MODUL PRAKTIKUM

METODE STATISTIK

BAHASA
PEMROGRAMAN R

TIM PENGAJAR DAN ASISTEN

LAB. KOMPUTASI MATEMATIKA
FMIPA
UNIVERSITAS HALU OLEO
KENDARI
2016
 2

PERTEMUAN I
DASAR BAHASA R

A. PENDAHULUAN
Software R adalah suatu kesatuan software yang terintegrasi dengan beberapa
fasilitas untuk manipulasi, perhitungan dan penampilan grafik yang handal. R dapat
melakukan import file dari software lainnya seperti, Minitab, SAS, Stat, Systat dan
EpInfo, dll.
Beberapa kelebihan R antara lain sebagai berikut.
1. Dapat digunakan untuk berbagai bidang, mulai dari kalkulasi biasa (seperti
kalkulator), statistik, ekonometri, geografi, hingga pemrograman komputer.
2. Bersifat multiplatform, yakni dapat diinstall dan digunakan baik pada system
operasi Windows, UNIX/LINUX maupun pada Macintosh.
3. Sangat cocok untuk riset, baik statistik,ekonomi, komputasi numerik dan
pemrograman komputer.
4. Memiliki fitur yang lengkap dan handal serta faktor tanggung jawab moral dan
legal/hukum bukan lagi menjadi kekhawatiran dalam penggunaannya, karena
dapat diperoleh secara GRATIS.
Berikut adalah beberapa contoh yang didapat dari R sebagai acauan
implementasi pada:
 Pemodelan matematis (seperti software MATLAB) dalam membentuk
perspektif, cocok jurusan teknik arsitek, sipil, mesin, dan ilmu komputer.
 Pencitraan dan analisis kontur, cocok untuk jurusan geografi dan sejenis.
 Proses analisis data statistik,dengan tampilan grafik plot yang costumized dan
grafik fungsi densitas yang dapat diparalelkan dengan histogram. Cocok untuk
bidang statistika, ekonomi dan lain lain
 Proses model bahasa jepang juga sudah dapat dianalisis dan digambarkan oleh
R.

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 3

B. MEMULAI MENGGUNAKAN R
Untuk membuka aplikasi R dapat dilakukan dengan 2 cara yaitu sebagai
berikut.
Cara 1 : Jika terdapat shortcut R pada desktop.

a. Double klik shortcut R i386 3.1.3 pada desktop.

b. Atau klik kanan shortcut MATLAB pada desktop, kotak dialog pilihan akan
ditampilkan. Pilih Open.
Cara 2 : Jika tidak terdapat shortcut R pada desktop.

a. Klik , ALL Program R i386 3.1.3

Gambar 1.1 R Pada All Program

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 4

Sedangkan untuk mengakhiri sesi pada R, dapat dilakukan dengan dua cara yaitu
pertama mengklik File Exit R dalam window utama R, kedua dengan
mengklik tanda close pada window R.
R terdiri atas 7 menu utama yaitu : File, Edit, View, Misc, Packages,
Windows, dan Help. R juga menyediakan ikon-ikon yang dapat dimanfaatkan dalam
penggunaan R.

open script save workspace paste stop computation

load workspace copy copy and paste print
Gambar 1.2 Tampilan Ikon-ikon R

C. BAHASA SOFTWARE R
1. Operator
Tabel 1.1 Beberapa Operator R
Operator Keterangan
+ Penjumlahan
‐ Pengurangan
* Perkalian, biner
/ Pembagian, biner
^ Pangkat, biner
: Rentang, biner
%% Sisa pembagian
%/% Hasil pembagian bilangan bulat
%x% Operator biner khusus, x dapat diganti
%*% Hasil kali matriks, biner
%o% Hasil sebelah luar, biner
%in% Operator cocokan, biner (dalam model bersarang)
= Sama dengan
== Sama dengan, biner (logical)
< Kurang dari, biner
<= Kurang dari atau sama dengan, biner
> Lebih dari, biner

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 5

>= Lebih dari atau sama dengan, biner

!= Tidak sama dengan
& Dan, biner, vector
&& Dan, biner
¿ Atau, biner, vector
¿∨¿ Atau, biner
<- Sama dengan, biner
-> Sama dengan, biner
! Negasi logika

2. Syntax
Tabel 1.2 Beberapa Syntax R
Syntax Keterangan
sum Total Jumlah data
mean Nilai rata-rata
max Nilai maksimum
min Nilai minimum
median Nilai tengah
length Panjang data
range Ukuran data
matrix Matriks
sort Mengurutkan data dari kecil ke besar
rev Membalik urutan data
rep Mengulang data
summary Rangkuman data
hist Membuat grafik histogram
plot Membuat grafik
boxplot Membuat grafik box
diag Diagonal matriks
cbind menghubungkan data berdasarkan kolom
rbind menggabungkan data berdasarkan baris
solve Menginverskan matriks

3. Tipe Data
Dalam R-Programming tipe data dikelompokkan sebagai berikut.
1. Numeric (vektor dan array)
Tipe data numeric berupa angka baik itu double maupun integer.

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 6

2. Character
Tipe data character ditadai dengan penulisan diantara tanda petik dua atau satu
berpasangan “” atau ‘’, misalkan “Januari”,”ikan”,’putus cinta’,dan lain-lain.
3. List
Tipe data list adalah tipe data bentuk daftar/list.
4. Logical
Suatu objek/data bertipe logical hanya dapat mempunyai dua nilai yaitu
TRUE dan FALSE, yang menunjukan apakah suatu kondisi terpenuhi atau
tidak.
5. Function
Tipe data function adalah tipe data bentuk fungsi.

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 7

Note:
1. Penamaan variabel bersifat case sensitive, artinya R membedakan antara
huruf kapital dan huruf kecil.
2. Perintah dan hasil pada R dapat di copy paste.

D. MENGGUNAKAN R CONSOLE
Program yang digunakan pada modul ini adalah R i386 3.1.3, setelah diinstal
di computer, R dapat dijalankan dan akan ditampilkan worksheet atau R Console
dengan promp >. Perintah diketik setelah tanda >. Untuk membersihkan jendela kerja
R Console dapat dilakukan dengan Ctrl+L atau Edit Clear Console atau klik
kanan pada mouse pilih Clear Window.

Gambar 1.3 Tampilan Awal R

Untuk mengeksekusi perintah dalam R Console harus menekan tombol enter, untuk
menyimpan lembar kerja, dapat dilakukan dengan File Save to File.

