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.
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.
Penulis
i
Daftar Isi
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
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.
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.
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.
Statistika Terapan 2
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
3. Jika setiap nilai di kurang dengan 5, maka nilai rata-rata Iwan dihitung
sebagai berikut:
Jadi, nilai rata-rata ulangan harian Iwan setelah pengurangan adalah 70.
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.
Statistika Terapan 3
Dari contoh di atas, dapat disimpulkan bahwa rata-rata memiliki sifat-
sifat sebagai berikut.
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.
Data yang berada pada urutan tengah dapat ditentukan dengan membagi dua
data sama banyak. Bagian yang sama banyak tersebut adalah:
20, 21, 22, 23, …, 36, 37, 38, 39 → data berada di sebelah kanan.
Statistika Terapan 4
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
Statistika Terapan 5
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.
Definisi Modus.
Misalkan 𝑥1 , 𝑥2 , 𝑥3 , ⋯ , 𝑥𝑛 adalah suatu data, data yang paling sering muncul disebut
modus, disimbolkan dengan Mo.
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
Statistika Terapan 6
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
Statistika Terapan 7
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
pemusatan) yang dijelaskan oleh pimpinan HRD terhadap pelamar
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 $
Variable Maximum
GAJI+ 370,0
Histogram of GAJI+
Histogram of GAJI+
25
20
15
Frequency
10
0
150 200 250 300 350
GAJI+
Statistika Terapan 8
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
menguntungkan atau merugikan si Pelamar tersebut ? Jelaskan mengapa
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
data agar memberikan rasa keadilan bagi si pelamar ?
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
Variable Q3 Maximum
Gaji Pimpinan 367,50 370,00
Statistika Terapan 9
Histogram of Gaji Pimpinan
1,0
0,8
Frequency
0,6
0,4
0,2
0,0
350 355 360 365 370
Gaji Pimpinan
Variable Q3 Maximum
GAJI KARYAWAN 161,00 164,00
4
Frequency
0
152 154 156 158 160 162 164
GAJI KARYAWAN
Soal Nomor 2
Statistika Terapan 10
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.
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
Statistika Terapan 11
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
Statistika Terapan 12
baru nilai rata-rata tidak mewakili (data heterogen) data berasal dari dua
populasi karyawan baru dan i karyawan lama.
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
Statistika Terapan 13
d). Bagaimana seharusnya yang dilakukan pimpinan HRD tersebut mengolah
data agar memberikan rasa keadilan bagi si pelamar ?
Jawaban: pimpinan HRD seharusnya mengolah data dengan
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.
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
Variable Maximum
karyawan lama 94,00
Statistika Terapan 14
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.
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
Statistika Terapan 15
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
Statistika Terapan 16
d) Bagaimana seharusnya yang dilakukan pimpinan HRD tersebut mengolah
data agar memberikan rasa keadilan bagi si pelamar ?
Penyelesaian
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
Median
Statistika Terapan 17
Jawaban: ukuran pemusatan yang digunakan akan menguntungkan
perusahaan, karena seharusnya pelamar mendapat gaji ditawarkan gaji
berkisar 355 $, tetapi dengan nilai modus hanya 158 $
c) Apakah ukuran pemusatan yang dijelaskan oleh pimpinan HRD
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 $
d) Bagaimana seharusnya yang dilakukan pimpinan HRD tersebut mengolah
data agar memberikan rasa keadilan bagi si pelamar?
Jawaban: pimpinan HRD seharusnya mengolah data dengan
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
Statistika Terapan 18
Histogram of karyawan
4
Frequency
0
152 154 156 158 160 162 164
karyawan
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
Statistika Terapan 19
Statistika Terapan 20
BAB II
PEUBAH ACAK
Statistika Terapan 21
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
x 0 1 2
f(x) ¼ ½ ¼
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
Statistika Terapan 22
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
Statistika Terapan 23
F(x) kontinu dari kanan
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
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
Statistika Terapan 24
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.
