Apresiasi Statistika

(3 sesi)

Disusun oleh :

Sigit Nugroho
Sigma Mu Rho

σμρ
 Statistika
ilmu pengetahuan tentang data
• merupakan bagian dari matematika yang membahas rumus untuk
mengumpulkan, menggambarkan atau menyajikan, menganalisis, dan
menginterpretasikan data kuantitatif [Webster New Collegiate Distionary]
• merupakan cabang dari metode ilmiah yang menggunakan data
didapatkan dengan menghitung atau mengukur bagian populasi [Kendall &
Stuart]
• membahas metode penarikan kesimpulan dari hasil percobaan atau
proses [Fraser]
• sebagai teknologi metoda ilmiah yang membahas rancangan percobaan
dan investigasi serta inferensia statistika [Mood]
• membahas rancangan percobaan atau survai sampling untuk
mendapatkan sejumlah informasi tertentu dan penggunaan informasi
secara optimal dalam pembuatan inferensia tentang populasi.

Sigit Nugroho 2
Statistika diterapkan di …

• Pemerintahan
• Olahraga
• Bisnis dan Ekonomi
• Hukum
• Psikologi
• Pendidikan
• Permainan
• Dll.

Sigit Nugroho 3
 Statistika vs Statistik
Berbeda dengan Statistika, istilah Statistik
adalah rumus atau formula yang
merupakan fungsi dari data
x1 + x 2 + ... + x n 1 n
x= = ∑ xi
n n i =1

2
⎛ n ⎞
⎜ ∑ xi ⎟
⎝ i =1 ⎠
n n n

∑ xi
2
−
n
∑ ( xi − x ) 2
∑ i
x 2
− n x 2

s =
2 i =1
= i =1
= i =1
n −1 n −1 n −1
Sigit Nugroho 4
 Statistika
Deskriptif vs Inferensia
• Statistika deskriptif • Statistika inferensia
digunakan untuk menginterpretasikan
menggambarkan dan hasil-hasil atau
menganalisa data menghitung statistik-
dengan menghitung
statistik yang diperoleh
sedikitnya satu statistik
contoh, dengan dari contoh untuk
membangun grafik atau mengestimasi /
tabel, atau dengan menduga parameter
membandingkan hasil populasi. [Pendugaan
data yang lain. parameter populasi
[Penyajian data dengan dan pengujian
statistik sederhana] hipotesis]
Sigit Nugroho 5
 Peristiwa (Event)
• Suatu peristiwa atau kejadian (event) adalah satu atau lebih dari
semua kemungkinan keluaran sebuah tindakan (trial) atau percobaan
(experiment).
– Kejadian tunggal/ sederhana :
• munculnya salah satu kartu berikut dari setumpuk kartu bridge
standar: A♠ ,K♠ ,Q♠ ,J♠ ,10♠ ,9♠ ,8♠,7♠ ,6♠ ,5♠ ,4♠ ,3♠ ,2♠ ,A♥
,K♥ ,Q♥ ,J♥ ,10♥ ,9♥ ,8♥ ,7♥ ,6♥ ,5♥ ,4♥ ,3♥ ,2♥ , A♣ ,K♣ ,Q♣ ,J♣
,10♣ ,9♣ ,8♣ ,7♣ ,6♣ ,5♣ ,4♣ ,3♣ ,2♣, A♦ ,K♦ ,Q♦ ,J♦ ,10♦ ,9♦ ,8♦
,7♦ ,6♦ ,5♦ ,4♦ ,3♦ ,2♦.
• Bila dalam satu kelas pendidikan terdapat : 5 ka sie, 4 ka unit, dan 1
officer maka terpilihnya seorang officer secara acak, merupakan
persitiwa tuggal atau peristiwa sederhana
– Kejadian majemuk :
• terambilnya kartu ♣ dari setumpuk kartu bridge standar = { A♣ ,K♣ ,Q♣
,J♣ ,10♣ ,9♣ ,8♣ ,7♣ ,6♣ ,5♣ ,4♣ ,3♣ ,2♣}, atau munculnya kartu A =
{A♠ ,A♥ ,A♦ ,A♣ }
• Bila dalam satu kelas pendidikan terdapat : 5 ka sie, 4 ka unit, dan 1
officer maka terpilihnya seorang ka sie secara acak, merupakan
persitiwa majemuk

Sigit Nugroho 6
 Peluang suatu Peristiwa
• Peluang adalah suatu nilai diantara 0 dan 1 (inklusif)
yang menggambarkan besarnya kesempatan akan
munculnya suatu kejadian tertentu pada kondisi tertentu.
Istilah lain dari peluang adalah probabilitas.
– Metode Klasik / a priori
– Metode Frekuensi / a posteriori
– Subyektif (hanya boleh digunakan apabila kedua
cara diatas tak dapat dihitung)

Sigit Nugroho 7
 Penentuan Peluang:
Metode Klasik / a priori

• Metode Klasik atau A Priori. Jika diketahui bahwa

kejadian A dapat muncul dalam m cara dan total seluruh
kemungkinan kejadian adalah n, maka peluang
sebenarnya kejadian A dinotasikan dengan

banyaknya cara A m
P ( A) = =
total semua cara n

Bisa ditentukan tanpa harus melakukan

percobaan atau menggunakan catatan masa lalu

Sigit Nugroho 8
 Penentuan Peluang:
Metode Frekuensi / a posteriori

• Metode Frekuensi atau A Posteriori. Jika

kejadian serupa A muncul m kali dalam total
percobaan n, maka peluang pengamatan A
dapat dinyatakan dengan

banyaknya A muncul m
P ( A) = =
total percobaan n

Ditentukan dengan melakukan percobaan atau

menggunakan catatan masa lalu

Sigit Nugroho 9
 Populasi
• Populasi adalah seluruh obyek yang mungkin terpilih atau
keseluruhan ciri yang dipelajari.
• Nilai sebenarnya dari sifat populasi disebut dengan
parameter populasi, yang biasanya dilambangkan dengan
huruf Yunani seperti μ (mu), σ (sigma), π (pi), ρ (rho), dan θ
(theta).
• Notasi μ biasanya digunakan untuk menyatakan parameter
nilai tengah (rata-rata) populasi, σ digunakan untuk
menyatakan simpangan baku (standar deviasi) populasi, π
digunakan untuk menyatakan proporsi populasi dan ρ
digunakan untuk menyatakan korelasi dua populasi.

