DEFINISI
• Statistika
Ilmu mengumpulkan, menata, menyajikan,
menganalisis, dan menginterprestasikan data
menjadi informasi untuk membantu pengambilan
keputusan yang efektif.
• Statistik
Suatu kumpulan angka yang tersusun lebih dari
satu angka.
PERKEMBANGAN STATISTIKA
KASUS STATISTIKA
PENGGUNA STATISTIKA
PENGGUNA STATISTIKA
PENGGUNA STATISTIKA
Materi:
STATISTIKA 1. Probabilitas dan teori
keputusan
2. Metode sampling
3. Teori pendugaan
Statistika Induktif 4. Pengujian hipotesa
5. Regresi dan korelasi
6. Statistika
nonparametrik
D. W. Hariyanto, SE. MM Statistik 1 8
Pengertian Statistika
POPULASI SAMPEL
Sebuah kumpulan dari
Suatu bagian dari
semua kemungkinan orang-
populasi tertentu yang
orang, benda-benda dan
ukuran lain dari objek yang menjadi perhatian.
menjadi perhatian.
JENIS-JENIS DATA
1. Jenis kelamin
2. Warna kesayangan
3. Asal suku, dan lain-lain
Data Kualitatif
1. Jumlah mobil
2. Jumlah staf
3. Jumlah TV,
DATA Data Diskret dan lain-lain
Data Kuantitatif
1. Berat badan
2. Jarak kota
3. Luas rumah,
Data Kontinu
dan lain-lain
1. Wawancara langsung
2. Wawancara tidak
Data Primer langsung
3. Pengisian kuisioner
DATA
• Contoh Kasus
• Kaji Kasus
• Ringkasan
• Latihan Terjawab
• Latihan Soal
PENGANTAR
• Tujuan
Untuk menyajikan data mentah yang diperoleh dari populasi atau
sampel menjadi data yang tertata dengan baik, sehingga bermakna
informasi bagi pengambilan keputusan manajerial.
DISTRIBUSI FREKUENSI
Definisi:
a. Mengumpulkan data
Definisi:
Frekuensi Relatif adalah frekuensi relatif setiap kelas dibandingkan
dengan frekuensi totalnya.
Contoh:
PENYAJIAN DATA
Definisi:
• Membuat distribusi frekuensi dalam bentuk sajian gambar
baik grafik poligon, histogram, atau ogif.
Istilah-istilah Penting:
Ada beberapa istilah penting dalam penyajian data:
• Batas Kelas: nilai terendah dan tertinggi pada suatu kelas.
Istilah-istilah Penting:
• Frekuensi Kumulatif
Penjumlahan frekuensi pada setiap kelas, baik meningkat
(kurang dari) atau menurun (lebih dari).
Definisi:
Nilai yang letaknya di tengah kelas.
Contoh:
Contoh:
FREKUENSI KUMULATIF
Definisi:
Penjumlahan frekuensi pada setiap kelas, baik meningkat (kurang
dari) atau menurun (lebih dari).
HISTOGRAM
Definisi:
Grafik yang berbentuk balok, di mana sumbu horisontal (X) adalah tepi
kelas dan sumbu vertikal (Y) adalah frekuensi setiap kelas.
POLIGON
Definisi:
Grafik berbentuk garis dan menghubungkan antara nilai tengah
kelas dengan jumlah frekuensi pada setiap kelas.
1 12
1.168,5
2 5
3.076,5
3 1
4.984,5
4 1
6.892,5
5 1
8.800,5
KURVA OGIF
Definisi:
Diagram garis yang menunjukkan kombinasi antara interval kelas
dengan frekuensi kumulatif.
Interval Tepi Kelas Frekuensi Kurang dari Frekuensi Lebih
dari
214,5 0 (0%) 20 (100%)
215 – 2.122
2.122,5 12 (60%) 8 (40%)
2.123 – 4.030
4.030,5 17 (85%) 3 (15%)
4.031 – 5.938
5.938,5 18 (90%) 2 (10%)
5.939 – 7.846
7.846,5 19 (95%) 1 (5%)
KURVA OGIF
PENGANTAR
• Ukuran Pemusatan
Nilai tunggal yang mewakili suatu kumpulan data dan
menunjukkan karakteristik dari data. Ukuran pemusatan
menunjukkan pusat dari nilai data.