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 8

1. Penggunaan Operator
Aritmatika Dan Operator Logika
Tabel 1.3 Operator Aritmatika
Operator Keterangan Contoh
+ Penjumlahan > 3+9
[1] 12
- Pengurangan > 8-4
[1] 4
* Perkalian > 7*4
[1] 28
/ Pembagian > 7/28
[1] 0.25
^ Perpangkatan > 3^6
[1] 729
%/% Hasil pembagian > 9%/%4
[1] 2
%% Modulo > 9%%4
[1] 1

Tabel 1.4 Operator Logika

Operator Keterangan Contoh
== Sama dengan > nilai=c(2,3,1)
> nilai
[1] 2 3 1
> nilai==1
[1] FALSE FALSE TRUE
!= Tidak sama dengan > nilai!=2
[1] FALSE TRUE TRUE
< Kurang dari > nilai<4
[1] TRUE TRUE TRUE
> Lebih dari > nilai>1
[1] TRUE TRUE FALSE

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 9

<= Kurang dari atau sama > nilai<=3

dengan [1] TRUE TRUE TRUE

>= Lebih dari atau sama > nilai>=3

dengan [1] FALSE TRUE FALSE
& Dan > nilai2=c(4,8,6)
> nilai2
[1] 4 8 6
> nilai==3&nilai2<9
[1] FALSE TRUE FALSE
| Atau > [Link](nilai)||nilai2==5
[1] TRUE
&& Dan (kontrol) > nilai[1]<-NA
> [Link](nilai)&&nilai2==4
[1] TRUE
|| Atau (control) > [Link](nilai)||nilai2==8
[1] TRUE
> [Link](nilai)||nilai2==5
[1] TRUE
xor Atau (unsur ekslusif ) > xor([Link](nilai),nilai2==4)
[1] FALSE FALSE FALSE
! Negasi logika > [Link](nilai)
[1] TRUE FALSE FALSE
Contoh penggunaan operator:

> u=2:9
> u
[1] 2 3 4 5 6 7 8 9
> c=7:14
> c
[1] 7 8 9 10 11 12 13 14
> i=u+c
> i
[1] 9 11 13 15 17 19 21 23
> i[2]
[1] 11
> a[5] Modul Praktikum Metode Statistika
[1] 5 Tim Asisten Lab. Komputasi Matematika
> d=a[5]-i[2] 2016
> d
[1] -6
 10

2. Penggunaan Syntax
Contoh penggunaan syntax:
> tesa=c(44,65,78,98,60)
> tesa
[1] 44 65 78 98 60
> sum(tesa)
[1] 345
> max(tesa)
[1] 98 > uci2=(tesa/budi)^2
> min(tesa) > uci2
[1] 44 [1] 16.0000000 7.9867675 5.5867769 4.9607438 0.7785467
> length(tesa) > uci2>3
[1] 5 [1] TRUE TRUE TRUE TRUE FALSE
> range(tesa) > uci2<8
[1] 44 98 [1] FALSE TRUE TRUE TRUE TRUE
> median(tesa) > uci[c(1,4,5)]
[1] 65 [1] 4.0000000 2.2272727 0.8823529
> mean(tesa) > uci[c(1,4,5)]+2+1-1
[1] 69 [1] 6.000000 4.227273 2.882353
> seq(1,6,by=2)
> budi=c(11,23,33,44,68)
> budi [1] 1 3 5
[1] 11 23 33 44> 68
seq(1,6,by=1)
> uci=tesa/budi[1] 1 2 3 4 5 6
> uci > seq(1,6,length=1)
[1] 1
[1] 4.0000000 2.8260870 2.3636364 2.2272727 0.8823529
> seq(1,6,length=5)
[1] 1.00 2.25 3.50 4.75 6.00
>
> t=seq(-1,1,by=2)
> t
[1] -1 1
> t=seq(-1,1,by=.2)
> t
[1] -1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
> t[2:6]
[1] -0.8 -0.6 -0.4 -0.2 0.0
> t[c(3,5:10)]
[1] -0.6 -0.2 0.0 0.2 0.4 0.6 0.8
> t[-(5:10)]
[1] -1.0 -0.8 -0.6 -0.4 1.0
> t[-(2:6)]
[1] -1.0 0.2 0.4 0.6 0.8 1.0
> t[t>0]
[1] 0.2 0.4 0.6 0.8 1.0
> letters
[1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m"
"n" "o" "p" "q" "r" "s"
[20] "t" "u" "v" "w" "x" "y" "z"
> t
[1] -1.0 -0.8 -0.6 -0.4
Modul-0.2 0.0 Metode
Praktikum 0.2 Statistika
0.4 0.6 0.8 1.0
> names(t)<-letters[1:length(t)]
Tim Asisten Lab. Komputasi Matematika
> names(t)=letters[1:length(t)] 2016
> names(t)
[1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k"
 11

> t
a b c d e f g h i j k
-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
> t["f"]
f
0
> c(a=1,b=5,c=9,d=10)
a b c d
1 5 9 10

> s=c(2,3,6:9,9,0,11:18)
> s
[1] 2 3 6 7 8 9 9 0 11 12 13 14 15 16 17 18
> sort(s)
[1] 0 2 3 6 7 8 9 9 11 12 13 14 15 16 17 18
> unique(s)
[1] 2 3 6 7 8 9 0 11 12 13 14 15 16 17 18
> rep(1,5)
[1] 1 1 1 1 1
> rep(1:4,3)
[1] 1 2 3 4 1 2 3 4 1 2 3 4
> rep(1:4,each=2)
[1] 1 1 2 2 3 3 4 4
> rep(1:4,3,each=2)
[1] 1 1 2 2 3 3 4 4 1 1 2 2 3 3 4 4 1 1 2 2 3 3 4 4

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 12

PERTEMUAN 2
VEKTOR DAN MATRIKS

A. VEKTOR
Contoh:

> 1:10
[1] 1 2 3 4 5 6 7 8 9 10
> c(1,2,3,4,5,6,7,8,9,10)
[1] 1 2 3 4 5 6 7 8 9 10
> seq(1:10,by=2)
Error in [Link](1:10, by = 2) : 'from' must be of
length 1

Note : Jika menggunakan perintah seq tak perlu menggunakan operator : (rentang),
karena perintah seq adalah perintah untuk rentang data.

