Nama Anggota :

1. Andini Dewi Satira

2. Eryyan Muhammad R.
3. Evi Nur Fitria
4. Herlina Febryati S.
5. Prayoga Nugraha
A. - Peluang
Peluang disebut juga probabilitas yang berarti ilmu
kemungkinan. Di dalam peluang dikenal ruang sampel dan
titik sampel. Ruang sampel adalah himpunan semua
hasil/kejadian yang mungkin terjadi dan dilambangkan
dengan S.
Rumus :
• Contoh Peluang
1. Sebuah dadu dilempar undi satu kali, peluang muncul
angka bilangan prima adalah...
Jawab :
Ruang sampel dadu (S) = {1, 2, 3, 4, 5, 6} maka n(S) = 6
Muncul angka prima (K) = {2, 3, 5} maka n(K) = 3
Sehingga peluang muncul angka bilangan prima yaitu:

2. Sebuah dadu di lempar 1 kali. Berapa besar peluang

munculnya mata dadu bil. Prima
Jawab : (Sumber : Buku Bumi Aksara)
Dik : S = {1,2,3,4,5,6}» n(S) = 6
A = {2,3,5}» n(A) = 3
- Kombinasi
Kombinasi adalah suatu teknik yang menyertakan
banyaknya cara dalam menyusun beberapa objek dari grup
tanpa memperhatikan unsur.
Rumus :

Contoh : (sumber galeriku-mygaleri.blogspot.com)

1. Dalam mengadakan satu pemilihan dengan menggunakan
objek 4 orang pedagang kaki lima untuk di wawancarai.
Maka untuk memilih 3 orang 1 kelompok ada berapa cara kita
dapat menyusunnya 4C 3
Jawab : 4!
Dik : n= 4 
( 4  3)!3!
r=3 4,3!
Dit : 4C3? 
1!3!
4
2. Suatu team bola basket terdiri atas 5 orang yang akan
di pilih dari 12 pemain. Berapa macam cara susunan
pemain itu dapat dipilih?
Dik= n= 12 Jawab:
r=5 12C 5
Dit = 12C5 ? 12!

(12  5)!5!
12,11,10,9,8,7!

7!5!
12,11,10,9,8

5,4,3,2,1
 792 ( sumber buku Bumi Aksara)
B. Variabel Acak
Variabel acak adalah suatu fungsi atau huruf yang
menghubungkan suatun kejadian dengan nilai numeriknya.

Contoh :
1. Tiga koin di lempar sekaligus, jika x adalah variabel acak yang
menyatakan banyaknya sisi angka yang muncul, maka tentukan
nilai numerik variabel x
X = 0 = artinya sisi angka muncul sebanyak nol yaitu {GGG}
X = 1 = artinya sisi angka muncul sebanyak 1 yaitu {GGA, GAG,
AGG}
X = 2 = artinya sisi angka muncul sebanyak 2 yaitu {GAA, AAG,
AGA}
X = 3 = artinya sisi angka muncul sebanyak 3 yaitu {AAA}
- Data Diskrit
Data diskrit adalah data yang diperoleh dari hasil
pencacahan dan berupa bilangan cacah (0,1,2,3,4,..)
Contoh : Jumlah penduduk kota A
Jumlah siswa di kelas

- Data Kontinu
Data kontinu adalah data yang diperoleh dari hasil
pengukuran dan berupa bilangan real (bulat, pecahan, desimal)
Contoh : Berat badan dan Tinggi badan
C. Distribusi Peluang dan Fungsi Peluang

1. Distribusi Peluang Diskrit

Distribusi peluang terjadinya setiap nilai variabel
random diskrit. Sedangkan variabel random diskrit adalah
variabel random yang memiliki nilai yang dapat dihitung.