RATA-RATA HITUNG
X
X
n
• Rata-rata Hitung Populasi
X
N
375
75
5
Nilai Kredit
Bank (Rp triliun)
Danamon 41
BRI 90
BCA 61
Mandiri 117
BNI 66
X
�X
n
No Nama Perusahaan Xi wi wi . Xi
1 PT Ind. Satelit Corp. 436 22.598 9.852.728
2 PT Telkom 7.568 42.253 319.770.704
3 PT Aneka Tambang 123 2.508 308.484
4 PT Astra Agro Lestari 180 2.687 483.660
5 PT Bimantara Citra 392 4.090 1.603.280
6 PT Alfa Retailindo 25 603 15.075
7 PT HM Sampurna 1.480 10.137 15.002.760
8 PT Mustika Ratu 15 287 4.305
9 PT Astra Graphia 65 796 51.740
Jumlah 85.959 347.092.736
Rata-rata hitung tertimbang 4.038
Definisi:
Rata-rata dengan bobot atau kepentingan dari setiap
data berbeda. Besar dan kecilnya bobot tergantung
pada alasan ekonomi dan teknisnya.
Rumus:
Jumlah n = 20
f= 9.813,5
Nilai Rata-rata ( fX/n) 490,7
D. W. Hariyanto, SE. MM Statistik 1 38
Ukuran Pemusatan
MEDIAN
Definisi:
Nilai yang letaknya berada di tengah data di mana data tersebut
sudah diurutkan dari terkecil sampai terbesar atau sebaliknya.
• Nilai Median
447,5 7
448 - 591 Letak Median
Md = 447,5 + (20/2) - 7 x143
9 591,5 16
= 495,17 592 - 735 3
735,5 19
736 - 878 1
878,5 20
MODUS
Definisi:
Nilai yang (paling) sering muncul.
d1
Mo L .i
d1 + d2
878,5
HUBUNGAN RATA-RATA-MEDIAN-MODUS
1 2
1 0
8
6
4
1.Kurva simetris X= Md= 2
0
Mo
1 5
1 0
1 5
1 0
5
3. Kurva condong kanan 0
X < Md < Mo 2 3 1 3 7 5 R t M d M o 8 0 7
Definisi:
Kuartil adalah ukuran letak yang membagi 4 bagian yang
sama. K1 sampai 25% data, K2 sampai 50% dan K3 sampai
75%.
0 K 1 K 2 K 3 n
0 % 2 5 % 5 0 % 7 5 % 1 0 0 %
D. W. Hariyanto, SE. MM Statistik 1 47
Ukuran Pemusatan
Definisi:
Desil adalah ukuran letak yang membagi 10 bagian yang sama.
D1 sebesar 10%
D2 sampai 20%
D9 sampai 90%
D1 = [1(n+1)]/10 1n/10
D2 = [2(n+1)]/10 2n/10
….
D9 = [9(n+1)]/10 9n/10
Definisi:
Ukuran letak yang membagi 100 bagian yang sama.
P1 sebesar 1%,
P2 sampai 2%
P99 sampai 99%
P1 = [1(n+1)]/100 1n/100
P2 = [2(n+1)]/100 2n/100
….
P99 = [99(n+1)]/100 99n/100
1% 3% … … … 99%
P1 P3 … … … P99
Jadi: 16 591,5
592 - 3 P85
P22 = 303,5 +[(440/100)-2)/5] x 143=372,14 735
19 735,5
P85 = 591,5 +[(1700/100)-16)/3] x 143= 639,17
736 - 1 P96
878 878,5
P96 = 735,5 +[(1920/100)-19)/1] x 143=764,1
20
PENGANTAR
Ukuran Penyebaran
• Suatu ukuran baik parameter atau statistik untuk mengetahui
seberapa besar penyimpangan data dengan nilai rata-rata
hitungnya.