x 1 2 3 4 5 6
f(x)
11/36
9/36
7/36
5/36
3/36
1/36
1 2 3 4 5 6
Statistika Terapan 25
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
p(0) =1/3 dan p(1) =2/3 maka E(X) = 0p(0) + 1p(1) = 0(1/3) + 1(2/3) =2/3
E(aX + b) = aE(X) + b
Statistika Terapan 26
2.4. Rataan Peubah Acak Diskrit
Andaikan ada suatu populasi hingga x1, x2, x3, ..., xn
Misalkan peubah acak x ini memiliki distribusi peluang yang seragam yaitu
1
P[Xi = xi]=
N
Dalam kasus ini ternyata rataan peubah acak X sama dengan nilai
harapannya yaitu µ = E(X)
Contoh Soal :
Solusi :
Statistika Terapan 27
1
= ( 1 + 2 +3 +4 + 5 + 6 )
6
= 3,5
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
Statistika Terapan 28
Teorema 2.5. Bila X suatu peubah acak dengan Var(X) = 𝜎2 dan b suatu konstnta,
maka
Var(X+b) = 𝜎2X+b = 𝜎2
Bukti :
RANGKUMAN
1. Peubah acak adalah suatu fungsi dari ruang contoh ke bilangan nyata,
f : S → R.
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
Statistika Terapan 29
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
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:
Statistika Terapan 30
BAB III
DISTRIBUSI HIPERGEOMETRIK
Teorema 3.1
Distribusi hipergeometrik h(x;N,n,k) mempunyai rata-rata sbb:
nk
N
Bukti:
Statistika Terapan 31
Teorema 3.2
Distribusi hipergeometrik h(x;N,n,k) mempunyai variansi sbb:
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
Statistika Terapan 32
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
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)
05 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
Statistika Terapan 33
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:
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 51 1 4
h 1; 40,5,3 0,3011
40 40
5 5
Statistika Terapan 34
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
)
Statistika Terapan 35
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
Statistika Terapan 36
(43)(20) 1
𝑃(𝑋 = 3) = ℎ(3; 6,3,4) = = = 0,2
(63) 5
Contoh
Statistika Terapan 37
belakang. Beapa peluang, ketika musim berbunga tiba dihalaman depan
berbunga 1 camalia, 2 monstera dan 2 gardena?
Jawab :
𝑥1 = 1 , 𝑥2 = 2, 𝑥3 = 3 , 𝑎1 = 3 , 𝑎2 = 4 , 𝑎3 = 3 , 𝑁 = 10 , 𝑑𝑎𝑛 𝑛 = 5
(31)(42) … (32) 3
𝑓 (1,2,2 ; 3,4,3,10,5) = =
(10
5
) 14
RANGKUMAN
Statistika Terapan 38
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:
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 :
= 0,8791 − 0,6678
= 0,2013
Statistika Terapan 39
Statistika Terapan 40
BAB IV
DISTRIBUSI SERAGAM
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
Statistika Terapan 41
Statistika Terapan 42
BAB V
DISTRIBUSI BINOMIAL
Contoh soal:
Peluang Ronaldo mencetak gol lewat tendangan penalty adalah 0,8. Jika
dalam 4 kali penalty tentukan peluang ronaldo mencetak tepat 3 goal.
Statistika Terapan 43
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
Statistika Terapan 44
BAB VI
DISTRIBUSI MULTINOMIAL
Dengan
𝑘 𝑘
∑ 𝑥𝑖 = 𝑛 ∑ 𝑝𝑖 = 1
𝑖=1 𝑖=1
Contoh soal:
Penyelesaian:
6 1
p2 = =
36 6
Statistika Terapan 45
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
Jawab:
Statistika Terapan 46
3. Pilih View Probability untuk menampilkan peluang yang akan dicari
4. Pada bagian Distribution
Distribution: Binomial
Statistika Terapan 47
Both Tail : untuk menampilkan peluang yang kurang dari dan lebih
dari, tapi tidak diantaranya.
Middle : untuk menampilkan peluang diantara x1 dan x2.)
P(x ≥ 10)=0,03383
Statistika Terapan 48
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
Statistika Terapan 49
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.
Statistika Terapan 50
BAB VII
DISTRIBUSI BINOMIAL NEGATIF DAN GEOMETRI
Statistika Terapan 51
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, ….