Sigit Nugroho 10
 Contoh (Sampel)
• Contoh acak atau contoh adalah bagian
populasi yang digunakan untuk menduga nilai
parameter populasi.
• Nilai yang diperoleh dari contoh disebut dengan
nilai statistik.
• Mengapa mengambil contoh ?
– Keterbatasan sumberdaya (waktu, tenaga, biaya,
dan sebagainya) mungkin akan berakibat pada kita
sehingga kita tidak dapat memperoleh data populasi,
lebih jauh tidak dapat menghitung nilai parameter
populasi.

Sigit Nugroho 11
 Peubah (Variabel)
• Peubah merupakan ciri populasi yang
dipelajari dari satuan amatan, biasanya
dilambangkan dengan huruf besar atau
kapital (misalnya: X, Y, atau Z), dapat
mengambil satu dari beberapa nilai
– Diskret : nilainya terisolasi, biasanya karena
didefinisikan atau didapatkan dengan cara
menghitung.
• Jumlah anggota keluarga, jumlah ternak yang
dimiliki, dll.
– Kontinu : nilainya diperoleh karena suatu
pengukuran (menggunakan alat ukur)
• Luas tanah, berat badan, simpanan yang ada di
bank, dll.

Sigit Nugroho 12
 Skala Pengukuran Data
• Nominal : angka hanya menunjukkan kategori
– Jenis Kelamin, Status Pernikahan, Kepegawaian
• Ordinal : angka selain menunjukkan kategori, tetapi juga
mengandung peringkat atau urutan
– Urutan juara, data diperingkatkan
• Interval / Selang : selain sifat yang dimiliki Ordinal, bisa
diukur beda / jarak nya
– Skala pengukur temperatur (Celcius, Reamur, Fahrenheit) dan
pengkur gempa (Richter)
• Rasio / Nisbah : semua sifat interval plus bisa
dibandingkan (rasio)
– Waktu datangnya nasabah, rata-rata tabungan, luas bangunan,
total produksi hasil pertanian
Sigit Nugroho 13
 Notasi Matematis
• Penjumlahan Å digunakan notasi Σ (huruf S kapital Yunani)

∑x
i =1
i = x1 + x2 + ... + xn
Jumlah xi untuk i mulai dari 1 sampai dengan n

∑x
i =1
2
i = x + x + ... + x
2
1
2
2
2
n

Jumlah xi kuadrat untuk i mulai dari 1 sampai dengan n

Sigit Nugroho 14
 Notasi Matematis
• Perkalian Å digunakan notasi Π (huruf P kapital Yunani)

∏x
i =1
i = x1 x2 ...xn
Hasil perkalian xi untuk i mulai dari 1 sampai dengan n

∏ i
( z
i =1
− 5) 2
= ( z1 − 5) 2
( z 2 − 5) 2
( z 3 − 5) 2

Hasil Perkalian (zi -5) kuadrat untuk i mulai dari 1 sampai dengan 3
Sigit Nugroho 15
 Teknik Menghitung
(Counting Technique)

Prinsip Multiplikasi
Apabila suatu operasi dapat dilakukan dalam n1 cara dan operasi
berikutnya dapat dilakukan dalam n2 cara, maka secara keseluruhan
terdapat sebanyak n1n2 cara dimana kedua operasi tersebut
dilakukan.

Misalkan Gepeng memiliki 5 baju lengan panjang warna terang yang

diperbolehkan dipakai dikantor serta 4 celana panjang warna gelap untuk
kegunaan yang sama. Dengan demikian, Gepeng dapat memakai (5)(4) = 20
kombinasi baju dan celana panjang yang dapat dipakai bekerja.

Prinsip multiplikaksi ini dapat diperluas untuk lebih dari dua

operasi. Lebih khusus lagi, jika sebanyak r operasi ke-j
dapat dilaksanakan dalam nj cara, maka keseluruhan r
operasi tersebut akan menghasilkan sebanyak

∏nj =1
j = (n1 )(n2 )...(nr )

Sigit Nugroho 16
 Lanjutan …

Jika terdapat N kemungkinan keluaran dari tiap r

tindakan dalam suatu percobaan, maka akan didapatkan
sebanyak Nr kemungkinan keluaran dalam ruang
contohnya.

Misalkan ada 15 soal pilihan berganda dalam

suatu ujian, dimana setiap soal memiliki 5
jawaban. Dengan demikian, total seluruh
kemungkinan jawaban yang terjadi adalah 515.

Sigit Nugroho 17
 Faktorial
Dalam satu hal terambilnya 5 kartu {A♠, K♠, Q♠, J♠, 10♠} dan {10♠,
A♠, K♠, J♠, Q♠} dapat merupakan peristiwa yang sama, tetapi juga
dapat merupakan peristiwa yang tidak sama. Apabila kita inginkan
keluaran tersebut berdasarkan urutan keluarnya, maka sudah jelas
kedua peristiwa tersebut tidak sama. Namun apabila urutan
keluarnya tidak dipentingkan, melainkan apa-apa saja yang menjadi
anggota dalam peristiwa tersebut, maka kedua peristiwa tersebut
dikatakan sama.