10
1. Rata-rata sama,
penyebaran berbeda 8
0
2 3 4.6 5 6
3. Rata-rata berbeda
2. Rata-rata berbeda dengan penyebaran sama
dengan penyebaran
berbeda
10 10
9
8 8
7
6 6
5
4
4
3
2
2
1 0
0
2 3 4 5 6 7
2 3 4.6 5 6
RANGE
Definisi:
Nilai terbesar dikurang nilai terkecil.
Contoh:
Nilai Indonesia Thailand Malaysia
Tertinggi 17 6 4
Terendah 5 2 1
DEVIASI RATA-RATA
Definisi:
Rata-rata hitung dari nilai mutlak deviasi antara nilai data
pengamatan dengan rata-rata hitungnya.
Rumus:
MD
�X- X
N
DEVIASI RATA-RATA
MD
�X- X
N
VARIANS
Definisi:
Rata-rata hitung dari deviasi kuadrat setiap data terhadap
rata-rata hitungnya.
Rumus:
s
�(X - ) 2
VARIANS
s
�(X - ) 2
STANDAR DEVIASI
Definisi:
Akar kuadrat dari varians dan menunjukkan standar
penyimpangan data terhadap nilai rata-ratanya.
Rumus:
s
�(X - )2
N
Contoh:
Jika varians = 44,47, maka standar deviasinya adalah:
s = 44,47 = 6,67
Definisi Range:
Selisih antara batas atas dari kelas tertinggi dengan batas bawah
dari kelas terendah.
Contoh:
1 160 - 303 2
2 304 - 447 5
3 448 - 591 9
4 592 - 735 3
5 736 - 878 1
DEVIASI RATA-RATA
Titik
Interval Tengah f f.X X – X f X – X RUMUS
(X) MD = f |X – X|
N
160-303 231,5 2 463,0 -259,2 518,4
f.X = 9.813,5
304-447 375,5 5 1.877,5 -115,2 576,0
f X – X = 2.188,3
Varians
Rata-rata hitung deviasi kuadrat setiap data terhadap
rata-rata hitungnya
RUMUS:
s2
�f(X - X)2
n- 1
Standar Deviasi
Akar kuadrat dari varians dan menunjukkan standar
penyimpangan data terhadap nilai rata-ratanya.
RUMUS:
s2
�f(X - X)2
n- 1
D. W. Hariyanto, SE. MM Statistik 1 71
Ukuran Penyebaran
CONTOH
Varians :
X (X – ) (X – )2
S2 = (X – )2
n-1 8,2 2,9 8,41
= 8,41 + 0,16 + 0,25 + 4,41
4-1 4,9 -0,4 0,16
= 13,23/3 = 4,41
a. Koefisien Range
RUMUS: La- Lb
KR x100%
La+ Lb
Contoh:
Range Harga Saham = [(878-160)/(878+160)]x100 = 69,17%
Jadi jarak nilai terendah dan tertinggi harga saham adalah 69,17%.
THEOREMA CHEBYSHEV
HUKUM EMPIRIK
68%
95%
99,7%
-3s -2s 1s X 1s 2s 3s
b. Deviasi Kuartil
K 3 - K1
Rumus = DK
2
c. Jarak Persentil
UKURAN KECONDONGAN
K u r va Co n d o n g K u r va Co n d o n g
Po si ti f Neg ati f
Rumus Kecondongan:
Sk = - Mo atau Sk = 3( - Md)
s s
Contoh untuk data tentang 20 harga saham pilihan pada bulan Maret 2003 di BEJ. Dari contoh
pada soal 3-9 diketahui mediannya= 497,17, modus pada contoh 3-11=504,7, Standar deviasi
dan nilai rata-rata pada contoh soal 4-8 diketahui 144,7 dan 490,7. Cobalah hitung koefisien
kecondongannya!
