RANGKUMAN BAB 7 - 8

STATISTIKA

Disusun Oleh

Nama : Fadil Abdullah

Npm : 17010028

Grup : 4T2

POLITEKNIK STTT BANDUNG

2020
 Rangkuman Bab VII

A. PENDAHULUAN
Tugas statistika baru dianggap selesai jika kita berhasil membuat kesimpulan yang
dapat dipertanggung jawabkan tentang sifat atau karakteristik populasi. Untuk membuat
kesimpulan tentang populasi ini, umumnya penelitian secara sampling dilakukan , jadi
sampale yang representative diambl dari populasi, lalu datanya dikmpulkan dan
dianalisis. Yakinkah 100% bahwa kesimpulan yan dibuat itu benar, ataukah ragu ragu
untuk mempercayinya. Untuk itu dibuatlah teori peluang , teori ini membahas tentang
suatu ketidakpastian suatu pristiwa.

B. Definisi Peluang
Mengundi dengan sebuah mata uang logam atau sebuah dadu membaca temperature
udara tiap hari dari thermometer, menghitung banyak barang rusak yang dihasilkan tiap
hari.

Definisi : Dua peristiwa atau lebih dinamakan saling ekslusif atau saling
asing jika terjadinya peristiwa yang satu mencegah terjadinya yang lain.

Menghitung banyak barang yang rusak, mencatat banyak kendaraan yang

melalui sebuah tikungan setiap jam dan masih banyak contoh lainnya, merupakan
eksperimen yang dapat diulangi. Segala bagian yang didapat dari hasil ini dinamakan
peristiwa.

Contoh : Ambil eksperimen mengenai mencatat banyak kendaraan yang

melalui sebuah Tikungan setiap jam. Hasilnya bisa terdapat 0, 1, 2, 3, 4, …. Buah
kendaraan Setiap jam yang melalui tikungan tersebut.

Beberapa peristiwa yang didapat misalnya : tidak ada kendaraan yang melalui tikungan
itu selama satu jam, lebih dari tiga kendaraan melalui tikungan selama satu jam, ada
enam kendaraan dalam satu jam yang melalyi tikungan dan sebagainya.
 Untuk menyatakan oeristiwa akan digunakan huruf-huruf besar A, B, C, …. Baik
disertai indeks ataupun tidak. Misalnya : A berarti tidak ada kendaraan yang melalui
tikungan selama satu jam, B berarti ada 10 kendaraan dalam satu jam yang melalui
tikungan, dan sebagainya.

Definisi : Dua peristiwa atau lebih dinamakan saling ekslusif atau saling asing jika
terjadinya peristiwa yang satu mencegah terjadinya yang lain.

C. Aturan Peluang
dalam matematika atau statistika, tetapi juga keuangan, sains dan filsafat.
Dari definisi klasik, bahwa peristiwa E, P(E) = n/N . Mudah dimengerti kiranya bahwa
paling kecil n = 0, yakni dalam hal peristiwa E tidak ada, dan paling besar n = N, yakni
dalam hal semua yang terjadi merupakan peristiwa E.

VII (1) …… 0 < P(E) < 1.

Jika P(E) = 0, maka diartikan peristiwa E pasti tidak terjadi, sedangkan jika P(E) = 1
diartikan peristiwa E terjadi. Yang sering terjadi dalam kenyataan, ialah harga-harga
P(E) antara 0 dan 1. Jika P(E) dekat sekali pada nol, sering diartikan bahwa peristiwa E
praktis telah terjadi dan dalam hal P(E) dekat sekali pada satu.

VII (2) …… P(E) + P(E ̅) = 1

Jika k buah peristiwa E1 , E2 , …… EK saling eksklusif atau saling asing maka

peluang terjadinya E1 atau E2 atau …. Ek sama dengan jumlah peluang setiap
peristiwa. Dalam hal rumus dituliskan sebagai berikut :

P (E1 atau E2 atau ….. Ek ) = P(E1 ) + P (E2 ) + …….. + P(EK )

Contoh : Sebuah kotak berisi 10 kelereng merah, 18 kelereng hijau, dan 22

kelereng kuning. Kecuali warna, lainnya identic. Isi kotak diaduk dengan baik lalu
seseorang yang matanya ditutup disuruh mengambil sebuah kelereng secara
acak* Berapa peluangnya akan terambil kelereng merah atau kuning ?