Hasil kali dari bilangan-bilangan bulat positif dari 1 sampai dengan n, yaitu
(1)(2)(3) … (n-2)(n-1)(n) = n! (dibaca n faktorial).
Untuk n = 0, didefinisikan 0! = 1

Misalnya 3! = (3)(2)(1) = 6 dan 5! = (5)(4)(3)(2)(1) = 120 dan sebagainya.

Banyaknya permutasi dari sebanyak n obyek yang dapat dibedakan

adalah n!

Sigit Nugroho 18
 Permutasi
• Banyaknya permutasi dari n obyek yang berbeda diambil sebanyak r sekaligus
adalah
n!
n Pr = P =
n

(n − r )!
r

• Teorema ini dipakai apabila seseorang tertarik pada banyaknya cara memilih r
obyek dari sebanyak n obyek yang berbeda dan kemudian mengurutkan r
obyek tersebut.

• Dari keempat calon Pimpinan Wilayah terbaik yang dimilikinya (A, B, C, dan D), Direksi
harus memilih dua teratas diantaranya berdasarkan ranking. Oleh karenanya seluruh
kemungkinan susunan dua calon (Pinwil dan Wapinwil) terbaik tersebut adalah:
AB AC AD BC BD CD
BA CA DA CB DB DC

4! (4)(3)(2)(1)
P2 = P24 = = = 12
(4 − 2)!
4
(2)(1)
Sigit Nugroho 19
 Kombinasi
• Banyaknya kombinasi n obyek yang berbeda dan diambil sebanyak r sekaligus
adalah
• Banyaknya permutasi yang dapat dibedakan dari sebanyak n obyek dimana
sebanyak r darinya adalah sejenis dan n-r adalah jenis lain adalah

⎛n⎞ n!
⎜⎜ ⎟⎟ = C r =
n

⎝r⎠ r!(n − r )!

Dari sebanyak 5 (A, B, C, D, dan E) calon ka unit terbaik yang ada, akan
diambil 2 orang yang akan ditempatkan sebagai ka unit. Maka kemungkinan
mereka yang akan terpilih adalah: A dan B, A dan C, A dan D, A dan E, B dan
C, B dan D, B dan E, C dan D, C dan E, atau D dan E.

⎛5⎞ 5! (5)(4)(3)(2)(1)
⎜⎜ ⎟⎟ = C25 = = = 10
⎝ 2⎠ 2!(5 − 2)! (2)(1)(3)(2)(1)
Sigit Nugroho 20
Sifat-sifat Kombinasi
C =1n
0

C =n1
n

C n
n −1 =n
C =1n
n

Sigit Nugroho 21
 Lanjutan …
Banyaknya permutasi dari n obyek yang terdiri dari k
jenis dimana masing-masing jenis berturut-turut
banyaknya r1, r2, …,rk adalah

n! n!
k
=
∏r!
r1!r2 !...rk !
i
i =1
Banyaknya susunan huruf (belum tentu merupakan
kalimat) dari huruf-huruf penyusun BARBARA adalah

7! (7)(6)(5)(4)(3)(2)(1)
= = 210
2!3!2! (2)(1)(3)(2)(1)(2)(1)
Sigit Nugroho 22
 Latihan
Tentukan nilainya

C +C +C 4
0
4
2
4
4

C +C +C +C
6
0
6
2
6
4
6
6
n

∑ 2i
C 2n

i =0

Sigit Nugroho 23
 Himpunan
Suatu himpunan atau gugus adalah merupakan sekumpulan
obyek. Pada umumnya anggota dari gugus tersebut memiliki suatu
sifat yang sama. Suatu himpunan bagian atau anak gugus
merupakan sekumpulan obyek yang anggotanya juga merupakan
anggota dari himpunan lain.

Himpunan Semesta (S) atau Semesta Pembicaraan adalah

kumpulan semua obyek yang dipelajari. Himpunan bilangan nyata
atau riel misalnya, adalah sebuah contoh dari himpunan semesta.
Sedangkan himpunan yang tidak memiliki anggota disebut
himpunan kosong (∅).

Sigit Nugroho 24
 Himpunan
Semesta Himpunan
Himpunan
Pembicaraan Kosong
Semua mobil di Semua mobil Semua mobil
Indonesia dengan dengan bahan
transmisi bakar air
otomatis
Jumlah mata Mata dadu Mata dadu lebih
dadu standar genap dari dadu dari 7 dari dadu
atau standar A = standar
S={1,2,3,4,5,6} {2,4,6} B=∅

Sigit Nugroho 25
 Diagram Venn
mempermudah memahami himpunan
• Diagram Venn digunakan untuk menggambarkan himpunan-himpunan dan
bagaimana hubungan antar himpunan-himpunan tersebut.
• Gabungan dari dua himpunan adalah himpunan yang mengandung semua
anggota yang dimiliki oleh himpunan pertama atau himpunan kedua.
Misalkan A = {1,2,3,4,5} dan B = {1,3,5,7}, maka gabungan dari A dan B
dinotasikan dengan A ∪ B = {1,2,3,4,5,7}
• Irisan dari dua himpunan adalah himpunan yang mengandung anggota
yang ada pada himpunan pertama dan juga sebagai anggota pada
himpunan kedua. Misalkan A = {1,2,3,4,5} dan B = {1,3,5,7}, maka irisan
dari A dan B dinotasikan dengan A ∩ B = {1,3,5}.
• Komplemen atau pelengkap dari suatu himpunan adalah himpunan yang
memiliki anggota, dimana gabungan dari himpunan dan komplemennya
adalah himpunan semesta dan irisan himpunan dengan komplemennya
adalah himpunan kosong. Misalkan A adalah munculnya mata dadu ganjil
dari sebuah dadu standar, maka A = {1,3,5}. Karena S = {1,2,3,4,5,6}, maka
komplemen dari A, dituliskan dengan notasi Ac = munculnya mata dadu
genap dari dadu standar, atau Ac = {2,4,6}.