Penyelesaian:
Rumus =
Dari kedua nilai Sk tersebut terlihat bahwa keduanya adalah negatif, jadi kurva condong
negatif (ke kanan). Hal ini disebabkan adanya nilai yang sangat kecil, sehingga menurunkan
nilai rata-rata hitungnya. Angka –0,10 dan –0,13 menunjukkan kedekatan dengan nilai 0,
sehingga kurva tersebut, kecondongannya tidak terlalu besar, atau mendekati kurva normal.
D. W. Hariyanto, SE. MM Statistik 1 80
Ukuran Penyebaran
UKURAN KERUNCINGAN
Ke r uncingan Kur va
BENTUK KERUNCINGAN
Rumus Keruncingan:
4 = 1/n (x - )4
s4
D. W. Hariyanto, SE. MM Statistik 1 81
Ukuran Penyebaran
Standar deviasi
5,8 0,82 0,67 0,45
s = (X-)2/n = 24,516/10 = 2,4516 =
1,6
5,0 0,02 0,00 0,00
Jadi nilai 4 =3,27 dan lebih kecil dari 3, 3,9 -1,08 1,17 1,36
maka kurvanya termasuk Platykurtic.
3,8 1,12 1,25 1,57
MENGGUNAKAN MS EXCEL
Langkah- langkah:
PENGANTAR
Angka Indeks:
Sebuah angka yang menggambarkan perubahan relatif
terhadap harga, kuantitas atau nilai yang dibandingkan
dengan tahun dasar.
PENGANTAR
Definisi
Dikenal juga dengan unweighted index yaitu indeks yang tanpa
memperhitungkan bobot setiap barang dan jasa.
1. Angka Indeks Harga
Relatif Sederhana
Menunjukkan perkembangan
harga relatif suatu barang dan
jasa pada tahun berjalan dengan
tahun dasar, tanpa memberikan
bobot terhadap kepentingan
barang dan jasa.
Rumus:
IH = Ht x 100
Ho
D. W. Hariyanto, SE. MM Statistik 1 89
Angka Indeks
sama.
30 (30/31) x 100
2005 97
Rumus:
31 (31/31) x 100
2006 100
IK = Kt x 100
Ko
D. W. Hariyanto, SE. MM Statistik 1 90
Angka Indeks
Angka indeks ini menekankan agregasi yaitu barang dan jasa lebih
dari satu.
Rumus:
IHA = Ht x 100
Ho
Angka indeks ini menekankan agregasi yaitu barang dan jasa lebih
dari satu.
Jenis Barang 1997 1998
Beras 815 1.002
Jagung 456 500
Kedelai 1.215 1.151
Kacang Hijau 1.261 1.288
Kacang Tanah 2.095 2.000
Ketela Pohon 205 269
Ketela Rambat 298 367
Kentang 852 824
Jumlah 7.197 7.401
Indeks 1997 = (7.197/9.005) x 100 = 80
Indeks 1998 = (7.401/9.005) x 100 = 82
D. W. Hariyanto, SE. MM Statistik 1 94
Angka Indeks
Rumus:
IKA = Kt x 100
Ko
Rumus:
1. Formula Laspeyres
Etienne Laspeyres mengembangkan metode ini pada
abad 18 akhir untuk menentukan sebuah indeks
tertimbang dengan menggunakan bobot sebagai
penimbang adalah periode dasar.
Rumus:
IL = HtKo x 100
HoKo
= 168.963 X 100
69.358
= 244
2. Formula Paasche
Menggunakan bobot tahun berjalan dan bukan tahun dasar
sebagai bobot.
Rumus:
IP = HtKt x 100
HoKt
IP = 159.823 x 100
65.307
= 245 D. W. Hariyanto, SE. MM Statistik 1 10
2
Angka Indeks
3. Formula Fisher
• Fisher mencoba memperbaiki formula Laspeyres dan Paasche.
• Indeks Fisher merupakan akar dari perkalian kedua indeks.
• Indeks Fisher menjadi lebih sempurna dibandingkan kedua
indeks yang lain baik Lasypeyres maupun Paasche.
Rumus:
IF = IL x IP
Diketahui IL = 244
IP = 245
4. Formula Drobisch
• Digunakan apabila nilai Indeks Laspeyres dan Indeks Paasche
berbeda terlalu jauh. Indeks Drobisch juga merupakan jalan
tengah selain Indeks Fisher.