Contoh :
1. Dua koin di lempar. Jika xadalah variabel acak yang menyatakan banyak
sisi gambar yang muncul,maka tulislah tabel distribusi peluang
diskritnya?
2. Tiga koin dilempar. Jika y adalah variabel acak diskrit yang
menyatakan banyak sisi angka yang muncul , tentukan tabel distribusi
peluangnya?
Jawab :
1.

x=0= sisi gambar muncul sebanyak 0 (AA)

X=1= sisi gambar muncul sebanyak 1 (AG,GA)
X=2= sisi gambar muncul sebaynyak 2 (GG)
Maka: 1
p( x  0) 
4 X 0 1 2
2
p( x  1)  P(X) 1 2 1
4 4 4 4
1
p( x  2) 
4
2.

y=0= sisi angka muncul sebanyak 0(GGG)

y=1= sisi angka muncul sebanyak 1 (AGG,GAG,GGA)
y=2= sisi angka muncul sebanyak 2 (AAG,AGA,GAA)
y=3= sisi angka muncul sebanyak 3(AAA)
maka: 1 maka tabel distribusi peluang diskrit adalah
p ( y  0) 
8 y 0 1 2 3
3
p ( y  1)  P(y) 1 3 3 1
8 8 8 8 8
3
p ( y  2) 
8
1
p ( y  3) 
8
2. Fungsi Peluang Diskrit
Rumus :

Contoh :
1. Satu koin dilempar 3 kali, jika x adalah variabel acak yang
menyatakan banyaknya sisi gambaryang muncul ,maka
tentukan
a) P(x=0)=?
b) P(x=1)=?
c) P(x=2)=?
d) P(x=3)=?
e) P(x=4)=?
 n ( x  0)
Jawab: p ( x  0) 
n( s )
X=0= artinya sisi gambar muncul sebanyak nol yaitu(AAA) 1

8
n( x  1)
X=1= artinya sisi gambar mucul sebanyak satu yaitu p ( x  1) 
n( s )
(AAG,AGA,GAA) 3

8
X=2= artinya sisi gambar muncul sebanyak dua yaitu n( x  2)
p ( x  2) 
n( s )
(AGG,GGA,GAG)
3

8
X=3= artinya sisi gambar muncul sebanyak tiga yaitu (GGG) n( x  3)
p ( x  3) 
n( s )
1
X=4= artinya sisi gambar muncul sebanyak empat kali (0) 
8
n( x  4)
p ( x  4) 
n( s )
o

8
D. Distribusi Binomial
Distribusi Binomial adalah suatu distribusi
probabilitas yang dapat digunakan bilamana suatu proses
samping dapat diasumsikan sesuai dengan proses bernouli.
Rumus :

Contoh :
1. Suatu koin dilempar 3 kali. Tentukan peluang tepat 2 angka!
Dik : n = 3
x=2
p = 1/2
Jawab: 2 1
3! 1 1
maka p(angka):     
(3  2)!2!  2   2 
3

8
 0,375
2. Survei menemukan bahwa satu dan lima
orangmengunjungi dokter. Jika 10 orang dipilih acak berapa
peluang tigadiantaranya yang mengunjungi dokter?
1 3 7
Dik: n=10 p= 10! 1 4
5
    
x=3 q=
4
(10  3)!3!  5  5
5
Jawab : maka p (x=3)  0,201
E. Distribusi Poisson
(sumber alvinburhani.wordpress.com)
Distribusi Poisson adalah distribusi
probabilitas diskrit yang menyatakan peluang yang
terjadi pada periode tertentu.
Diperkenalkan oleh Simeon-Denis Poisson(1781-1840)
(sumber slide share)
Rumus :
Contoh :
1. Pada setiap 100 lembar kertas produksi suatu pabrik di
perkirakan terdapat 1 lembar yang rusa.Tentukannlah
kemungkinan mendapatkan selembar kertas rusak dari 20
lembar yang di ambil secara acak dari hasil produksi
tersebut.
Jawab :
n=20 dan p = 1/100 karena n besar dan p kecil maka terjadi
distribusi poisson dengan λ= np=0,2 sehingga nilai
kemungkinan 1 lembar rusak adalah
Jawab :
2. Diketahui kemungkinan untuk terjadi shock pada saat
imunisasi dengan vaksinasi meningitis adalah 0,0005.
Jika di suatu kota jumlah orang yang di lakukan
vaksinasi sebanyak 4000.Hitunglah kemungkinan tepat
3 orang akan terjadi shock?