Sigit Nugroho 26
 Ruang Contoh
• Ruang contoh (S) adalah merupakan himpunan
yang anggotanya terdiri dari semua kemungkinan
keluaran yang dapat terjadi dari suatu tindakan
atau percobaan. Ruang contoh ini analog dengan
himpunan semesta.
• Semua yang termasuk dalam S disebut dengan
anggota.
• Sedangkan sembarang himpunan bagian dari S
disebut dengan kejadian.

Sigit Nugroho 27
 Tindakan – Ruang Contoh -
Kejadian
Tindakan / Ruang Contoh Kejadian
Percobaan
Pelemparan sebuah S = {1,2,3,4,5,6} A = munculnya mata
dadu standar sedikitnya 4 ={4,5,6}
B = munculnya mata ganjil
= {1,3,5}

Periksa sepuluh S = {0,1,2,3,4,5,6,7, 8,9,10} C = tak ada yang rusak =

barang dan catat {0}
banyaknya yang D = yang rusak tak lebih
rusak dari 20% = {0,1,2}

Umur sebuah lampu S = {t ≥ 0} E = sedikitnya hidup 10

(jam) jam = {t > 10}
F = dapat hidup antara 10
hingga 50 jam = { 0 ≤ t ≤
50}
Sigit Nugroho 28
 Aksioma Peluang
Aksioma merupakan bukti diri yang secara umum telah diterima
kebenarannya. Terdapat tiga aksioma dasar dalam semua
penghitungan peluang yang akan disarikan disini yang
berhubungan dengan ruang contoh S dan kejadian A dan B.
Notasi untuk menyatakan peluang digunakan P( ).

1. Ketidaknegatifan. Setiap kejadian memiliki peluang yang tidak

negatif. P(A) ≥ 0.
2. Kepastian. Peluang ruang contoh adalah 1. P(S) = 1.
3. Gabungan. Peluang gabungan dari dua kejadian yang saling lepas
adalah jumlah peluang dari tiap kejadian. P(A∪B) = P(A)+P(B) jika
A∩B=∅.

Sigit Nugroho 29
 Aturan Peluang
Dalam bagian ini akan dibicarakan hal-hal
penting yang berhubungan dengan aturan
peluang, untuk kejadian-kejadian A, B, dan ∅.
1. 0 ≤ P(A) ≤ 1. Peluang suatu kejadian, nilainya, terletak
diantara 0 dan 1 inklusif.
2. P(∅) = 0. Peluang himpunan kosong adalah 0.
3. P(A) ≤ P(B) jika A adalah himpunan bagian dari B.
4. P(Ac) = 1 – P(A). Peluang komplemen suatu kejadian
adalah 1 – peluang kejadian tersebut.
5. P(A∪B)=P(A)+P(B)-P(A∩B)

Sigit Nugroho 30
Beberapa Peluang Peubah Diskrit
Nama Peubah Notasi dan Parameter P(X=x) dan x μX σ 2X
Diskrit dimana P(X=x)
terdefinisi

Seragam X ~ SD(N) 1/N (N+1)/2 (N2-1)/ 12

x=1,2,3,…,N

Bernouli X ~ Bin(1,p) pxq1-x P Pq

0<p<1 q=1-p x=0,1

Binomial X ~ Bin(n,p) x=0,1,2,…,n Np Npq

0<p<1 q=1-p C xn p x q n − x

Geometrik X ~ Geo(p) pqx-1 1/p q/p2

0<p<1 q=1-p x=1,2,…

Negatif X ~ NB(r,p) x=r,r+1,r+2,… r/p rq/p2

Binomial 0<p<1 q=1-p
C rx−−11 p r q r − x
r=1,2,3,…

Hipergeometrik X ~ Hyp(n,M,N) x=0,1,2,…,n NM/N n(M/N)(1-M/N)

n=1,2,…,N C xM C nN−−xM *((N-n)/(N-1))
M=0,1,2,…,N C nN
Poisson X ~ Poi(μ) x=0,1,2,… e−μ μ x μ μ
μ>0 x!

Sigit Nugroho 31
 Beberapa Peluang Peubah Kontinu
Nama Peubah Notasi dan fX(x) dan x dimana fungsi μX σ 2X
Kontinu Parameter terdefinisi*
Seragam X ~ SK(a,b) 1/(b-a) (a+b)/2 (b-a)2/12
a<b a<x<b
( x−μ )2
Normal X ~ N(μ,σ2) 1 −
σ2
μ σ
e
σ2 > 0 2π σ
Gamma X ~ Gam(θ,κ) 0<x 1
x κ −1e − x / θ κθ κθ2
κ
0<θ 0<κ θ Γ(κ )
Eksponensial X ~ Exp(θ) 0<x 1 θ θ2
e −x /θ
0<θ θ
Eksponensial X ~ Exp(θ,η) η< x 1 η+θ θ2
2-Parameter e −( x −η ) / θ
θ
Eksponensial X ~ EG(θ,η) 1 η 2θ2
e −| x −η|/ θ
Ganda 2θ

Weibul X ~ Wei(θ,β) 0<x β β −1 −( x / θ )β θΓ(1+1/β θ2[Γ(1+2/β)-

x e ) Γ2(1+1/β)]
θβ
Pareto X ~ Par(θ,κ) 0<x θ/(κ-1) (θ2κ) /
κ κ>1 ((κ-2)(κ-1)2)
θ (1 + x / θ )κ +1 κ>2
Beta X ~ Beta(a,b) 0<x<1 Γ( a + b) a −1 b −1
x (1− x )
0<a 0<b
Γ ( a ) Γ (b )