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
Statistika Terapan 52
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
Bukti :
Misalkan :
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,
Statistika Terapan 53
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
𝑘 2 + 𝑘 + 𝑘𝑝 𝑘 2
𝑉𝑎𝑟(𝑋) = − ( )
𝑝2 𝑝
𝑘 2 + 𝑘 + 𝑘𝑝 − 𝑘 2
𝑉𝑎𝑟(𝑋) =
𝑝2
𝑘 − 𝑘𝑝
𝑉𝑎𝑟(𝑋) =
𝑝2
𝑘(1 − 𝑝)
𝑉𝑎𝑟(𝑋) =
𝑝2
𝑘𝑞
𝑉𝑎𝑟(𝑋) =
𝑝2
𝑘𝑞
Jadi variansi dari distribusi binomial negatif yaitu, 𝑉𝑎𝑟(𝑋) = .
𝑝2
LATIHAN SOAL
Soal Nomor 1
Penyelesaian:
1 3
𝑞 =1−𝑝 =1− =
4 4
Statistika Terapan 54
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.
Statistika Terapan 55
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:
Ditanya : Peluang bahwa orang yang kesepuluh yang diambil secara acak
untuk diwawancarai dalam kota ini adalah orang kelima yang mempunyai
anjing?
Jawab :
= 0,05146
Statistika Terapan 56
Distribution Plot
Negative Binomial; p=0,3; NEvents=5
0,07
0,06
0,05146
0,05
Probability
0,04
0,03
0,02
0,01
0,00
5 10 43
X
X = total number of trials.
Jadi, peluang bahwa orang yang kesepuluh yang diambil secara acak
untuk diwawancarai dalam kota ini adalah orang kelima yang mempunyai
anjing adalah 0,05146.
Soal Nomor 3
𝐸(𝑋) ?
𝑉𝑎𝑟(𝑋) ?
Penyelesaian:
1 1 5
Diketahui : 𝑥 = 8, 𝑘 = 2 , dan 𝑝 = maka 𝑞 = 1 – =
6 6 6
Jawab :
Statistika Terapan 57
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
Negative Binomial; p=0,167; NEvents=2
0,07
0,06522
0,06
0,05
Probability
0,04
0,03
0,02
0,01
0,00
2 8 47
X
X = total number of trials.
Statistika Terapan 58
Soal Nomor 4
Penyelesaian:
Ditanya : Peluang bahwa orang keenam yang mendengar cerita itu adalah
yang keempat mempercayainya?
Jawab :
Distribution Plot
Negative Binomial; p=0,8; NEvents=4
0,4
0,3
Probability
0,2
0,1638
0,1
0,0
4 6 10
X
X = total number of trials.
Statistika Terapan 59
Jadi, peluang orang keenam yang mendengar cerita itu adalah yang
keempat mempercayai suatu cerita mengenai hidup setelah mati yaitu 0,1638.
Soal Nomor 5
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
Negative Binomial; p=0,5; NEvents=3
0,20
0,15
0,1172
Probability
0,10
0,05
0,00
3 7 16
X
X = total number of trials.
Jadi, peluang bahwa seseorang memperoleh sisi gambar yang ketiga pada
lemparan yang ketujuh yaitu 0,1172.
Statistika Terapan 60
BAB VIII
SEBARAN POISSON
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.
Statistika Terapan 61
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.
Pembuktian :
Diketahui : Peubah acak 𝑋 dikatakan bersebaran poisson dengan parameter 𝑢,
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
Statistika Terapan 62
Oleh karena itu jika kita pilih
𝑒 −𝜇 𝜇 𝑥
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
𝐸(𝑋) = ∑ 𝑥 𝑓(𝑥)
𝑥
Untuk X diskret.
𝐸(𝑋) = ∑ 𝑥 𝑓(𝑥)
𝑥
𝑒 −𝜇 𝜇 𝑥
= ∑𝑥
𝑥!
𝑥
𝑒 −𝜇 𝜇 𝑥
= ∑𝑥
𝑥 (𝑥 − 1)!
𝑥
𝑒 −𝜇 𝜇 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!
Statistika Terapan 63
𝜇 𝜇2 𝜇3
= 𝑒 −𝜇 𝜇 ( 1 + + + + ……………)
1! 2! 3!
= 𝑒 −𝜇 𝜇 𝑒 𝜇
= 𝑒 −𝜇+𝜇 𝜇
= 𝑒 0𝜇
= 𝜇
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
Statistika Terapan 64
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
𝜇 𝑥 𝑒 −𝜇
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.