  np  4000  0,0005
Jawab :
2
Nilai kemungkinan 3orang akan shock=p(3,2)
(2)^3.e^ 2
p (3,2) 
3!
8  2,7183^ 2

3  2 1
 0,1804
 F. Uji Hipotesis Binomial
 Uji non parametric yang digunakan untuk menggantikan
uji statistik jika asumsi kecil dan populasi normal sebagai
syarat uji tidak dipenuhi.
 Karena uji binomial adalah salah satu uji komparatif atau uji
beda, maka cara menjawab hipotesis di atas adalah:
1. Ho diterima artinya tidak terdapat perbedaan bermakna.
2. H1 diterima artinya terdapat perbedaan bermakna.
( buku paket matematika peminatan )
Contoh :
( slideshare.net )
A. Variabel Acak Kontinu
Variabel Acak Kontinu adalah variabel acak yang
mengambil seluruh nilai yang ada dalam sebuah
interval.Dengan kata lain, variabelnya memiliki nilai
nilai pada interval tertentu.Biasanya nilainya berupa
bilangan bulat atau pecahan.

Contoh : - Untuk mengukur tinggi

- Untuk mengukur berat
B. Distribusi Peluang Kontinu
Distribusi peluang kontinu adalah peubah acak
yang dapat memperoleh semua nilai pada skala kontinu.
Ruang sampel kontinu adalah bila ruang sampel
mengandung titik sampel yang tak terhingga
banyaknya. Syarat dari distribusi kontinu adalah apabila
fungsi f(x) adalah fungsi padat peluang peubah acak
kontinu X yang didefinisikan di atas himpunan semua
bilangan riil R bila:
1. F(x) ≥ 0 untuk semua x є R
2. ∫∞∞ 𝑓(𝑥)𝑑𝑥 = 1
3. 𝑃(𝑎 < 𝑋 < 𝑏) = ∫∞∞ 𝑓(𝑥)𝑑x
(SUMBER imammulhakimsite.wordpress.com)
Contoh :
Misalkan bahwa X adalah perubah acak yang kontinu dengan
fungsi kepekatanpeluang
F (x) = ൛𝐶(4𝑥 − 2𝑥 2 ) 0 < x < 2
o untuk x lainnya 3
2
2x3 
 
2
3
  4 x  2 x 2 dx  2 x 2  
8 3 0
A. Tentukan nilai C? 0
8

3  22   2 213 

3
  22      21  
2

B. Hitung P (x > 1)? 8  3   3 

3  16   2 
B. P(X> 1)   8     2  
Jawab : A. B. 8  3  3 
3 4
  
8 3
1

2
C. Fungsi Distribusi Kumulatif Kontinu
Distribusi Kumulatif F(x) dari suatu variabel random
diskrit X dengan distribusi probabilitas f(x), adalah :

Rumus :

Contoh :
1. Misalkan X adalah peubah acak kontinu dari suatu
pengukuran panjang suatu benda, mempunyai fungsi
(sumber : slideshare.com)
𝑥2
F(x) = ቊ 𝑢𝑛𝑡𝑢𝑘 0 < 𝑥 < 3 , 0 𝑢𝑛𝑡𝑢𝑘 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛
9

Tentukan :
a. Peluang bahwa panjang yang terukur adalah antara 0 dan 1
b. Peluang bahwa panjang yang terukur bernilai lebih dari 2
Jawab :
1. a.) P(x < x < 1) 1. b.) P(x > 2) = P(2 < x < 3)
D. Distribusi Normal (Sumber http://analisis-
statistika.blogspot.com)
Distribusi Normal merupakan salah satu distribusi
probabilitas yang penting dalam analisis statistika. Distribusi
ini memiliki parameter berupa mean dan simpangan baku.
Distribusi normal dengan mean = 0 dan simpangan baku = 1
disebut dengan distribusi normal standar. Apabila
digambarkan dalam grafik, kurva distribusi normal
berbentuk seperti genta (bell-shaped) yang simetris.
Perhatikan kurva distribusi normal normal standar berikut:
Sumbu X (horizontal) memiliki range (rentang) dari minus
takhingga (‒∞) hingga positif takhingga (+∞). Kurva normal
memiliki puncak pada X = 0. Perlu diketahui bahwa luas
kurva normal adalah satu (sebagaimana konsep probabilitas).
Dengan demikian, luas kurva normal pada sisi kiri = 0,5;
demikian pula luas kurva normal pada sisi kanan = 0,5.