* bila tak dituliskan x terdefinisi untuk seluruh bilanga

Sigit Nugroho 32
Nilai Harapan / Nilai Ekspektasi
Nilai harapan atau nilai ekspektasi dari sebuah fungsi
peubah acak X, g(X) dilambangkan dengan E[g(X)]
dapat didefinisikan sebagai berikut

⎧
⎪∑ g ( x).P ( X = x) jika X peubah acak diskrit
⎪
E[ g{ X }] = ⎨ ∞x
⎪ g ( x) f X ( x)dx jika X peubah acak kontinu
⎪⎩ −∫∞

Sigit Nugroho 33
Teladan Menghitung Nilai Harapan
Dalam sebuah permainan judi 2 angka (00 s/d 99), jika kita
membayar untuk satu lembar kupon sebesar X kita akan memperoleh
hadiah sebesar 60X jika menang (sebetulnya 59X, karena X lainnya
adalah uang kita). Jika peluang munculnya angka sama, maka
berapakah nilai harapan memenangkannya ?

Hanya terdapat dua kemungkinan dalam judi,

yaitu MENANG (notasinya : 59X) dengan
peluang 1/100 dan KALAH (notasinya : -X)
dengan peluang 99/100

E(Menang) = (59X)(1/100) + (-X)(99/100) = -(40/100)X

Artinya setiap kita mengeluarkan X rupiah, dalam jangka
panjang secara rata-rata kita sudah menyumbang 0,4 dari
yang kita keluarkan

Sigit Nugroho 34
 Sebaran Bernoulli
Tindakan Bernoulli adalah suatu tindakan yang hanya
menghasilkan 2 macam keluaran.

•Melempar sekeping mata uang logam

•Mengikuti bidding suatu proyek
•Memeriksa barang (cacat/tidak)
•Memutuskan kredit (disetujui/tidak disetujui)

Fungsi peluang peubah acak Bernoulli dengan parameter

0<p<1 adalah

f ( x; p ) = p x (1 − p)1− x x = 0 atau 1

Sigit Nugroho 35
 Sebaran Binomial
Binomial adalah sebaran diskrit yang digunakan untuk menduga peluang keluaran tertentu muncul
sebanyak x kali dalam suatu contoh terhingga berukuran n yang diambil dari suatu populasi tak terhingga
dimana peluang munculnya keluaran tersebut konstan sebesar p.

Peubah Acak Binomial :

• terdiri n tindakan Bernoulli yang saling bebas
(munculnya tindakan berikutnya tidak tergantung dari
munculnya tindakan sebelumnya)
• peluang untuk tiap keluaran adalah konstan untuk tiap
tindakan.

Peubah acak diskrit X yang memiliki sebaran Binomial,

dari contoh sebesar n, dengan peluang “berhasil” p
(0<p<1) dituliskan dengan notasi f(x;n,p) dan formulasinya
adalah sebagai berikut
⎧ C xn p x q n − x untuk x = 0,1,2,..., n
f ( x; n, p) = ⎨
⎩0 untuk selainnya

Sigit Nugroho 36
 Teladan Soal Binomial
Sebanyak 10 pengajuan permohonan kredit dengan nilai
yang sama dan datang bersamaan harus dipilih secara
acak beberapa diantaranya karena keterbatasan dana
yang ada (anggap semuanya layak). Bila masing-masing
permohonan memiliki peluang yang sama untuk
memperoleh kredit yaitu 0,6 berapakah
• Peluang 2 permohonan terkabulkan, bila dana tersedia
untuk itu ?
f (2;0,6) = C210 0,6 2 0,48
• Peluang paling banyak 2 permohonan terkabulkan, bila
dana tersedia untuk itu ?
2

∑ f ( x;0,6) = f (0;0,6) + f (1;0,6) + f (2;0,6)

x =0

C010 0,6 0 0,410 + C110 0,610,49 + C210 0,6 2 0,48

Sigit Nugroho 37
 Sebaran Poisson
Poisson adalah sebaran diskrit yang digunakan untuk menduga peluang bahwa peluang keluaran
tertentu akan muncul tepat x kali dalam satuan yang dibakukan dengan laju rata-rata munculnya
kejadian per satuan adalah konstan (μ).

Sebaran Poisson tidak berbeda banyak dari sebaran

Binomial kecuali bahwa peluang Poisson adalah sangat
kecil dan ukuran contoh belum tentu diketahui. Asumsi
sebaran Poisson adalah
– terdapat n tindakan bebas dimana n sangat besar
– hanya satu keluaran yang dipelajari pada tiap tindakan
– terdapat peluang yang konstan dari munculnya kejadian tiap
tindakan
– peluang lebih dari satu keluaran pada tiap tindakan sangat kecil
atau dapat diabaikan

Sigit Nugroho 38
 Teladan Peubah Poisson

• Banyaknya kecelakaan yang terjadi

dalam satu minggu di jalan tol
• Banyaknya nasabah yang datang ke BRI
Unit dalam interval waktu tertentu (misal
tiap menit atau tiap lima menit)
• Banyaknya pelanggan yang keluar dari
suatu sistem layanan

Sigit Nugroho 39
Fungsi Peluang Poisson
Secara umum fungsi kepekatan peluang Poisson dengan
parameter μ dapat dituliskan sebagai berikut

⎧ e−μ μ x
⎪ , x = 0,1,2,...; μ > 0
f ( x; μ ) = ⎨ x!
⎪⎩ 0 , x selainnya

Sigit Nugroho 40
Teladan Soal Peubah Poisson
Dari catatan yang ada diketahui bahwa kecelakaan yang terjadi di
sebuah jalan bebas hambatan mengikuti peubah Poisson, dengan
rata-rata kecelakaan 3,2 per bulan.

a. Berapakah peluang akan terjadi 3 kecelakaan dalam kurun

waktu satu bulan mendatang ?

e −3, 2 3,23
f (3;3,2) =
3!
b. Berapakah peluang akan terjadi paling banyak 2 kecelakaan
dalam kurun waktu satu bulan mendatang ?
2
e −3, 2 3,20 e −3, 2 3,21 e −3, 2 3,2 2
∑
x =0
f ( x;3,2) = f (0;3,2) + f (1;3,2) + f (2;3,2) =
0!
+
1!
+
2!