• Indeks Drobisch merupakan nilai rata-rata dari kedua indeks.
Rumus:
ID = IL + IP
2
Diketahui IL = 244
IP = 245
ID = IL + IP = 244 + 245
2 2
= 244.5
D. W. Hariyanto, SE. MM Statistik 1 10
4
Angka Indeks
5. Formula Marshal-Edgeworth
Formula Marshal-Edgeworth relatif berbeda dengan konsep
Laspeyres dan Paasche.
Menggunakan bobot berupa jumlah kuantitas pada tahun t
dengan kuantitas pada tahun dasar.
Pembobotan ini diharapkan akan mendapatkan nilai yang lebih
baik.
Rumus:
6. Formula Wals
Menggunakan pembobot berupa akar dari perkalian
kuantitas tahun berjalan dengan kuantitas tahun dasar.
Rumus:
IW = HtKoKt x 100
HoKoKt
Jumlah
67.258 164.242
D. W. Hariyanto, SE. MM Statistik 1 10
8
Angka Indeks
MENGGUNAKAN MS EXCEL
PENDAHULUAN
• Trend
• Variasi Musim
• Variasi Siklus
TREND
Y Y
b= (K2 – K1)
(tahun dasar K2 – tahun dasar K1)
2004 6,1 2 -1
8
7
6
5
4
3
2
Y = a + bX 1
0
a = Y/N 97 98 99 00 01
Tahun
3. Metode Kuadratis
Untuk jangka waktu pendek,
kemungkinan trend tidak Y=a+bX+c
X2
bersifat linear. Metode
kuadratis adalah contoh
metode nonlinear
Y = a + bX + cX2
Tahun Y X XY X2 X2Y X4
2002 5,0 -2 -10,00 4,00 20,00 16,00
2003 5,6 -1 -5,60 1,00 5,60 1,00
2004 6,1 0 0,00 0,00 0,00 0,00
2005 6,7 1 6,70 1,00 6,70 1,00
2006 7,2 2 14,40 4,00 2880 16,00
= -0,0017
Jadi persamaan kuadratisnya adalah Y = 6,13+0,55X – 0,0017X 2
D. W. Hariyanto, SE. MM Statistik 1 12
1
Deret Berkala dan Peramalan
4. Trend Eksponensial
Persamaan eksponensial dinyatakan dalam bentuk variabel waktu (X)
dinyatakan sebagai pangkat. Untuk mencari nilai a, dan b dari data Y
dan X, digunakan rumus sebagai berikut:
Y’ = a (1+b)X
Ln Y’ = Ln a + X Ln (1+b)
Sehingga a = anti ln (LnY)/n
b = anti ln (X. LnY) -1
(X)2
Y= a(1+b)X
D. W. Hariyanto, SE. MM Statistik 1 12
2
Deret Berkala dan Peramalan
Tahun Y X Ln Y X2 X Ln Y
VARIASI MUSIM
2
20 100
1,5
Inflasi (%)
Indeks
10 1 50
0 0,5 0
I- II- III- I- II- III- I- II- III- I- II- III-
98 98 98 99 99 99 00 00 00 01 01 03 0 03 05 13 14 22
1 2 3 4 5 6 7 8 9 10 11 12
Triwulan Tanggal
Bulan
VARIASI SIKLUS
Y=TxSxCxI 1
0,5
IHSG
0
Maka
-0,5 94 95 96 97 98 99 00 01 02
TCI = Y/S -1
CI = TCI/T -1,5
-2
Di mana CI adalah -2,5
Indeks Siklus Tahun
CONTOH SIKLUS
PENGGUNAAN MS EXCEL
PENDAHULUAN
Definisi:
Probabilitas adalah peluang suatu kejadian
Manfaat:
Manfaat mengetahui probabilitas adalah membantu
pengambilan keputusan yang tepat, karena kehidupan di dunia
tidak ada kepastian, dan informasi yang tidak sempurna.