Dalam analisis statistika, seringkali kita menentukan

probabilitas kumulatif yang dilambangkan dengan notasi P
(X<x). Sebagai contoh, P (X<1), apabila diilustrasikan dengan
grafik adalah luas kurva normal dari minus takhingga hingga
X = 1.
Secara matematis, probabilitas distribusi normal standar
kumulatif dapat dihitung dengan menggunakan rumus:

Akan tetapi, kita lebih mudah dengan bantuan tabel

distribusi normal. Berikut adalah tabel distribusi normal
standar, untuk P (X < x), atau dapat diilustrasikan dengan
luas kurva normal standar dari X = minus takhingga sampai
dengan X = x.
Contoh :
1. Diketahui suatu distriusi normal dengan μ=50 dan
σ=10. Carilah probabilitas bahwa x mendapat nilai antara
45 dan 62?
Penyelesaian :
Dicari nilai z yang berpadaan dengan x1 = 45 dan x2 = 62
adalah...
45 −50
z1 = = −0,5
10
62 −50
z2 = = 1,2
10
Gunakan tabel distribusi normal standar, diperoleh
P(45 < x < 62) = p(-5 < z < 1,2)
= p(z < 1,2) – p(z < -0,5)
= 0,8849 − 0,3085 = 0,5764
2. Diketahui nilai rata-rata hasil UN tahun 2015 adalah 73, 25
dengan varians 42, 25, serta nilai UN terdistribusi secara
normal. Jika dipilih siswa lulusan SMA yang ikut UAN,
tentukan peluang siswa tersebut nilainya kurang dari 80 !

Jawab : (sumber http://www.aksiomaid.com)

Peluang siswa nilainya kurang dari 80
Misalnya X adalah nilai seorang siswa, maka yang ditanya
P(X < 80)
rata-rata μ = 73, 25μ dan variansnya σ2 = 42, 25 σ2 = 42, 25
→→ σ=6,5
z = x−μ σz = x-μσ →→ z = 80−73, 256, 5 z = 80-73, 256, 5 =
1,038 = 1,038
Jadi P(X<80)=P(Z<1,038)PX<80=PZ<1,038
=0,8504=0,8504
Jadi peluang siswa nilainya kurang dari 80 adalah 0,8504
E. Distribusi “t”
Distribusi dengan variabel kontinu lainnya adalah
distribusi yang ditemukan oleh seorang mahasiswa yang tidak
mau disebutkan namanya. Oleh karena itu, distribusi nya
disebut distribusi student atau yang lebih dikenal dengan nama
distribusi “t”, diambil dari huruf terakhir kata “student”.
Distribusi “t” merupakan pengembangan dari distribusi normal
z, untuk sampel n berukuran kecil (n < 30).
𝑘
Rumus : F (t) = 2
1
𝑡
1+ 𝑛−1 2𝑛
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 nilai t yang dihitung
terletak antara –t0,05 dan t0,05 maka pengusaha pabrik tadi akan
mempertahankan keyakinannya. Kesimpulan apa yang seharusnya dia
ambil dari sampel dengan rataan x ̅ = 518 jam dan simpangan baku σ =
40 jam? Anggap bahwa distribusi waktu menyala, secara hampiran
normal.
Penyelesaian :
Dari tabel distribusi t diperoleh t0,05 = 1,711 untuk
derajat kebebasan 24. Jadi, pengusaha tadi akan puas
dengan keyakinan bila sampel 25 bola lampu
memberikan nilai t antara -1,711 dan 1,711. Bila memang μ
= 500, maka

Jawab : t
F. Uji Hipotesis
Uji Hipotesis adalah metode pengambilan keputusan
yang didasarkan dari analisis data, baik dari percobaan yang
terkontrol, maupun dari observasi (tidak terkontrol).
( wikipedia.org )
Contoh :