Sigit Nugroho 41
 Sebaran (Distribusi) Normal
• Pada umumnya, data hasil pengukuran suatu peubah
biologis alami (berat badan, tinggi badan, produksi hasil
pertanian, dlsb.) apabila di plotkan dengan histogram
akan memiliki bentuk yang kira-kira hampir simetris
terhadap nilai rata-ratanya.
• Bila histogram tersebut didekati dengan kurva mulus
(smoothed curve), maka bentuk kurva akan menyerupai
lonceng.
• Nilai rata-rata akan menjadi titik pusat data, dan bentuk
sebaran (tumpul atau lancipnya) akan ditentukan oleh
besarnya simpangan baku data yang bersangkutan.

Sigit Nugroho 42
Beberapa Sebaran Normal

Simpangan Baku sama dan Rata-rata berbeda

Rata-rata sama dan Simpangan Baku

berbeda

Sigit Nugroho 43
 Sifat Sebaran Normal
• Simetris terhadap nilai tengah (μ)
• Total luasan dibawah fungsi adalah sama
dengan total peluang = 1.

⎛ x−μ ⎞
2

1 −⎜ ⎟
f X ( x; μ , σ ) = e ⎝ σ ⎠

σ 2π

Sigit Nugroho 44
 Sebaran Normal Baku
• Sebaran normal dengan nilai rata-rata (μ)
= 0 dan simpangan baku (σ) = 1
• Gunakan transformasi :

X −μ
Z=
σ
Berapa luas ini ?

0 1000 − 750
= 1,74
144
Sigit Nugroho 45
 Membaca Tabel
Nilai Zα merupakan kombinasi nilai pada kolom pertama
& baris pertama pada tabel

α adalah luas
sebelah kiri zα α = P ( Z ≤ zα )

Zα
α adalah nilai yang ada di tengah tabel
zα
1 −z2
P ( Z ≤ zα ) = ∫ e dz = α
− ∞ 2π

α merupakan peluang, jadi nilai 0 < α < 1

Sigit Nugroho 46
Tabel Sebaran Normal Baku
z0, 0170
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
-3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
-2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014 -2,12
-2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
-2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
-2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
-2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
-2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
-2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
-2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
-2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
-2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
-1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
-1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
-1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
-1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
-1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
-1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
-1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
-1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
-1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170

Sigit Nugroho 47
 Tabel Sebaran Normal Baku
5 P(Z<0,75)
-1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
-0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
-0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451 0,7734
-0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
-0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
-0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621

Sigit Nugroho 48
… berkenaan dengan baca
Tabel

• P(Z ≥ zα) = 1 - P(Z ≤ zα) (Dalam kasus

kontinu disini “<” = “≤” juga “>” = “≥”)
• P(Z ≥ zα) = P(Z ≤ -zα)
• P(|Z| ≥ zα) = 2 P(Z ≥ zα) = 2 P(Z ≤ -zα)
• P(|Z| ≤ zα) = 1 - P(|Z| ≥ zα)
• Jika a < b, maka
P(a < Z < b) = P(Z < b) – P(Z < a)

Sigit Nugroho 49
 Soal Latihan

1. P( Z ≤ 1,96 ) 8. Z0,25
2. P( Z ≤ -1,25 ) 9. Z0,55
3. P( Z > 1,64 ) 10. Z0,05
4. P( Z > -0,35 ) 11. Z0,95
5. P( 0,64 < Z < 2.36 ) 12. Z0,10
6. P( -1,14 < Z < -0,36 ) 13. Z0,90
7. P( -0,25 < Z < 1,25 ) 14. Z0,50

Sigit Nugroho 50
 Sebaran Kai-kuadrat (χ2)
Peubah bernilai tidak negatif
Diturunkan dari sebaran normal
Sebaran tidak simetris

Bentuk kurva tergantung

derajat bebas

0
1 (υ − 2 ) / 2 − y / 2
f Y ( y) = υ/2
y e
2 Γ(υ / 2)

Sigit Nugroho 51
 Sebaran Kai-kuadrat

Sebaran Kai-kuadrat

0,25
0,2
0,15
f(y)

0,1
0,05
0
0 2 4 6 8 10 12 14 16
y

3 5 8 10

Sigit Nugroho 52
 Sebaran Kai-kuadrat

Derajat bebas adalah parameter yang digunakan

dalam beberapa sebaran kontinu.

Derajat bebas adalah sebuah bilangan (biasanya

bulat) yang menunjukkan banyaknya ukuran
contoh (n) dikurangi dengan banyaknya parameter
populasi (k) yang harus diestimasi dari contoh.

Simbolnya adalah ν (baca: nu) dan secara

matematis ν = n – k. Atau db = n – k.

Sigit Nugroho 53
 Membaca Tabel Kai-kuadrat
• Tabel ini terdiri dari dua masukan yaitu pada bagian atas sebagai
baris adalah peluang atau luas yang didapat dihitung dari sebelah
kanan titik χ2, dan disebelah kiri sebagai lajur atau kolom adalah
derajat bebasnya.
• Nilai yang ditengah adalah χ2 yaitu titik batas sedemikian rupa
sehingga peluang atau luasan di sebelah kanan χ2 dengan derajat
bebas di sebelah kiri (sebaris dengan χ2) adalah angka yang berada
pada baris peluang (se kolom dengan χ2).
• Dengan menggunakan tabel sebaran kai-kuadrat, kita dapat
menghitung, misalnya P(χ224 ≥ 33,196) = 0,10 dan P(χ224 ≥ 36,415)
= 0,05.