Jawab : Misalkan A = terambil kelereng merah

B = terambil kelereng hijau
C = terambil kelereng kuning
Ketiga peristiwa di atas saling eksklusif. Kita tahu bahwa :

P (A) = 10/(10+18+22) = 0,2 P (B) = 18/(10+18+32) = 0,36

P (C) = 22/(10+18+32) = 0,44

Dengan rumus VII (3) di dapat :

Ini berarti, jika pengambilan kelereng demikian dilakukan dalam jangka waktu
cukup lama, maka 64 dari setiap 100 kali mengambil akan terambil kelereng
berwarna merah atau kuning.

D. Ekspektasi
Misal Kita Punya sebuah eksperimen yang menghasilkan k buah peristiwa adapat
terjadi. Peluang tiap pristiwa masing masing, p1,p2………..pk dan untuk tiap peristiwa
dengan peluang tersebut terdapat satuan satuan d1,d2…….dk satuan satuan inni bisa
nol, positif ataupun negative dan tentulah p1 + p2 ……..+ pk =1. Maka ekpektasi
eksperimen itu, ditulis dengan

VII (9) …… = p1 d1 + p2 + d2 + …… + pk dk
k

∑ Pi di
i=1

Rumus VII (9) menyatakan, bahwa jika tiap peristiwa diberi nilai maka pukul rata
diharapkan terdapat nilai sejumlah ∑ pi di untuk eksperimen tersebut.
Contoh : Si A dan Si B bertaruh dengan melakukan undian menggunakan sebuah mata
uang. Jika dalam undian itu Nampak muka G, si A membayar kepada si B
sebanyak Rp. 5,- jika yang Nampak muka H, si B membayar Rp. 5,- kepada si A.
Dari permaninan (eksperimen) ini, maka untuk si A menang Rp. 5,- dengan
peluang ½ kalah Rp.5,- dengan peluang ½ , sehingga ekspresi taruhan itu adalah
(untuk si A) = ½ (Rp.5,-) + ½ (-Rp.5,-) = Rp. 0,-.

BAB VIII

DISTRIBUSI PELUANG

Ketika melakukan undian dengan sebuah mata uang homogeny kita dapatkan p ( muka
G) = p ( muka H ) =1/2 kalau di hitung banyak muka G yang Nampak, maka muka H=0
G dan muka G = 1 G . kalau yang Nampak muka G kita diberi sumbu X, Maka untuk
muka H berlaku X = 0 dan untuk Muka G berlaku X = I . didapat notasi baru untuk
peluang , yaitu : P 9X=0) =1/2 DAN P(X=1)=1/2.

X P(X)
0 ¼
1 ½
2 1.4
Jumlah 1

Dengan rumus VII, didapat peluan tiap pristiwa = 1/8 dinyatakan dengan simbul X =
banyak muka G yang Nampak, maka X =0,1,2,3 didapat P(X=0) =1/8,P(X=1)=3/8

Dimana ε(X) = Ekspektasi untuk Variabel Acak X dan Penjumlahan yang dilakukan
untuk semua Harga X yang mungkin.
Variabel acak yang tidak diskrit disebut variabel acak kontinu. Beberapa diantaranya
masialnya untuk menyatakan waktu dan hasil pengukuran. Variabel ini dapat
mempunyai setiap harga. Jika X sebuah variabel acak Kontinu, maka kita mempunyai
fugsi densitas f(x) yang dapat menghasilkan peluang untuk harga harga x dalam hal ini
berlaku
Integral f(x) dx=1

 Distribusi Binom

Distribusi Binomial menggambarkan distribusi probabilitas variabel acak diskrit yang

hanya mempunyai dua nilai yang mengkin, misalnya berhasil atau gagal. (Sutanta:
2005, 76). Budiyono (2009 : 98) juga mengatakan bahwa Distribusi peluang binomial
adalah distribusi peluang yang dihasilkan dari sebuah eksperimen yang  sering
dilakukan berulang-ulang, yang setiap kali hasil ulangan mempunyai dua kemungkinan
hasil yang dapat disebut sukses dan gagal. Sudjana (2005 : 130) juga berpendapat
sama yaitu “ Distribusi Binomial adalah distribusi yang dihasilkan dari eksperimen yang
hanya menghasilkan peristiwa A dan bukan A.

dikategorikan sebagai kejadian “sukses atau berhasil”.

