

Peubah acak Y disebut diskrit, jika ruang sampel S dari peubah acak itu tercacah
(berkorespondensi 1 ke 1 dengan himpunan bilangan bulat positif).
Jika himpunan nilai-nilai yang mungkin dari peubah acak X merupakan himpunan
terhitung yaitu {x1, x2, x3, …., xn} atau {x1, x2, x3, …. } maka peubah acak tersebut
disebut peubah acak diskret. Peubah acak biasanya dinotasikan dengan huruf besar,
misal X, Y, Z, dan sebagainya, sedangkan nilai-nilai dari peubah acak dinotasikan
dengan huruf kecil misal x, y, z, dan sebagainya.
Definisi Fungsi Kepadatan Peluang

Fungsi f(x) adalah fungsi peluang atau distribusi peluang suatu peubah acak diskrit X,
bila untuk setiap hasil x yang mungkin berlaku :
f(x) ≥ 0
∑ 𝑓(𝑥) = 1
𝑥
𝑃(𝑋 = 𝑥) = 𝑓(𝑥)
Contoh
Pada pelemparan sebuah koin dua kali : S = {AG, AA, GA, GG}
X menyatakan banyaknya sisi angka (A) yang muncul. Untuk setiap titik
sampel kita mengasosiasikan suatu bilangan untuk X.
Titik Sampel AG AA GA GG
X 1 2 1 0
P(AA) = P(AG) = P(GA) = P(GG) = ¼
Maka f(0) = P(X = 0) = P(GG) = ¼
f(1) = P(X = 1) = P(AG ∪ 𝐺𝐴) = 𝑃(𝐴𝐺) + 𝑃(𝐺𝐴) = ¼ + ¼ = ½
f(2) = P(X = 2) = P(AA) = ¼
Jadi, fungsi kepadatan peluang diskritnya adalah
x 0 1 2
f(x) ¼ ½ ¼
Maka grafik fungsi padat peluangnya adalah
f(x)
½
¼
0 1 2 x
Nilai-nilai f(x) yang tak terdefinisi pada titik yang merupakan nilai-nilai
yang tak mungkin bagi peubah acak X itu. Akan tetapi akan lebih baik bila kita
mendefinisikan f(x) = 0 pada titik-titik tersebut, karena kejadian adanya
peubah acak X di titik-titik tersebut merupakan kejadian (himpunan) kosong.
Teorema 2.1
Suatu fungsi f(x) disebut fungsi padat peluang diskrit jika dan hanya jika memenuhi
dua sifat untuk seluas-luasnya himpunan bilangan real terbilang {𝑥1 , 𝑥2 , … },
𝑓(𝑥𝑖 ) ≥ 0, 𝑢𝑛𝑡𝑢𝑘 𝑠𝑒𝑚𝑢𝑎 𝑥𝑖 dan
∑ 𝑓(𝑥𝑖 ) = 1
𝑥𝑖
Bukti :
Berdasarkan definisi fungsi padat peluang diskrit
𝑓(𝑥𝑖 ) = 𝑃[𝑋 = 𝑥𝑖 ], 𝑥𝑖 ∈ {𝑥1 , 𝑥2 , … } dan untuk semua kejadian nilai peluang
kejadian itu tak negatif, maka f(𝑥𝑖 ) ≥ 0, dan semua 𝑥𝑖 . Karena {𝑥1 , 𝑥2 , … }
merupakan semua nilai yang mungkin dari peubah acak X, maka kejadian-
kejadian [X = 𝑥𝑖 ], untuk semua i = 1, 2, ... merupakan partisi yang saling asing
dan lengkap dari ruang sampel S. Jadi
∑ 𝑓(𝑥𝑖 ) = ∑ 𝑃[𝑋 = 𝑥𝑖 ] = 1
𝑥𝑖 𝑥𝑖
2.2 Distribusi Peluang Diskrit
Definisi Distribusi Komulatif

Ditribusi komutatif F(x) suatu peubah acak diskrit dengan distribusi peluang
f(x) dinyatakan oleh
𝐹(𝑥) = (𝑋 ≤ 𝑥) = ∑ 𝑓(𝑡) 𝑢𝑛𝑡𝑢𝑘 − ∞ < 𝑥 < ∞
𝑡≤ 𝑥
Definisi Fungsi Distribusi

Fungsi distribusi komulatif atau diringkas fungsi distribusi dari peubah acak
X disefinisikan untuk sebarang bilangan Real x oleh F(x) = P[X ≤ 𝑥]
Fungsi distribusi F(x) merupakan fungsi tangga tidak turun. F(x)

mempunyai beberapa sifat, diantaranya
 F(x) = 0 ,untuk x menuju -∞ 𝑑𝑎𝑛 F(x) = 1, untuk x menuju +∞
 F(x) kontinu dari kanan
 F(x) merupakan fungsi tak turun
Hubungan secara umum antara F(x) fan f(x) seperti dalam teorema
berikut.
Teorema 2.2
Misalkan X peubah acak diskrit dengan fungsi distribusi F(x) dan fungsi padat
peluang f(x). Jika nilai-nilai yang mungkin dari X disusun urut naik 𝑥1 < 𝑥2 < 𝑥3 , …,
maka:
f(𝑥1 ) = 𝐹(𝑥1 ) dan untuk setiap i > 1 berlaku f(𝑥𝑖 ) = 𝐹(𝑥𝑖 ) − 𝐹(𝑥𝑖−1 ). Selanjutnya,
jika x <𝑥𝑖 , maka F(x) = 0 dan untuk sebarang bilangan real x yang lain F(x) =
∑𝑥𝑖 𝑓(𝑥𝑖 ).
Contoh 2.2
Jika dua dadu setimbang bermata enam dilambungkan sekali, maka
ruang sampel dari percobaan tersebut dapat dinyatakan dalam tabel berikut:
Dadu II
1 2 3 4 5 6
1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
2 (2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
I 3 (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
4 (4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
5 (5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
6 (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
Keterangan:
Misal merah = E1, kuning = E2, hijau = E3, biru = E4, dongker = E5, abu =
E6. Misal Y peubah acak yang menyatakan jumlah mata dadu yang muncul
dengan aturan Y(h) = i =j , maka Y(h) = {2, 3, 4, …, 12}. Misal peubah acak X
bilangan terkecil yang terjadi dari tiap-tiap hasil yang mungkin dengan aturan
X(h) = min(i,j). Maka peubah acak X mempunyai nilai 𝑥 = 1 atas E1, x = 2 atas
E2, x = 3 atas E3, x = 4 atas E4, x = 5 atas E5, x = 6 atas E6. Jadi setiap
kemungkinan nilai X menyatakan kejadian yang merupakan himpunan bagian
ruang sampel bagi percobaan.
Sedangkan fungsi padat peluangnya adalah 𝑓(1) = 𝑃[𝑋 = 1] = 𝑃(𝐸1) =

11 9
, 𝑓(2) = 𝑃[𝑋 = 2] = 𝑃(𝐸2) = , dan seterusnya. Sehingga diperoleh
36 36
distribusi peluang p.a X dengan aturan X(h) = min (i, j) adalah
x 1 2 3 4 5 6
f(x) = P(X=x) 11/36 9/36 7/36 5/36 3/36 1/36
dan untuk grafik fungsi padat peluangnya sebagai berikut
f(x)
11/36
9/36
7/36
5/36
3/36
1/36
1 2 3 4 5 6
Fungsi distribusi p.a X(h) = min(i, j) adalah
X x< 1 1≤ x< 2 2≤ x<3 3≤x< 4 4≤x<5 5≤ x<6 x≥ 6
F(x) = P(X≤ x) 0 11/36 20/36 27/36 32/36 35/36 36/36
Dan grafik fungsi distribusinya adalah
F(x)
36/36
32/36
27/36
20/36
11/36
1 2 3 4 5 6
Misal tentukan F(3) dan F(3,5). Karena F(x) =∑𝑥𝑖≤𝑥 𝑓(𝑥𝑖 ), maka
11 9 7 27
F(3) = ∑𝑥𝑖≤𝑥 𝑓(𝑥𝑖 ) = + + = dan
36 36 36 36
11 9 7 27
F(3,5) = ∑𝑥𝑖≤𝑥 𝑓(𝑥𝑖 ) = + + +0 =
36 36 36 36
2.3. Harapan Matematis

Jika X adalah peubah acak diskret yang mempunyai fungsi massa
peluang p(x), maka nilai harapan dari X, dinotasikan dengan E(X),
didefinisikan sebagai E(X) = X x;p(x)>0 xp(x) Sebagai contoh, jika p(0) = p(1) = 1
2, maka E(X) = 0p(0) + 1p(1) = 0(1/2) + 1(1/2) =1/2 yang merupakan rata-rata dari
kemunculan 0 dan 1. Namun demikian, jika
p(0) =1/3 dan p(1) =2/3 maka E(X) = 0p(0) + 1p(1) = 0(1/3) + 1(2/3) =2/3
dan ini merupakan rata-rata terboboti dari kemunculan 0 dan 1.
Jika X adalah peubah acak dan a dan b adalah konstanta, maka
E(aX + b) = aE(X) + b
2.4. Rataan Peubah Acak Diskrit
Andaikan ada suatu populasi hingga x1, x2, x3, ..., xn
Jumlah kejadian atau jumlah datanya adalah N

x1+ x2+ x3+ ...+ xn
Maka rataan populasinya adalah µ =
N
Misalkan peubah acak x ini memiliki distribusi peluang yang seragam yaitu
1
P[Xi = xi]=
N
Untuk setiap i = 1, 2, 3, ..., N
Maka nilai harapan peubah acak X ini adalah

1 1 1 1
E(X) = ∑𝑁
𝑖=1 𝑥𝑖. 𝑓(𝑥𝑖) = x1 + x2 + x3 + ...+ xN
N N N N
x1+ x2+ x3+...+ xn

=
N
Dalam kasus ini ternyata rataan peubah acak X sama dengan nilai
harapannya yaitu µ = E(X)
Definisi Rataan Peubah Acak

Jika X peubah acak diskrit dengan fdp f(x), maka rataan bagi X didefinisikan oleh
µ = E(X) = ∑𝑁
𝑖=1 𝑥𝑖. 𝑓(𝑥𝑖), jika jumlahan ini ada.
Contoh Soal :
Jika Alma mengundi sebuah dadu yang seimbang, maka tentukan

rataan dari munculnya angka pada mata dadu itu.
Solusi :
Misalkan peubah acak X menunjukkan munculnya angka pada mata

dadu. Jadi nilai-nilai yang mungkin adalah {x | x=1, 2, 3, 4, 5, 6}, dengan
1
masing-masing nilai mempunyai peluang yang sama yaitu
6
Jadi, E(X) = ∑6𝑖=1 𝑥. 𝑓(𝑥)

1
= ∑6𝑖=1 𝑥.
6
1
= ( 1 + 2 +3 +4 + 5 + 6 )
6
= 3,5
2.5. Variansi Peubah Acak Diskrit
Variansi dari peubah acak X sering dinotasikan 𝜎2x. Akar pangkat dua
yang positif dari variansi disebut simpangan baku dari peubah acak X dan
dinotasikan dengan 𝜎x.Jika percobaan dapat diulang sampai tak hingga maka
dapat juga memiliki variansi peubah acak yang dilambangkan dengan 𝜎2 =
𝑉𝑎𝑟(𝑋).
Definisi Variansi peubah acak misalkan peubah acak X mempunyai fungsi padat
peluang f(x) dan rataanya 𝜇 = E(X), maka varian peubah acak X didefinisikan:
𝜎2= 𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 − 𝜇)2
Untuk X peubah diskrit, maka variansi X didefinisikan sebagai
𝜎 2 = 𝑉𝑎𝑟(𝑋) = 𝐸[(𝑋 − 𝜇)2 ] = ∑𝑠𝑒𝑚𝑢𝑎 𝑥𝑖 (𝑥𝑖 − 𝜇)2 f(xi)
Teorema 2.3. Misalkan peubah acak X mempunyai fungsi padat peluang f(x). Dan
g(x) adalah suatu fungsi dari suatu peubah acak X itu, maka variansinya ditulis
𝜎2g(X) = E{[g(X) – 𝜇 g(X)]2}
Jika X peubah acak diskrit, maka variansinya
𝜎2g(X) = E{[g(X) – 𝜇 g(X)]2}
= ∑𝑠𝑒𝑚𝑢𝑎 𝑥𝑖(𝑔(𝑥𝑖) − 𝜇𝑔(𝑋) )2 f(xi)
Teorema 2.4. Bila X suatu peubah acak dengan Var(X)=𝜎2 dan a suatu konstanta,
maka
Var (aX) = 𝜎2aX = a2 𝜎2
Bukti :
Menurut Teorema 𝜎 2g(X) = E{[g(X) – 𝜇 g(X)]2}. Sedangkan menurut Akibat 𝜇 aX = a𝜇,
maka
Var(aX) = 𝜎2g(X) = E{[g(X) – 𝜇 g(X)]2} = a2 E[(X – 𝜇)2] = a2 𝜎2
Teorema 2.5. Bila X suatu peubah acak dengan Var(X) = 𝜎2 dan b suatu konstnta,
maka
Var(X+b) = 𝜎2X+b = 𝜎2
Bukti :
Menurut Teorema Var(X+b) = 𝜎2X+b = E{[(X+b) – 𝜇 X+b]2}. Sedangkan menurut

Teorema 𝜇 X + b =𝜇 + 𝑏, maka
𝜎2X+b = E{[(X+b) – 𝜇 X+b]2} = E[(X– 𝜇)2] = 𝜎2
RANGKUMAN
1. Peubah acak adalah suatu fungsi dari ruang contoh ke bilangan nyata,
f : S → R.
2. Ditribusi komutatif F(x) suatu peubah acak diskrit dengan distribusi

peluang f(x) dinyatakan oleh
𝐹(𝑥) = (𝑋 ≤ 𝑥) = ∑ 𝑓(𝑡) 𝑢𝑛𝑡𝑢𝑘 − ∞ < 𝑥 < ∞

𝑡≤ 𝑥
3. Fungsi distribusi F(x) merupakan fungsi tangga tidak turun. F(x)

mempunyai beberapa sifat, diantaranya
 F(x) = 0 ,untuk x menuju -∞ 𝑑𝑎𝑛 F(x) = 1, untuk x menuju +∞
 F(x) kontinu dari kanan
 F(x) merupakan fungsi tak turun
4. Hubungan secara umum antara F(x) fan f(x) seperti dalam teorema
berikut.
Jika X adalah peubah acak diskret yang mempunyai fungsi massa peluang
p(x), maka nilai harapan dari X, dinotasikan dengan E(X), didefinisikan
sebagai E(X) = X x;p(x)>0 xp(x). Jika X adalah peubah acak dan a dan b
adalah konstanta, maka
E(aX + b) = aE(X) + b. Nilai harapan peubah acak X adalah
1 1 1 1
E(X) = ∑𝑁
𝑖=1 𝑥𝑖. 𝑓(𝑥𝑖) = x1 + x2 + x3 + ...+ xN
N N N N
x1+ x2+ x3+...+ xn

=
N
5. Dalam kasus ini ternyata rataan peubah acak X sama dengan nilai
harapannya yaitu µ = E(X). Variansi peubah acak misalkan peubah acak X
mempunyai fungsi padat peluang f(x) dan rataanya 𝜇 = E(X), maka varian
peubah acak X didefinisikan:
𝜎2= 𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 − 𝜇)2
BAB III
DISTRIBUSI HIPERGEOMETRIK
3.1 Pengertian Distribusi Hipergeometrik

Distribusi hipergeometrik didefinisikan sebagai distribusi peluang
peubah acak hipergeometrik X, yaitu banyaknya sampel acak ukuran n yang
diambil dari N benda yang mengandung k bernama sukses dan N–k bernama
gagal, ialah ;
(𝑘𝑥)(𝑁−𝑘
𝑛−𝑥
)
ℎ(𝑥; 𝑁, 𝑛, 𝑘) = , 𝑥 = 0,1,2, … , 𝑛
(𝑁𝑛)
Percobaan hipergeometrik adalah percobaan dengan ciri-ciri sebagai berikut
 Sampel acak berukuran n yang diambil tanpapen gembalian dari N
benda.
 Sebanyak k-benda dapat diberi nama sukses dan sisanya N-k diberi nama
gagal.
Teorema-teorema pada Distribusi Hipergeometrik
Teorema 3.1
Distribusi hipergeometrik h(x;N,n,k) mempunyai rata-rata sbb:
  nk
N
Bukti:
Teorema 3.2
Distribusi hipergeometrik h(x;N,n,k) mempunyai variansi sbb:
s2  N-n (n)( k )(1- k )

atau N-1 n n
𝑘 𝑘
𝑛 (1 − ) (𝑁 − 𝑛)
𝑉𝑎𝑟 (𝑋) = 𝑁 𝑁
𝑁−1
Teorema 3.3
Misal X-HIP(n, M, N). Maka untuk masing-masing nilai x=0,1,....,n, dan untuk M →
𝑀
∞ dengan → 𝑝 , suatu konstanta maka
𝑁
(𝑀
𝑥
)(𝑁−𝑀
𝑛−𝑥
) 𝑛
𝑙𝑖𝑚 = ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑁→∞ (𝑁𝑛) 𝑥
Penerapan distribusi hipergeometrik
1. Ditemukan dalam berbagai bidang, dan paling sering digunakan dalam
penarikan sampel penerimaan barang, pengujian elektronik, jaminan
mutu, dsb.
2. Dalam banyak bidang ini, pengujian dilakukan terhadap barang yang
diuji yang pada akhirnya barang uji tersebut menja dirusak, sehingga
tidak dapat dikembalikan. Jadi, pengambilan sampel harus dikerjakan
tanpa pengembalian
Contoh Soal dan Penyelesaiannya

Contoh 1.
Suatu panitia 5 orang dipilih secara acak dari 3 matematikawan dan 5
fisikawan. Hitung distribusi probabilitas banyaknya matematikawan yang
duduk dalam panitia!
Jawaban:
Misalkan: X= menyatakan banyaknya matematikawan dalam panitia.
X={0,1,2,3} 𝑁 = 8 ; 𝑛 = 5 ; 𝑘=3 ;
Distribusi probabilitasnya dinyatakan dengan rumus
h(x; 8, 5, 3) 
 x  5 x 
3 5
; x  0,1, 2, 3
 5 3 5
8
x  0  h(0; 8, 5, 3) 
05  1
85 56
x  1  h(1; 8, 5, 3) 
 1  4  15
3 5

5 56
8
x  2  h( 2; 8, 5, 3) 
 2  3 30
3 5

5 56
8
Tabel Distribusihipergeometrik
X 0 1 2
h(x;8,5,3) 1 15 30
56 56 56
Contoh 2.
Suatu pabrik ban mempunyai data bahwa dari pengiriman sebanyak
5000 ban ke sebuah toko tertentu terdapat 1000 cacat. Jika ada seseorang
membeli 10 ban ini secara acak dari toko tersebut, berapa probabilitasnya
memuat tepat 3 yang cacat.
Jawab :
Karena n=10 cukup kecil dibandingkan N=5000, maka probabilitasnya
dihampiri dengan binomial dengan p= 10/5000= 0,2 adalah probailitas
mendapat satu ban. Jadi probabilitas mendapat tepat 3 ban cacat:
h(3; 5000,10,1000)  b(3;10,0.2)

3 2
  b(x;10,0.2)   b(x;10,0.2)
x 0 x 0
 0,8791  0,6778
 0,2013
Contoh 3.
Suatu kotak berisi 40 hasil produksi dikatakan dapat diterima jika
mengandung paling banyak tiga yang cacat. Suatu kotak ditolak, jika sampel
acak ukuran 5 hasil produksi yang terpilih mengandung suatu yang cacat.
Berapakah peluang mendapatkan tetap satu yang cacat dalam sampel, jika
kotak tersebut mengandung tiga hasil produksi yang cacat ?
Jawab :
Dengan menggunakan distribusi hipergeometrik untuk n = 5, N = 40, k =
3, dan x = 1, peluang mendapatkan tepat satu yang cacat adalah
 3  40 3   3  37 
     