𝜇 𝑥 𝑒 −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
𝜇 𝑥 𝑒 −𝜇
Jadi terbukti bahwa lim (𝑛𝑥) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 = .
𝑛→∞ 𝑥!
Statistika Terapan 65
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
= 0,9161 – 0,8153
= 0,1008
Statistika Terapan 66
2
= ∑ 𝑝(𝑥; 3)
𝑥=0
= 0,4232
Statistika Terapan 67
1
= 1 – ∑ 𝑝(𝑥; 3)
𝑥=0
= 1 – 0,1991
= 0,8009
Statistika Terapan 68
Contoh 2.
Seorang sekertaris rata-rata melakukan 2 kesalahan ketik perhalaman.
Berapa peluang bahwa pada halaman berikutnya ia membuat
Penyelesaian :
a.
Statistika Terapan 69
3
= 1 – ∑ 𝑝(𝑥; 2)
𝑥=0
= 1 – 0,8571
= 0,1429
Statistika Terapan 70
b.
0
= ∑ 𝑝(𝑥; 2)
𝑥=0
= 0,1353
Statistika Terapan 71
Contoh 3.
Penyelesaian:
= 1 – ∑ 𝑝(𝑥; 10)
𝑥=0
= 1 − 0,951260
= 0,04874
Statistika Terapan 72
Penyelesaian Dalam Minitab :
Statistika Terapan 73
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
Penyelesaian :
𝑃(𝑋 < 4)
= ∑ 𝑃(𝑥; 6)
𝑥=0
= 0,151204
Statistika Terapan 74
Penyelesaian Dalam Minitab :
𝑃(6 ≤ 𝑋 ≤ 8)
= ∑ 𝑃(𝑥; 6) − ∑ 𝑃(𝑥; 6)
𝑥=0 𝑥=0
= 0,847237 − 0,445680
= 0,401557
Statistika Terapan 75
Penyelesaian Dalam Minitab :
𝑈𝑛𝑡𝑢𝑘 𝑃(𝑋 ≤ 8)
𝑈𝑛𝑡𝑢𝑘 𝑃(𝑋 ≤ 5)
Statistika Terapan 76
Selain cara di atas, kita dapat menghitung nilai peluang untuk 𝑃(6 ≤ 𝑋 ≤ 8)
dengan cara sebagai berikut :
= 0,401558
Statistika Terapan 77
Penyelesaian Dalam Minitab :
𝑈𝑛𝑡𝑢𝑘 𝑃(𝑋 = 6) ∶
𝑈𝑛𝑡𝑢𝑘 𝑃(𝑋 = 7) ∶
𝑈𝑛𝑡𝑢𝑘 𝑃(𝑋 = 8) ∶
Statistika Terapan 78
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
Statistika Terapan 79
Penyelesaian :
= ∑ 𝑃(𝑥; 4)
𝑥=0
= 0,6288
Statistika Terapan 80
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
Statistika Terapan 81
1
= 0.2
𝑒µ
1
𝑒µ =
0.2
µ = ln 5
µ ≈ 1.6
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 :
(b) 𝑃(𝑋 ≤ 7)
7
(c) 𝑃(2 ≤ 𝑋 ≤ 7)
Statistika Terapan 82
𝑃(2 ≤ 𝑋 ≤ 7) = 𝑃(𝑋 ≤ 7) − 𝑃(𝑋 ≤ 1)
7 1
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)
Statistika Terapan 83
125 74
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
Statistika Terapan 84
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 :
𝑒 −𝜇 𝜇 𝑥
, 𝑥 = 0,1,2, . . .
𝑓(𝑥) = { 𝑥!
0 , 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛
Fungsi sebaran kumulatif (cdf)
Statistika Terapan 85
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.
Statistika Terapan 86
BAB IX
DISTRIBUSI GEOMETRIK
Bukti :
∞
𝐸(𝑋) = ∑ 𝑥𝑞 𝑥−1 𝑝
𝑥=1
∞
𝑑 𝑥
= 𝑝∑ 𝑞
𝑑𝑞
𝑥=1
Statistika Terapan 87
∞
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 :
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
Statistika Terapan 88
(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
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
X = total number of trials.