Definisi 2 Banyaknya sukses X dalam n usaha suatu percobaan binomial disebut suatu

peubah acak binomial. Sedangkan Koefisien Binomial dicari dengan rumus:

Sehingga didapatkan rumus :

Dengan 𝑋 = 0,1,2, … , 𝑁 ; 𝑁! = (𝑁 − 1)(𝑁 − 2) … .1; dan 0! = 1 berdasarkan definisi,
dalam Distribusi Binomial dikenal parameter rata-rata (𝜇) dan simpangan baku 
(𝜎)
𝑀𝑒𝑎𝑛 ∶ 𝜇 = 𝑁𝑝
𝑆𝑎𝑛𝑑𝑎𝑟 𝐷𝑒𝑣𝑖𝑎𝑠𝑖 ∶ 𝜎 = √𝑁𝑝𝑞
𝑉𝑎𝑟𝑖𝑎𝑛𝑠 ∶ 𝜎 2 = 𝑁𝑝𝑞

Contoh :
Dalam pelambungan sebuah mata uang tiga kali, didefinisikan X= banyaknya
Angka yang muncul. Berapa peluangnya muncul 2 buah Angka ?
Jawab :
𝑝 = Peluang muncul angka pada satu pelambungan = ½
𝑁 = 3 (Banyaknya pelambungan, banyaknya pengulangan)
𝑋 = 2 (Banyaknya Angka yang diharapkan muncul)

 Distribusi Multinom
Perluasan dari distribusi Binom ialah distribusi Multinom

Misalkan sebuah percobaan menghasilkan kejadian E1, E2, ……… , Ek dengan

peluang 𝑝1 , 𝑝2 , … , 𝑝𝐾dan dilakukan percobaan sebanyak N kali maka peluang
terjadinya x1 peristiwa E1, x2 peristiwa E2, …… xk peristiwa Ek diantara N,
ditentukan oleh :

Dimana 𝑋1 + 𝑋2 + ⋯ + 𝑋𝐾 = 𝑁 Distribusi ini merupakan perluasan distribusi

binomial. Karena rumus diatas adalah suku umum dalam ekspansi multinomial (𝑝1 +
𝑝2 + ⋯ +  ).
  Distribusi Hipergeometrik

Distribusi Hipergeometrik Banyaknya sukses X dalam percobaan hipergeometrik

disebut peubah acak hipergeometrik. Budiyono (2009 : 102), menyatakan bahwa
Distribusi Hipergeometrik adalah Distribusi dari eksperimen sampling tanpa
pengambilan. Jika sebuah variabel acak x menyatakan jumlah sukses dalam n
percobaan / sampel dan total jumlah sukses (Edhy Sutanta, 2005 :79). D diambil dari
sebuah populasi berukuran N, maka x dikatakan mengikuti distribusi hipergeometrik
dengan fungsi peluang dirumuskan sebagai berikut :

Keterangan :

P(x) : peluang x
D     : pengambilan
N     : populasi
n      : banyaknya data pengambilan / sampel (Sutanta:2005,79)
Dengan 𝑥 = 0,1,2, … , 𝑛 dan faktor –faktor diruas kanan ditentukan oleh rumus :

Sampel acak ukuran n diambil dari N benda.