 1  51   1  4 
h  1; 40,5,3           0,3011
 40   40 
   
5 5
   
Contoh 4.
Bila 5 kartu diambil secara acak dari seperangkat kartu bridge, berapa
peluang diperoleh 3 kartu hati ?
Jawab :
Diketahui 𝑛 = 5 ; 𝑁 = 52 ; 𝑘 = 13 ; 𝑥=3
(13
3
)(39
2
)
ℎ(𝑥; 𝑁, 𝑛, 𝑘) = = 0,0815
(52
5
)
𝑛𝑘 (5)(13)
𝜇= = = 1,25
𝑁 52
𝑁−𝑛 𝑘 𝑘 52 − 5 13 13
𝜎2 = ∙ 𝑛 ∙ (1 − ) = (5) ( ) (1 − ) = 0,8640
𝑁−1 𝑁 𝑁 51 52 52
Latihan Soal
Sebuah panitia yang terdiri atas 3 orang diambil secara acak dari 4 laki-
laki dan 2 perempuan. Tuliskan rumus dari distribusi peubah acak X yang
menyatakan banyaknya laki-laki yang duduk dalam panitia itu. Hitunglah
P(2≤X≤3)
Jawab :
Diketahui 𝑁 = 6 , 𝑛 = 3 , 𝑘 = 4
(𝑥4)(3−𝑥
6−4
) (𝑥4)(3−𝑥
2
)
ℎ(𝑥; 𝑁, 𝑛, 𝑘) = ℎ(𝑥; 6,3,4) = =
(63) (63)
(41)(22) 1
𝑃(𝑋 = 1) = ℎ(1; 6,3,4) = = = 0,2
(63) 5
(42)(21) 3
𝑃(𝑋 = 2) = ℎ(2; 6,3,4) = = = 0,6
(63) 5
(43)(20) 1
𝑃(𝑋 = 3) = ℎ(3; 6,3,4) = = = 0,2
(63) 5
𝑃(2 ≤ 𝑋 ≤ 3) = 𝑃(𝑋 ≤ 3) − 𝑃(𝑋 ≤ 2)
= (𝑃(𝑋 = 3) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 1)) − (𝑃(𝑋 = 2) + 𝑃(𝑋 = 1))
= (0,2 + 0,6 + 0,2) − (0,6 + 0,2) = 1 − 0,8 = 0,2
Atau bisa juga menghitung menggunakan minitab sebagai berikut :
𝑃 (2 ≤ 𝑋 ≤ 3) = 𝑃(𝑋 ≤ 3) − 𝑃(𝑋 ≤ 2) = 1 − 0,8 = 0,2
3.2 Distribusi Hipergeometrik Peubah Ganda

Bila suatu populasi berukuran N disekat menjadi k sel A1, A2, …, Ak
masing – masing dengan a1, a2, …, ak unsur , maka distribusi peluang acak x1,
x2, …, xk yang menyatakan banyaknya unsur yang terambil dari sel – sel A1, A2,
…, Ak bila dari populasi itu diambil sampel acak berukuran n adalah :
(𝑥𝑎1 ) (𝑎𝑥2) … (𝑎𝑥𝑘)

1 2 𝑘
𝑓(𝑥1 , 𝑥2, … , 𝑥𝑘 ; 𝑎1 , 𝑎2 , … , 𝑎𝑘 , 𝑁, 𝑛) =
(𝑁𝑛)
Sedangkan dalam hal ini ∑𝑘𝑖=1 𝑥𝑖 = n dan ∑𝑘𝑖=1 𝑎𝑖 = 𝑁
Contoh
Seseorang hendak menanami halaman belakang dan depan rumahnya

dengan tanaman bunga. Dari sebuah kotak yang berisi 3 umbi camalia, 4 umbi
monstera dan 3 umbi gardena, ia mengambil 5 umbi secara acak untuk
ditanam di halaman depan, sedangkan 5 umbi sisanya ditanam dihalaman
belakang. Beapa peluang, ketika musim berbunga tiba dihalaman depan
berbunga 1 camalia, 2 monstera dan 2 gardena?
Jawab :
Dengan menggunakan distribusi hipergeometrik dengan
𝑥1 = 1 , 𝑥2 = 2, 𝑥3 = 3 , 𝑎1 = 3 , 𝑎2 = 4 , 𝑎3 = 3 , 𝑁 = 10 , 𝑑𝑎𝑛 𝑛 = 5
kita memperoleh peluang yang ditanyakan, yaitu :
(31)(42) … (32) 3
𝑓 (1,2,2 ; 3,4,3,10,5) = =
(10
5
) 14
3.3 Perbedaan Distribusi Binomial dan Distribusi Hipergeometrik

Adapun perbedaan dalam cara penarikan sample, Dalam distribusi
binomial diperlukan sifat pengulangan yang saling bebas, dan pengulangan
tersebut harus dikerjakan dengan pengembalian (with replacement).
Sedangkan untuk distribusi hipergeometrik tidak diperlukan sifat
pengulangan yang saling bebas dan dikerjakan tanpa pengembalian (without
replacement).
RANGKUMAN
Distribusi hipergeometrik didefinisikan sebagai distribusi peluang

peubah acak hipergeometrik X, yaitu banyaknya sampel acak ukuran n yang
diambil dari N benda yang mengandung k bernama sukses dan N–k bernama
gagal
Percobaan hipergeometrik adalah percobaan dengan ciri-ciri sebagai berikut :
1. Sampel acak berukuran n yang diambil tanpa pengembalian dari N

benda.
2. Sebanyak k-benda dapat diberi nama sukses dan sisanya N-k diberi
nama gagal.
Adapun teorema-teorema pada distribusi hipergeometrik
Teorema 3.1
Distribusi hipergeometrik h(x;N,n,k) mempunyai rata-rata sbb:
  nk
N
Teorema 3.2
Distribusi hipergeometrik h(x;N,n,k) mempunyai variansi sbb:
 2  Nn (n)( k )(1  k )

N1 n n
Teorema 3.3
Misal X-HIP(n, k, N). Maka untuk masing-masing nilai x=0,1,....,n, dan untuk M →
𝑘
∞ dengan → 𝑝 , suatu konstanta maka
𝑁
(𝑘𝑥)(𝑁−𝑘
𝑛−𝑥
) 𝑛
𝑙𝑖𝑚 = ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑁→∞ (𝑁𝑛) 𝑥
ℎ ( 𝑥; 𝑛, 𝑘, 𝑁) = 𝑏 (𝑛; 𝑥, 𝑝)
Contoh
Perusahaan telepon melaporkan bahwa diamtara 5000 pemasang
telepon baru, 4000 menggunakan telepon tombol. Bila diantara pemasang baru
tersebut diambil secara acak, berapa peluang tepat ada 3 orang yang
menggunakan tipe putar ?
Jawab :
Diketahui : N=5000 , n=10 , k=1000 , x= 3 , p=0,2
ℎ (3; 5000,10,1000) = b (3; 10, 0,2)

3 2
∑ 𝑏(𝑥; 10, 0,2) − ∑ 𝑏(𝑥; 10, 0,2)

𝑥=0 𝑥=0
= 0,8791 − 0,6678
= 0,2013
BAB IV
DISTRIBUSI SERAGAM
Jika sebuah variabel random X mengambil nilai x1, x2, …, xk dengan

probabilitas yang sama, maka distribusi seragam diskrit untuk variabel X
diberikan oleh:
1
𝑓(𝑥, 𝑛) = , 𝑢𝑛𝑡𝑢𝑘 𝑥 = 𝑥1 , 𝑥2 , … , 𝑥𝑛
𝑛
Rataan dan variansi dari distribusi seragam diskrit f(x;k) adalah
Contoh soal
Contoh 1.
Tentukan distribusi seragam bagi contoh acak panitia yang terdiri atas 4
orang yang dipilih dari 6 orang.
Penyelesaian:
6
Kombinasi yang mungkin terjadi adalah ( ) = 15, karena masing-
4
masing mempunyai kemungkinan terpilih yang sama, maka distribusi
seragamnya
1
𝑓(𝑥, 15) =
15
Contoh 2.
Seorang mahasiswa dipilih secara acak untuk mengerjakan soal didepan
kelas dari 30 mahasiswa yang hadir. Distribusi seragamnya adalah..
Penyelesaian:
1
Setiap mahasiswa tersebut mempunyai peluang yang sama, yaitu .
30
bila para mahasiswa itu dinomori dari 1sampai 30, maka distribusi peluangnya
1
adalah seragam dengan fungsi padat peluang 𝑓(𝑥, 30) =
30
BAB V
DISTRIBUSI BINOMIAL
Distribusi binomial adalah distribusi probabilitas diskret jumlah

keberhasilan dalam n percobaan ya/tidak (berhasil/gagal) yang saling bebas,
dimana setiap hasil percobaan memiliki probabilitas p. Eksperimen
berhasil/gagal juga disebut percobaan bernoulli. Ketika n = 1, distribusi
binomial adalah distribusi bernoulli.
Distribusi ini seringkali digunakan untuk memodelkan jumlah

keberhasilan pada jumlah sampel n dari jumlah populasi N. Apabila sampel
tidak saling bebas (yakni pengambilan sampel tanpa pengembalian), distribusi
yang dihasilkan adalahdistribusi hipergeometrik, bukan binomial. Semakin
besar N daripada n, distribusi binomial merupakan pendekatan yang baik dan
banyak digunakan.
Ciri-ciri Distribusi Binomial

1. Setiap percobaan hanya mempunyai 2 kemungkinan hasil : sukses
(hasil yang dikehendaki, dan gagal atau hasil yang tidak dikehendaki).
2. Setiap percobaan bersifat independen atau dengan pengembalian.
3. Probabilitas sukses setiap percobaan harus sama, dinyatakan dengan
p. Sedangkan probilita gagal dinyatakan dengan q dan jumlah p dan q
harus sama dengan satu.
4. Jumlah percobaan, dinyatakan dengan n, harus tertentu jumlahnya.
Dalam suatu percobaan binomial, peluang untuk mendapatkan tepat X

sukses dalam n percobaan adalah
𝑛
𝑏(𝑥; 𝑛, 𝑝) = ( ) 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥
Untuk P(X<r) atau P(a ≤ X ≤b) dapat menggunakan rumus:
𝑛
𝑛
(𝑝 + 𝑞)𝑛 = ∑ ( ) 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥
𝑥=0
Contoh soal:
Peluang Ronaldo mencetak gol lewat tendangan penalty adalah 0,8. Jika
dalam 4 kali penalty tentukan peluang ronaldo mencetak tepat 3 goal.
Penyelesaiannya :
Dengan menggunakan rumus distribusi binomial, peluag berhasilnya
mendapat gol adalah: p=0,8
4
𝑏(3; 4,0.8) = ( ) (0.8)3 (0.2)4−3
3
= 4(0.512)(0.2)
= 0.4096
BAB VI
DISTRIBUSI MULTINOMIAL
Dalam teori probabilitas, distribusi multinomial merupakan generalisasi

dari distribusi binomial. Percobaan binomial menjadi percobaan multinomial
bila tiap usaha dapat memberikan lebih dari dua hasil.
Syarat distribusi Multinomial:
1. Percobaan terdiri atas n usaha yang berulang.

2. Percobaan saling bebas.
3. Tiap usaha mempunyai lebih dari 2 kemungkinan
Jika sebuah percobaan dapat menghasilkan outcome E 1, E2, …, Ek

dengan peluang masing-masing p1, p2, …,pk, maka distribusi peluang dari
peubah acak X1, X2, …, Xk yang menyatakan jumlah kemunculan outcome E1,
E2, …, Ek dalam n percobaan independen adalah:
𝑛 𝑥 𝑥 𝑥
f(x1,x2,…,xk; p1,p2,…,pk,n) = (x ,x ,…,x ) 𝑝1 1 𝑝2 2 … 𝑝𝑘 𝑘
1 2 k
Dengan
𝑘 𝑘
∑ 𝑥𝑖 = 𝑛 ∑ 𝑝𝑖 = 1
𝑖=1 𝑖=1
Contoh soal:
Bila dua dadu dilantunkan 6 kali, berapa peluang mendapatkan jumlah

bilangan yang muncul sebesar 7 atau 11 sebanyak 2 kali, bilangan yang sama
pada kedua dadu sekali, dan kemungkinan lainnya 3 kali?
Penyelesaian:
E1 = terjadi bilangan yang muncul 7 atau 11
E2 = muncul bilangan yang sama pada kedua dadu
E3 = kemungkinan lainnya selain dua diatas

6 2 8 2
p1 = + = =
36 36 36 9
6 1
p2 = =
36 6
22 11
p3 = =
36 18
x1 = 2, x2 = 1, x3 = 3
3
2 1 11 6 2 2 1 11
f(2,1,3; , , ,6) = ( )( ) ( )( )
9 6 18 2,1,3 9 6 18
6! 4 1 1331
= . . .
2!1!3! 81 6 5832
40 1331
= .
81 5832
6655
=
59049
= 0,1127
6.1 Cara Menggunakan Program Minitab Berkaitan dengan Distribusi

Binomial
Contoh soal:
peluang seseorang sembuh dari suatu penyakit darah tinggi adalah 0,4.
Bila 15 orang diketahui menderita penyakit ini, berapa peluang bahwa
a) Sekurang-kurangnya 10 orang dapat sembuh
b) Ada 3 sampai 8 orang yang sembuh
c) Tepat 5 orang yang sembuh
Jawab:
1. Menu Graph → Probability Distribution Plot
2. Akan muncul tampilan
3. Pilih View Probability untuk menampilkan peluang yang akan dicari
4. Pada bagian Distribution
Distribution: Binomial
Number of trial (jumlah pengulangan): 15
Event Probability (peluang sukses) : 0,4
5. Pada bagian Shaded Area (daerang yang dicari)

6. Sekurang-kurangnya 10, jadi kita pilih Right Tail dengan X value: 10
(Right Tail : untuk menampilkan lebih dari,
Left Tail : untuk menampilkan kurang dari,
Both Tail : untuk menampilkan peluang yang kurang dari dan lebih
dari, tapi tidak diantaranya.
Middle : untuk menampilkan peluang diantara x1 dan x2.)
7. Grafiknya akan tampak seperti ini:
P(x ≥ 10)=0,03383
Jadi, untuk pertanyaan a, peluang sekurang-kurangnya 10 orang dapat
sembuh adalah 0,03383
8. Ulangi langkah 1-3 untuk pertanyaan b, lalu pada langkah keempat
pilih Middle.
Dengan x1= 3 dan x2= 8
P(3 ≤ x ≤ 8)=0,8778
Jadi, peluang ada 3 sampai 8 orang yang sembuh adalah 0,8778
10. Ulangi langkah 1-3 untuk pertanyaan c, lalu pada langkah keempat
pilih Middle.
Dengan x1= 5 dan x2= 5
P(x =5) = 0,1859
Jadi, peluang tepat 5 orang yang sembuh adalah 0.1859
BAB VII
DISTRIBUSI BINOMIAL NEGATIF DAN GEOMETRI
7.1 DISTRIBUSI BINOMIAL NEGATIF

Perhatikan suatu percobaan yang mempunyai ciri yang sama dengan
percobaan binomial kecuali bahwa uji-coba diulang terus sampai terjadi
sejumlah tertentu sukses. Peluang bahwa sukses ke-𝑘 terjadi pada ulangan ke-
𝑥 dalam 𝑛 uji coba, dengan 𝑛 telah ditetapkan lebih dahulu. Percobaan
semacam ini disebut percobaan binomial negatif .
Bilangan 𝑋 yang menyatakan banyaknya uji-coba yang menghasilkan

𝑘 sukses dalam suatu percobaan binomial negatif disebur peubah acak
binomial negatif, sedangkan distribusi peluangnya disebut distribusi binomial
negatif. Karena nilai peluang dalam distribusi tersebut bergantung pada
banyaknya sukses yang diinginkan dan peluang sukses pada suatu uji-coba,
maka kita akan melambangkan dengan 𝑏 ∗ (𝑥; 𝑘, 𝑝). Untuk mendapatkan rumus
umum bagi 𝑏 ∗ (𝑥; 𝑘, 𝑝), perhatikan peluang terjadinya sukses pada ulangan ke-
𝑥 yang didahului oleh (𝑘 − 1) kesuksesan dari (𝑥 − 𝑘) gagal dalam suatu
urutan tertentu. Karena masing-masing ulangan itu bebas satu sama lain, maka
kita dapat menggandakan semua peluang untuk setiap kejadian yang
diinginkan. Setiap suksesan terjadi dengan peluang 𝑝 dan setiap gagal terjadi
dengan peluang 𝑞 = 1 − 𝑝.
Dengan demikian, peluang bagi urutan tersebut berakhir dengan suatu

sukses adalah 𝑝𝑘−1 𝑞 𝑘−1 𝑝 = 𝑝𝑘 𝑞 𝑥−𝑘 . Banyaknya titik sampel dalam percobaan
tersebut yang berakhir dengan sukses, setelah sebelumnya terjadi (𝑘 − 1)
kesuksesan dan (𝑥 − 𝑘) kegagalan dalam sembarang urutan, adalah sama
dengan banyaknya sekatan (𝑥 − 1) ulangan ke dalam dua kelompok, dengan
(𝑘 − 1) kesuksesan dalam kelompok yang satu dan (𝑥 − 𝑘) kegagalan dalam
𝑥−1
kelompok lainnya. Bilangan ini dapat dituliskan menurut rumus ( ),
𝑘−1
semuanya saling terpisah dan terjadi dengan peluang yang sama sebesar
𝑝𝑘 𝑞 𝑥−𝑘 . Kita peroleh rumus umum tersebut dengan menggandakan 𝑝𝑘 𝑞 𝑥−𝑘
𝑥−1
dengan ( ).
𝑘−1
Definisi Distribusi Binomial Negatif.
Bila uji-coba yang bebas dan berulang-ulang dapat menghasilkan sukses dengan
peluang 𝑝 dan gagal dengan peluang 𝑞 = 1 – 𝑝, maka distribusi peluang bagi peubah
acak 𝑋, yaitu banyaknya uji-coba sampai terjadinya 𝑘 sukses, diberikan menurut
rumus :
𝑏 ∗ (𝑥; 𝑘, 𝑝) = (𝑥−1
𝑘−1
) 𝑝𝑘 𝑞 𝑥−𝑘 , untuk 𝑥 = 𝑘, 𝑘 + 1, 𝑘 + 2, ….
Distribusi binomial negatif memperoleh namanya dari kenyataan bahwa

setiap suku dalam penguraian 𝑝𝑘 (1 − 𝑝)𝑥−𝑘 . Berpadanan dengan nilai-nilai
𝑏 ∗ (𝑥; 𝑘, 𝑝) untuk 𝑥 = 𝑘, 𝑘 + 1, 𝑘 + 2, … .
Dari uraian tersebut maka distribusi binomial negatif memiliki

karakteristik sebagai berikut:
1. Apabila percobaan hanya menghasikan sukses atau gagal.