> seq(1,10,by=2)
[1] 1 3 5 7 9
> seq(1,10,length=7)
[1] 1.0 2.5 4.0 5.5 7.0 8.5 10.0
> X=seq(-1,1,by=.1)
> X
[1] -1.0 -0.9 -0.8 -0.7 -0.6 -0.5 -0.4 -0.3 -0.2 -0.1 0.0
0.1 0.2 0.3 0.4
[16] 0.5 0.6 0.7 0.8 0.9 1.0
> X=seq(-1,1,by=.2)
> X
[1] -1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
> X=seq(from=1,to=9,by=3)
> X
[1] 1 4 7
> X=seq(from=1,to=9,by=2)
> X
[1] 1 3 5 7 9
> X[5:10]
[1] 9 NA NA NA NA NA
> X[12:1]
[1] NA NA NA NA NA NA NA 9 7 5 3 1
> X[2:2]
[1] 3

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 13

> X[c(5,7:10)]
[1] 9 NA NA NA NA
> X>0
[1] TRUE TRUE TRUE TRUE TRUE
> X>3
[1] FALSE FALSE TRUE TRUE TRUE
> X<8
[1] TRUE TRUE TRUE TRUE FALSE
> X[X>0]
[1] 1 3 5 7 9
> names(X)=LETTERS[1:length(X)]
> X
A B C D E
1 3 5 7 9
> names(X)=letters[1:length(X)]
> X
a b c d e
1 3 5 7 9
> names(X)=[Link][1:length(X)]
> X
Jan Feb Mar Apr May
1 3 5 7 9
> names(X)=pi[1:length(X)]
> X
3.14159265358979 <NA> <NA>
<NA>
1 3 5
7
<NA>
9
> tesa=order(X)
> tesa
[1] 9 3 2 7 1 5 4 6 8 10
> d=[Link](X)
> d
[1] 9 3 2 7 1 5 4 6 8 10
> X=sample(1:5,replace=T)
> X
[1] 4 4 5 4 1
> X=sample(1:5,replace=TRUE)
> x
[1] 3 1 5
> unique(X)
[1] 5 3 1
> seq(0,10,length=11)
[1] 0 1 2 3 4 5 6 7 8 9 10

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 14

> seq(0,10,length=8)
[1] 0.000000 1.428571 2.857143 4.285714 5.714286
7.142857 8.571429 10.000000
> seq(0,10,by=2)
[1] 0 2 4 6 8 10
> rep(1,10)
[1] 1 1 1 1 1 1 1 1 1 1
> rep(1:5,3)
[1] 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5

> rep(1:6,each=3)
[1] 1 1 1 2 2 2 3 3 3 4 4 4 5 5 5 6 6 6
> rep(1:6,2,each=4)
[1] 1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4 5 5 5 5 6 6 6 6 1 1
1 1 2 2 2 2 3 3 3 3 4 4 4 4 5 5 5 5 6 6 6 6

B. MATRIKS
Matriks adalah bilangan yang disusun dalam baris dan kolom yang dibatasi
oleh kurung siku.
Contoh:

t=matrix(c(3,2,4,5),nrow=2)
> t
[,1] [,2]
[1,] 3 4
[2,] 2 5
> t=matrix(c(2:4),nrow=3,ncol=3)
> t=matrix(c(3,2,4,5),nrow=2)
> t
[,1] [,2]
[1,] 3 4
[2,] 2 5
> t=matrix(c(2:4),nrow=3,ncol=3)
> t
[,1] [,2] [,3]
[1,] 2 2 2
[2,] 3 3 3
[3,] 4 4 4

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 15

> t=matrix(c(2:4),nrow=3,ncol=3,byrow=T)
> t
[,1] [,2] [,3]
[1,] 2 3 4
[2,] 2 3 4
[3,] 2 3 4
> t(matrix(2:4,nrow=3,ncol=3))
[,1] [,2] [,3]
[1,] 2 3 4
[2,] 2 3 4
[3,] 2 3 4
> a=matrix(c(1,2,3,4),nrow=2)
> b=matrix(c(4,5),nrow=2)
> a%*%b
[,1]
[1,] 19
[2,] 28
> det(a)
[1] -2
> det(t)
[1] 0
> diag(c(3,2))
[,1] [,2]
[1,] 3 0
[2,] 0 2
> diag(3:7)
[,1] [,2] [,3] [,4] [,5]
[1,] 3 0 0 0 0
[2,] 0 4 0 0 0
[3,] 0 0 5 0 0
[4,] 0 0 0 6 0
[5,] 0 0 0 0 7
> diag(2)
[,1] [,2]
[1,] 1 0
[2,] 0 1
> cbind(c(3,4),c(5,6))
[,1] [,2]
[1,] 3 5
[2,] 4 6

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 16

> rbind(c(3,4,2),c(8,9,0))
[,1] [,2] [,3]
[1,] 3 4 2
[2,] 8 9 0
> sum(diag(a))
[1] 5
> solve(a)
[,1] [,2]
[1,] -2 1.5
[2,] 1 -0.5
> t(a)
[,1] [,2]
[1,] 1 2
[2,] 3 4

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 17

BAB 3
DATA FRAME
Data frame dianggap sebagai pengembangan dari matriks, data frame juga
memiliki baris dan kolom, bedanya dalam data frame kolom-kolom dapat memiliki
tipe data yang berbeda.
Contoh :
> f=2:6
> a=1:5
> level=c("A","B","C","D","E")
> uci=[Link](Posisi=a,Waktu=f,nilai=level)
> uci
Posisi Waktu nilai
1 1 2 A
2 2 3 B
3 3 4 C
4 4 5 D
5 5 6 E
> uci$Posisi
[1] 1 2 3 4 5
> uci$posisi
NULL
> uci$Waktu
[1] 2 3 4 5 6
> uci$nilai
[1] A B C D E
Levels: A B C D E

Menggunakan matriks untuk membuat Data Frame sebagai berikut.

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 18

>z=matrix(c(2,3,4,1,6,0,8,7,5,9,11,2,3,1,0,0,6,5,3,2,8,
0,1,1,2,1,1,5,7,8,2,3,4,0,2,8,4,3,2,6,7,8,1,3,2,6,9,0,7
,5),nc=10,nr=5)
> length(z)
[1] 50
> z
[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
[1,] 2 0 11 0 8 1 2 8 7 6
[2,] 3 8 2 6 0 1 3 4 8 9
[3,] 4 7 3 5 1 5 4 3 1 0
[4,] 1 5 1 3 1 7 0 2 3 7
[5,] 6 9 0 2 2 8 2 6 2 5

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 19

> z<-[Link](z)
> z
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
1 2 0 11 0 8 1 2 8 7 6
2 3 8 2 6 0 1 3 4 8 9
3 4 7 3 5 1 5 4 3 1 0
4 1 5 1 3 1 7 0 2 3 7
5 6 9 0 2 2 8 2 6 2 5
> [Link](z)<-c("K","L","M","N","O")
> [Link](z)
[1] "K" "L" "M" "N" "O"
> attr(z,"names")<-
c("a","b","c","d","e","f","g","h","i","j")
> attr(z,"names")
[1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j"
>z
a b c d e f g h i j
K 2 0 11 0 8 1 2 8 7 6
L 3 8 2 6 0 1 3 4 8 9
M 4 7 3 5 1 5 4 3 1 0
N 1 5 1 3 1 7 0 2 3 7
O 6 9 0 2 2 8 2 6 2 5
> z<-[Link](z)
> z
a b c d e f g h i j
K 2 0 11 0 8 1 2 8 7 6
L 3 8 2 6 0 1 3 4 8 9
M 4 7 3 5 1 5 4 3 1 0
N 1 5 1 3 1 7 0 2 3 7
O 6 9 0 2 2 8 2 6 2 5
> t(z)
K L M N O
a -1.2 -0.2 0.8 -2.2 2.8
b -5.8 2.2 1.2 -0.8 3.2
c 7.6 -1.4 -0.4 -2.4 -3.4
d -3.2 2.8 1.8 -0.2 -1.2
e 5.6 -2.4 -1.4 -1.4 -0.4
f -3.4 -3.4 0.6 2.6 3.6
g -0.2 0.8 1.8 -2.2 -0.2
h 3.4 -0.6 -1.6 -2.6 1.4
i 2.8 3.8 -3.2 -1.2 -2.2
j 0.6 3.6 -5.4 1.6 -0.4

Cara lain membuat Data Frame yaitu :

> a=edit([Link]())

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 20

Maka akan ditampilkan tabel Data Editor yang dapat diisi dengan data yang
diinginkan, nama kolom dapat diganti seperti pada gambar.