Sebanyak k benda dapat diberi nama sukses sedangkan sisanya, N – k diberi nama
gagal. Rataan dan variansi distribusi hipergeometrik ℎ(𝑥; 𝑁, 𝑛, 𝑘) adalah
Contoh :
Suatu kotak memuat 100 bola dan 5 diantaranya merah. Jika 10 bola diambil tanpa
pengembalian, berapakah probabilitas mendapat paling sedikit 4 merah ?
Jawab :

 Distribusi Poison

Distribusi poisson diberi nama sesuai dengan penemunya yaitu Siemon D. Poisson. Percobaan
Poisson apabila menghasilkan peubah acak X yang menyatakan banyaknya hasil selama
selang waktu, periode atau daerah tertentu. Misalnya jumlah barang yang cacat setiap kali
pengiriman, banyaknya hubungan telepon yang diterima kantor per jam.
Beberapa karakteristik Distribusi Poisson adalah sebagai berikut:
 Banyaknya hasil yang terjadi dalam suatu interval tertentu tidak terpengaruh oleh apa
yang terjadi pada interval lain yang terpisah (tidak berpotongan dan independent) dalam
kaitan ini, proses Poisson dikatakan tidak punya ingatan).
 Peluang terjadi suatu hasil (tunggal) dalam selang tertentu yang amat pendek sebanding
dengan panjang selang dan tidak tergantung pada banyaknya hasil yang terjadi dluar
selang
 distribusi binomial b(x; n; 𝜃), parameter n cukup besar (secara teoritis 𝑛 → ~) maka akan
diperoleh Distribusi Poisson dangan parameter  = nθ. jika suatu variabel random x
menyatakan ratarata kedatangan pada suatu rentang waktu yang kecil, maka x dikatakan
mengikuti Distribusi Poisson, dengan formula :

Dimana : e = 2.71828
               𝜆 = sebuah bilangan tetap untuk 𝑒−𝜆 dapat dilihat dalam tabel daftar D
               x = 1,2, 3, …..
               p(x) = probabilitas kelas sukses
Contoh :
Jika peluang seseorang terkena penyakit demam adalah 0,005, berapa peluang bahwa
terdapat 18 orang yang terkena penyakit demam dari 3000 orang ?
Jawab :
Jika X= banyaknya orang yang terkena penyakit demam, maka X berdistribusi Poisson dengan
parameter 𝜆 = nø = (3000)(0,005)=15. Oleh karena itu peluang yang ditanyakan ialah :

Jadi dari 3000 orang, peluang 18 orang diantaranya terkena penyakit demam adalah 0,0706.

 Distribusi Normal
Macam – macam distribusi diatas semua variabel acaknya bersifat diskrit. Sekarang
kita alihkan kepada distribusi dengan variabel acak continue.

Distribusi Normal disebut juga Gausian distribution adalah salah satu fungsi distribusi
peluang berbentuk lonceng seperti gambar berikut.

Berdasarkan gambar di atas, distribusi Normal akan memiliki beberapa ciri diantaranya:
a. Kurvanya berbentuk garis lengkung yang halus dan berbentuk seperti genta.
b. Simetris terhadap rataan (mean).
c. Kedua ekor/ ujungnya semakin mendekati sumbu absisnya tetapi tidak pernah
memotong.
d. Jarak titik belok kurva tersebut dengan sumbu simetrisnya sama dengan σ
e. Luas daerah di bawah lengkungan kurva tersebut dari - ~ sampai + ~ sama dengan 1
atau 100 %. 
Sebuah variabel acak kontinu X dikatakan memiliki distribusi normal dengan parameter

jika fungsi kepadatan probabilitas dari X adalah :

Dimana :
𝜇𝑥  = mean
𝜎𝑥  = deviasi standard
𝜋    = nilai konstan yaitu 3, 1416
𝑒    = nilai konstan yaitu 2,7183

Untuk setiap nilai 𝜇𝑥 dan 𝜎𝑥, kurva fungsi akan simetris terhadap 𝜇𝑥 dan memiliki total
luas dibawah kurva tepat 1. Nilai dari 𝜎𝑥 menentukan bentangan dari kurva sedangkan
𝜇𝑥 menentukan pusat simetrisnya.