2. Banyaknya percobaan tidak tentu karena bergantung kepada
banyaknya sukses yang telah ditentukan.
3. Setiap percobaan peluang sukses sama.
4. Setiap percobaan bebas satu sama lain.
Ekspektasi dan Variansi Distribusi Binomial Negatif
Ekspektasi Distribusi Binomial Negatif

𝑘
Akan ditunjukkan : 𝐸(𝑋) =
𝑝
Bukti :
𝑘+𝑛
𝐸(𝑋) = ∑ 𝑥 𝑓(𝑥)
𝑥=𝑘
𝑘+𝑛
𝑥 − 1 𝑘 𝑥−𝑘
𝐸(𝑋) = ∑ 𝑥 ( )𝑝 𝑞
𝑘−1
𝑥=𝑘
𝑘+𝑛
(𝑥 − 1)!
𝐸(𝑋) = ∑ 𝑥 𝑝𝑘 𝑞 𝑥−𝑘
(𝑟 − 1)! ((𝑥 − 1) − (𝑘 − 1))!
𝑥=𝑘
𝑘+𝑛
(𝑥 − 1)! 𝑘 𝑝
𝐸(𝑋) = ∑ 𝑥 𝑝𝑘 𝑞 𝑥−𝑘
(𝑘 − 1)! (𝑥 − 𝑘)! 𝑘 𝑝
𝑥=𝑘
𝑘+𝑛
𝑘 (𝑥 − 1)!
𝐸(𝑋) = ∑ 𝑥 𝑝𝑘+1 𝑞 𝑥−𝑘
𝑝 𝑘! (𝑥 − 𝑘)!
𝑥=𝑘
𝑘
𝐸(𝑋) =
𝑝
𝑘
Jadi ekspektasi dari distribusi binomial negatif yaitu, 𝐸(𝑋) = .
𝑝
Variansi Distribusi Binomial Negatif

𝑘𝑞
Akan ditunjukkan : 𝑉𝑎𝑟(𝑋) =
𝑝2
Bukti :
Misalkan :
𝐸(𝑋 2 ) = 𝐸(𝑋 2 ) + 𝐸(𝑋) − 𝐸(𝑋)
𝐸(𝑋 2 ) = 𝐸 [ 𝑋 2 + 𝑋 ] − 𝐸(𝑋)
𝐸(𝑋 2 ) = 𝐸 [ 𝑋 (𝑋 + 1) ] − 𝐸(𝑋)
Kemudian akan dicari :
𝑘+𝑛
𝐸 [ 𝑋 (𝑋 + 1) ] = ∑ 𝑥 (𝑥 + 1) 𝑓(𝑥)
𝑥=𝑘
𝑘+𝑛
𝑥−1 𝑘
𝐸 [ 𝑋 (𝑋 + 1) ] = ∑ 𝑥 (𝑥 + 1) ( ) 𝑝 (1 − 𝑝) 𝑥−𝑘
𝑘−1
𝑥=𝑘
𝑘+𝑛
(𝑥 − 1)!
𝐸 [ 𝑋 (𝑋 + 1) ] = ∑ 𝑥 (𝑥 + 1) 𝑝𝑘 (1 − 𝑝)𝑥−𝑘
(𝑘 − 1)! (𝑥 − 𝑘)!
𝑥=𝑘
𝑘+𝑛
(𝑥 − 1)! 𝑘(𝑘 + 1) 𝑝2
𝐸 [ 𝑋 (𝑋 + 1) ] = ∑ 𝑥 (𝑥 + 1) 𝑝𝑘 (1 − 𝑝)𝑥−𝑘
(𝑘 − 1)! (𝑥 − 𝑘)! 𝑘(𝑘 + 1) 𝑝2
𝑥=𝑘
𝑘+𝑛
𝑘(𝑘 + 1) (𝑥 + 1)!
𝐸 [ 𝑋 (𝑋 + 1) ] = ∑ 𝑝𝑘+2 (1 − 𝑝)𝑥−𝑘
𝑝2 (𝑘 + 1)! (𝑥 − 𝑘)!
𝑥=𝑘
𝑘(𝑘 + 1)
𝐸 [ 𝑋 (𝑋 + 1) ] =
𝑝2
Sehingga,
𝐸(𝑋 2 ) = 𝐸 [ 𝑋 (𝑋 + 1) ] − 𝐸(𝑋)
𝑘(𝑘 + 1) 𝑘
𝐸(𝑋 2 ) = −
𝑝2 𝑝
𝑘 2 + 𝑘 𝑘𝑝
𝐸(𝑋 2 ) = − 2
𝑝2 𝑝
𝑘 2 + 𝑘 + 𝑘𝑝
𝐸(𝑋 2 ) =
𝑝2
Maka akan didapat nilai 𝑉𝑎𝑟(𝑋):
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2
𝑘 2 + 𝑘 + 𝑘𝑝 𝑘 2
𝑉𝑎𝑟(𝑋) = − ( )
𝑝2 𝑝
𝑘 2 + 𝑘 + 𝑘𝑝 − 𝑘 2
𝑉𝑎𝑟(𝑋) =
𝑝2
𝑘 − 𝑘𝑝
𝑝2
𝑘(1 − 𝑝)
𝑝2
𝑘𝑞
𝑝2
𝑘𝑞
Jadi variansi dari distribusi binomial negatif yaitu, 𝑉𝑎𝑟(𝑋) = .
𝑝2
LATIHAN SOAL
Soal Nomor 1
Hitunglah peluang seseorang yang melantunkan 3 koin akan

mendapatkan semua sisi 𝐺 atau semua sisi 𝐴 untuk yang kedua kalinya pada
lantunan yang kelima?
Penyelesaian:
Dengan menggunakan distribusi binomial negatif dengan 𝑥 = 5, 𝑘 = 2

1
dan 𝑝 = diperoleh
4
1 3
𝑞 =1−𝑝 =1− =
4 4
1
𝑏 ∗ (𝑥; 𝑘, 𝑝) = 𝑏 ∗ (5; 2, )
4
𝑥 − 1 𝑘 𝑥−𝑘
=( )𝑝 𝑞
𝑘−1
5 − 1 1 2 3 5−2
=( )( ) ( )
2−1 4 4
4 1 2 3 3
= ( )( ) ( )
1 4 4
4! 1 27
=
1! (4 − 1)! 16 64
4! 27
=
1! 3! 1.024
4 × 3! 27
=
1 × 3! 1.024
27
=
256
= 0,1055
Distribution Plot
Negative Binomial; p=0,25; NEvents=2
0,12
0,1055
0,10
0,08
Probability
0,06
0,04
0,02
0,00
2 5 30
X
X = total number of trials.
Gambar 1. Grafik Distribusi Binomialnya
Jadi, peluang untuk mendapatkan semua sisi 𝐺 atau semua sisi 𝐴 untuk yang
kedua kalinya pada lantunan kelima adalah 0,10546875.
Soal Nomor 2
Peluang penduduk di suatu kota mempunyai anjing diduga sebesar 0,3.
Hitunglah peluang bahwa orang yang kesepuluh yang diambil secara acak
untuk diwawancarai dalam kota ini adalah orang kelima yang mempunyai
anjing?
Penyelesaian:
Diketahui : 𝑥 = 10, 𝑘 = 5 , 𝑝 = 0,3 maka 𝑞 = 1 – 0,3 = 0,7
Ditanya : Peluang bahwa orang yang kesepuluh yang diambil secara acak
anjing?
Jawab :
Dengan menggunakan distribusi binomial negatif dengan 𝑥 = 10, 𝑘 = 5 , dan

𝑝 = 0,3 , kita mendapatkan
10 − 1
𝑏 ∗ (10; 5,0,3) = ( ) (0,3)5 × (0,7)10−5
5−1
9
= ( ) (0,3)5 × (0,7)5
4
9!
= × 0,00243 × 0,16807
4! (9 − 4)!
9!
= × 0,0004084101
4! 5!
9 × 8 × 7 × 6 × 5!
= × 0,0004084101
4 × 3 × 2 × 1 × 5!
= 126 × 0,0004084101
= 0,05146
Distribution Plot
0,07
0,06
0,05146
0,05
Probability
0,04
0,03
0,02
0,01
0,00
5 10 43
X
Jadi, peluang bahwa orang yang kesepuluh yang diambil secara acak
anjing adalah 0,05146.
Soal Nomor 3
Seorang ilmuwan menginokulasi beberapa tikus, satu demi satu dengan

suatu bakteri penyakit sampai ia memperoleh 2 tikus yang terkena penyakit
1
itu. Bila peluang terjangkit penyakit itu adalah , tentukan:
6
berapa peluang bahwa dalam percobaan itu diperlukan 8 tikus?
𝐸(𝑋) ?
𝑉𝑎𝑟(𝑋) ?
Penyelesaian:
1 1 5
Diketahui : 𝑥 = 8, 𝑘 = 2 , dan 𝑝 = maka 𝑞 = 1 – =
6 6 6
Ditanya : Peluang bahwa dalam percobaan itu diperlukan 8 tikus?
Jawab :
1
Dengan menggunakan distribusi binomial negatif dengan 𝑥 = 8, 𝑘 = 2 , dan 𝑝 = ,
6
diperoleh
1 8 − 1 1 2 5 8−2
𝑏 ∗ (8; 2, ) = ( )( ) ( )
6 2−1 6 6
7 1 2 5 6
= ( )( ) ( )
1 6 6
7! 1 15.625
=
1! (7 − 1)! 36 46.656
7! 15.625
=
1! 6! 1.679.616
109.375
=
1.679.616
= 0,06522
Distribution Plot
0,07
0,06522
0,06
0,05
Probability
0,04
0,03
0,02
0,01
0,00
2 8 47
X

5
𝑘 2 𝑘𝑞 2 (6) 5 1 5
𝐸(𝑋) = = = 12 𝑉𝑎𝑟 (𝑋) = 2 = = . =
𝑝 ( 1) 𝑝 1 2
3 36 108
6 ( )
6
Soal Nomor 4
Misalkan peluangnya seseorang akan mempercayai suatu cerita

mengenai hidup setelah mati adalah 0,8 orang, berapa peluang bahwa orang
keenam yang mendengar cerita itu adalah yang keempat mempercayainya?
Penyelesaian:
Diketahui : 𝑥 = 6, 𝑘 = 4 , dan 𝑝 = 0,8 maka 𝑞 = 1 – 0,8 = 0,2
Ditanya : Peluang bahwa orang keenam yang mendengar cerita itu adalah
yang keempat mempercayainya?
Jawab :
Dengan menggunakan distribusi binomial negatif dengan 𝑥 = 6 , 𝑘 = 4 , dan

𝑝 = 0,8, diperoleh
6−1
𝑏 ∗ (6; 4,0,8) = ( ) (0,8)4 (0,2)6−4
4−1
5
= ( ) (0,8)4 (0,2)2
3
5!
= × 0,4096 × 0,04
3! (5 − 3)!
5!
= × 0,01638 = 0,1638
3! 2!
Distribution Plot
0,4
0,3
Probability
0,2
0,1638
0,1
0,0
4 6 10
X
Jadi, peluang orang keenam yang mendengar cerita itu adalah yang
keempat mempercayai suatu cerita mengenai hidup setelah mati yaitu 0,1638.
Soal Nomor 5
Hitunglah peluang bahwa seseorang melemparkan sekeping uang

logam setimbang memperoleh sisi gambar yang ketiga pada lemparan yang
ketujuh?
Penyelesaian:
Dengan menggunakan distribusi binomial negatif dengan 𝑥 = 7 , 𝑘 = 3 , dan
𝑝 = 0,5, diperoleh
7−1
𝑏 ∗ (7; 3,0,5) = ( ) (0,5)3 (0,5)7−3
3−1
6
= ( ) (0,5)3 (0,5)4
2
6!
= × 0,125 × 0,0625
2! (6 − 2)!
6!
= × 0,0078125 = 0,1172
2! 4!
Distribution Plot
0,20
0,15
0,1172
Probability
0,10
0,05
0,00
3 7 16
X
Jadi, peluang bahwa seseorang memperoleh sisi gambar yang ketiga pada
lemparan yang ketujuh yaitu 0,1172.
BAB VIII
SEBARAN POISSON
8.1 Pengertian dan sifat – sifat khusus sebaran poisson

Percobaan yang menghasilkan nilai – nilai bagi suatu peubah acak 𝑋,
yang banyaknya hasil percobaan yang terjadi selama suatu selang waktu
tertentu atau di suatu daerah tertentu, sering disebut percobaan Poisson.
Model distribusi poisson digunakan untuk menggambarkan distribusi peubah
acak pada percobaan poisson. Yang dimaksud percobaan poisson adalah
percobaan yang bersifat :
1. Banyaknya hasil percobaan yang terjadi dalam suatu selang waktu

atau suatu daerah tertentu, tidak bergantung pada banyaknya hasil
percobaan yang terjadi pada selang waktu atau daerah lain yang
terpisah.
2. Peluang terjadinya satu hasil percobaan selama suatu selang waktu
yang singkat sekali atau dalam suatu daerah yang kecil, sebanding
dengan panjang selang waktu tersebut atau besarnya daerah tersebut
dan tidak bergantung pada banyaknya hasil percobaan yang terjadi di
luar selang atau daerah tersebut.
3. Peluang bahwa lebih dari satu hasil percobaan akan terjadi dalam
selang waktu yang singkat tersebut atau dalam daerah yang kecil
tersebut, dapat diabaikan.
Peubah acak yang kita amati pada suatu percobaan poisson adalah
𝑋 yang menyatakan banyaknya sukses dalam percobaan tersebut. Hampir
sama dengan percobaan binomial. Salah satu perbedaannya terletak pada
ruang peubah acaknya. Jika pada binomial ruang peubah acaknya {0,1,2, … , 𝑛},
maka pada poisson adalah {0,1,2, … }. Ini berarti bahwa pada percobaan
poisson, percobaan tersebut diulang berkali – kali, tidak diketahui berapa
persisnya.
Contoh – contoh masalah yang sering digambarkan melalui distribusi

poisson antara lain adalah :
1. Banyaknya korban serangan muntaber di suatu daerah pada saat

tertentu.
2. Banyaknya hasil produksi yang cacat dari suatu mesin.
3. Banyaknya kecelakaan lalu lintas di suatu daerah.
4. Banyaknya panggilan telepon per jam.
5. Banyak hari-hari sekolah tutup karena bencana alam dalam setahun.
6. Banyaknya penundaan pertandingan bola karena hujan dalam
semusim pertandingan.
8.2 Pdf, Cdf, Ekspektasi, Mgf dan Variansi dari sebaran poisson.
Pdf dan Cdf Sebaran Poisson.
Teorema : Peubah acak 𝑋 dikatakan bersebaran poisson dengan parameter 𝜇, ditulis

𝑋~𝑃𝑂𝐼(𝜇), jika 𝑋 memiliki fungsi kepadatan peluang (pdf) sebagai berikut :
𝑒 −𝜇 𝜇 𝑥
, 𝑥 = 0,1,2, . . .
𝑓(𝑥) = { 𝑥!
0 , 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛
Pembuktian :
Diketahui : Peubah acak 𝑋 dikatakan bersebaran poisson dengan parameter 𝑢,
ditulis 𝑋~𝑃𝑂𝐼(𝜇), jika 𝑋 memiliki fungsi kepadatan peluang (pdf) sebagai
berikut :
, 𝑥 = 0,1,2, . . .
𝑓(𝑥) = { 𝑥!
Akan dibuktikan : 𝑓 mendefinisikan suatu fungsi kepadatan peluang (pdf).

Bukti :
Dengan menggunakan uraian dari deret Taylor 𝑒 𝜇 , yaitu :
𝑔(𝜇) = 𝑒 𝜇 ,
Di sekitar nol, yaitu
∞
𝜇
𝜇1 𝜇 2 𝜇 3 𝜇𝑥
𝑒 =1+ + + +⋯= ∑
1! 2! 3! 𝑥!
𝑥=0
−𝜇
Jika kedua persamaan kita kalikan dengan 𝑒 , maka kita peroleh
∞
∑ =1
𝑥!
𝑥=0
Oleh karena itu jika kita pilih
𝑓(𝑥) = 𝐼(𝑥 = 0,1,2, … )
𝑥!
Maka :
𝑓(𝑥) > 0, 𝑥 = 0,1,2, …
∞
∑ 𝑓(𝑥) = 1
𝑥=0
Jadi 𝑓 mendefinisikan suatu fungsi kepadatan peluang (pdf).
Selain itu, distribusi poisson ini mempunyai fungsi sebaran kumulatif / cdf
yaitu :
𝑥
𝐹(𝑥; 𝜇) = ∑ 𝑓(𝑥; 𝜇)
𝑥=0
Ekspektasi, Mgf dan Variansi Sebaran Poisson:

Kita mengingat kembali bahwa suatu ekspektasi matematis dai X ditulis E(X)
adalah
𝐸(𝑋) = ∑ 𝑥 𝑓(𝑥)
𝑥
Untuk X diskret.
Oleh karena itu, ekspektasi sebaran poisson yaitu:
𝐸(𝑋) = ∑ 𝑥 𝑓(𝑥)
𝑥
= ∑𝑥
𝑥!
𝑥
= ∑𝑥
𝑥 (𝑥 − 1)!
𝑥
= ∑
(𝑥 − 1)!
𝑥
𝑒 −𝜇 𝜇1 𝑒 −𝜇 𝜇 2 𝑒 −𝜇 𝜇 3 𝑒 −𝜇 𝜇 4
= + + + + ………
(1 − 1)! (2 − 1)! (3 − 1)! (4 − 1)!
𝑒 −𝜇 𝜇1 𝑒 −𝜇 𝜇 2 𝑒 −𝜇 𝜇 3 𝑒 −𝜇 𝜇 4
= + + + + ……………
0! 1! 2! 3!
𝜇 𝜇2 𝜇3
= 𝑒 −𝜇 𝜇 ( 1 + + + + ……………)
1! 2! 3!
= 𝑒 −𝜇 𝜇 𝑒 𝜇
= 𝑒 −𝜇+𝜇 𝜇
= 𝑒 0𝜇
= 𝜇
Selain itu, untuk menentukan ekspektasi dan variansi peubah acak 𝑋

pada distribusi poisson, dapat kita peroleh dari fungsi pembangkit momennya
(mgf) seperti pada teorema berikut ini,
Teorema : Misalkan 𝑋~𝑃𝑂𝐼(𝜇). Maka fungsi pembangkit momennya (mgf) dari 𝑋

𝑡 −1)
adalah : 𝑀(𝑡) = 𝑒 𝜇(𝑒
Pembuktian :
Diketahui : 𝑋 bersebaran poisson.
Akan dibuktikan : fungsi pembangkit momennya (mgf) dari 𝑋 adalah :
𝑡 −1)
𝑀(𝑡) = 𝑒 𝜇(𝑒 .
Bukti :
𝑀(𝑡) = 𝐸(𝑒 𝑡𝑥 )
∞
𝜇 𝑥 𝑒 −𝜇
= ∑ 𝑒 𝑡𝑥 .
𝑥!
𝑥=0
∞
−𝜇
(𝜇𝑒 𝑡 )𝑥
=𝑒 ∑
𝑥!
𝑥=0
−𝜇 𝜇𝑒 𝑡
=𝑒 𝑒
𝜇(𝑒 𝑡 −1)
=𝑒
Jadi terbukti bahwa fungsi pembangkit momennya (mgf) dari 𝑿:
𝑡 −1)
𝑀(𝑡) = 𝑒 𝜇(𝑒
Akibat : Berdasarkan teorema tersebut, kita peroleh :
𝑡 −1)
𝑀 ′ (𝑡) = 𝑒 𝜇(𝑒 (𝜇𝑒 𝑡 )
𝜇(𝑒 𝑡 −1) 𝑡 −1)
𝑀′′ (𝑡) = 𝑒 (𝜇𝑒 𝑡 ) + 𝑒𝜇(𝑒 (𝜇𝑒 𝑡 )2
Dengan demikian, mean dan variansi 𝑋 adalah :
𝜇 = 𝑀′ (0) = 𝐸(𝑋)
𝜎 = 𝐸(𝑋 − [𝐸(𝑋)] = 𝑀′′ (0) − [𝑀′ (0)]2 = 𝜇 + 𝜇 2 − 𝜇 2 = 𝜇
2 2) 2
8.3 Kaitan antara sebaran binomial dengan sebaran poisson
Model sebaran poisson dapat juga digunakan sebagai pendekatan dari
model sebaran binomial 𝐵𝐼𝑁 (𝑛, 𝑝), bila harga 𝑛 → ∞ (𝑛 cukup besar) dan 𝑝 ≈ 0
(𝑝 cukup kecil). Hal ini dikemukakan pada teorema berikut ini :
Teorema : Misalkan 𝑋~𝐵𝐼𝑁 (𝑛, 𝑝). Untuk masing – masing nilai 𝑥 = 0,1,2,3, …, dan
jika 𝑝 → 0, dengan 𝑛𝑝 = 𝜇, maka
𝑙𝑖𝑚 (𝑛𝑥) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 = .
𝑛→∞ 𝑥!
Pembukuktian :
Diketahui : Misalkan 𝑋~𝐵𝐼𝑁 (𝑛, 𝑝). Untuk masing – masing nilai 𝑥 = 0,1,2,3, …,
dan jika 𝑝 → 0, dengan 𝑛𝑝 = 𝜇.
Akan dibuktikan : lim (𝑛𝑥) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 = .
𝑛→∞ 𝑥!
Bukti :
Kita uraikan ruas kiri terlebih dahulu, yaitu dengan menguraikan bentuk
𝜇
faktorialnya, dan 𝑛𝑝 = 𝜇 kita ubah menjadi bentuk 𝑝 = . Oleh karena itu kita
𝑛
peroleh seperti berikut ini :
𝑛 𝑛! 𝜇 𝑥 𝜇 𝑛−𝑥
( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 = ( ) (1 − )
𝑥 𝑥! (𝑛 − 𝑥)! 𝑛 𝑛
𝜇 𝑥 𝑛(𝑛 − 1) … (𝑛 − 𝑥 + 1) 𝜇 𝑛 𝜇 −𝑥
= 𝑥
(1 − ) (1 − )
𝑥! 𝑛 𝑛 𝑛
𝜇𝑥 𝑛 𝑛 − 1 𝑛−𝑥+1 𝜇 −𝑥 𝜇 𝑛
= ( )( )… ( ) (1 − ) (1 − )
𝑥! 𝑛 𝑛 𝑛 𝑛 𝑛
𝜇𝑥 𝜇𝑥 𝑛 𝑛−1 𝑛−𝑥+1 𝜇 −𝑥
Karena lim = , dan lim ( ) ( )… ( ) (1 − ) = 1, maka dengan
𝑛→∞ 𝑥! 𝑥! 𝑛→∞ 𝑛 𝑛 𝑛 𝑛
menggunakan sifat limit pada kalkulus, yaitu sifat