Contoh:
• Pembelian harga saham berdasarkan analisis harga saham
• Peluang produk yang diluncurkan perusahaan (sukses atau
tidak), dan lain-lain.
PENDAHULUAN
Probabilitas:
Suatu ukuran tentang kemungkinan suatu peristiwa ( event)
akan terjadi di masa mendatang. Probabilitas dinyatakan antara
0 sampai 1 atau dalam persentase.
Percobaan:
Pengamatan terhadap beberapa aktivitas atau proses yang
memungkinkan timbulnya paling sedikit dua peristiwa tanpa
memperhatikan peristiwa mana yang akan terjadi.
Hasil (outcome):
Suatu hasil dari sebuah percobaan.
Peristiwa (event):
Kumpulan dari satu atau lebih hasil yang terjadi pada sebuah
percobaan atau kegiatan.
PENGERTIAN PROBABILITAS
Contoh:
PENDEKATAN PROBABILITAS
1. Pendekatan Klasik
2. Pendekatan Relatif
3. Pendekatan Subjektif
PENDEKATAN KLASIK
Definisi:
Setiap peristiwa mempunyai kesempatan yang sama untuk terjadi.
Rumus:
PENDEKATAN KLASIK
PENDEKATAN RELATIF
Definisi:
Probabilitas suatu kejadian tidak dianggap sama, tergantung dari
berapa banyak suatu kejadian terjadi.
Rumus:
Contoh:
Dalam 12 bulan, 10 bulan terjadi inflasi dan 2 bulan deflasi. Maka
probabilitas inflasi = 10/12=0,83 dan probabilitas deflasi = 2/12=0,17
PENDEKATAN SUBJEKTIF
Definisi:
A. Hukum Penjumlahan
P(A ATAU B) = P(A) + P(B)
Contoh : P(A) = 0,35, P(B) 0,40 DAN P (C) 0,25
Maka P(A ATAU C ) = 0,35 + 0,25 = 0,60
A AB B
A B
• Hukum Perkalian
P( A DAN B) = P(A) X P(B)
Apabila P(A) 0,35 DAN P(B) = 0,25
Maka P(A DAN B) = 0,35 X 0,25 = 0,0875
• Hukum Perkalian
P( A DAN B) = P(A) X P(B)
Apabila P(A) 0,35 DAN P(B) = 0,25
Maka P(A DAN B) = 0,35 X 0,25 = 0,0875
DIAGRAM POHON
TEOREMA BAYES
Factorial = n!
PENDAHULUAN
Definisi:
• Distribusi probabilitas adalah sebuah susunan distribusi yang
mempermudah mengetahui probabilitas sebuah peristiwa.
• Merupakan hasil dari setiap peluang peristiwa.
Contoh Kasus:
• Berapa peluang meraih untung dari investasi di reksa dana
• Berapa banyak barang harus dikirim, apabila selama
perjalanan barang mempunyai probabilitas rusak
• Berapa peluang karyawan bekerja lebih baik esok hari
VARIABEL ACAK
Variabel acak
Sebuah ukuran atau besaran yang merupakan hasil suatu
percobaan atau kejadian yang terjadi acak atau untung-
untungan dan mempunyai nilai yang berbeda-beda.
• Standar Deviasi s= s2
1,500 s2 0,750
n!
P(r )
r! ( n - r )! p .q
r n -r
Jawab:
P(p) = 0,9 dan P(q) = 1-0,9 = 0,1
DISTRIBUSI HIPERGEOMETRIK
DISTRIBUSI HIPERGEOMETRIK
( s C rx ( N -s C )
P (r ) n -r
N C n
Jawab:
N = 33 S= 20 n=10 r=5
DISTRIBUSI POISSON
• Rumus:
Xe-
P(X)
X!
D. W. Hariyanto, SE. MM Statistik 1 16
2
Distribusi Probabilitas Diskret
Jawab:
N = 150 X=5 p=0,1 =n.p =150 x 0,1 = 15
P(X) = 1552,71828-15/5!