     Untuk menghitung probabilitas (𝑎 ≤ 𝑥 ≤ 𝑏) dari suatu variabel acak kontinu X yang

terdistribusi secara normal dengan parameter 𝜇𝑥 dan 𝜎𝑥 maka persamaan (1) harus
diintegralkan mulai dari 𝑥 = 𝑎 sampai 𝑥 = 𝑏. Namun, tidak ada satupun dari teknik-teknik
pengintegralan biasa yang bisa digunakan untuk menentukan integral tersebut. Untuk
itu para ahli statistik/matematik telah membuat sebuah penyederhanaan dengan
memperkenalkan sebuah fungsi kepadatan probabilitas normal khusus dengan nilai
mean 𝜇 = 0 dan deviasi standard 𝜎 = 1. Distribusi ini dikenal sebagai distribusi normal
standard (standard normal distribution). Variabel acak dari distribusi normal standard ini
biasanya dinotasikan dengan Z. 
    Dengan menerapkan ketentuan diatas pada persamaan (1) maka fungsi kepadatan
probabilitas dari distribusi normal standard variabel acak kontinu Z adalah:

Sedangkan fungsi distribusi kumulatif dari distribusi normal standard ini dinyatakan
sebagai :

Distribusi normal variabel acak kontinu X dengan nilai-nilai parameter 𝜇𝑥 dan 𝜎𝑥

berapapun dapat diubah menjadi distribusi normal kumulatif standard jika variabel acak
standard Zx menurut hubungan :

Nilai 𝑧𝑥 dari variabel acak standard 𝑧𝑥 sering juga disebut sebagai skor z dari variabel
acak X.
  Distribusi Chi Kuadrat
Distribusi chi kuadrat merupakan distribusi dengan variabel acak kontinu. Simbul yang
dipakai untuk chi kuadrat ialah X2 .
Distribusi Chi-Kuadrat merupakan distribusi yang banyak digunakan dalam sejumlah
prosedur statistik inferensial. Distribusi chi-kuadrat merupakan kasus khusus dari
distribusi gamma dengan faktor bentuk 𝛼 = 𝑣/2, dimana v adalah bilangan bulat positif
dan faktor skala 𝛽 = 2.
Jika variabel acak kontinu X memiliki distribusi chi-kudrat dengan parameter v, maka
fungsi kepadatan probabilitas dari X adalah :
Berikut ini diberikan rumusan beberapa ukuran statistik deskriptif untuk Distribusi Chi-
Kuadrat.

Nilai 3,26 adalah nilai chi kuadrat dengn derajat bebas v = n-1 = 5-1 =4. Karena 95%
dari nilai chi kuadrat dengan derajat bebas 4 terletak antara 0,484 (𝑋0,0252 ) dan 11,1
(𝑋0,9752 ) Maka berdasarkan nilai 𝑋2 = 3,26 terletak dalam selang nilai sebaran chi
kuadrat 95% dengan derajat bebas 4, maka pernyataan bahwa simpangan baku adalah
1 tahun masih dapat dipercaya.

 Pengecekan Distribusi Normal

Untuk Keperluan analisa data selanjytnya, dalam statistika iduktif, akan ternyata bahwa
model distribusi sering harus diketahui bentuknya, data sampel yang telah diambil dari
sebuah populasi, dengan menggunakan cara perlu disusun dalam sebuah daftar
disrtibusi frekuensi. Pada sumbu datar digambarkan skala batas – batas atas
sedangkan sumbu tegak melukiskan persen kumulatifnya. Nampak bahwa ada sumbu
tegak paling kecil tertulis o,o1% dan paling besar 99,99% dengan demikian kelas
interval kumulatifnya 0% dan 100% tidak perlu digambarkan .

Jika letak titik – titik pada garis lurus atau hamper pada garos lurus, maka disimpulkan :
a. Mengenai data itu sendiri
 Dikatakan bahwa data itu berdistribusi normal atau hamper berdistribusi normal
atau dapat didekati oleh distribusi normal
b. Mengenai populasi dari mana data dampel diambil
Dikatakan bahwa populasi dari mana sampel diambil ternyata berdistribusi
normal atau hamper berdistribusi normal ( atau dapat didekati oleh normal)