𝜇 𝑛
lim (1 − ) = 𝑒 −𝜇
𝑛→∞ 𝑛
Diperoleh lim (𝑛𝑥) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 = .
𝑛→∞ 𝑥!
Jadi terbukti bahwa lim (𝑛𝑥) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 = .
𝑛→∞ 𝑥!
8.4 Contoh-contoh soal dan penyelesaiannya.
Contoh 1.
Secara rata-rata di suatu simpangan terjadi 3 kecelakaan lalu lintas
perbulan. Berapa peluang bahwa pada suatu bulan tertentu disimpangan ini
terjadi
a. tepat lima kecelakaan

b. kurangnya dari 3 kecelakaan
c. sekurang-kurangnya 2 kecelakaan
Penyelesaian :
𝑒 −3 .35
P (5,3) =
5!
= ∑5𝑥=0 𝑝(𝑥; 3) − ∑4𝑥=0 𝑝(𝑥; 3)
= 0,9161 – 0,8153
= 0,1008
Penyelesaian Dalam Minitab :
2
= ∑ 𝑝(𝑥; 3)
𝑥=0
= 0,4232
1
= 1 – ∑ 𝑝(𝑥; 3)
𝑥=0
= 1 – 0,1991
= 0,8009
Contoh 2.
Seorang sekertaris rata-rata melakukan 2 kesalahan ketik perhalaman.
Berapa peluang bahwa pada halaman berikutnya ia membuat
a. 4 atau lebih kesalahan ?

b. Tidak satupun kesalahan?
Penyelesaian :
a.
3
= 1 – ∑ 𝑝(𝑥; 2)
𝑥=0
= 1 – 0,8571
= 0,1429
b.
0
= ∑ 𝑝(𝑥; 2)
𝑥=0
= 0,1353
Contoh 3.
Jumlah rata-rata kapal tangker minyak yang berlabuh perhari di sebuah

pelabuhan adalah 10. Fasilitas di pelabuhan itu hanya dapat menangani
sebanyak-banyaknya 15 tangker per hari. Berapa peluang bahwa pelabuhan itu
tidak dapat menangani semua tangker tiba pada suatu hari tertentu?
Penyelesaian:
𝑃(𝑋 > 15) = 1 – 𝑃(𝑋 ≤ 15)

15
= 1 – ∑ 𝑝(𝑥; 10)
𝑥=0
= 1 − 0,951260
= 0,04874
Contoh 4
Di suatu daerah di bagian timur Amerika serikat secara rata-rata dilanda 6
angin rebut per tahun. Hitunglah peluang bahwa dalam suatu tahun tertentu
daerah ini akan dilanda :
Kurang dari 4 angin rebut
6 sampai 8 angin rebut
Penyelesaian :
𝑃(𝑋 < 4)
𝑃(𝑋 < 4) = 𝑃(𝑋 ≤ 3)

3
= ∑ 𝑃(𝑥; 6)
𝑥=0
= 0,151204
𝑃(6 ≤ 𝑋 ≤ 8)
𝑃(6 ≤ 𝑋 ≤ 8) = 𝑃(𝑋 ≤ 8) − 𝑃(𝑋 ≤ 5)

8 5
= ∑ 𝑃(𝑥; 6) − ∑ 𝑃(𝑥; 6)
𝑥=0 𝑥=0
= 0,847237 − 0,445680
= 0,401557
𝑈𝑛𝑡𝑢𝑘 𝑃(𝑋 ≤ 8)
𝑈𝑛𝑡𝑢𝑘 𝑃(𝑋 ≤ 5)
Maka untuk 𝑃(6 ≤ 𝑋 ≤ 8) = 𝑃(𝑋 ≤ 8) − 𝑃(𝑋 ≤ 5)
Selain cara di atas, kita dapat menghitung nilai peluang untuk 𝑃(6 ≤ 𝑋 ≤ 8)
dengan cara sebagai berikut :
𝑃(6 ≤ 𝑋 ≤ 8) = 𝑃(𝑋 = 6) + 𝑃(𝑋 = 7) + 𝑃(𝑋 = 8)
= 0,160623 + 0,137677 + 0,103258
= 0,401558
𝑈𝑛𝑡𝑢𝑘 𝑃(𝑋 = 6) ∶
Sehingga diperoleh :
Contoh 5
Peluang bahwa seseorang meninggal akibat infeksi pernafasan adalah 0,002.
Hitunglah peluang bahwa kurangdari 5 diantara 2000 orang yang terinfeksi
akan meninggal.
𝑝 = 0,002 𝑛 = 2000
µ = 𝑛 × 𝑝 = 2000 × 0,002 = 4
Penyelesaian :
𝑃(𝑋 < 5) = 𝑃(𝑋 ≤ 4)

4
= ∑ 𝑃(𝑥; 4)
𝑥=0
= 0,6288
MODEL MODEL SOAL SEBARAN POISSON DAN PENYELESAIANNYA
Soal Nomor 1
Misal 𝑋 peubah acak yang bersebaran poisson, 𝑃(𝑋 = 1) = 𝑃(𝑋 = 2),
tentukan 𝑃(𝑋 = 4).
Penyelesaian :
𝑃(𝑋 = 1) = 𝑃(𝑋 = 2)
𝑒 −µ µ𝑥1 𝑒 −µ µ𝑥2
=
𝑥1 ! 𝑥2 !
𝑒 −µ µ 𝑒 −µ µ2
=
1! 2!
µ2
µ=
2
µ2
2=
µ
µ=2
sehingga µ = 2 maka
𝑒 −µ µ𝑥
𝑃(𝑋 = 4) =
𝑥!
𝑒 −2 24
=
4!
4 3
= ∑ 𝑃(𝑥; 2) − ∑ 𝑃(𝑥; 2)
𝑥=0 𝑥=0
= 0,9473 − 0,8571
= 0,0902
Soal Nomor 2
Misal 𝑋 peubah acak yang bersebaran poisson 𝑃(𝑋 = 0) = 0,2. Tentukan
𝑃(𝑋 > 4).
Penyelesaian :
Karena
𝑃(𝑋 = 0) = 0.2
𝑒 −µ µ𝑥
= 0.2
𝑥!
𝑒 −µ µ0
= 0.2
0!
𝑒 −µ 1
= 0.2
1
−µ
𝑒 = 0.2
1
= 0.2
𝑒µ
1
𝑒µ =
0.2
µ = ln 5
µ ≈ 1.6
Sehingga kita peroleh µ ≈ 1.6

𝑃(𝑋 > 4) = 1 − 𝑃(𝑋 ≤ 4)
4
𝑒 −µ µ𝑥
=1−∑
𝑥!
𝑥=0
= 1 − 0,976318
= 0,023682
Soal Nomor 3
Misal banyak antrian panggilan telepon pada operator tertentu dalam
satu jam bersebaran poisson dengan 𝜇 = 10. Tentukan peluang dari masing –
masing kejadian berikut ini :
(a) Tujuh antrian panggilan

(b) Paling banyak tujuh antrian panggilan
(c) Mulai dua sampai tujuh panggilan
Penyelesaian :
(a) 𝑃(𝑋 = 7)
𝑒 −µ µ𝑥
𝑃(𝑋 = 7) =
𝑥!
𝑒 −10 107
=
7!
7 6
= ∑ 𝑃(𝑥; 10) − ∑ 𝑃(𝑥; 10)

𝑥=0 𝑥=0
= 0,2202 − 0,1301
= 0,0901
(b) 𝑃(𝑋 ≤ 7)
7
𝑃(𝑋 ≤ 7) = ∑ 𝑃(𝑥; 10)

𝑥=0
𝑃(𝑋 ≤ 7) = 0.2202
(c) 𝑃(2 ≤ 𝑋 ≤ 7)
𝑃(2 ≤ 𝑋 ≤ 7) = 𝑃(𝑋 ≤ 7) − 𝑃(𝑋 ≤ 1)
7 1
= ∑ 𝑃(𝑥; 10) − ∑ 𝑃(𝑥; 10)

𝑥=0 𝑥=0
= 0.2202 − 0.0005
= 0.2197
Soal Nomor 4
Misal 𝑋~𝑃𝑂𝐼(100). Gunakan ketaksamaan Chebyshev untuk
menentukan batas bawah dari 𝑃(75 ≤ 𝑋 ≤ 125).
Penyelesaian :
Oleh karena 𝑋~𝑃𝑂𝐼(100), maka µ = 100
Karena 𝑋 bersebaran Poisson, maka𝐸(𝑋) = µ = 𝜎 2 = 100
Sehingga, 𝜎 = √100, 𝑚𝑎𝑘𝑎 𝜎 = 10
Untuk menentukkan 𝑘 kita lihat peluang berikut
1
𝑃(|𝑋 − µ| < 𝑘 𝜎) ≥ 1 −
𝑘2
1
𝑃(−𝑘 𝜎 < 𝑋 − µ < 𝑘 𝜎) ≥ 1 −
𝑘2
1
𝑃(−𝑘 𝜎 + µ < 𝑋 < 𝑘 𝜎 + µ) ≥ 1 − 2
𝑘
1
𝑃(−𝑘 (10) + 100 < 𝑋 < 𝑘 (10) + 100) ≥ 1 −
𝑘2
 −𝑘 (10) + 100 = 75
−𝑘 (10) = 75 − 100
−𝑘 (10) = −25
𝑘 (10) = 25
25
𝑘= = 2.5
10
𝑘 = 2.5
 𝑘 (10) + 100 = 125
𝑘 (10) = 125 − 100
𝑘 (10) = 25
25
𝑘= = 2.5
10
𝑘 = 2.5
Sehingga 𝑘 = 2.5
1 1
Maka 1 − = 1− = 0.84. Dan,
𝑘2 2.52
𝑃(75 ≤ 𝑋 ≤ 125) = 𝑃(𝑋 ≤ 125) − 𝑃(𝑋 ≤ 74)
125 74
𝑃(75 ≤ 𝑋 ≤ 125) = ∑ 𝑃(𝑥; 100) − ∑ 𝑃(𝑥; 100)

𝑥=0 𝑥=0
𝑃(75 ≤ 𝑋 ≤ 125) = 0.993202 − 0.0039732
𝑃(75 ≤ 𝑋 ≤ 125) = 0.9892288

Sehingga 0.9892288 ≥ 0.84.
Hasil ini sesuai dengan ketaksamaan Cebyshev.
Jadi, batas bawah 𝑃(75 ≤ 𝑋 ≤ 125) adalah 0.84.
Soal Nomor 5
Misal X mempunyai sebaran poisson. Jika 𝑃(𝑋 = 1) = 𝑃(𝑋 = 3),
tentukan 𝑃(𝑋 = 5).
Penyelesaian :
Diketahui, 𝑃(𝑋 = 1) = 𝑃(𝑋 = 3),maka
𝑒 −µ µ1 𝑒 −µ µ3
=
1! 3!
3
µ
µ1 =
3.2.1
µ3
µ1 =
6
µ3
6= 1
µ
µ2 = 6
µ = √6
Jadi, µ = √6
Untuk 𝑃(𝑋 = 5) maka
5
𝑒 −√6 √6
𝑃(𝑋 = 5) =
5!
0.086 88.2
𝑃(𝑋 = 5) =
120
7.6
𝑃(𝑋 = 5) =
120
𝑃(𝑋 = 5) = 0.06
Jadi 𝑃(𝑋 = 5) = 0.06
Soal Nomor 6
Rata-rata banyaknya permintaan sambungan telepon per menit di suatu
sentral telepon adalah 10 buah. Kapasitas sentral tersebut hanya mampu
melayani 15 permintaan per menit. Berapa peluangnya dalam satu menit
tertentu ada permintaan yang tidak dilayani ?
Penyelesaian :
Diketahui : Misalkan 𝑥 adalah banyaknya permintaan per menit. Jadi
𝑋~𝑃𝑂𝐼(𝜇) dengan 𝜇 = 10. Sehingga
𝑃(𝑎𝑑𝑎 𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑦𝑎𝑛𝑔 𝑡𝑖𝑑𝑎𝑘 𝑡𝑒𝑟𝑙𝑎𝑦𝑎𝑛𝑖) = 𝑃(𝑋 > 15).
Ditanyakan : Berapa peluang dalam satu menit tertentu ada permintaan yang
tidak dilayani ?
Jawab :
15
10𝑥 𝑒 −10
𝑃 (𝑋 > 15) = 1 − 𝑃(𝑥 ≤ 15) = 1 − ∑ = 1 − 0,9513 = 0,0487
𝑥!
𝑥=0
Jadi peluang dalam satu menit tertentu ada permintaan yang tidak dilayani
adalah 0,0487.
RANGKUMAN
Percobaan poisson adalah percobaan yang bersifat :
a. Banyaknya hasil percobaan yang terjadi dalam suatu selang waktu
atau suatu daerah tertentu, tidak bergantung pada banyaknya hasil
percobaan yang terjadi pada selang waktu atau daerah lain yang
terpisah.
b. Peluang terjadinya satu hasil percobaan selama suatu selang waktu
yang singkat sekali atau dalam suatu daerah yang kecil, sebanding
dengan panjang selang waktu tersebut atau besarnya daerah tersebut
dan tidak bergantung pada banyaknya hasil percobaan yang terjadi di
luar selang atau daerah tersebut.
c. Peluang bahwa lebih dari satu hasil percobaan akan terjadi dalam
selang waktu yang singkat tersebut atau dalam daerah yang kecil
tersebut, dapat diabaikan.
Peubah acak 𝑋 dikatakan bersebaran poisson dengan parameter 𝜇, ditulis
𝑋~𝑃𝑂𝐼(𝜇), jika 𝑋 memiliki fungsi kepadatan peluang (pdf) sebagai berikut :
, 𝑥 = 0,1,2, . . .
 𝑓(𝑥) = { 𝑥!
Fungsi sebaran kumulatif (cdf)
𝑥
𝐹(𝑥; 𝜇) = ∑ 𝑓(𝑥; 𝜇)
𝑘=0
Fungsi pembangkit moment (mgf)
𝑡 −1)
𝑀(𝑡) = 𝑒 𝜇(𝑒
Ekspektasi dan variansi sebaran poisson yaitu:
𝜇 = 𝑀′ (0) = 𝐸(𝑋)
𝜎 2 = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2 = 𝑀′′ (0) − [𝑀′ (0)]2 = 𝜇 + 𝜇 2 − 𝜇 2 = 𝜇
Misalkan 𝑋~𝐵𝐼𝑁 (𝑛, 𝑝). Jika 𝑛 → ∞ (𝑛 cukup besar), 𝑝 ≈ 0 (𝑝 cukup kecil) dan
𝑛𝑝 konstan maka sebaran dari 𝑋dapat didekati oleh 𝑝(𝜇) dengan 𝜇 = 𝑛𝑝.
BAB IX
DISTRIBUSI GEOMETRIK
9.1 DISTRIBUSI GEOMETRIK

Untuk 𝑘 = 1 distribusi binomial negatif itu akan menghasilkan
distribusi peluang bagi banyaknya uji-coba yang diperlukan sampai
diperolehnya satu kesuksesan. Misalnya saja adalah pelantunan uang logam
sampai munculnya sisi gambar. Kita mungkin saja ingin mengetahui peluang
bahwa sisi G muncul pada lantunan yang keempat. Dengan demikian
distribusi binomial negatif akan tereduksi menjadi 𝑏 ∗ (𝑥; 𝑘, 𝑝) = 𝑝𝑞𝑥 − 1, 𝑥 =
1, 2, 3, … . Karena suku-suku yang berurutan membentuk suatu barisan
geometrik, maka kasus khusus ini sering disebut distribusi geometrik dan nila-
nilainya dilambangkan dengan 𝑔 (𝑥; 𝑝).
Definisi Distribusi Geometrik.

Bila uji-coba yang bebas dapat menghasilkan sukses dengan peluang 𝑝 dan gagal
dengan peluang 𝑞 = 1 – 𝑝, maka distribusi peluang bagi peubah acak 𝑋, yaitu
banyaknya ujicoba sampai munculnya sukses yang pertama, diberikan menurut
rumus:
𝑔(𝑥; 𝑝) = 𝑝𝑞 𝑥−1 , 𝑢𝑛𝑡𝑢𝑘 𝑥 = 1 , 2, 3, …
Ekspektasi dan Variansi Distribusi Geometrik

Ekspektasi Distribusi Geometrik
1
Akan ditunjukkan : 𝐸(𝑋) =
𝑝
Bukti :
∞
𝐸(𝑋) = ∑ 𝑥𝑞 𝑥−1 𝑝
𝑥=1
∞
𝑑 𝑥
= 𝑝∑ 𝑞
𝑑𝑞
𝑥=1
∞
𝑑
=𝑝 ∑ 𝑞𝑥
𝑑𝑞
𝑥=0
𝑑 1
=𝑝
𝑑𝑞 1 − 𝑞
𝑝 𝑝 1
= 2
= 2=
(1 − 𝑞) 𝑝 𝑝
Variansi Distribusi Geometrik
𝑞
Akan ditunjukkan : 𝑉𝐴𝑅(𝑋) =
𝑝2
Bukti :
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2

Perhatikan bahwa,
∞
2)
𝐸(𝑋 = ∑ 𝑥 2 𝑞 𝑥−1
𝑥=1
∞
𝑑 𝑥
= 𝑝∑𝑥 𝑞
𝑑𝑞
𝑥=1
∞
𝑑
=𝑝 𝑞 ∑ 𝑥𝑞 𝑥−1
𝑑𝑞
𝑥=0
∞
𝑑 𝑑
=𝑝 𝑞 ∑ 𝑞𝑥
𝑑𝑞 𝑑𝑞
𝑥=0
𝑑 1
=𝑝 𝑞
𝑑𝑞 (1 − 𝑞)2
𝑑 𝑞
=𝑝
𝑑𝑞 (1 − 𝑞)2
(1(1 − 𝑞)2 + 2(1 − 𝑞)𝑞
=𝑝
(1 − 𝑞)4
(1(𝑞 2 − 2𝑞 + 1) + (2𝑞 − 2𝑞 2 ))
=𝑝
(1 − 𝑞)4
(𝑞 2 − 2𝑞 + 1 + 2𝑞 − 2𝑞 2 )
=𝑝
(1 − 𝑞)4
(1 − 𝑞)2
=𝑝
(1 − 𝑞)4
(1 − 𝑞)2
=𝑝
𝑝4
(1 − 𝑞)(1 + 𝑞)
=
𝑝3
𝑝(1 + 𝑞)
=
𝑝3
(1 + 𝑞)
=
𝑝2
Sehingga,
1+𝑞 1 𝑞
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2 = − = .
𝑝2 𝑝2 𝑝2
9.2 LATIHAN SOAL