0,232/150= 0,002
BINOMDIST
Number_s : ………… (masukkan nilai X)
Trials : ……….. (masukkan nilai n)
Probability : ………… (masukkan nilai p)
Cumulative: ………… (tulis kata False)
Nilai P(r) akan muncul pada baris Formula result atau
tanda (=)
D. W. Hariyanto, SE. MM Statistik 1 16
4
D. W. Hariyanto, SE. MM Statistik 1 16
5
D. W. Hariyanto, SE. MM Statistik 1 16
6
Distribusi Probabilitas Diskret
• Nilai P(r) akan muncul pada baris Formula result atau tanda (=)
Klik icon fx atau anda klik icon insert dan pilih fx function
Pilih menu statistical pada function category
Pilih menu POISSON pada function name, tekan OK
Setelah tekan OK pada langkah ke-3, maka akan keluar
kotak dialog seperti berikut:
POISSON
X : ………… (masukkan nilai x)
Mean : ……….. (masukkan nilai )
Cumulative : ………… (tulis FALSE)
• Nilai P(X) akan muncul pada baris Formula result atau tanda (=)
Untuk -<X<
di mana
= 3,14159
e = 2,71828
D. W. Hariyanto, SE. MM Statistik 1 17
5
Distribusi Probabilitas Normal
10
9
8
7
6
5
4
3
2
1
0
m
Transformasi dari X
ke Z
x z
Di mana nilai Z:
Z=X-
s
D. W. Hariyanto, SE. MM Statistik 1 17
9
Distribusi Probabilitas Normal
TRANSFORMASI DARI X KE Z
Contoh Soal:
Harga saham di BEJ mempunyai nilai tengah (X)=490,7 dan standar
deviasinya 144,7. Berapa nilai Z untuk harga saham 600?
Jawab:
Diketahui: Nilai = 490,7 dan s = 144,7
Maka nilai Z =( X - ) / s
Z = (600 – 490,7)/144,7
Z = 0,76
68,26%
95,44%
99,74%
Contoh Soal:
PT GS mengklaim berat buah mangga “B” adalah 350 gram
dengan standar deviasi 50 gram. Bila berat mangga
mengikuti distribusi normal, berapa probabilitas bahwa berat
buah mangga mencapai kurang dari 250 gram, sehingga akan
diprotes oleh konsumen.
Jawab:
Transformasi ke nilai z
AP(x< 250); P(x=250) = (250-350)/50=-2,00 Jadi
P(x<250)=P(z<-2,00)
Lihat pada tabel luas di bawah kurva normal
P(z<-2,00)=0,4772
Luas sebelah kiri nilai tengah adalah 0,5. Oleh sebab itu,
nilai daerah yang diarsir menjadi 0,5 – 0,4772=0,0228.
Jadi probabilitas di bawah 250 gram adalah 0,0228
(2,28%). Dengan kata lain probabilitas konsumen protes
karena berat buah mangga kurang dari 250 gram adalah
2,28%.
D. W. Hariyanto, SE. MM Statistik 1 18
3
Distribusi Probabilitas Normal
Contoh Soal:
PT Work Electric, memproduksi Bohlam Lampu yang dapat
hidup 900 jam dengan standar deviasi 50 jam. PT Work
Electric ingin mengetahui berapa persen produksi pada kisaran
antara 800-1.000 jam, sebagai bahan promosi bohlam lampu.
Hitung berapa probabilitasnya!
Jawab:
P(800<X<1.000)?
Hitung nilai Z
Z1 = (800-900)/50 = -2,00;
Z2 = (1.000-900)/50 = 2,00
Jadi: P(800<X<1.000) =P(-2,00<Z<2,00);
P(-2,00<Z) = 0,4772 dan P(Z>2,00) = 0,4772
Sehingga luas daerah yang diarsir adalah = 0,4772+0,4772=
0,9544. Jadi P(800<X<1.000) = P(-2,00 < Z<2,00) = 0,9544.
Jadi 95,44% produksi berada pada kisaran 800-1.000 jam. Jadi jika
PT Work Electric mengklaim bahwa lampu bohlamnya menyala 800-
1.000 jam, mempunyai probabilitas benar 95,44%, sedang sisanya
4,56% harus dipersiapkan untuk garansi.