Gambar 3.1 Variabel Editor

Gambar 3.2 Pengisian Tabel

Setelah diisi, kemudian close, maka akan ditampilan:

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 21

Gambar 3.3 Tampilan Data Frame

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 22

PERTEMUAN 4
GRAFIK FUNGSI PLOT

R dilengkapi dengan fasilitas untuk visualisasi statistik dalam bentuk grafik,

baik statistik, kontur, map, dll. Sistem grafik di R terdiri dari dua sistem: system
(dasar/default) yang terdapat dalam paket graphics dan sistem trellis yang terdapat
dalam paket lattice. Grafik di R dapat diatur sesuai keperluan. Untuk melihat lebih
detil mengenai fitur grafik dalam R, pilih menu Help di menu R kemudian pilih
Manual (dalam format pdf) atau HTML help. Untuk mendapatkan gambaran langsung
tentang grafik dalam R, dapat dilihat dalam fungsi demo(), dengan menuliskan
sebagai berikut.

> demo() # untuk melihat jenis-jenis demo

> demo(graphics)
> demo(image)
> demo(persp
> demo(lattice) # sebelumnya diperlukan load package dan pilih
lattice pada menu di windows R anda; atau
> demo(package = .packages([Link] = TRUE)) # untuk
melihat
semua jenis demo yang tersedia

Plot adalah perintah/syntax untuk membuat grafik yang menggambarkan

hubungan dua variabel (2 dimensi). Pembuatan plot secara bertahap diawali dengan
model standar hingga pengaturan sesuai dengan yang diinginkan (customize). R
mempunyai fasilitas pewarnaan (yaitu dengan argumen col), simbol (dengan
argumen pch), ukuran (dengan argumen cex), label/nama sumbu kordinat (dengan
argumen xlab dan ylab), judul grafik (dengan argumen main). Beberapa jenis
warna yang disediakandalam R dapat diketahui dengan menggunakan perintah
colours(), dimana akan ditampilan daftar warna-warna tersebut.

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 23

> colours()
[1] "white" "aliceblue" "antiquewhite"
[4] "antiquewhite1" "antiquewhite2 " antiquewhite3"
…
[655] "yellow3" "yellow4" "yellowgreen"

Sedangkan fungsi palette() digunakan untuk menampilkan daftar warna dalam

bilangan numeric.

> palette()
[1] "black" "red" "green3" "blue" "cyan" "magenta"
"yellow"
[8] "gray"

Simbol juga dapat digunakan untuk menampilkan tanda plot. Spesifikasi

simbol dapat dilakukan dengan menentukan karakter yang akan digunakan (misalkan
asterik ”*”) atau kode integer dari simbol tersebut. Gambar menunjukkan simbol dan
kodenya. Simbol dengan kode 21-26 memiliki fill (warna latar) yang dispesifikasikan
pada argumen bg, spesifikasi warna utama dengan argumen col menspesifikasikan
garis border.

Gambar 4.1 Simbol-simbol Pada Grafik

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 24

Berikut ini merupakan contoh yang menampilkan grafik plot yang dilengkapi dengan
pewarnaan, modifikasi ukuran dan pemilihan simbol plotting. Penulisannya adalah
sebagai berikut.
> plot(1, 1, xlim=c(1, 7.5), ylim=c(0,5), type="n")
> points(1:7, rep(4.5, 7), cex=1:7, col=1:7, pch=0:6)
> text(1:7,rep(3.5, 7), labels=paste(0:6), cex=1:7,
col=1:7)
> points(1:7,rep(2,7), pch=(0:6)+7) # Plot simbol 7 hingga 13
> text((1:7)+0.25, rep(2,7), paste((0:6)+7)) # Label dengan
bilangan simbol
> points(1:7,rep(1,7), pch=(0:6)+14) # Plot symbols 14 hingga
20
> text((1:7)+0.25, rep(1,7), paste((0:6)+14)) # Labels
dengan bilangan symbol

Hasilnya yaitu pada gambar berikut.

Gambar 4.2 Simbol, Kode Dan Warna Dalam R

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 25

Contoh grafik menggunakan syntax plot:

> plot(cbind(c(1,4,4,1,1),c(1,1,4,4,1)),type="l")
> plot(cbind(c(1,3,5,1),c(1,4,1,1)),type="l")

Gambar 4.3 Plot 2 Gambar 4.4 Plot 2

>plot(cbind(c(5,2,3,5,7,8,5),c(2,8,9,6,9,8,2)),type="l"
,col="red")

Gambar 4.5 Plot 3

> u=c(1,2,4,6,3,8,9,4,3,1,6,2,3,5,8,9,11,3,6,7)
> u
[1] 1 2 4 6 3 8 9 4 3 1 6 2 3 5 8 9 11 3 6 7
Modul Praktikum Metode Statistika
> plot(u,main="Grafik Data Pilihan",xlab="Nilai
Tim Asisten Lab. Komputasi Matematika
Data",ylab="Nilai Frekuensi",col="blue")
2016
 26

Gambar 4.6 Plot 4

> plot(u,main="Grafik Data Pilihan",xlab="Nilai

Data",ylab="Nilai Frekuensi",col="blue",type="h")
#h=histogram seperti garis vertikal

Gambar 4.7 Plot Tipe h

> plot(u,main="Grafik Data Pilihan",xlab="Nilai

Data",ylab="Nilai Frekuensi",col="red",type="l")
#l=lines Modul Praktikum Metode Statistika
Tim Asisten Lab. Komputasi Matematika
2016
 27

Gambar 4.8 Plot Tipel l

> plot(u,main="Grafik Data Pilihan",xlab="Nilai

Data",ylab="Nilai Frekuensi",col="red",type="p")
#p = points

Gambar 4.9 Plot Tipe p

> plot(u,main="Grafik Data Pilihan",xlab="Nilai

Data",ylab="Nilai Frekuensi",col="red",type="b")
#b = both Modul Praktikum Metode Statistika
Tim Asisten Lab. Komputasi Matematika
2016
 28