Soal Nomor 1
Hitunglah peluang bahwa seseorang yang melemparkan sekeping koin
yang setimbang, memerlukan 4 lantunan sampai diperolehnya sisi 𝐺?
Penyelesaian:
1
Dengan menggunakan distribusi geometrik dengan 𝑥 = 4 dan 𝑝 = , diperoleh
2
1 1 1 3 1
𝑔(4; ) = ( ) = = 0,0625
2 2 2 16
Distribution Plot
Geometric; p=0,5
0,5
0,4
Probability
0,3
0,2
0,1
0,0625
0,0
1 4 8
X
Gambar 9.1. Grafik Distribusi Geometriknya
Jadi, peluang bahwa seseorang yang melemparkan sekeping koin yang
setimbang, memerlukan 4 lantunan sampai diperolehnya sisi 𝐺 adalah 0,0625.
Soal Nomor 2
Misalkan peluangnya seseorang akan mempercayai suatu cerita
mengenai hidup setelah mati adalah 0,8. Tentukan :
Berapa peluang bahwa orang ketiga yang mendengar cerita itu adalah yang
pertama mempercayainya?
𝐸(𝑋) ?
𝑉𝐴𝑅(𝑋) ?
Penyelesaian:
Dengan menggunakan distribusi geometrik dengan 𝑥 = 3 dan 𝑝 = 0,8 𝑞 = 0,2
diperoleh
𝑔(3; 0,8) = 0,8 × (0,2)2 = 0,0032
Distribution Plot
Geometric; p=0,8
0,9
0,8
0,7
0,6
Probability
0,5
0,4
0,3
0,2
0,1
0,032
0,0
1 3 4
X
Jadi, peluang bahwa orang ketiga yang mendengar cerita itu adalah
yang pertama mempercayainya 0,0032.
1 1 10
𝐸(𝑋) = = = .
𝑝 0,8 8
𝑞 0,2 0,2 5
𝑉𝐴𝑅(𝑋) = = = = .
𝑝2 (0,8)2 0,64 16
Soal Nomor 3
Menurut hasil penelitian sekelompok ahli sosiologi dari University Of
Massachusetts, kurang lebih dua pertiga dari 20 juta orang di Amerika Serikat
yang minum Valium adalah perempuan. Seandainya bilangan ini benar,
hitunglah peluang bahwa pada suatu hari tertentu, resep kelima untuk obat
valium yang diberikan oleh seorang dokter adalah resep pertama valium
untuk seorang perempuan ?
Penyelesaian :
2 1
Dengan menggunakan distribusi geometrik dengan 𝑥 = 5, 𝑝 = dan 𝑞 =
3 3
diperoleh
𝑔(𝑥; 𝑝) = 𝑝𝑞 𝑥−1
2 2 1 5−1
𝑔 (5; ) = × ( )
3 3 3
5−1
2 1
= × ( )
3 3
2
= = 0,008230
243
Distribution Plot
Geometric; p=0,666667
0,7
0,6
0,5
Probability
0,4
0,3
0,2
0,1
0,008230
0,0
1 5
X
Jadi, peluang bahwa pada suatu hari tertentu, resep kelima untuk obat
validium yang diberikan oleh seorang dokter adalah resep pertama valium
untuk seorang perempuan adalah 0,008230.
9.3 RANGKUMAN
 Distribusi binomial negatif adalah distribusi hasil percobaan
bernoulli yang diulang sampai mendapatkan sukses ke-𝑘. Pada percobaan
Binomial, yang dicari adalah peluang sejumlah sukses atau gagal dari 𝑛 kali
ulangan, Jika ingin diketahui peluang sukses yang ke-𝑘 dari 𝑛 kali
percobaan, maka percobaan tersebut adalah percobaan binomial negatif.
 Distribusi Geometrik berasal dari distribusi Binomial dengan penekanan
pada pengamatan kejadian sukses pertama, yang berarti distribusi
geometrik adalah distribusi binomial yang tereduksi.
BAB X
DISTRIBUSI PELUANG KONTINU
Peubah acak diskrit sebenarnya telah cukup banyak menyediakan

model peluang bagi persoalan-persoalan yang terkait dengan operasi
pencacahan. Akan tetapi peubah acak diskrit belum cukup menjadi model
dalam banyak situasi yang lain. Oleh karena itu, kita perlu mengembangkan
gagasan mengenai peubah acak kontinu. Jika himpunan nilai yang mungkin
dari sebuah peubah acak X merupakan selang bilangan real, yaitu (a, b), (a, b],
[a, b), [a, b], (-∞, b], [a, +∞) atau (-∞,+∞), maka X disebut peubah acak kontinu.
Suatu fungsi f(x) yang didefinisikan pada selang nilai peubah acak X disebut
fungsi kepadatan peluang kontinu (fdp kontinu), apabila fungsi distribusinya
dapat dinyatakan sebagai:
𝑥
𝐹(𝑥) = ∫ 𝑓(𝑡)𝑑𝑡
−∞
10.1 Definisi Peubah Acak Kontinu
Jika himpunan nilai yang mungkin dari sebuah peubah acak X merupakan selang
bilangan real, yaitu (a, b), (a, b], [a, b), [a, b], (-∞, b], [a, +∞) atau (-∞,+∞), maka X
disebut peubah acak kontinu. Suatu fungsi f(x) yang didefinisikan pada selang nilai
peubah acak X disebut fungsi kepadatan peluang kontinu (fdp kontinu), apabila
fungsi distribusinya dapat dinyatakan sebagai:
𝑥
−∞
𝑥
Karena 𝐹(𝑥) = 𝑃[𝑋 ≤ 𝑥] = ∫−∞ 𝑓(𝑡)𝑑𝑡, maka peubah acak kontinu
berpeluang nol untuk mengambil tepat salah satu nilainya, yaitu
𝑥
𝑃[𝑋 = 𝑥] = 𝑃[𝑋 ≤ 𝑥] − 𝑃[𝑋 < 𝑥] = ∫−𝑥 𝑓(𝑡)𝑑𝑡 = 0, yang menyebabkan distribusi
peluangnya tidak dapat disajikan dalam tabel.
Untuk menghitung peluang bagi berbagi kejadian dalam bentuk selang

nilai peubah acak kontinu, maka perhatikan bahwa jika X kontinu, maka:
𝑃(𝑎 < 𝑥 ≤ 𝑏) = 𝑃(𝑎 < 𝑥 < 𝑏) + 𝑃(𝑋 = 𝑏)
= 𝑃(𝑎 < 𝑥 < 𝑏) + 0
= 𝑃(𝑎 < 𝑥 < 𝑏)
Hal ini juga berlaku untuk selang nilai yang lain. Jadi,
𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = 𝑃(𝑎 < 𝑥 ≤ 𝑏) = 𝑃(𝑎 ≤ 𝑥 < 𝑏) = 𝑃(𝑎 < 𝑥 < 𝑏)
Oleh karena itu, tidak ada bedanya dalam perhitungan peluang-peluang ini
apakah kita memasukkan nilai ujung selang atau tidak.
Cara lain untuk menghitung peluang kejadian dalam bentuk selang nilai
pada peubah acak kontinu adalah dengan menghitung luas daerah yang
menyatakan peluang nilai-nilai X pada selang tertentu. Fungsi kepadatan
peluang dibuat sedemikian sehingga luas daerah di bawah kurva dan di atas
sumbu-x sama dengan 1.
f (x)
a b
Gambar 10.1 P ( a < X < b ) = luas daerah yang diarsir
Berdasarkan gambar di atas, maka peluang peubah acak X bernilai

antara a dan b sama dengan luas daerah yang diarsir yang terletak antara X=a
dan X=b di bawah fungsi kepadatan peluangnya.
Contoh 10.1.
Sebuah peubah acak kontinu X mempunyai fungsi kepadatan peluang:
𝑥+1
𝑓(𝑥) = , 0 < 𝑥 < 2 dan nol untuk nilai yang lain.
4
(a) Tunjukkan bahwa 𝑃 (0 < 𝑋 < 2) = 1
3
(b) Hitunglah 𝑃 (𝑋 < )
2
1 3
(c) Hitunglah 𝑃 ( < 𝑋 < )
2 2
Jawab:
Cara 1
Untuk cara yang pertama ini kita menggunakan cara langsung yaitu
mengitegralkannya sebagai berikut:
a) 𝑃 (0 < 𝑋 < 2) = 𝑃(𝑋 < 2) − 𝑃(𝑋 < 0)

2 0
= ∫ 𝑓(𝑥)𝑑𝑥 − ∫ 𝑓(𝑥)𝑑𝑥
−∞ −∞
2 𝑥+1
= ∫0 4 𝑑𝑥
1 1 2
= [ ( 𝑥 2 + 𝑥)]
4 2 0
1 1 2
= [ 𝑥 2 + 𝑥]
8 4 0
1 1 1 1
= [( (2)2 + (2)) − ( (0)2 + (0))]
8 4 8 4
4 2
= [( + ) − (0)]
8 4
=1
3 3
3 0 𝑥+1
b) 𝑃 (𝑋 < ) = ∫−∞
2 𝑓(𝑥)𝑑𝑥 − ∫
−∞
𝑓(𝑥)𝑑𝑥 = ∫02 𝑑𝑥
2 4
3
1 1 2
= [ ( 𝑥 2 + 𝑥)]
4 2 0
3
1 1 2
= [ 𝑥 2 + 𝑥]
8 4 0
1 3 2 1 3 1 1
= [( ( ) + ( )) − ( (0)2 + (0))]
8 2 4 2 8 4
9 3
= [( + ) − (0)]
32 8
21
=
32
3
1 3 2 𝑥+1
c) 𝑃 ( <𝑋< )=∫ 1 𝑑𝑥
2 2 4
2
3
1 1 2 2
= [ ( 𝑥 + 𝑥)] 1
4 2
2
3
1 1 2
= [ 𝑥 2 + 𝑥]1
8 4
2
1 3 2 1 3 1 1 2 1 1
= [( ( ) + ( )) − ( ( ) + ( ))]
8 2 4 2 8 2 4 2
9 3 1 1
= [( + )−( + )]
32 8 32 8
21 5
= [( ) − ( )]
32 32
1
=
2
Cara 2
Cara yang lebih sederhana sebagai alternatif menjawab soal ini adalah dengan
mengghitung luas daerah trapesium yang dibentuk 𝑓(𝑥), sumbu-x dan garis-
garis tegak yang bersesuaian.
(a) Karena gambar yang dihitami dalam Gambar 10.1 berupa sebuah
trapesium, maka luasnya sama dengan jumlah panjang kedua sisi yang
sejajar dikalikan dengan tingginya dan kemudian dibagi 2, jadi:
(jumlah panjang sisi sejajar) × tinggi
Luas =
2
[𝑓(0)+𝑓(2)](2)
=
2
1 3
[4+4](2)
=
2
=1
1
Sekarang perhatikan gambar 4.4 (buku halaman 100), karena 𝑓(0) = dan
4
3
𝑓(2) = , maka
4
[𝑓(0) + 𝑓(2)](2)
𝑃 (0 < 𝑋 < 2) =
2
1 3
[4+4](2)
=
2
=1
1 3 5
(b) Seperti pada (a) karena 𝑓(0) = dan 𝑓 ( ) = , maka
4 2 8
3 3
3 [𝑓(0) + 𝑓 ( )] ( )
𝑃 (𝑋 < ) = 2 2
2 2
1 5 3
[4+8](2)
=
2
21
=
32
1 3 3 5
(c) Kita peroleh 𝑓 ( ) = dan 𝑓 ( ) = dan ini terlihat dalam Gambar
2 8 2 8
10.1, maka
1 1
1 3 [𝑓 ( ) + 𝑓 ( )] (1)
𝑃 ( <𝑋< )= 2 2
2 2 2
3 5
[8+8](1)
=
2
1
=
2
Contoh 10.2.
Misalnya bus kota setiap 5 menit sekali datang di suatu halte bus
tertentu. Walaupun demikian kedatangan penumpang mengambil waktu acak
antara kedatangan dua bus berturutan. Andaikan waktu tunggu para
penumpang hingga mendapatkan bus kita pikirkaan sebagai peubah acak X.
Walaupun secara praktis kita mengukur waktu kesatuan waktu terdekat
(seperti detik, menit, atau, jam) sehingga diperoleh nilai paubah acak diskrit,
akan tetapi secara teoritis kita boleh mengambil satuan waktu kecil sebarang
sehingga peubah acak ini dapat mengambil nilai kontinu. Sekarang tentukan
fungsi padat peluang peubah acak X ini.
Jawab:
Fungsi distribusi 𝐹(𝑥) = 𝑃[𝑋 ≤ 𝑥] = 𝑐𝑥, untuk suatu kontanta 𝑐 > 0,

karena waktu tunggu penumpang tidak lebih dari nilai x ini proporsional ke x
untuk semua x. Juga karena kedatangan bus itu regular setiap 5 menit sekali,
1
maka𝑃[0 ≤ 𝑋 ≤ 5] = 1. Ini berakibat 𝐹(5) = 5𝑐 = 1.Jadi 𝑐 = . Oleh karena
5
𝑥
itu𝐹(𝑥) = untuk 0 ≤ 𝑋 ≤ 5, 𝐹(𝑥) = 0 untuk 𝑥 < 0 dan 𝐹(𝑥) = 1untuk 𝑥 > 5.
5
𝑥 𝑑 𝑥 1
Karena 𝐹(𝑥) = ∫−∞ 𝑓(𝑡) 𝑑𝑡, maka 𝑓(𝑥) = [∫−∞ 𝑓(𝑡) 𝑑𝑡] = 𝐹 ′ (𝑥) = . Dan grafik
𝑑𝑥 5
mereka ini seperti yang tampak dalam Gambar 10.2 berikut ini:
F(x) f(x)
1
1
5
0 5 X 0 5 X
Gambar 10.2 Fungsi Distribusi dan fdp Waktu Tunggu Bus
Dari contoh-contoh yang baru diberikan ini telah kita kenali beberapa sifat
yang akan dituangkan dalam teorema berikut.
Teorema 10.1
Suatu fungsi 𝑓(𝑥) merupakan fdp dari suatu peubah acak kontinu X jika dan hanya
𝑥
jika memenuhi sifat: 𝑓(𝑥) ≥ 0 untuk semua bilangan real x, dan ∫−∞ 𝑓(𝑥) 𝑑𝑥 = 1
selanjutnya, 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝑃(𝑎 ≤ 𝑋 < 𝑏) = 𝑃(𝑎 < 𝑋 < 𝑏) = 𝐹(𝑏) − 𝐹(𝑎).
10. 2 HARAPAN MATEMATIS

Harapan matematis merupakan salah satu kuantitas secara numerik
yang termasuk sifat penting dari distribusi peluang. Para statisi
melambangkan harapan matematis atau nilai harapan (ekspektasi) dari suatu
peubah acak X dengan lambang E(X). Salah satu ukuran dalam statistika yang
dinyatakan dengan nilai harapan ini adalah rataan populasi µ = E(X).
Definisi Nilai Harapan

Jika X peubah acak kontinu dengan fungsi kepadatan peluang (fdp) f(x), maka
nilai harapan bagi X didefinisikan oleh :
∞
E(X) = ∫−∞𝑥 f(x) dx , jika integral ini ada.
Apabila nilai integral ini tidak ada, maka dikatakan E(X) ini tidak ada.
Teorema Nilai Harapan Bagi Suatu Fungsi Peubah Acak

Jika X peubah acak kontinu dengan fungsi kepadatan peluang (fdp) f(x) dan
misal g(X) fungsi dari peubah acak X ini, maka nilai harapan bagi g(X) adalah
∞
E[g(x)] = ∫−∞ 𝑔(𝑥) f(x) dx , jika integral ini ada.
Contoh 10.3.
Misalkan X menyatakan banyaknya motor yang di servis di suatu
bengkel motor antara pukul 08.00 sampai 16.00 pada tiap hari kerja
mempunyai distribusi peluang :
x 4 5 6 7 8 9
11 9 7 5 3 1
f(x) = P [X=x]
36 36 36 36 36 36
Misalkan g(X) = 2x+1 menyatakan banyaknya uang yang dibayarkan manager
kepada petugas servis, tentukan harapan penerimaan petugas pada periode
itu. Jawabnya, pertama susun tabel :
g(x) = 2x+1 9 11 13 15 17 19
11 9 7 5 3 1
f(x) = P [X=x]
36 36 36 36 36 36
Maka
11 9 7 5 3 1
E[g(x)] = E[(2x+1)] = 9( ) + 11( ) + 13( ) + 15( ) + 17( ) + 19( )
36 36 36 36 36 36
434
= = 12,05
36
Apabila satuan bayarnya dalam puluhan ribu rupiah, maka harapan

penerimaan petugas servis itu Rp 120.500,00.
10.3 RATAAN DAN VARIANSI PEUBAH ACAK UNTUK KONTINU
DEFINISI Rataan peubah acak

Jika X peubah acak kontinu dengan fdp f(x), maka rataan bagi X didefinisikan oleh
∞
𝜇 = 𝐸(𝑋) = ∫−∞ 𝑥 𝐹(𝑥)𝑑𝑥 , jika integral ini ada.
Apabila nilai jumlahan maupun integral ini tidak ada, maka dikatakan rataan 𝜇 ini
tidak ada.
DEFINISI Variansi peubah acak

Misalkan peubah acak X mempunyai fungsi padat peluang f(x) dan rataannya 𝜇 =
𝐸(𝑋), maka variansi peubah acak X untuk kontinu didefenisikan:
∞
𝜎 2 = 𝑉𝑎𝑟(𝑋) = 𝐸[(𝑋 − 𝜇)2 ] = ∫−∞(𝑥 − 𝜇)2 𝑓(𝑥)𝑑𝑥,jika integral ini ada.
TEOREMA 10.2
Misalkan peubah acak X mempunyai fungsi padat peluang f(x), dan g(x) adalah suatu
fungsi dari peubah acak X itu. Maka rataan peubah acak g(x), ditulis 𝜇𝑔(𝑥) =
2
𝐸[𝑔(𝑥)] dan variansinya ditulis 𝜎𝑔(𝑥) = E{[g(x) - 𝜇𝑔(𝑥) ]2 } ,sedangkan untuk X peubah
∞
acak kontinu,didefinisikan 𝜇𝑔(𝑥) = 𝐸[𝑔(𝑥)] = ∫−∞ 𝑔(𝑥)𝑓(𝑥)𝑑𝑥 ,m jika integral ini ada
2 ∞
dan variannya 𝜎𝑔(𝑥) = E{[g(x) - 𝜇𝑔(𝑥) ]2 } = ∫−∞[𝑔(𝑥) − 𝜇𝑔(𝑥) ]2f(x) dx, jika integral ini
ada.
Bukti:
Karena g(x) juga merupakan peubah acak, maka teorema ini langsung
diturunkan dari definisi 4.6 dan definisi 4.7
Contoh 10.4.
Misalkan X peubah acak kontinu dengan fungsi padat peluangnya : f(x)
= 1, untuk 0<x<1 dan f(x) = 0, untuk x yang lain. Misalkan g(x) = 2x – 1.
Hitung rataan dan varian dari g(x) ini. Karena X merupakan peubah acak
kontinu, maka untuk menghitung rataan dan varian g(x) ini kita pakai
persamaan 4.25 dan 4.26
1
𝜇2𝑥−1 = 𝐸[2𝑥 − 1] = ∫0 (2𝑥 − 1). 1 𝑑𝑥 = 0, dan
1
2
1
𝜎2𝑥−1 = 𝐸{[(2𝑥 − 1) − 0]2 } = ∫ [(2𝑥 − 1) − 0]2 . 1 𝑑𝑥 =
0 3
TEOREMA 10.3
Bila a dan b suatu konstanta dan X suatu peubah acak dengan rataan 𝜇, maka rataan
peubah acak aX+b adalah 𝜇𝑎𝑋+𝑏 = 𝑎𝜇 + 𝑏
Bukti:
Misalkan X adalah peubah acak kontinu dengan fungsi padat peluang f(x),
maka 𝜇𝑎𝑋+𝑏 = 𝐸(𝑎𝑋 + 𝑏)
∞ ∞ ∞
=∫−∞(𝑎𝑥 + 𝑏)𝑓(𝑥)𝑑𝑥 = 𝑎 ∫−∞ 𝑥𝑓(𝑥)𝑑𝑥 + 𝑏 ∫−∞ 𝑓(𝑥)𝑑𝑥
∞ ∞
=a𝜇 + 𝑏, 𝑠𝑒𝑏𝑎𝑏 ∫−∞ 𝑥𝑓(𝑥)𝑑𝑥 = 𝜇 𝑑𝑎𝑛 ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1
Akibat TEOREMA Bila a=0, maka 𝝁𝒃 = 𝒃

Akibat TEOREMA Bila b=0, maka 𝝁𝒂𝒙 = 𝒂𝝁

Contoh 10.5.
Pada contoh 4 telah dihitung rataan fungsi peubah acak kontinu X, yaitu
𝜇2𝑥−1 = 𝐸[2𝑥 − 1] = 0.Apabila rattan peubah acak X ini
1 1
𝜇, 𝑚𝑎𝑘𝑎 𝑚𝑒𝑛𝑢𝑟𝑢𝑡 𝑡𝑒𝑜𝑟𝑒𝑚𝑎 4.6 𝑖𝑛𝑖 𝜇2𝑥−1 = 2𝜇 − 1. Padahal 𝜇 = ∫0 𝑥. 1. 𝑑𝑥 = .
2
1
Jadi 𝜇2𝑥−1 = 2 ( ) − 1 = 0.
2
10.4 Latihan Soal

1. Nyatakan apakah peubah acak berikut diskrit atau kontinu
X : banyaknya curanmor setiap tahun di Jawa Timur
Y : lamanya permainan tenis dalam 3 set
W : produksi telur ayam per bulan per ayam petelur
T : produksi susu sapi perah tertentu (dalam liter) per bulan
V : lama hidup seseorang yang telah mengalami pencangkokan jantung.
Jawab :
X : peubah acak diskrit
Y :peubah acak diskrit
W :peubah acak diskrit
T :peubah acak diskrit
V :peubah acak kontinu
1
2. Suatu peubah acak kontinu X dengan fungsi padat peluang 𝑓(𝑥) = ,
3
untuk 1 ≤ 𝑥 ≤ 4 dan 𝑓(𝑥) = 0, untuk nilai x yang lain.
a. Tunjukkan bahwa luas daerah di bawah kurva f(x) ini sama dengan 1
Jawab:
Luas daerah di bawah kurva f(x) = 𝑃(1 ≤ 𝑥 ≤ 4)
= 𝑃(𝑥 ≤ 4) − 𝑃(𝑥 ≤ 1)
4 1
= ∫−∞ 𝑓(𝑥)𝑑𝑥 − ∫−∞ 𝑓(𝑥)𝑑𝑥
4
1
=∫ 𝑑𝑥
1 3
1 1
= (4) − (1)
3 3
3
= =1
3
b. Hitung 𝑃(1,5 < 𝑥 ≤ 3,5)
𝑃(1,5 < 𝑥 ≤ 3,5) = 𝑃(𝑥 ≤ 3,5) − 𝑃(𝑥 ≤ 1,5)