Sigit Nugroho 54
 Kunci Membaca Tabel Kai-kuadrat

Tergantung derajat bebas. α = angka yang berada pada

Lihat Kolom paling kiri judul kolom = luasan sebelah
pada tabel kanan titik χ2

α
0 χ2
Nilai ditengah
χ2 merupakan nilai kai-kuadrat dengan derajat tabel
bebas tertentu, sedemikian rupa sehingga luasan
sebelah kanan nilai ini adalah α
Sigit Nugroho 55
 Titik Persentase Sebaran Chi-Kuadrat
db 0,001 0,005 0,010 0,025 0,050 0,100
1 10,827 7,879 6,635 5,024 3,841 2,706
2 13,815 10,597 9,210 7,378 5,991 4,605
3 16,266 12,838 11,345 9,348 7,815 6,251
4 18,466 14,860 13,277 11,143 9,488 7,779
5 20,515 16,750 15,086 12,832 11,070 9,236

6 22,457 18,548 16,812 14,449 12,592 10,645

7 24,321 20,278 18,475 16,013 14,067 12,017
8 26,124 21,955 20,090 17,535 15,507 13,362
9 27,877 23,589 21,666 19,023 16,919 14,684
10 29,588 25,188 23,209 20,483 18,307 15,987

11 31,264 26,757 24,725 21,920 19,675 17,275

12 32,909 28,300 26,217 23,337 21,026 18,549
13 34,527 29,819 27,688 24,736 22,362 19,812

χ 02, 010; 21
14 36,124 31,319 29,141 26,119 23,685 21,064
15 37,698 32,801 30,578 27,488 24,996 22,307

16 39,252 34,267 32,000 28,845 26,296 23,542

17 40,791 35,718 33,409 30,191 27,587 24,769
18 42,312 37,156 34,805 31,526 28,869 25,989
19 43,819 38,582 36,191 32,852 30,144 27,204
20 45,314 39,997 37,566 34,170 31,410 28,412
38,932 21 46,796 41,401 38,932 35,479 32,671 29,615
22 48,268 42,796 40,289 36,781 33,924 30,813
23 49,728 44,181 41,638 38,076 35,172 32,007
24 51,179 45,558 42,980 39,364 36,415 33,196
25 52,619 46,928 44,314 40,646 37,652 34,382

26 54,051 48,290 45,642 41,923 38,885 35,563

27 55,475 49,645 46,963 43,195 40,113 36,741
28 56,892 50,994 48,278 44,461 41,337 37,916
29 58,301 52,335 49,588 45,722 42,557 39,087
30 59,702 53,672 50,892 46,979 43,773 40,256

40 73,403 66,766 63,691 59,342 55,758 51,805

50 86,660 79,490 76,154 71,420 67,505 63,167
60 99,608 91,952 88,379 83,298 79,082 74,397
70 112,317 104,215 100,425 95,023 90,531 85,527
80 124,839 116,321 112,329 106,629 101,879 96,578

90 137,208 128,299 124,116 118,136 113,145 107,565

100 149,449 140,170 135,807 129,561 124,342 118,498
120 173,618 163,648 158,950 152,211 146,567 140,233
240 313,436 300,183 293,888 284,802 277,138 268,471
Sigit Nugroho 56
 P ( χ142 > 4,660)
Titik Persentase Sebaran Chi-Kuadrat
db 0,900 0,950 0,975 0,990 0,995 0,999
1 0,016 0,004 0,001 0,000 0,000 0,000
2
3
0,211
0,584
0,103
0,352
0,051
0,216
0,020
0,115
0,010
0,072
0,002
0,024
0,990
4 1,064 0,711 0,484 0,297 0,207 0,091
5 1,610 1,145 0,831 0,554 0,412 0,210

6 2,204 1,635 1,237 0,872 0,676 0,381

7 2,833 2,167 1,690 1,239 0,989 0,599
8 3,490 2,733 2,180 1,647 1,344 0,857
9 4,168 3,325 2,700 2,088 1,735 1,152
10 4,865 3,940 3,247 2,558 2,156 1,479

11 5,578 4,575 3,816 3,053 2,603 1,834

12 6,304 5,226 4,404 3,571 3,074 2,214
13 7,041 5,892 5,009 4,107 3,565 2,617
14 7,790 6,571 5,629 4,660 4,075 3,041
15 8,547 7,261 6,262 5,229 4,601 3,483

16 9,312 7,962 6,908 5,812 5,142 3,942

17 10,085 8,672 7,564 6,408 5,697 4,416
18 10,865 9,390 8,231 7,015 6,265 4,905
19 11,651 10,117 8,907 7,633 6,844 5,407
20 12,443 10,851 9,591 8,260 7,434 5,921

21 13,240 11,591 10,283 8,897 8,034 6,447

22 14,041 12,338 10,982 9,542 8,643 6,983
23 14,848 13,091 11,689 10,196 9,260 7,529
24 15,659 13,848 12,401 10,856 9,886 8,085
25 16,473 14,611 13,120 11,524 10,520 8,649

26 17,292 15,379 13,844 12,198 11,160 9,222

27 18,114 16,151 14,573 12,878 11,808 9,803
28 18,939 16,928 15,308 13,565 12,461 10,391
29 19,768 17,708 16,047 14,256 13,121 10,986
30 20,599 18,493 16,791 14,953 13,787 11,588

40 29,051 26,509 24,433 22,164 20,707 17,917

50 37,689 34,764 32,357 29,707 27,991 24,674
60 46,459 43,188 40,482 37,485 35,534 31,738
70 55,329 51,739 48,758 45,442 43,275 39,036
80 64,278 60,391 57,153 53,540 51,172 46,520