Gambar 4.10 Plot Tipe b

> plot(u,main="Grafik Data Pilihan",xlab="Nilai

Data",ylab="Nilai Frekuensi",col="red",type="s")
#s = stair steps

Gambar 4.11 Plot Tipe s

> plot(u,main="Grafik Data Pilihan",xlab="Nilai

Data",ylab="Nilai Frekuensi",col="magenta",type="S")
#s = other steps
Modul Praktikum Metode Statistika
Tim Asisten Lab. Komputasi Matematika
2016
 29

Gambar 4.12 Plot Tipe S

> plot(u,main="Grafik Data Pilihan",xlab="Nilai

Data",ylab="Nilai Frekuensi",col="green",type="c")
#c = untuk bagian garis dari b

Gambar 4.13 Plot Tipe c

> plot(u,main="Grafik Data Pilihan",xlab="Nilai

Data",ylab="Nilai Frekuensi",col="magenta",type="o")
#o = both overplotted Modul Praktikum Metode Statistika
Tim Asisten Lab. Komputasi Matematika
2016
 30

Gambar 4.14 Plot Tipe o

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 31

PERTEMUAN 5
HISTOGRAM DAN BOXPLOT

A. HISTOGRAM
Selain plot, bentuk representasi grafis lainnya yang paling mudah digunakan
untuk menggambarkan sebaran data adalah histogram. R menyediakan fasilitas fungsi
histogram yang digunakan untuk mengetahui sebaran sampel suatu data. Sebagai
catatan: histogram ataupun boxplot, digunakan untuk satu variable. Hist adalah
perintah untuk menggambarkan grafik bentuk histogram (diagram batang). Beberapa
penjelasan tentang histogram yaitu:
 histogram digunakan untuk mengestimasi fungsi distribusi probabilitas densitas
(probability density function);
f ( x )= lim Prob ( x−δ< X ≤ x)/δ
δ →∞

 histogram ditentukan pula oleh bin/lebar batang;

 sumbu- y dalam histogram dapat berupa frekuensi kemunculan atau proporsi;
 tidak ada estimasi statistik yang dapat dibaca langsung dari histogram, namun
 dengan histogram kita dapat menduga kemiringan, sifat/behavior pada tail atau
ujung kurva, dan outlier data;
 histogram dapat dibandingkan sebagai suatu distribusi analitik standar.

Contoh:

> u=c(1,2,4,6,3,8,9,4,3,1,6,2,3,5,8,9,11,3,6,7)
> u
[1] 1 2 4 6 3 8 9 4 3 1 6 2 3 5 8 9 11 3 6 7
> hist(u,main="Grafik Data Pilihan",xlab="Nilai
Data",ylab="Nilai Frekuensi",col="magenta")

Gambar 5.1 Histogram

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 32

Selain histogram, R juga menyediakan plot yang fungsinya menyerupai

histogram yakni stem-and-leaf plot dengan penulisan: stem(variabel).
Contoh:

> u=c(1,2,4,6,3,8,9,4,3,1,6,2,3,5,8,9,11,3,6,7)
> summary(u)
Min. 1st Qu. Median Mean 3rd Qu. Max.
1.00 3.00 4.50 5.05 7.25 11.00
> fivenum(u)
[1] 1.0 3.0 4.5 7.5 11.0
> stem(u)

The decimal point is 1 digit(s) to the right of the |

0 | 1122333344
0 | 566678899
1 | 1

Pada Gambar 4.16, fungsi hist() menggunakan jarak antar batang (disebut bin)
cukup besar. Untuk membuat bin lebih kecil, diperlukan tambahan atribut dengan
menuliskan:

> hist(u,seq(0.2, 12.2, 1.2),prob=TRUE)

Pada perintah
di atas, argumen seq(0.2, 12.2, 1.2) adalah histogram menggunakan range
dari 0.2 hingga 12.2 dengan lebar bin 1.2. Sehingga tampilan grafik histogram adalah

Gambar 5.2 Histogram Data u Berdasarkan Lebar bin 1.2

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 33

Gambar 5.2 di atas menunjukkan lebar batang histogram yang lebih kecil dibanding
Gambar 5.1. Apabila ingin ditambahkan garis pada data densitas, maka dapat
menggunakan fungsi lines() seperti berikut:

> lines(density(u, bw = 0.5))

Keterangan: bw adalah bandwidth (lebar pita), dengan nilainya berdasarkan trial dan
error.

Gambar 5.3 Histogram Data u Dengan bw = 0.5

Untuk menampilkan point data aktual digunakan fungsi rug() sbb:

> rug(u)

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 34

Gambar 5.4 Histogram Data u Dengan Data Aktual

Selain histogram, R dapat memplot fungsi distribusi kumulatif empiris dengan

menggunakan fungsi ecdf():

> plot(ecdf(u), [Link]=FALSE, verticals=TRUE)

Gambar 5.5 Plot ecdf Data u

B. BOXPLOT
Untuk menggambarkan grafik untuk satu variable lainnya yaitu terdapat
fasilitas boxplot yang digunakan untuk melihat sebaran data. Berikut adalah
penjelasan tentang fitur dasar boxplot:
 Berguna untuk membanding banyak kelompok/grup.
 Dasarnya menggunakan 3 jenis summary: 3 quartil.
 Mudah dalam menampilkan nilai rerata (mean).

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 35

 Dapat diperluas untuk menampilkan persentil lainnya, terutama pada ujung(tails)

suatu distribusi.
R menyediakan fitur untuk menampilkan boxplot, dengan menuliskan fungsi
boxplot(variabel).
Contoh:

> boxplot(u,main="Grafik Data Pilihan",col="yellow")

Gambar 5.6 Boxplot

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 36

PERTEMUAN 6
RAGAM SYNTAX GRAFIK

R menyediakan beragam bentuk penyajian grafik plot. Berikut adalah daftar

plot grafik dasar yang ada dalam R (beberapa ada yang termasuk dalam instalasi awal
dan ada pula yang masuk dalam paket lain yang harus diunduh dari CRAN).
Tabel 6.1 Jenis Syntax Untuk Grafik Dalam R
Jenis Fungsi Plot Keterangan
assocplot Plot Asosiasi (Association)
barplot Plot Batang (Bar)
boxplot Plot Kotak (Box)
contour Plot Contour
coplot Plot Conditioning
dotchart Plot Cleveland Dot
[Link] Plot Level (Contour)
fourfoldplot Plot Fourfold
hist Histogam
image Menampilkan suatu Warna Image
matplot Plot Kolom suatu Matriks
mosaicplot Plot Mosaic
pairs Matriks Scatterplot
persp Plot Perspektif
plot Plot X-Y Umum
stars Plot Star (Spider/Radar)
stem Plot Stem-and-Leaf
stripchart Plot Scatter 1-D
sunflowerplot Plot Scatter Sunflower

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 37

Contoh:

> [Link]=edit([Link]())
> [Link]
Tahun Konsumsi DataPDB
1 1960 1597.4 1589.3
2 1960 1630.3 1799.9
3 1962 1711.1 2398.9
4 1963 1781.6 2501.8
5 1964 1888.4 2560.0
6 1965 2007.7 2715.2
7 1966 2121.8 2834.0
8 1967 2185.0 2998.6
9 1968 2310.5 3191.1
10 1969 2396.5 3399.1
11 1970 2451.9 3771.9
12 1971 2545.5 3765.4
13 1972 2701.3 4105.0
14 1973 2833.8 4341.5
15 1974 2812.3 4319.6
16 1975 2876.9 4311.2
17 1976 3035.5 4540.9
18 1977 3164.1 4750.5
19 1980 3303.1 5015.0
20 1979 3383.4 5173.4
21 1980 3374.1 5161.7
> str([Link])
'[Link]': 21 obs. of 3 variables:
$ Tahun : num 1960 1960 1962 1963 1964 ...
$ Konsumsi: num 1597 1630 1711 1782 1888 ...
$ DataPDB : num 1589 1800 2399 2502 2560 ...
> attach([Link])
The following objects are masked from [Link] (pos =
3):

Konsumsi, Tahun

The following objects are masked from [Link] (pos =

4):

Konsumsi, Tahun
> par(mfrow=c(2,2))
> plot(Tahun,Konsumsi)
> plot(Tahun,DataPDB)
> plot(Konsumsi,DataPDB)

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 38

Gambar 6.1 Scatterplot Data Konsumsi Amerika

Data di atas menyatakan bahwa data konsumsi amerika terdiri dari 3 variabel
dimana setiap variabel terdiri dari 21 data observasi. Tiga variabel tersebut adalah:
Tahun, Konsums, dan DataPDB.

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 39

PERTEMUAN 7
KONSEP PELUANG

A. PELUANG
1. Pengertian Peluang
Definisi 7.1.1 (Ruang Contoh) :Himpunan dari semua kemungkinan hasil
(outcome) dari suatu percobaan disebut ruang contoh (sample space),
dinotasikan dengan S.
Contoh:
Ismail melempar sebuah uang logam. Ruang sampel = {G, A}. G dan A masing-
masing disebut titik sampel.

Definisi 7.1.2 (Kejadian) : Kejadian (event) adalah himpunan bagian dari

ruang sampel. Kejadian dengan satu titik sampel disebut kejadian sederhana.
Contoh:
Tesa melempar sebuah dadu bersisi enam ruang sampel = {1, 2, 3, 4, 5, 6}. Titik
Sampel: 1, 2, 3, 4, 5, dan 6. Kejadian sederhana: {1}, {2}, …atau {6}.

Definisi 7.1.3 (Peluang) : Jika diketahui suatu kejadian A dengan ruang

sampel S, maka peluang kejadian A, ditulis P (A), adalah sebagai berikut:
n( A)
P ( A )=
n(S )
Contoh peluang suatu kejadian:
Jumlah murid kelas 5 di SD 01 Kendari adalah 40 orang, terdiri dari 15 putri dan 25
putra. Akan dipilih seorang murid secara acak. Berapa peluang terpilihnya murid
putra?
Jawab:
n(A) =25, n(S) = 40

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 40

n( A) 25 5
P ( A )= = =
n(S ) 40 8
Contoh peluang dari dua percobaan:
Bila dua uang logam identik dilempar, maka tentukan peluang muncul kedua-duanya
gambar!
Jawab:
n(A) =1, n(S) = 4
n( A) 1
P ( A )= =
n(S ) 4
I G A
II
G (G,G) (G,A)
A (A,G) (A,A)

Definisi 7.1.4 Frekuensi Harapan (F): Frekuensi harapan kejadian A adalah

nilai peluang kejadian A dikali banyak percobaan (n)
F ( A )=P( A)× n
2. Peluang Bersyarat
Definisi 1.5. (Peluang Besyarat) : Peluang kejadian A dengan syarat bahwa

P( A ∩B)
kejadian B telah diketahui terjadi adalah P ( A|B )= ; P ( B )> 0.
P( B)
3. Kejadian Saling Bebas
Jika A adalah suatu kejadian, maka adanya keterangan tentang suatu kejadian
lain, misal kejadian B, dapat memperkecil atau memperbesar atau tidak mengubah
besarnya peluang kejadian A. Jika besarnya peluang kejadian A tidak berubah karena
adanya keterangan bahwa kejadian B telah terjadi, maka A dan B adalah dua kejadian
yang saling bebas.
Definisi 1.6. (Kejadian Saling Bebas) : Kejadian A dan B disebut dua
kejadian yang saling bebas jika dan hanya jika P ( A ∩ B )=P ( A ) P(B).

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 41

PERTEMUA 8
VARIABEL ACAK

A. PENGERTIAN VARIABEL ACAK

Definisi 8.1 Variabel acak adalah suatu fungsi yang didefiniskan pada ruang
sampel S, yang memetakan semua nilai di dalam ruang sampel S dengan
bilangan-bilangan real. Variabel acak dinyatakan dalam huruf capital X, Y,
dan Z, sedangkan nilai realnya dinyataka dengan huruf kecil x, y, z.

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 42

PERTEMUAN 9
DISTRIBUSI PELUANG DISKRIT

Distribusi peluang diskrit adalah distribusi peluang dimana semesta peubah

acaknya dapat dihitung atau berhingga, misalnya peubah acak sebuah lemparan dadu
bernilai 1 hingga 6. Apabila himpunan pasangan terurut (x, f(x)) merupakan suatu
fungsi peluang, fungsi masa peluang, atau distribusi peluang peubah acak diskrit x
maka untuk setiap kemungkinan hasil x berlaku:
a. f ( x ) ≥0 ; ∀ x ∈ R
❑
b. ∑ f ( x ) =1
semua x

c. P ( X=x )=0
A. JENIS-JENIS PELUANG DISKRIT
1. Distribusi Bernoulli
Karakteristik distribusi Bernoulli yaitu :
1) Percobaan dilakukan 1 kali.
2) Percobaan hanya mampu menghasilkan 2 hasl yang mungkin yaitu sukses atau
gagal.