3,5 1,5
=∫ 𝑓(𝑥)𝑑𝑥 − ∫ 𝑓(𝑥)𝑑𝑥
−∞ −∞
3,5
1,5
1 1
=∫ 𝑑𝑥 − ∫ 𝑑𝑥
−∞ 3 −∞ 3
3,5
1
=∫ 𝑑𝑥
1,5 3
1 1
= (3,5) − (1,5)
3 3
2
=
3
c. Hitung 𝑃(𝑋 ≥ 3,3)
4
1
𝑃(𝑋 ≥ 3,5) = ∫ 𝑑𝑥
3,3 3
1 1
= (4) − (3,3)
3 3
4 3,3 0,7
= − =
3 3 3
3. Misalkan peubah acak R menyatakan hasil-hasil pengukuran jari-jari

lingkaran dengan fungsi padat peluang f(r) = 6(r-1) , untuk 0 < r < 1.
Carilah :
a. Nilai harapan dari jari-jari R itu.
b. Nilai harapan keliling lingkaran itu.
c. Nilai harapan luas lingkaran itu.
Jawab :
Diketahui:
F(r) = 6r (1-r) , 0 < r < 1
1
a. E(R) = ∫0 𝑟 𝑓(𝑟)𝑑𝑟
1
= ∫0 𝑟 (6𝑟 − 6𝑟 2 )𝑑𝑟
1
=∫0 (6𝑟 2 − 6𝑟 3 )𝑑𝑟
3
= 2.13 − 14
2
3
=2-
2
1
=
2
b. Keliling lingkaran = 2ᴨr
22
= (2. )(6𝑟 − 6𝑟 2 )
7
44
= (6𝑟 − 6𝑟 2 )
7

44 44
= 6𝑟 − 6𝑟 2
7 7
264 264 2
F(R) = 𝑟− 𝑟
7 7
1
E(R) = ∫0 𝑟 𝑓(𝑟)𝑑𝑟
1 264264 2
= ∫0 𝑟 ( 𝑟− 𝑟 )𝑑𝑟
7 7
1 264 264
= ∫0 ( 7 𝑟 2 − 7 𝑟 3 )𝑑𝑟
264 3 264 4
= 1 − 1
21 28
264 264
= −
21 28
1056−792
=
84
264
=
84
22
=
7
c. Luas lingkaran = ᴨ𝑟 2
22
= (6𝑟 − 6𝑟 2 )2
7
22
= (36𝑟 2 − 72𝑟 3 + 36𝑟 4 )
7
792 2 1584 3 792 4
F(R) = 𝑟 − 𝑟 + 𝑟
7 7 7
1
E(R) = ∫0 𝑟 𝑓(𝑟)𝑑𝑟
1 792 2 1584 3 792 4
= ∫0 𝑟( 𝑟 − 𝑟 + 𝑟 )𝑑𝑟
7 7 7
1 792 3 1584 4 792 5
= ∫0 ( 7 𝑟 − 7 𝑟 + 7 𝑟 )𝑑𝑟
792 4 1584 5 792 6
= 1 − 1 + 1
28 35 42
792 1584 792
= − +
28 35 42
11880−19008+7920
=
420
792
=
420
4. Misalkan X peubah acak kontinu dengan fungsi padat peluang 𝑓(𝑥) =
3𝑥 2 , jika 0 < 𝑥 < 1 dan 𝑓(𝑥) = 0 untuk nilai 𝑥 yang lain. Carilah:
a) 𝐸(𝑋)
Jawab:
∞
𝐸(𝑋) = 𝜇 = ∫ 𝑥. 𝑓(𝑥)𝑑𝑥
−∞
1
= ∫ 𝑥. 3𝑥 2 𝑑𝑥 + 0
0
1
= ∫ 3𝑥 3 𝑑𝑥
0
3 3
= (1)4 − (0)4
4 4

3
=
4
b) 𝑉𝑎𝑟(𝑥)
Jawab:
𝑉𝑎𝑟(𝑥) = 𝐸[𝑋 − 𝜇]2
∞
= ∫ (𝑋 − 𝜇)2 . 𝑓(𝑥)𝑑𝑥
−∞
∞
= ∫ (𝑋 − 3⁄4 )2 . 𝑓(𝑥)𝑑𝑥
−∞
1
= ∫ (𝑋 − 3⁄4)2 . . 3𝑥 2 𝑑𝑥 + 0
0
1
6 9
= ∫ (𝑥 2 − 𝑥 + ) 3𝑥 2 𝑑𝑥
0 4 16
1
18 3 27 2
= ∫ (3𝑥 4 − 𝑥 + 𝑥 ) 𝑑𝑥
0 4 16
3 9 9
=( − + )−0
5 8 16
3
=
80
c) 𝐸[3𝑋 − 5𝑋 2 + 1]
Jawab:
∞
𝐸[3𝑋 − 5𝑋 2 + 1] = ∫ (3𝑥 − 5𝑥 2 + 1). 𝑓(𝑥)𝑑𝑥
−∞
∞
= ∫ (3𝑥 − 5𝑥 2 + 1). 3𝑥 2 𝑑𝑥
−∞
1
= ∫ 9𝑥 3 − 15𝑥 4 + 3𝑥 2 𝑑𝑥 + 0
0
9
= ( (1)4 − 3(1)5 + (1)3 ) − 0
4
1
=
4
5. Misalkan X peubah acak kontinu dengan fungsi padat peluang 𝑓(𝑥) =
1/𝑥 2 , untuk 1 < 𝑥 < ∞ dan 𝑓(𝑥) = 0, untuk nilai x yang lain.
a. Apakah 𝐸(𝑋) ada?
1 ∞
1 1
𝐸(𝑋) = ∫ 𝑥. 2
𝑑𝑥 + ∫ 𝑥. 2 𝑑𝑥
−∞ 𝑥 1 𝑥
∞
1
=∫ 𝑑𝑥
1 𝑥
= (𝑇𝐼𝐷𝐴𝐾 𝐴𝐷𝐴)
b. Apakah 𝐸(1/𝑋) ada?

∞
1 1
𝐸(1/𝑋) = ∫ . 𝑑𝑥
1 𝑥 𝑥2
∞
1
=∫ 3
𝑑𝑥
1 𝑥
1 ∞
= − 2|
2𝑥 1
1 1
=0− =−
2 2
= (ADA)
6. Sebuah peubah acak kontinu mengambil nilai dari x = 2 sampai
dengan x = 5 dengan fungsi padat peluang 𝑓(𝑥) = 2(1 + 𝑥)/27
a. Hitung 𝑃(𝑋 < 4)
Jawab:
4
𝑃(𝑋 < 4) = ∫ 𝑓(𝑥)𝑑𝑥
−∞
2 4
= ∫ 𝑓(𝑥)𝑑𝑥 + ∫ 𝑓(𝑥)𝑑𝑥
−∞ 2
4
= 0 + ∫ 2(1 + 𝑥)/27𝑑𝑥
2
2 2 2 2
= ( (4) + (4)2 ) − ( (2) + (2)2 )
27 54 27 54
48 16
= −
54 54
32 16
= =
54 27
Cara lain untuk menghitung peluang kejadian dalam bentuk selang nilai pada
peubah acak kontinu adalah dengan menghitung luas daerah yang
menyatakan peluang nilai-nilai X pada selang tertentu.
F (x)
12/27
10/27
8/27
6/27
2 3 4 5

𝟔 𝟏𝟎
(
+ ) (𝟐) 𝟏𝟔
𝑷(𝑿 < 4) = 𝑳 = 𝟐𝟕 𝟐𝟕 =
𝟐 𝟐𝟕
b. Hitung 𝑃(3 ≤ 𝑋 < 4)
Jawab:
𝑃(3 ≤ 𝑋 < 4) = 𝑃(𝑋 < 4) − 𝑃(𝑋 ≤ 3)

3
32 2(1 + 𝑥)
= − (∫ + 0)
54 2 27𝑑𝑥
32 2 2 2 2
= − (( (3) + (3)2 ) − ( (2) + (2)2 ))
54 27 54 27 54
32 30 16
= −( − )
54 54 54
18 1
= =
54 3
F (x)
12/27
10/27
8/27
6/27
2 3 4 5
𝟖 𝟏𝟎
(
+ ) (𝟏) 𝟏𝟖 𝟏 𝟏𝟖 𝟏
𝑷(𝟑 ≤ 𝑿 < 4) = 𝑳 = 𝟐𝟕 𝟐𝟕 = . = =
𝟐 𝟐𝟕 𝟐 𝟓𝟒 𝟑
7. Diketahui peubah acak X dengan fungsi padat peluang 𝑓(𝑥) = 𝑐(1 − 𝑥)𝑥 2 ,
untuk 0 < 𝑥 < 1 dan 𝑓(𝑥) = 0, untuk nilai x yang lain.
(a) Peubah acak X ini termasuk peubah acakdiskrit ataukah kontinu
jelaskan.
(b) Carilah nilai konstanta c itu.
(c) Carilah nilai rataan peubah acak X ini, yaitu E(X).
Jawab:
(a) Kontinu karena terletak pada suatu selang 0 < 𝑥 < 1

(b) 𝑓(𝑥) = 𝑐(1 − 𝑥)𝑥 2
0 = 𝑐(1 − 𝑥)𝑥 2
1 1 2
0 = 𝑐 (1 − ) ( )
2 2
1 1
0 = 𝑐 (1 − )
2 4
1 1
0 = (𝑐 − )
2 4
1 1
0= 𝑐−
4 8
1 1
𝑐=
4 8
1 4
𝑐= .
8 1
1
𝑐=
2
1
(c) 𝐸(𝑥) = ∫0 𝑥𝑓(𝑥) 𝑑𝑥
1
1
= ∫ 𝑥 ( (1 − 𝑥)𝑥 2 ) 𝑑𝑥
0 2
1
1 1
= ∫ 𝑥 ( 𝑥 2 − 𝑥 3 ) 𝑑𝑥
0 2 2
1
1 1
= ∫ 𝑥 3 − 𝑥 4 𝑑𝑥
0 2 2
1
1 3
= ∫ (𝑥 − 𝑥 4 )𝑑𝑥
0 2
1 1
= ∫ (𝑥 3 − 𝑥 4 )𝑑𝑥
2 0
1
1 1 1
= [ ( 𝑥 4 − 𝑥 5 )]
2 4 5 0
1 1 1 1 1
= (( (1)4 − (1)5 ) − ( (0)4 − (0)5 ))
2 4 5 4 5
1 1 1
= ( − )
2 4 5
1 1
= ( )
2 20
1
=
40
8. Suatu peubah acak kontinu dengan fungsi padat peluang
𝑥 , 𝑢𝑛𝑡𝑢𝑘 0 < 𝑥 < 1
𝑓(𝑥) = { 2 − 𝑥, 𝑢𝑛𝑡𝑢𝑘 1 ≤ 𝑥 < 2
0 , 𝑢𝑛𝑡𝑢𝑘 𝑥 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
(a) Tunjukkan bahwa 𝑃(0 < 𝑋 < 2) = 1.

(b) Hitunglah 𝑃(𝑋 < 1,2).
Jawab:
1 2
(a) 𝑃(0 < 𝑋 < 2) = ∫0 𝑥𝑑𝑥 + ∫1 2 − 𝑥𝑑𝑥
1 1
1 1
= [ 𝑥 2 ] + [2𝑥 − 𝑥 2 ]
2 0 2 0
1 3
= ( − 0) + ((2 − ) − 0)
2 2
1 4−3
= +
2 2
1 1
= +
2 2
=1
1 1,2
(b) 𝑃(𝑋 < 1,2) = ∫0 𝑥 𝑑𝑥 + ∫1 2 − 𝑥 𝑑𝑥
1 1,2
1 1
= [ 𝑥 2 ] + [2𝑥 − 𝑥 2 ]
2 0 2 1
1 1
= ([ (1)2 − 0] + [(2(1,2) − (1)2 ) − 0])
2 2
1 1
= ( ) + (2,4 − )
2 2
= 2,4
RANGKUMAN
Jika himpunan nilai yang mungkin dari sebuah peubah acak X merupakan
selang bilangan real, yaitu (a, b), (a, b], [a, b), [a, b], (-∞, b], [a, +∞) atau (-∞,+∞),
maka X disebut peubah acak kontinu. Suatu fungsi f(x) yang didefinisikan
pada selang nilai peubah acak X disebut fungsi kepadatan peluang kontinu
(fdp kontinu), apabila fungsi distribusinya dapat dinyatakan sebagai:
𝑥
−∞
𝑥
Karena 𝐹(𝑥) = 𝑃[𝑋 ≤ 𝑥] = ∫−∞ 𝑓(𝑡)𝑑𝑡 , maka peubah acak kontinu berpeluang
nol untuk mengambil tepat salah satu nilainya, yaitu
𝑥
𝑃[𝑋 = 𝑥] = 𝑃[𝑋 ≤ 𝑥] − 𝑃[𝑋 < 𝑥] = ∫−𝑥 𝑓(𝑡)𝑑𝑡 = 0 ,
yang menyebabkan distribusi peluangnya tidak dapat disajikan dalam tabel.

BAB XI
DISTRIBUSI NORMAL, NORMAL BAKU DAN
PENERAPANNYA
11.1 Definisi Distribusi Normal

Distribusi normal merupakan distribusi peluang kontinu yang paling
penting dalam bidang statistika. Grafiknya disebut kurva normal, adalah
kurva yang berbentuk genta.
Gambar 11.1. Grafik Kurva Normal
11.2 Jenis- Jenis Kurva Distribusi Normal, Normal Baku dan Penerapannya
Ada beberapa jenis dari kurva normal, yiatu sebagai berikut
1. Kurva normal dengan 𝜇 sama dan 𝜎 berbeda.

2. Kurva normal dengan 𝜇 berbeda dan 𝜎sama.
3. Kurva normal dengan 𝜇 dan 𝜎 berbeda.
Kurva sembarang distribusi peluang kontinu atau fungsi padat peluang

dibuat sedemikian rupa sehingga luas daerah di bawah kurva itu yang dibatasi
oleh x = 𝑥1 dan x =𝑥2 sama dengan peluang bahwa peubah acak X mengambil
nilai antara x = 𝑥1 dan x = 𝑥2 atau peluang kejadian 𝑥1 < X <𝑥2 sama dengan luas
daerah di bawah kurva dibatasi oleh x = 𝑥1 dan x = 𝑥2 . Jadi bagi kurva dalam
Gambar 11.1. P(𝑥1 < X <𝑥2 ) dinyatakan oleh luas daerah gelap.

Luas daerah di bawah kurva antara nilai 𝑥1 dan 𝑥2 pastilah bergantung
pada nilai 𝜇 𝑑𝑎𝑛 𝜎. Terlihat jelas pada Gambar 1.2. di sini daerah P(𝑥1 < X <𝑥2 )
bagi kedua kurva yang mempunyai nilai tengah dan simpangan baku berbeda
itu diberi baying-bayang atau diberi arsiran. Untuk peubah acak X pada
distribusi I, P(𝑥1 < X <𝑥2 ) ditunjukkan oleh daerah yang diarsir, sedangkan
untu distribusi II peluang dinyatakan oleh daerah yang diberi bayang-bayang.
Untuk setiap kurva normal bagi setiap pasangan nilai dan 𝜎 yang mungkin.
Tetapi kita harus menggunakan table untuk menghindari dari penggunaan
kalkulus integral. Kita dapat mentransformasi setiap pengamatan yang berasal
dari sembarang peubah acak normal X menjadi peubah acak normal Z dengan
rataan 0 dan simpanganbaku 1. Transformasinya sebagai berikut :
𝑋−𝜇
Z=
𝜎
Rataaan Z adalah 0, karena

1 1
E(Z) = 𝐸(𝑥 − 𝜇) = (𝜇 − 𝜇) = 0
𝜎 𝜎
Sedangkan variansinya adalah:
2 2
1 2 𝜎2
𝜎𝑍2 = 𝜎(𝑥−𝜇)𝜎 = 𝜎𝑥/𝜎 = 𝜎 = =1
𝜎2 𝑥 𝜎2
Apabila nilai dari 𝜇 dan X sedemikian banyak karena menempati
sepanjang interval nilai, maka sangatlah tidak mungkin untuk menyediakan
distribus iprobabilitas secara lengkap sebagaimana distribusi probabilitas

binomial dan Poisson. Namun demikian, permasalahan tesebut dapat
diselesaikan dengan distribusi normal baku.
Distribusi peubah acak normal dengan rataan 0 dan simpangan baku 1

disebut distribusi normal baku. Untuk mengubah probabilitas normal umum
menjadi distribusi normal baku dapat ditempuh dengan rumus
𝑥−𝜇
Z=𝑧=
𝜎
Bila X berada di antara 𝑥 = 𝑥1 dan 𝑥 = 𝑥2 , maka peubah acak Z akan

berada di antara nilai-nilai padanannya, yaitu
𝑥1 −𝜇 𝑥2 −𝜇
𝑧1 = dan 𝑧2 =
𝜎 𝜎
Distribusi asal dan distribusi hasil transformasi diilustrasikan dalam

Gambar 6.7. Karena semua nilai X yang jatuh antara 𝑥1 𝑑𝑎𝑛 𝑥2 mempunyai
nilai-nilai z padanannya antara𝑧1 𝑑𝑎𝑛 𝑧2 , maka luas daerah di bawah kurva X
antara 𝑋 = 𝑥1 dan 𝑋 = 𝑥2 dalam Gambar 6.7 sama dengan luas daerah di
bawah kurva Z antar nilai hasil transformasi 𝑍 = 𝑧1 dan 𝑍 = 𝑧2 . Dengan
demikiann
P(𝑥1 < X <𝑥2 ) = P(𝑧1 < Z <𝑧2 )
Berarti sekarang kita telah mengurangi banyak nyata belluas kurva

normal menjadi hanya satu, yaitu yang berasal dari distribusi normal baku.
Table A.3 mencantumkan luas daerah di bawah kurva nomal baku yang
merupakan nilai P(Z<z) untuk berbagai nilai z dari -3.49 sampai 3.49. untuk
mengilustrasikan penggunaan table ini,hitung peluang Z lebih kecil dari pada
1.74. Carilah nilai z yang sama dengan 1.7 pada kolom paling kiri, dan
kemudian telusurilah sepanjang baris tersebut kekanan sampai kolom bawah
0.04, dibaca 0.9691. Jadi P(Z<1.74)=0.9591.

Untuk mencari nilai z untuk suatu nilai peluang tertentu, dan nilai z itu
berbeda di antara nilai-nilai yang dicantumkan. Ambil nilai z yang ada dalam
table yang nilai peluangnya mendekati nilai peluang yang diketahui atau
dengan interpolasi. Bila nilai peluang yang diketahui itu jatuh tepat di tengah-
tengah antara dua nilai table, maka nilai z didapatkan dari rata-rata antara dua
nilai z yang menghasilkan peluang sebesar 0,9527 yang terletak antara 0,9525
dan 0,9535 dalam table. Ambil z = 1,67karena 0,9527 lebih dekat ke 0,9525.
Tetapi peluang sebesar 0,9530 yang jatuh tepat ditengah-tengah 0,9525 dan
0,,9535 diambil z = 1,675.
Contoh 11.1.
Misalkan kita memilih 20 saham pada bulan Mei 2007. Harga saham
ke‐20 perusahaan tersebut berkisar antaraRp. 2.000 – 2.805 per lembarnya.
Berapa probabilitas harga saham antara Rp. 2.500 sampai 2.805 per lembarnya.
Diketahui μ = 2.500 sebagai nilai rata‐rata hitung dan standar deviasinya 400.