90 73,291 69,126 65,647 61,754 59,196 54,156

100 82,358 77,929 74,222 70,065 67,328 61,918
120 100,624 95,705 91,573 86,923 83,852 77,756
240 212,386 205,135 198,984 191,990 187,324 177,949
Sigit Nugroho 57
 Soal Latihan

Carilah nilai x sehingga

P(χ2ν ≥ x) = α, dimana ν
• Dapatkan nilai
adalah derajat bebas dan α
peluangnya
adalah nilai peluang.
– P(χ230 ≥ 46,979) Pernyataan ini secara ringkas
– P(χ214 ≥ 6,571) ditulis sebagai carilah χ2ν; α
– P(χ218 ≥ 25,989)
„ χ26; 0,99
– P(χ29 ≥ 21,666)
„ χ228; 0,01
– P(χ225 ≥ 44,314)
„ χ216; 0,05

„ χ220; 0,025

„ χ212; 0,975
Sigit Nugroho 58
 Sebaran t-Student

Simetris terhadap titik nol

Bentuk kurva tergantung
derajat bebas

t
0
− (ν +1) / 2
1 Γ[(ν + 1) / 2] ⎛ t 2
⎞
f T (t ;ν ) = ⎜⎜1 + ⎟⎟
πν Γ(ν / 2 ) ⎝ ν ⎠
Sigit Nugroho 59
 Sebaran t-Student

0,4500
0,4000
0,3500 2
0,3000
0,2500 8
0,2000 16
0,1500
0,1000 100
0,0500
0,0000
,5
-3

75

25
5
5

3
1,
,2

,7
-1

0,

2,
-2

-0

Sigit Nugroho 60
Kunci Membaca Tabel t-Student

Perhatikan derajat bebas α = angka paling atas

yang dipakai pada tiap kolom

Kolom paling kiri

α t
0 tα
tα = angka di tengah tabel, menunjukkan titik dimana
untuk derajat bebas tertentu, luasan di sebelah kanan
titik ini seluas α
Sigit Nugroho 61
 T itik Persentase Sebaran t-student
db 0,100 0,050 0,025 0,010 0,005 0,001
1 3,078 6,314 12,706 31,821 63,656 318,289
2 1,886 2,920 4,303 6,965 9,925 22,328
3 1,638 2,353 3,182 4,541 5,841 10,214
4 1,533 2,132 2,776 3,747 4,604 7,173
5 1,476 2,015 2,571 3,365 4,032 5,894

6 1,440 1,943 2,447 3,143 3,707 5,208

7 1,415 1,895 2,365 2,998 3,499 4,785
8 1,397 1,860 2,306 2,896 3,355 4,501
9 1,383 1,833 2,262 2,821 3,250 4,297
10 1,372 1,812 2,228 2,764 3,169 4,144

11 1,363 1,796 2,201 2,718 3,106 4,025

12 1,356 1,782 2,179 2,681 3,055 3,930
13 1,350 1,771 2,160 2,650 3,012 3,852
14 1,345 1,761 2,145 2,624 2,977 3,787
15 1,341 1,753 2,131 2,602 2,947 3,733

16 1,337 1,746 2,120 2,583 2,921 3,686

17 1,333 1,740 2,110 2,567 2,898 3,646
18 1,330 1,734 2,101 2,552 2,878 3,610
19 1,328 1,729 2,093 2,539 2,861 3,579
20 1,325 1,725 2,086 2,528 2,845 3,552

21 1,323 1,721 2,080 2,518 2,831 3,527

22 1,321 1,717 2,074 2,508 2,819 3,505

t0, 025;17 23 1,319 1,714 2,069 2,500 2,807 3,485

24 1,318 1,711 2,064 2,492 2,797 3,467
25 1,316 1,708 2,060 2,485 2,787 3,450

26 1,315 1,706 2,056 2,479 2,779 3,435

27 1,314 1,703 2,052 2,473 2,771 3,421
28 1,313 1,701 2,048 2,467 2,763 3,408
2,110 29
30
1,311
1,310
1,699
1,697
2,045
2,042
2,462
2,457
2,756
2,750
3,396
3,385

40 1,303 1,684 2,021 2,423 2,704 3,307

60
120
1,296
1,289
1,671
1,658
2,000
1,980
2,390
2,358
2,660
2,617
3,232
3,160
0,005
240 1,285 1,651 1,970 2,342 2,596 3,125

inf 1,282 1,645 1,960 2,326 2,576 3,090

Sigit Nugroho P(t24 > 2,79762)

 Membaca Tabel t-Student
• Dengan menggunakan tabel t diatas, kita dapat menghitung,
misalnya P(t24 ≥ 1,711) = 0,05 dan P(t24 ≥ 2,492) = 0,01.
• Misalnya kita ingin mencari P(t24 ≥ 2,000), maka kita dapat
gunakan interpolasi linier, dan nilainya sama dengan P(t24 ≥
1,711)+(2,00-1,711)/(2,492-1,711)*(0,01-0,05) = 0,035 atau
P(t24 ≥ 2,492)+(2,000-2,492)/(1,711-2,492)*(0,05-0,01) =
0,035 yang nilainya cukup dekat dengan nilai sebenarnya
yaitu 0,028.
• Hati-hati kapan interpolasi linier baik untuk digunakan dan
kapan interpolasi yang lain (kuadratik dan kubik) digunakan
untuk mendapatkan nilai pendekatan yang bagus.

Sigit Nugroho 63
 Sebaran t-Student
™P(t ≥ tα) = 1 - P(t ≤ tα) (Dalam kasus
kontinu disini “<” = “≤” juga “>” = “≥”)
™P(t ≤ -tα) = P(t ≥ tα)
™P(|t| ≥ tα) = 1 - P(|t| ≤ tα)
™P(t ≤ -tα) = 1 - P(t ≤ tα)

Sigit Nugroho 64