Distribusi Bernoulli dengan peluang sukses 0 ≤ p ≤ 1 dan peluang gagal

q=1− p, maka distribusi peluang peubah/variabel acak Bernoulli X adalah:
Fungsi kepadatan peluang (pdf)
x 1− x
f ( x ; 1, p )= p (1− p) ; x=0,1
{ 0; x yang l ain
selanjutnya dinotasikan sebagai X BIN (1 , p), yaitu distribusi binomial dengan
parameter p. Jika X berdistribusi Bernoulli maka :
1. E ( X ) =p
2. Var ( X )= p( 1− p)

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 43

Peluang terambilnya kartu As di setiap pengambilan satu kotak kartu

merupakan salah satu contoh percobaan Bernoulli.
2. Distribusi Binomial
Distribusi Binomial merupakan distribusi peluang yang dihasilkan dari proses
Bernoulli yang memiliki empat karakteristik utama, yaitu:
1) Percobaan dilakukan pengulangan sebanyak n kali, n>1.
2) Tiap percobaan memiliki dua hasil saja yakni: sukses atau gagal.
3) Peluang sukses (p) pada setiap percobaan adalah konstan.
4) Pengulangan percobaan harus bebas (independent) satu sama lain, artinya hasil
eksperimen yang satu tidak mempengaruhi hasil eksperimen yang lainnya.

Sebuah percobaan Bernoulli dengan peluang sukses p dan peluang gagal q =

1-p, maka distribusi peluang peubah/variabel acak binomial X adalah:
Fungsi kepadatan peluang (pdf)

( nx) p (1− p)
f ( x ; n , p )=
x n−x
; x=0,1,2 , … ,n

selanjutnya dinotasikan sebagai X~BIN(n,p), yaitu distribusi binomial dengan

parameter n dan p. Jika X berdistribusi Binomial maka :
1. E ( X ) =np
2. Var ( X )=npq
Fungsi distribusi kumulatifnya yaitu:
x
F ( x )=B ( x ; n , p )=∑ b ( k ; n , p ) ; x=0,1,2 , … , n
k =0

3. Distribusi Hipergeometrik
Karakteristik distribusi Hipergeometrik yaitu:
1) Populasi/percobaan sebanyak N terbagi dalam 2 kategori. Kategori I sebanyak M
dan kategori II sebanyak N-M.
2) Diambil sampel sebnyak n

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 44

Jika X menyatakan banyaknya elemen ketegori I yang terambil, distribusi

peluang peubah/variabel acak Hipergeometrik X adalah:
Fungsi kepadatan peluang (pdf)
M N−M
h ( x ; n , M , N )=
( x )( n−x )
; x=0,1,2 , … , min ⁡(n , M )
N
(n)
selanjutnya dinotasikan sebagai X HYP( n , M , N) dengan parameter n, M, dan N.
Jika X HYP( n , M , N) maka:
nM
1. E ( X ) =
N

2.
Var ( X )=
n ( MN )(1− MN ) ( N−n)
(N −1)
Pengunaan distribusi Hipergeometrik terdapat banyak bidang, antara lain pada
penerimaan sampel, pengujian elektronik dan pengendalian mutu.

4. Distribusi Geometrik
Karakteristik distribusi Geometrik yaitu:
1) Percobaa Bernoulli
2) X menyatakan banyaknya percobaan yang dibutuhkan untuk memperoleh sukses.

Distribusi peluang peubah/variabel acak Geometrik X adalah:

Fungsi kepadatan peluang (pdf)
x−1
g ( x ; p )= p(1−p) ; x=1,2,3 , …
{ 0 ; x yang lain
selanjutnya dinotasikan sebagai X GEO( p) dengan parameter p. Jika X GEO( p)
maka:

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 45

1
1. E ( X ) =
p
q
2. Var ( X )=
p4

Fungsi distribusi kumulatifnya yaitu:

x
F (x)=G ( x ; p ) =∑ p(1− p)i−1
i=1

5. Distribusi Poisson
Eksperimen Poisson adalah eksperimen yang menghasilkan nilai dari suatu
peubah acak X, yaitu jumlah keluaran yang terjadi selama satu selang waktu atau di
antara suatu daerah. Misalkan, jumlah panggilan telepon per jam yang diterima oleh
suatu kantor, banyaknya hari sekolah di tutup karena banjir, banyaknya kertas rijek
karena salah ketik dll. Percobaan Poisson berasal dari proses Poisson yang memiliki
sifat sebagai berikut:
1) Jumlah keluaran yang muncul dalam suatu rentang waktu atau suatu daerah tidak
dipengaruhi (independent) terhadap jumlah keluaran yang terjadi di rentang
waktu atau daerah yang lain yang terpisah.
2) Peluang bahwa yang satu keluaran akan muncul dalam selang waktu yang sangat
pendek atau daerah yang kecil adalah proporsional dengan panjang selang waktu
atau luas dari daerah.
3) Peluang muncul lebih dari satu keluaran dalam selang waktu yang amat pendek
atau daerah yang kecil dapat diabaikan.

Distribusi peluang acak Poisson X yang menyatakan banyaknya sukses yang

terjadi dalam selang waktu tertentu dinyatakan dengan t diberikan oleh ∆ t, dimana
∆ t menyatakan banyaknya sukses yang terjadi per satuan waktu atau daerah,
sedangkan e = 2,71828 ....

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 46

Suatu variabel acak diskrit X dikatakan berdistribusi Poisson jika:

Fungsi kepadatan peluang (pdf)
e−μ μ x
f ( x ; μ )= ; x =0,1,2 ,…
x!
selanjutnya dinotasikan sebagai X POI (μ) dengan parameter μ>0. Jika X POI ( μ)
maka:
1. E ( X ) =μ
2. Var ( X )=μ

6. Distribusi Seragam Diskrit

Pada distribusi ini setiap peubah acak memiliki nilai peluang yang sama.
Suatu variabel acak diskrit X dikatakan berdistribusi seragam (uniform) pada
bilangan-bilangan 1,2,…,N jika:
Fungsi kepadatan peluang (pdf)
1
f ( x )= ; N =1,2 ,… , N
N
selanjutnya dinotasikan sebagai X DU (N ).
Jika X DU ( N ) maka:
N +1
1. E ( X ) =
2
N 2−1
2. Var ( X )=
12

B. DISTRIBUSI PELUANG DISKRIT PADA R

Dengan menggunakan R, pada bagian Fungsi Distribusi Diskrit ini akan
dijelaskan cara perhitungan berkaitan dengan fungsi distribusi peluang, yaitu
perhitungan nilai kuantil, pembuatan plot atau grafik densitas, pembuatan plot
distribusi kumulatif, dan pembangkitan data dari suatu distribusi diskrit. Dalam hal

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 47

ini, fokus pembahasan hanya diberikan pada Distribusi Binomial, sedangkan untuk
distribusi diskrit yang lain dapat dilakukan dengan cara yang relatif sama.

Distribusi Binomial Pada R

1. Menghitung Kuantil dari Distribusi Binomial
Perhitungan kuantil binomial command line di RConsole yaitu dengan
command qbinom diikuti argumen optional yang diinginkan.
Contoh:
Misalkan akan dihitung nilai kuantil α=0,25 (25%) dari distribusi Binomial
dengan n=30 dan p=0.5 atau X ~ B(20,0.5) , yaitu ingin dicari nilai Xα sedemikian
hingga P(X ≤ Xα ) = 0,25 (luasan lower tail atau ekor bawah).