Z = (X – μ) / σ
Z1 = (2.500 – 2500) / 400
Z1 = 0 / 400 = 0
Z2 = (2.805 – 2.805) / 400
Z2 = 0.76
Contoh 11.2
Untuk distribusi normal dengan 𝜇 = 55 dan 𝜎 = 10, hitunglah peluang

bahwa X mengambil sebuah nilai antara 50 dan 67. Nilai-nilai z padanan 𝑥1 = 50
dan𝑥2 = 67 adalah
50−55
𝑧1 = = −0,5
10
67−55
𝑧2 = = 1,2
10
Dengan demikian
P(45<X<67) = P(-0,5<Z<1,2)
Nilai P(-0,5<Z<1,2) diberikan oleh daerah gelap dalam Gambar. Luas ini
dapat diperoleh dengan mengurangkan luas daerah di sebelah kiri z = -0,5 dari
luas daerah di sebelah kiri z = 1,2. Dengan menggunakan table kita peroleh:
P(45<X<67) = P(-0,5<Z<1,2)
= P(Z<1,2) – P(Z<-0,5)
= 0,8849 – 0,3085
= 0,5764
Contoh 11.3
Indeks Prestasi (IP) 300 mahasiswa tingkat persiapan mengikuti suatu

distribusi normal dengan rataan 2,1 dan simpangan baku 0,8. Berapa
banyaknya mahasiswa tersebut mencapai IP antara 2,5 dan 3,5 termasuk IP itu
dihitung sampai persepuluh IP terdekat?

Karena nilai-nilai itu dicatat sampai per sepuluh terdekat, berarti kita
harus menghitung luas daerah antara 𝑥1 = 2,45 dan 𝑥2 = 3,55, seperti
ditunjukkan dalam gambar kedua nilai z-nya adalah:
2,45−2,1
𝑧1 = = 0,44
0,8
3,55−2,1
𝑧2 = = 1,81
0,8
Oleh karena itu,
P(2,45<X<3,55) = P(0,44<Z<1,81)
= P(Z<1,81) – P(Z<0,44)
= 0,9649 – 0,6700
= 0,2949
11.3 Hampiran Normal Terhadap Distribusi Binomial

Nilai-nilai peluang untuk percobaan binomial dengan mudah dapat
diperoleh dari rumus b(x; n, p) bagi distribusi binomial atau dari table A.1 bila
n kecil. Bila n tidak ada dalam table yang tersedia, kita dapat menghitung
peluang binomial melalui prosedur hampiran. Teorma yang akan
memungkinkan untuk menggunakan luas daerah kurva normal untuk
menghampiri distribusi peluang binomial bila n cukup besar. Teorema ini
merupakan kasus dari teorema yang paling umum yang dikenal
denganTeorema Limit Pusat.

Teorema 11.1
Bila X adalah suatu peubah acak binomial dengan rataan 𝜇 = 𝑛𝑝 dan variansi 𝜎2 =
𝑋−𝑛𝑝
𝑛𝑝𝑞, maka distribusibatas (limiting distribution) barisan peubah acak. 𝑍 = untuk
√𝑛𝑝𝑞
n → ∞, adalah distribusi normal baku, N (0,1).
Ternyata distribusi normal memberikan hampiran yang sangat baik

1
pada distribusi binomial bila n besar dan p dekat pada . Bahkan, bila n kecil
2
dan p tidak terlalu dekat pada 0 atau 1, hampiran itu masih cukup baik. Untuk
menyelidiki hampiran normal bagi distribusi binomial, pertama buat
histogram bagi b(x; 20, 0,4) dan kemudian menumpang tindihkan distribusi
normal yang memiliki rataan dan variansi seperti peubah acak binomial X
tersebut. Jadi kita menggambar sebuah kurva dengan :
𝜇 = 𝑛𝑝 = (20)(0,4) = 8, 𝜎 2 = 𝑛𝑝𝑞 = (20)(0,4)(0,6) = 4,8
Histogram bagi b(x; 20, 0,4) dan kurva yang ditumpang-tindihkan, yang
seperti kita ketahui ditentukan sepenuhnya oleh rataannya dan ragamnya,
diilustrasikan dalam Gambar
Nilai eksak peluang bahwa peubah acak X mengambil nilai tertentu x

adalah sama dengan luas empat persegipanjang yang alasnya berpusat di x.
misalnya, peluang bahwa X mengambil nilai 6 sama dengan luas
persegipanjang yang alasnya berpusat di x=6. Dengan menggunakan rumus
bagi distribusi binomial, kita mendapatkan bahwa luas itu sama dengan:
b(6, 20, 0,4) = 0,1244

Karena distribusi peluang binomial ini diskrit, sedangkan distribusi
normal kontinu maka hampiran ini menggunakan koreksi kekontinuan.
Adapun dasarnya adalah setiap peluang binomial b(x; n,p) mempunyai nilai
yang sama dengan luas daerah persegipanjang dengan tinggi b(x; n, p) dan
alas [x-0,5, x+0,5] yang lebarnya satu-satuan, oleh karena itu nilai peluang ini
kira-kira sama dengan kuas daerah gelap di bawah kurva normal
antara 𝑥1 = ,5 𝑑𝑎𝑛 𝑥2 = 6,5 dalam Gambar dengan mengubahnya ke nilai z,
diperoleh:
5,5−8
𝑧1 = = −1,136
2,2
6,5−8
𝑧2 = = −0,682
2,2
Bila X adalah suatu peubah acak binomial dan Z peubah acak normal baku,
maka:
P(X=6) = b(6, 20, 0,4)
= P(-1,36 < Z < -0,682)
= P(Z < -0,682) – P(Z < 1,136)
= 0,2483 – 0,1280
= 0,1203
Perhatikan bahwa nilai tersebut sangat dekat pada nilai peluang eksaknya
sebesar 0,1244.

Hampiran normal sangat bermanfaat untuk menghitung jumlah
peluang binomial untuk nilai n yang besar, yang tanpa tersedianya table
jumlah binomial akan merupakan pekerjaan yang sangat berat atau bahkan
mustahil untuk diselesaikan. Dengan mengacu ke Gambar, misalnya untuk
menghitung peluang bahwa X mengambil sebuah nilai antara 7 sampai dengan
9. Nilai peluang eksaknya adalah:
P (7 ≤ 𝑋 ≤ 9) = ∑9𝑥=7 𝑏(𝑥; 20, 0,4)
= ∑9𝑥=0 𝑏(𝑥; 20, 0,4) − ∑6𝑥=0 𝑏(𝑥; 20, 0,4)
= 0,7553 – 0,2500
= 0,5053
Yang sama dengan jumlah luas ketiga daerah persegi panjang yang
berpusat di x= 7, 8, dan 9. Untuk hampiran normal yang dikenakan pada
selang [𝑥1 , 𝑥2 ] = [𝑋 |𝑥1 ≤ 𝑋 ≤ 𝑥2 ] koreksi kekontinuannya 𝑥1 = 6,5 dan 𝑥2 = 9,5
dalam Gambar. Kedua nilai z padanannya adalah:
6,5−8
𝑧1 = = −0,682
2,2
9,5−8
𝑧2 = = 0,682
2,2
Dengan demikian:
P(7 ≤ 𝑋 ≤ 9) = P(-0,682 < Z <0,682)
= P(Z <0,682) – P(Z < -0,682)
= 2(0,500 – P(Z < -0,682))
= 2(0,500 – 0,2483)
= 0,5034
Hampiran berdassarkan kurva normal telah menghasilkan sebuahnilai

yang sangat dekat dengan nilai eksaknya yang sebesar 0,5053. Derajat
ketelitian ini bergantung pada seberapa jauh kurva itu sesuai (fit) pada
histogram tersebut, akan semakin tinggi derajat ini bila n semakin besar.
Disamping itu, hal ini sangat jelas terlihat bila p tidak terlalu dekat pada ½,
sehingga histogramnya tidak lagi simetris. Gambar dibawah ini
mempelihatkan berturut-turut histogram bagi b(x; 6, 0,2) dan b(x; 15, 0,2).

Terlihat jelas bahwa suatu kurva normal akan jauh lebih cocok pada histogram
dengan n= 15 dari pada histogram dengan n=6.
Hampiran normal digunakan untuk menghitung peluang binomial

bila p tidak terlalu dekat pada 1 atau 0. Hampiran ini sangat baik bila n besar,
dan cukup baik untuk n kecil asalkan cukup dekat pada 1/2 .salah satu
petunjuk dalam kondisi apa hampiran normal dapat digunakan adalah dengan
menghitung np dan nq. Bila kedua np dan nq lebih besar dari 5, maka
hampiran itu akan baik.

11.4. CONTOH SOAL DAN PENYELESAIAN
1. Bila diberikan sebuah distribusi normal dengan µ= 40 dan 𝜎 = 6,

hitunglah :
(a) Luas daerah dibawah 32
32−40 −8 −4
𝑍1= = = = −1,3
6 6 3
P ( X < 32) = P ( Z < 1,3)
= 0,0968
(b) Luas daerah diatas 27
( X > 27) = P (Z > -2,2)
= 1- P ( Z < -2.2)
= 1- 0.0139
=0.9861
(c) Luas daerah antara 42 dan 51
42−40 2 1
𝑍1= = = = 0, 3333
6 6 3
51−40 11
𝑍1= = = = 1,8
6 6
P (0,3 < X < 1,8 ) = P (0,3 < 7 < 1,8)
= P (Z < 1,8) – P (Z < 0,3)
= 0,9641 – 0,6179
= 0,3462
(d) Nilai x yang luas daerah dibawahnya 45% = 0,45
P (Z < -0,13) = 0,45

Sehingga nilai Z adalah – 0,12
X = (6) (-0,13) + 40
= -0,78 + 40
= 39,22
(e) Nilai x yang luas daerah diatasnya 13% = 0,13
atau dibawah 0,87
sehingga yang dicari luasnya adalah 0,87
P (Z < 1,12) = 0,87
Sehingga nilai Z yang dicari adalah Z= 1,12
X = (6) (1,12) + 40
= 46, 72
2. Sebuah mesin minuman ringan diatur sedemikian rupa sehingga

mengeluarkan secara rata-rata 200 mililiter per gelas. BIla banyaknya
minuman yang dikeluarkan itu berdistribusi normal dengan
simpangan baku 15 mililiter.
(a) Berapa banyaknya gelas (dalam pecahan atau presentase) yang berisi
lebih dari 224 miliiter?
P (X > 224)
× −𝜇 224−200 24
𝑍= = = = 1,6
𝜎 15 15
P (X > 224) = P (Z > 1,6)
= 1 – P ( X < 1,6)
= 1 – 0, 9452

= 0,0548
(b) Berapa peluang sebuah gelas berisi antara 191 dan 209 mililiter?
P ( 191 < X < 209 ) = P (-0,6 < Z < 0,6)
= P ( Z < 0,6) – P (Z < -0,6)
= 0,7257-0,2743
= 0,4514
(c) Berapa gelas di antara 1000 gelas berikutnya yang akan tumpah meluap
bila gelas – gelas itu berukuran 230 mililiter?
× −𝜇 230−200 30
𝑍= = = =2
𝜎 15 15
P ( X > 230 ) = P ( X> 2)
= 1- P (X<2)
= 1- 0,9772
= 0,0228
Banyak gelas yang akan tumpah = 0,0228 x 1000
= 22,8 = 23
(d) Di bawah nilai berapa kita akan mendapatkan 25% gelas-gelas yang berisi
paling sedikit?
P ( Z < 0,68) = 0,75
× −𝜇
𝑍=
𝜎
X=2𝜎 +µ
= 0,68 (15) + 200

= 210,2 = 210
Sangat jelas bahwa kedua daerah itu berbeda besarnya, oleh karena itu nilai
peluang untuk masing-masing distribusi juga berbeda.
RANGKUMAN
Kurva sembarang distribusi peluang kontinu atau fungsi padat peluang dibuat
sedemikian rupa sehingga luas daerah di bawah kurva itu yang dibatasi oleh x
= 𝑥1 dan x =𝑥2 sama dengan peluang bahwa peubah acak X mengambil nilai
antara x = 𝑥1 dan x = 𝑥2 atau peluang kejadian 𝑥1 < X <𝑥2 sama dengan luas
daerah di bawah kurva dibatasi oleh x = 𝑥1 dan x = 𝑥2 .Hampiran normal sangat
bermanfaat untuk menghitung jumlah peluang binomial untuk nilai n yang
besar, yang tanpa tersedianya table jumlah binomial akan merupakan
pekerjaan yang sangat berat atau bahkan mustahil untuk diselesaikan. Dengan
mengacu ke Gambar, Hampiran normal digunakan untuk menghitung
peluang binomial bila p tidak terlalu dekat pada 1 atau 0. Hampiran ini sangat
baik bila n besar, dan cukup baik untuk n kecil asalkan cukup dekat pada 1/2
.salah satu petunjuk dalam kondisi apa hampiran normal dapat digunakan
adalah dengan menghitung np dan nq. Bila kedua np dan nq lebih besar dari
5, maka hampiran itu akan baik.

BAB XII
DISTRIBUSI KHI-KUADRAT
12.1 Pengertian dan Dasar-Dasar Distribusi Khi-Kuadrat

 Kata khi-kuadrat berasal dari huruf Yunani  (khi) yang dikuadratkan
 Distribusi probabilitas khi-kuadrat diturunkan dari distribusi
probabilitas normal baku, dalam bentuk
 2= z21 + z22 + z23 + . . . z2 dengan z1, z2, z3, . . . , zsebagai distribusi
probabilitas normal baku
 Karena dikuadratkan maka 2 tidak negatif yakni
o 2> 0 dan > 0
 Distribusi probabilitas 2 tidak simetris
 Distribusi Chi-Kuadrat merupakan pdf. Syarat suatu distribusi
merupakan pdf, yaitu:
 f(x) ≥ 0
∞
 ∫−∞ 𝑓(𝑥) = 1
12.2 Fungsi Padat Peluang dan Grafik Distribusi Probabilitas Khi-Kuadrat
 Fungsi densitas distribusi probabilitas khi-kuadrat adalah

 2
 
1 1 
f(  2 )  2 2 e 2

 
22  
2
Dengan  = derajat kebebasan
 Distribusi probabilitas khi-kuadrat selain berubah menurut 2 juga

berubah menurut derajat kebebasan 
 Karena diturunkan dari jumlah kuadrat distribusi probabilitas normal
baku, maka distribusi probabilitas khi-kuadrat cocok untuk parameter
atau statistik variansi (yang juga merupakan kuadrat simpangan)
 Nilai terkecil adalah 0

Contoh Grafik Distribusi Probabilitas Khi-Kuadrat
0.5
0.45
fc(x;1)
0.4
fc(x;3)
0.35
fc(x;4)
0.3
f2(x;)
0.25
0.2
0.15
0.1
0.05
0
0 5 x 10 15
Gambar 1. Fungsi Kepadatan Probabilitas Distribusi chi-kuadrat
12.3 Rataan dan Variansi Distribusi Chi-Kuadrat
TOEREMA 13.1
Rataan dan variansi peubah acak x yang berdistribusi khi-kuadrat berturut-turut ialah:
µ = E (X) = v
dan σ2 = var (X) = 2v, bila v adalah derajat bebasnya.
12.4 Contoh Soal Distribusi Chi-Kuadrat

Contoh 1
Banyak individu suku bangsa diduga mempunyai 4 macam golongan
darah yaitu A,B,AB,dan O.Berdasarkan pembagian 16 %,48 %,20 % dan 16 %
pengamatan dilakukan terhadap 770 individu.Ternyata untuk ke-4 golongan
darah itu berturut-turut terdapat 179,361,130, dan 100. Benarkah distribusi ke-4
golongan darah untuk suku bangsa itu ? gunakan α = 5%
Jawab :
H0 : A : B : AB : O = 16 % : 48 % : 20 % : 16 % (distribusi ke-4 golongan darah

tsb benar)
H1 : A : B : AB : O ≠ 16 % : 48 % : 20 % : 16 % (distribusi ke-4 golongan darah tsb

salah)

α :5%
n = 770
EA = 16/100 (770) = 123,2
EB = 48/100 (770) = 369,6
EAB= 20/100 (770) = 154
E O = 16/100 (770) = 123,2
Statistik Uji :
χ² = (179 – 123,2)2/123,2 + (361 – 369,6)2/369,6 + (130 – 154)2/154 + (100 –

123,2)2/123,2
χ² = 25,2730 + 0,2 + 3,7402 + 4,3688
χ² = 33,58
Kriteria uji : Tolak H0 jika χ² ≥ χ²α,db = k – 1, terima dalam hal lainya. Dengan
db = k – 1 = 3 dan α = 0,05 berdasarkan tabel 3 diperoleh nilai χ²α = 7,81 Karena
χ² = 33,58 > χ²α = 7,81 maka H0 ditolak.sehingga dapat disimpulkan bahwa
distribusi golongan darah tsb salah.
Contoh 2.
Sebuah tabel bilangan random (acak) yang terdiri dari 100
bilangan menyajikan distribusi bilangan-bilangan 1,2,3,4,5. Apakah distribusi
yang diamati berbeda nyata dari distribusi yang diharapkan ?
Jawab :
100
𝐸𝑖 = = 20
5
Jumlah Data 1 2 3 4 5
Fungsi yang Diamati 10 15 17 20 25
Fungsi yang Diharapkan 20 20 20 20 20

BAB XIII
DISTRIBUSI T-STUDENT
13.1 Pengertian dan Dasar-Dasar Distribusi T – Student

Pengertian Distribusi T – Student
Dalam probabilitas dan statistik, Student’s t-distribusi (t-distribusi)
adalah distribusi probabilitas yang muncul dalam memperkirakan masalah
berarti sebuah terdistribusi normal populasi ketika ukuran sampel kecil. Ini
adalah dasar dari populer Student’s t-tes untuk signifikansi statistik dari
perbedaan antara dua sampel berarti, dan untuk interval kepercayaan untuk
selisih antara dua mean populasi. Student’s t-distribusi adalah kasus khusus
dari distribusi generalised hiperbolis.
Distribusi Student muncul ketika (seperti dalam hampir semua statistik

praktis) populasi deviasi standar tidak diketahui dan harus diperkirakan dari
data. Cukup sering, bagaimanapun, masalah buku pelajaran akan
memperlakukan deviasi standar populasi seolah-olah itu dikenal dan dengan
demikian menghindari kebutuhan untuk menggunakan Student’s t-test.
Masalah ini umumnya dari dua jenis:
(1) orang-orang di mana ukuran sampel sangat besar yang mungkin

memperlakukan data berbasis perkiraan varians seolah-olah pasti, dan
(2) orang-orang yang menggambarkan penalaran matematika, di mana

masalah memperkirakan deviasi standar untuk sementara diabaikan
karena itu bukan titik bahwa pengarang atau instruktur kemudian
menjelaskan.
Dasar-Dasar Distribusi T – Student
Distribusi probabilitas t-Student diturunkan dari distribusi probabilitas

normal baku, dalam bentuk yang berkaitan dengan distribusi probabilitas khi-
kuadrat, yakni :
z
t
2


dengan z1, z2, z3, . . . sebagai distribusi probabilitas normal baku dan
2= z21 + z22 + z23 + . . . + z2dari distribusi probabilitas khi-kuadrat.
13.2. Fungsi Padat Peluang dan Grafik Distribusi Probabilitas T – Student
TEOREMA 13.1
Apabila suatu peubah acak Z berdistribusi normal baku dan peubah acak V
berdistribusi khi-kuadrat x2(v) serta mereka bebas, maka distribusi
z
t
2

Diketahui sebagai distribusi t-student dengan derajat bebas v dan fungsi padat
peluang
 v 1

2  1 t 2 v1
f(t)   (1  ) 2 untuk    t  
v v v
 
 
2
v (baca; nu) adalah parameter distribusi dan Γ (.) menyatakan fungsi gamma
yang didefinisikan dengan