0 .6
0 .5
0 .4
0 .3
0 .2
0 .1
0
0 1 r 0 1 2 3 r 0 2 4 6 8 10 12 14 16 18 20 r
MENGGUNAKAN MS EXCEL
Contoh 9-1
Buka program MS Excel dari Start, pilih MS Excel
MENGGUNAKAN MS EXCEL
NORMDIST
Hasil nilai p = 0,76 akan muncul pada formula result atau tanda “=“
MENGGUNAKAN MS EXCEL
Catatan:
Bila menggunakan tabel Z pada lampiran 3, probabilitas adalah
luas daerah yang diarsir, yaitu dari Z=0 ke kanan kurva (infiniti
positif).
Sedangkan dengan MS Excel, probabilitas adalah luas daerah dari
kiri kurva (infiniti negatif) ke kanan (sampai nilai X yang
dimaksud).
PENGANTAR
Contoh:
Keputusan yang diambil suatu perusahaan:
• Barang dan jasa apa yang akan diproduksi,
• Metode apa yang dipakai untuk memproduksi,
• Untuk siapa barang dan jasa di produksi,
• Bagaimana strategi pemasaran dan promosinya,
• Apakah perusahaan membutuhkan tenaga pemasaran,
• dan lain-lain.
PENGANTAR
Contoh kasus:
1. Untuk menambah modal suatu Bank apakah:
a) menambah modal,
b) memecah saham,
c) menerbitkan obligasi
2. Investasi apakah:
a) tanah
b) tabungan
ELEMEN KEPUTUSAN
ELEMEN KEPUTUSAN
ELEMEN KEPUTUSAN
CONTOH EV
Rumus:
CONTOH EOL
OL baik OL buruk
Saham (P= 0,5) (P= 0,5) Perhitungan EV Nilai EOL
(1.043.223 x 0,5) +
LPBN 1.043.223 0 (0 x 0,5) 521.612
(406.586 x 0,5) +
MEGA 406.586 115.616 (115.616 x0,5) 261.101
(0 x 0,5) +
BBCA 0 216.111 (216.111 x 0,5) 108.056
EVPI
2. Kriteria Maximin
3. Kriteria Maximax
4. Kriteria Hurwicz
1. Kriteria Laplace
Probabilitas semua kejadian sama, dan hasil perkalian antara
hasil dan probabilitas tertinggi adalah keputusan terbaik.
2. Kriteria Maximin
Keputusan didasarkan pada kondisi pesimis atau mencari
Nilai maksimum pada kondisi pesimis.
3. Kriteria Maximax
Keputusan didasarkan pada kondisi optimis dan mencari nilai
maksimumnya.
4. Kriteria Hurwicz
Keputusan didasarkan pada perkalian hasil dan koefisien
optimisme. Koefisien ini merupakan perpaduan antara
optimis dan pesimis.
CONTOH LAPLACE
Perusahaan Kondisi Perekonomian
CONTOH MAXIMIN
LPBN 250
MEGA 300
BBCA 185
CONTOH MAXIMAX
LPBN 1.180
MEGA 2.000
BBCA 4.463
CONTOH HURWICZ
• Contoh:
Koefisien optimisme didasarkan pada probabilitas terjadinya
kondisi boom dibandingkan dengan kondisi krisis.
Berdasarkan data diperoleh koefisien optimisme sebesar
0,63 sehingga koefisien pesimisme adalah 1 – 0,63 = 0,37.
Probabilitas Ekonomi
1.180
Boom (0,63)
836
(1) Probabilitas Ekonomi
Krisis (0,37) 250
Membeli Saham BAT
Probabilitas Ekonomi
Boom (0,63) 2.000
2.880 1.371
(2) Probabilitas Ekonomi
300
Membeli Saham BATA Krisis (0,37)
Probabilitas Ekonomi
Boom (0,63) 4.463
2.880
(3)
Probabilitas Ekonomi 185
Membeli Saham MLBI Krisis (0,37)