Statistika Terapan 89
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
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
X = total number of trials.
Jadi, peluang bahwa orang ketiga yang mendengar cerita itu adalah
yang pertama mempercayainya 0,0032.
Statistika Terapan 90
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
X = total number of trials.
Statistika Terapan 91
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.
Statistika Terapan 92
BAB X
DISTRIBUSI PELUANG 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
−∞
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.
Statistika Terapan 93
= 𝑃(𝑎 < 𝑥 < 𝑏)
Hal ini juga berlaku untuk selang nilai yang lain. Jadi,
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
Statistika Terapan 94
Jawab:
Cara 1
Untuk cara yang pertama ini kita menggunakan cara langsung yaitu
mengitegralkannya sebagai berikut:
= ∫ 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
Statistika Terapan 95
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
Statistika Terapan 96
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:
F(x) f(x)
1
1
5
0 5 X 0 5 X
Statistika Terapan 97
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).
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
Statistika Terapan 98
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
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
Statistika Terapan 99
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
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
F (x)
12/27
10/27
8/27
6/27
2 3 4 5
Jawab:
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
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
−∞
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 ,
11.2 Jenis- Jenis Kurva Distribusi Normal, Normal Baku dan Penerapannya
Ada beberapa jenis dari kurva normal, yiatu sebagai berikut
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
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.
Z1 = 0 / 400 = 0
Z2 = 0.76
Contoh 11.2
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
3,55−2,1
𝑧2 = = 1,81
0,8
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
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
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.
= 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:
= 2(0,500 – 0,2483)
= 0,5034
32−40 −8 −4
𝑍1= = = = −1,3
6 6 3
= 0,0968
= 1- P ( Z < -2.2)
= 1- 0.0139
=0.9861
42−40 2 1
𝑍1= = = = 0, 3333
6 6 3
51−40 11
𝑍1= = = = 1,8
6 6
= 0,9641 – 0,6179
= 0,3462
X = (6) (-0,13) + 40
= -0,78 + 40
= 39,22
X = (6) (1,12) + 40
= 46, 72
(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
= 1 – P ( X < 1,6)
= 1 – 0, 9452
(b) Berapa peluang sebuah gelas berisi antara 191 dan 209 mililiter?
= 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
= 1- P (X<2)
= 1- 0,9772
= 0,0228
= 22,8 = 23
(d) Di bawah nilai berapa kita akan mendapatkan 25% gelas-gelas yang berisi
paling sedikit?
× −𝜇
𝑍=
𝜎
X=2𝜎 +µ
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.
0.5
0.45
fc(x;1)
0.4
fc(x;3)
0.35
fc(x;4)
0.3
f2(x;)
0.25
0.2
0.15
0.1
0.05
0
0 5 x 10 15
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.
n = 770
Statistik Uji :
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
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 v1
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
Γ (n) = (n-1) !, n = 1, 2, 3 ……
Γ (1/2) =
f(t)dt 1
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.
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
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 :
f(x) ≥ 0
∞
∫−∞ 𝑓(𝑥) = 1
−(𝑣+1)⁄2
Γ[(𝑣 + 1)⁄2] 𝑡2
ℎ(𝑡) = (1 + )
Γ(𝑣⁄2)√𝜋𝑣 𝑣
dk (derajat kebebasan) = v = n – 1.
𝜋 = 3,14
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
Jawab:
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 14.3 Pilih Distribusi F lalu isi numerator df: 30 dan denominator df : 25
RANGKUMAN
1 x /
e ;x 0
f ( x; )
0; x lainnya
Keterangan :
e = eksponensial = 2,71828
X≥0
λ>0
e = eksponensial = 2,71828
F ( x; ) 1 e x / I ( x 0)
15.5 Variansi
σ2 = var (x) = θ2
Teorema
Misal X~EXP (θ). Maka 𝑃 [ 𝑋 > 𝑎 + 𝑡 |𝑋 > 𝑎] = 𝑃 [𝑋 > 𝑡 ]
``Untuk 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
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
𝑃 (𝑥 ≥ 𝑥0 ) = 1 − 𝑒 −𝜆𝑥0
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:
Gambar 15.4. Klik Eksponential → Skala (berdasarkan nilai X) dan Threshold (0)
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.
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.