(v)   x v 1dx
0
Beberapa sifat dasar fungsi gamma, antara lain sebagai berikut:
Γ (n) = (n-1) Γ (n-1), n>1
Γ (n) = (n-1) !, n = 1, 2, 3 ……
Γ (1/2) = 
Dimana  = 3,1415…….Dengan sedikit pekerjaan matematis dapat dibuktikan

bahwa fungsi padat peluang distribusi t memenuhi:


 f(t)dt  1

Distribusi probabilitas t-Student memiliki derajat kebebasan 
 Jika  ∞ maka t  z yakni distribusi probabilitas t mendekati distribusi

probabilitas normal baku
 Distribusi probabilitas t adalah simetris terhadap rerata (rerata = 0)

sehingga memiliki nilai positif dan negatif
Distribusi Z dan T berbeda karena variansi T bergantung pada ukuran

sampel n dan variansi ini selalu lebih besar dari 1. Hanya bila ukuran sampel
𝑛 → ∞ kedua distribusi menjadi sama. Pada gambar dibawah diperlihatkan
hubungan antara distribusi normal baku (𝑣 = ∞) dan distribusi t untuk derajat
kebebasan 2 dan 5.
t
t1  t 0 t
Karena distribusi t setangkup terhadap rataan nol, maka 𝑡1−𝛼 = −𝑡𝛼 ;
yaitu, nilai t yang luas sebelah kanannya 1 − 𝛼, atau luas sebelah kirinya 𝛼,
sama dengan minus nilai t yang luas bagian kanannya 𝛼.
Panjang selang nilai t yang dapat diterima tergantung pada bagaimana

pentingnya 𝜇. Bila 𝜇 ingin ditaksir dengan ketelitian yang tinggi, sebaiknya
digunakan selang yang lebih pendek seperti −𝑡0,05 sampai 𝑡0,05.
13.3 Rataan dan Variansi Distribusi T – Student
TEOREMA 14.2
Rataan dan variansi dari distribusi t-student dengan derajat bebas v, berturut-turut
sebagai berikut :
𝑣
µ = E (T) = 0 dan σ2 = var (T) = ,v> 2
𝑣−2

13.4 Contoh Soal Distribusi T – Student
Contoh 1
Suatu pabrik bola lampu yakin bahwa bola lampunya akan tahan
menyala rata – rata selama 500 jam. Untuk mempertahankan nilai tersebut, tiap
bulan diuji 25 bola lampu. Bila nilait yang dihitung terletak antara −𝑡0,05 dan
𝑡0,05 maka pengusahan pabrik tadi akan mempertahankan kenyakinannya.
Kesimpulan apa yang seharusnya dia ambil dari sampel dengan rataan 𝑥̅ = 518
jam dan simpangan baku s = 40 jam? Anggap bahwa distribusi waktu menyala,
secara hampiran, noramal.
Jawab :
Dari tabel 5 diperoleh 𝑡0,05 = 1,711 untuk derajat kebebasan 24. Jadi
pengusaha tadi akan puas dengan keyakinananya bila sampel 25 bola lampu
memberikan nilai t antara -1,711 dan 1,711. Bila memang 𝜇 = 500, maka
518 − 500
𝑡= = 2,25
40/√25
Suatu nilai yang cukup jauh di atas 1,711. Peluang mendapat nilai t,
dengan derajat kebebasan v = 24, sama atau lebih besar dari 2,25, secara
hampiran adalah 0,02. Bila 𝜇 > 500, nilai t yang di hitung dari sampel akan
lebih wajar. Jadi pengusaha tali kemungkinan besar akan menyimpilkan
bahwa produksinya lebih baik daripada yang diduganya semula.
RANGKUMAN
Dari pembahasan yang telah diuraikan pada makalah ini dapat ditarik
beberapa kesimpulan :
1. Syarat suatu distribusi merupakan pdf, yaitu:
 f(x) ≥ 0
∞
 ∫−∞ 𝑓(𝑥) = 1
2. Fungsi densitas distribusi probabilitas khi-kuadrat adalah

 2
 
1 1 
f(  2 )  2 2 e 2

 
22  
2
3. Dalam probabilitas dan statistik, Student’s t-distribusi (t-distribusi) adalah
distribusi probabilitas yang muncul dalam memperkirakan masalah
berarti sebuah terdistribusi normal populasi ketika ukuran sampel kecil.
4. Distribusi T – Student dapat dihitung dengan menggunakan rumus
−(𝑣+1)⁄2
Γ[(𝑣 + 1)⁄2] 𝑡2
ℎ(𝑡) = (1 + )
Γ(𝑣⁄2)√𝜋𝑣 𝑣
Dimana: −∞ < 𝑡 < ∞
n = banyaknya anggota sampel
dk (derajat kebebasan) = v = n – 1.
𝜋 = 3,14

BAB XIV
DISTRIBUSI F-SCEDECOR
14.1 Definisi Distribusi F-Scedecor

Distribusi F dikenal dengan sebutan distribusi F – Snedecor atau
Distribusi Fisher-Snedecor (dinamakan mengikuti Sir Ronald Aylmer Fisher (17
Februari 1890 – 29 Juli 1962) dan George W. Snedecor merupakan pakar
statistika, pertanian eksperimental, dan genetika kuantitatif asal Inggris).
Distribusi F digunakan untuk menguji rata-rata atau nilai tengah dari tiga atau
lebih populasi secara sekaligus, apakah rata-rata atau nilai tengah tersebut
sama atau tidak sama.
Distribusi Probabilitas F diturunkan dari Distribusi Probabilitas Normal

Baku melalui Distribusi Chi-Kuadart. Distribusi Probabilitas F merupakan
perbandingan dua Distribusi Chi-Kuadrat dalam bentuk
𝑈
𝑟1
𝐹=
𝑉
𝑟2
Pada Distribusi Probabilitas F terdapat dua derajat kebebasan yakni

derajat kebebasan pembilang r1 dan derajat kebebasan penyebut r2.
Adapun ciri-ciri dari distribusi F adalah:
1. Distribusi F bersifat kontinyu. Hal ini berarti bahwa Distribusi F nilainya

bisa jadi tidak terbatas, antar nol dan positif tak hingga.
2. Distribusi F tidak dapat bernilai negatif, nilai terkecil dari F adalah 0
3. Bentuknya tidak simetri. Semakin besar jumlah derajat kebebasan pada

pembilang dan penyebut, distribusinya semakin mendekati Distribusi
Normal
4. Bersifat asimtotik. Semakin besar nilai X, kurva F semakin mendekati

sumbu X tetapi tidak akan pernah sampai menyentuhnya.

Karena distribusi ini diturunkan dari distribusi Khi-Kuadrat, maka
grafiknya sedikit positif, yaitu miring ke kanan. Adapun tabel untuk distribusi
F ini umumnya diberikan untuk nilai peluang 𝛼 = 0,01 dan 𝛼 = 0,05 dengan
derajat bebas v1 dan v2. Peluang 𝛼 ini dinyatakan oleh luas daerah di kanan 𝑓𝛼
seperti pada gambar di atas.
14.2 Fungsi Kepadatan Peluang

Suatu peubah acak dikatakan memiliki distribusi F dengan r 1 dan r2
derajat kebebasan jika fungsi kepekatannya ditentukan oleh
𝑟1 + 𝑟2 𝑟1
Г( ) 𝑟1 𝑟21 𝑥2−1
2
𝑟 𝑟 ( ) 𝑟1 + 𝑟2
ℎ(𝑓; 𝑟1; 𝑟2) = Г 1 Г 2 𝑟2 𝑟 2
2 2 (1 + 𝑥 1 )
𝑟2
{ 0; 𝑥 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
Peubah acak X yang berditribusi F dengan derajat kebebasan r 1 dan r2

dapat ditulis dengan X ~ F (r1, r2)
14.3 Nilai Harapan / Ekspektasi

𝑟2
𝜇 = 𝐸 (𝑋) = ,𝑟 > 2
𝑟2 − 2 2

14.4 Variansi
2𝑟2 2 (𝑟1+ 𝑟2 − 2)
𝜎 2 = 𝑉𝑎𝑟 (𝑋) = ,𝑟 > 4
𝑟1 (𝑟2 − 2)2 (𝑟2 − 4) 2
Teorema 14.1
Jika suatu sampel random adalah n1 dan n2 adalah diambil dari suatu normal distribusi
dengan varians υ12 dan υ22. S12 dan S22 adalah varians dari sampel random independen,
sehingga;
𝑆1 2 /𝜎1 2 𝜎2 2 𝑆1 2
𝐹= =
𝑆2 2 /𝜎2 2 𝜎1 2 𝑆2 2
Berdistribusi F dengan derajat kebebasan 𝑟1 = 𝑛1 − 1 dan 𝑟2 = 𝑛2 − 1
14.5 Contoh Soal

Contoh 1
Dengan dk pembilang 30 dan dk penyebut 25, hitunglah 𝑓(0,05) 𝑑𝑎𝑛𝑓(0,01) ...
Jawab:
Untuk menyelesaikan soal diatas dapat menggunakan 2 cara, yaitu

menggunakan tabel dan minitab
a) Dengan tabel distribusi F
Perhatikan v1 pada bagian baris dan v2 pada kolom. Lalu perhatikan v1 untuk
30 dan v2 untuk 25. Maka akan diperoleh 𝑓(0,05) = 1,92 dan 𝑓(0,01) = 2,54
b) Dengan minitab
Gambar 14.1: Klik Graph →Probability Distribution Plot

Gambar 14.2 Pilih View Probability
Gambar 14.3 Pilih Distribusi F lalu isi numerator df: 30 dan denominator df : 25

Gambar 14.4: Klik Shade Area →Right Tail →Probability 0,05untuk 𝑓(0,05) dan 0,01
untuk 𝑓(0,01)
Gambar 14.5 : Kurva distribusi untuk 𝑓(0,05)

Gambar 14.6. Kurva distribusi untuk 𝑓(0,01)
RANGKUMAN
Distribusi F atau yang dikenal dengan distribusi F-Snedecor atau

distribusi Fisher-Snedecor seringkali digunakan dalam pengujian statistika,
antara lain analisis varians dan analisis regresi. Distribusi ini dipakai untuk
membandingkan dua varian yang berpopulasi normal. Distribusi Probabilitas
F diturunkan dari Distribusi Probabilitas Normal Baku melalui Distribusi Chi-
Kuadrat.

BAB XV
DISTRIBUSI EKSPONENSIAL
15.1 Definisi Distribusi Eksponensial

Salah satu distribusi yang banyak digunakan dalam statistika,
khususnya proses stokastik, adalah distribusi Eksponensial. Distribusi
Eksponensial adalah salah satu distribusi khusus dari distribusi gamma
dengan parameter λ=θ dan κ = 1.Oleh karena itu jika X berdistribusi
eksponensial, ditulis dengan X~EXP(θ).
Distribusi eksponensial juga merupakan suatu distribusi yang berguna

untuk mencari selisih waktu yang terjadi dalam suatu peluang tertentu. Dalam
distribusi eksponensial ini digunakan pencarian atau pengolahan data dengan
menggunakan variabel random. Dimana variabel random itu sendiri adalah
variabel yang berupa nilai atau angka yang merupakan outcome dari
eksperimen random. Variabel random bersifat diskrit bila hanya berupa nilai
tertentu yang dapat dihitung. Namun variabel random bersifat kontinu bila
mana berupa suatu nilai manapun dalam suatu interval.
Adapun karakeristik distribusi eksponensial sebagai berikut :
1. Mempunyai nilai variansi.
2. Mempunyai nilai mean.
3. Pencarian pada distribusi eksponensial menggunakan variabel random.
4. Peluang yang terjadi pada suatu percobaan mempengaruhi selisih waktu

yang terjadi pada percobaan tersebut.
5. Mempunyai nilai x > 0.
15.2 Fungsi Kepadatan Peluang
 1 x /
 e ;x 0
f ( x;  )   
0; x  lainnya
Keterangan :
e = eksponensial = 2,71828

Syarat dari distribusi eksponensial yaitu :
 X≥0
 λ>0
 e = eksponensial = 2,71828
Gambar daerah luas kurva distribusi eksponensial :
Keterangan: daerah arsiran probabilitas tergantung tanda ≥ atau ≤ . jika
P (X ≤ Xo) maka daerah arsiran probabilitasnya berada di sebelah kiri
15.3 Fungsi Sebaran Kumulatif
F ( x;  )  1  e x /  I ( x  0)

15.4 Ekspektasi / Nilai Harapan
E(X) = μ = θ
15.5 Variansi
σ2 = var (x) = θ2
16.6 Sifat Tanpa Memori
Teorema
Misal X~EXP (θ). Maka 𝑃 [ 𝑋 > 𝑎 + 𝑡 |𝑋 > 𝑎] = 𝑃 [𝑋 > 𝑡 ]
`Ùntuk semua a > 0 dan t > 0.
Bukti:
𝑃 [𝑋>𝑎+𝑡 𝑑𝑎𝑛 𝑋>𝑎 ] 𝑃 [𝑋>𝑎+𝑡 ]
𝑃 [ 𝑋 > 𝑎 + 𝑡 |𝑋 > 𝑎] = =
𝑃 [𝑋>𝑎 ] 𝑃[𝑋>𝑎 ]
𝑡
𝑒 −(𝑎+𝑡)/𝜃
= = 𝑒 −𝜃 = 𝑃 [𝑋 > 𝑡]
𝑒 −𝑎/𝜃
Teorema di atas menggambarkan apabila X menyatakan waktu hidup

suatu komponen barang, maka peluang komponen itu masih akan hidup lebih
dari ( a + t ) satuan waktu sama dengan peluang komponen baru yang masih
hidup lebih dari t satuan waktu. Dengan kata lain, komponen lama ini yang
masih bisa bekerja akan sama kemampuannya dengan komponen baru.
16.7 Contoh – contoh Soal
Contoh 1
Toko CD “ BEAT THE HITS” tengah mengadakan diskon besar-besaran
sehingga kedatangan pengunjung yang berdistribusi eksponensial meningkat
dari biasanya menjadi 8,4 per 35 menit. berapa probabilitas kedatangan
pengunjung dalam selang waktu 8 menit atau lebih?
Jawab:
Diketahui:
Xo = 8 menit
λ = 8,4 / 35 menit = 0.24 per menit
Ditanyakan: P(X ≥ 8 menit)?
𝑃 (𝑥 ≥ 𝑥0 ) = 1 − 𝑒 −𝜆𝑥0

𝑃 (𝑥 ≥ 8) = 1 − 𝑒 −(0,24)(8)
𝑃 (𝑥 ≥ 8) = 1 − 𝑒2,71828−1,92 = 0,85
𝑃 (𝑥 ≥ 8) = 0,85
Contoh 2
Misal X menyatakan waktu hidup (dalam jam) bola lampu merk tertentu
dan mengikuti sebaran ekponensial dengan parameter θ = 72, X ~ EXP (72).
Misal kita ingin mengetahui peluang hidup setelah 48 jam.
Jawab:
𝑃 [𝑋 > 48}] = 1 − 𝑃[𝑋 ≤ 48] = 1 − 𝐹 (48,72) = 1 − 0,4596 = 0,5404
Soal di atas dapat juga diperoleh dengan Minitab
Berikut langkah – langkahnya:
Graph → Probability Distribution Plot → View Probability → Ekponential

→Skala (X), Threshold (0) → Pilih shade area → X Value → X (value:48) →
Right Tail
Gambar 15.2.: Klik Graph →Probability Distribution Plot

Gambar 15.3 Pilih View Probability
Gambar 15.4. Klik Eksponential → Skala (berdasarkan nilai X) dan Threshold (0)
Gambar 15.5. Pilih Shade Area → Isi nilai X

Gambar 15.6. Terlihat distribusinya
RANGKUMAN
Sedangkan Distribusi Eksponensial adalah salah satu distribusi khusus
dari distribusi gamma dengan parameter λ = θ dan κ = 1. Distribusi ini
digunakan untuk memodelkan kasus selang waktu antara dua kejadian dari
suatu peristiwa (waktu antara kedatangan). Dengan kata lain, distribusi ini
digunakan untuk memodelkan waktu tunggu sampai sebuah peristiwa terjadi,
dan juga untuk memodelkan waktu antar terjadi peristiwa.

DAFTAR RUJUKAN
Arini, Sukma. 2011. Uji χ² (Uji Chi-Kuadrat/Uji Kecocokan) -->> kasus satu sampel.
(Online),(http://arini2992.blogspot.co.id/2011/05/uji-uji-chi-kuadratuji-
kecocokan-kasus.html), diakses pada 12 Maret 2016.
Fadhillah, Lubnah. 2014. Soal dan Penyelesaian Uji Chi Kuadrat. (Online),
(http://lubnahfadhilah.blogspot.com/2014/01/soal-dan-penyelesaian-uji-
chi-kuadrat.html), diakses pada 14 Maret 2016.
Permadi, Hendro. Abadyo. 2005. Metoda Statistika Praktis. Malang:

Universitas Negeri Malang.
Sufahmi, Afandi. 2015. Distribusi-T, Distribusi-F, dan Uji Asumsi Klasik.

(Online). (http://blablablalabla.blogspot.com/2015/01/distribusi-t-
distribusi-f-dan-uji.html), diakses 14 Maret 2016.
Enda, Devandy. 2014. Distribusi t Student. (Online).

(http://www.slideshare.net/DevandyEnda/distribusi-t-sudent), diakses 10
Maret 2016.

Buku Statistika Terapan

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Buku Statistika Terapan

Diunggah oleh

Hak Cipta:

Format Tersedia

Statistika Terapan

Bahan Ajar Metode Statistika ini ditulis untuk memenuhi kebutuhan

Malang, Maret 2019

Kata Pengantar ..................................................................................................... i

Daftar Isi ............................................................................................................... ii

Bab I. Ukuran Pemusatan ................................................................................... 1

Daftar Rujukan ..................................................................................................... 145

1. Persahabatan antara beberapa anak di suatu sekolah juga terlihat pada

2. Dalam 5 tahun terakhir ini, klub sepakbola Barcelona memiliki seorang

3. Zafran memiliki beberapa kartu bridge dengan nomor 2, 6, 6, 2, 8, 8, 4, 6,

Permasalahan atau pun kejadian di atas merupakan contoh kejadian

Definisi Rataan Populasi.

Definisi Rataan Sampel.

Jadi, nilai rata-rata ulangan harian Iwan adalah 85.

Jika kita perhatikan nilai rata-rata ulangan harian Iwan sebelum

(70 − 5) + (75 − 5) + (75 − 5) + (65 − 5) + (80 − 5) + (85 − 5) 420

Jika kita perhatikan nilai rata-rata ulangan harian Iwan sebelum

 Jika setiap data bertambah sebesar r, maka rata-rata baru akan

1.1.2. Nilai Tengah (Median)

1, 2, 3, 4, 5, 6, 7, …, 35, 36, 37, 38, 39.

1, 2, 3, 4, 5, 6, 7,.., 15, 16, 17, 18 → data berada di sebelah kiri

Jadi, 19 adalah data yang berada di tengah-tengah ke dua bagian

10, 20, 30, 40, 50, 60, 70, 80.

Berdasarkan contoh-contoh di atas, modus dapat didefinisikan sebagai

1.2. LEMBAR KERJA MAHASISWA

Gaji Karyawan Dan

a) Bagaimana komentar anda tentang penggunaan statistik (ukuran

Descriptive Statistics: GAJI+

Descriptive Statistics: Gaji Pimpinan

Histogram of Gaji Pimpinan

Descriptive Statistics: GAJI KARYAWAN

Histogram of GAJI KARYAWAN

Histogram of GAJI KARYAWAN

No Produktifitas Karyawan Baru Dan Keterangan

a) Bagaimana komentar anda tentang penggunaan statistik (ukuran

Descriptive Statistics: PROD_KARYAWAN

b). Apakah ukuran pemusatan yang dijelaskan oleh pimpinan HRD

Descriptive Statistics: PROD_KBARU

Descriptive Statistics: karyawan lama

Gaji Karyawan Dan

a) Bagaimana komentar anda yang tentang statistik (ukuran pemusatan)

a) Bagaimana komentar anda yang tentang statistik (ukuran pemusatan)

HASIL ANALISIS GAJI + (KARYAWAN DAN PIMPINAN TIDAK

Summary for GAJI+

150 160 170 180 190 200 210

b) Apakah ukuran pemusatan yang dijelaskan oleh pimpinan HRD

HASIL ANALISIS GAJI KARYAWAM (KARYAWAN DAN PIMPINAN

Variable N N* Mean SE Mean StDev Variance Minimum

Descriptive Statistics: pimpinan

2.1 Pengertian Peubah Acak

Definisi Peubah Acak

Definisi Peubah Acak Diskrit

Definisi Fungsi Kepadatan Peluang

P(AA) = P(AG) = P(GA) = P(GG) = ¼

Maka f(0) = P(X = 0) = P(GG) = ¼

f(1) = P(X = 1) = P(AG ∪ 𝐺𝐴) = 𝑃(𝐴𝐺) + 𝑃(𝐺𝐴) = ¼ + ¼ = ½

f(2) = P(X = 2) = P(AA) = ¼

Jadi, fungsi kepadatan peluang diskritnya adalah

Maka grafik fungsi padat peluangnya adalah

2.2 Distribusi Peluang Diskrit

Definisi Distribusi Komulatif

Definisi Fungsi Distribusi

Fungsi distribusi F(x) merupakan fungsi tangga tidak turun. F(x)

 F(x) = 0 ,untuk x menuju -∞ 𝑑𝑎𝑛 F(x) = 1, untuk x menuju +∞