> qbinom(c(0.25),size=30,prob=0.5,[Link]=TRUE)
[1] 13
> qbinom(c(0.25),size=30,prob=0.5,[Link]=FALSE)
[1] 17
> qbinom(c(0.75),size=30,prob=0.5,[Link]=FALSE)
[1] 13

2. Menghitung Peluang dari Distribusi Binomial

Perhitungan peluang distribusi Binomial dengan command line di RConsole
yaitu dengan command dbinom (untuk peluang distribusi Binomial) dan pbinom
(peluang distribusi kumulatif binomial) diikuti argumen optional yang diinginkan.
Contoh:
Misalkan akan dihitung nilai peluang dari Distribusi Binomial Kumulatif,
yaitu ingin dicari nilai P(X ≤ 6) (luasan lower tail atau ekor bawah) dari Distribusi
Binomial dengan n=20 dan p=0.5.

> dbinom(6,size=20,prob=0.5)
[1] 0.03696442
> pbinom(c(6),size=20,prob=0.5,[Link]=TRUE)
[1] 0.05765915
> pbinom(c(6),size=20,prob=0.5,[Link]=FALSE)
[1] 0.9423409

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 48

Selain itu, R juga memberikan fasilitas untuk menghitung nilai peluang untuk suatu
nilai tertentu. Misalkan akan dicari P(X = 11) dari distribusi Binomial dengan n=20
dan p=0.5, berikut akan ditampilkan nilai peluang untuk X = 0,1,2,…,20.

> dbinom(0:20,size=20,prob=0.5)
[1] 9.536743e-07 1.907349e-05 1.811981e-04 1.087189e-03
4.620552e-03
[6] 1.478577e-02 3.696442e-02 7.392883e-02 1.201344e-01
1.601791e-01
[11] 1.761971e-01 1.601791e-01 1.201344e-01 7.392883e-02
3.696442e-02
[16] 1.478577e-02 4.620552e-03 1.087189e-03 1.811981e-04
1.907349e-05
[21] 9.536743e-07
> [Link]<-
[Link](Pr=dbinom(0:20,size=20,prob=0.5))
> rownames([Link])<-0:20
> [Link]
Pr
0 9.536743e-07
1 1.907349e-05
2 1.811981e-04
3 1.087189e-03
4 4.620552e-03
5 1.478577e-02
6 3.696442e-02
7 7.392883e-02
8 1.201344e-01
9 1.601791e-01
10 1.761971e-01
11 1.601791e-01
12 1.201344e-01
13 7.392883e-02
14 3.696442e-02
15 1.478577e-02
16 4.620552e-03
17 1.087189e-03
18 1.811981e-04
19 1.907349e-05
20 9.536743e-07

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 49

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 50

3. Membuat Plot dari Distribusi Binomial

Pembuatan plot fungsi kepadatan dan fungsi distribusi kumulatif dengan
command line di R‐Console, yaitu dengan command dnorm (untuk plot fungsi
kepadatan) dan command pnorm (untuk plot fungsi distribusi kumulatif) diikuti
argumen optional yang diinginkan.
Contoh:
Misalkan akan dibuat plot fungsi kepadatan peluang dari distribusi Binomial
dengan n=20 dan p=0.5, atau akan ditampilkan secara grafik nilai‐nilai dari f (x) =
P(X = x) untuk X ~ B(20,0.5).

a. Plot Fungsi Kepadatan Peluang

> plot(x,dbinom(x,size=20,prob=0.5),xlab="Nomor
Sukses",ylab="Kepadatan Peluang",main="Distribusi Binomial:
n=20,p=0.5",type="h")
> points(x,dbinom(x,size=20,prob=0.5),pch=8)
> abline(h=0,col="green")

Gambar 8.1 Plot Fungsi Kepadatan Peluang Distribusi Binomial

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 51

b. Plot Fungsi Peluang Distribusi Kumulatif

> x<-rep(x,rep(2,length(x)))
> plot(x[-1],pbinom(x,size=20,prob=0.5)[-
length(x)],xlab="Nomor Sukses",ylab="Peluang
Kumulatif",main="Distribusi Binomial: n=20,p=0.5",type="l")
> abline(h=0,col="magenta")

Gambar 8.2 Plot Fungsi Peluang Distribusi Kumulatif Binomial

4. Membangkitkan Data dari Distribusi Binomial

R menyediakan fasilitas untuk membangkitkan data yang mengikuti distribusi
diskrit tertentu. Misalkan akan dibangkitkan data yang mengikuti distribusi binomial.
Proses pembangkitan data dari suatu distribusi statistika yang diskrit dengan
command line di R‐Console, yaitu dengan command rbinom (untuk distribusi
Binomial) diikuti argumen optional yang diinginkan.
Contoh:
Misalkan akan dibangkitkan data sebanyak 16 baris dan 8 kolom yang mengikuti
distribusi Binomial dengan n=20 dan p=0.5.

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 52

> rbinom(120,size=20,prob=0.5)
[1] 9 10 9 13 10 10 7 11 6 11 13 8 11 10 13 10 12 11
10 13 10 13 10 11 11
[26] 13 10 10 11 14 11 8 11 11 8 9 9 10 10 13 10 10 13
12 10 7 7 5 9 10
[51] 13 11 9 12 9 13 8 8 8 11 12 7 12 9 12 15 11 11
10 10 12 10 9 11 10
[76] 10 9 15 10 9 8 10 11 11 8 7 11 12 11 7 12 12 9
9 10 13 10 12 13 15
[101] 7 14 10 10 7 7 8 11 8 9 7 10 10 11 11 9 11 12
13 9
> rbinom(100,size=20,prob=0.5)
[1] 12 7 12 9 10 9 13 11 8 7 14 12 8 10 11 13 11 9
13 7 9 8 11 9 9
[26] 7 12 5 9 11 9 9 10 8 8 12 12 5 8 7 9 10 14
14 9 8 8 9 11 11
[51] 13 8 7 12 11 8 13 11 11 9 7 7 9 8 9 11 11 11
11 14 10 13 10 13 8
[76] 9 11 9 9 16 12 11 9 13 10 10 8 4 8 9 10 7 9
12 11 12 9 9 8 16
> matrix(rbinom(16*8,size=20,prob=0.5),ncol=8)
[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8]
[1,] 8 9 13 10 9 8 11 10
[2,] 14 7 12 10 9 7 11 13
[3,] 11 8 8 9 10 6 10 8
[4,] 12 9 10 10 10 10 10 12
[5,] 11 8 12 10 7 10 10 7
[6,] 10 11 10 7 12 11 12 15
[7,] 8 10 10 9 11 7 11 9
[8,] 5 14 10 12 8 13 11 12
[9,] 6 11 14 9 9 12 10 9
[10,] 10 9 9 13 12 13 5 10
[11,] 13 14 7 12 8 10 7 8
[12,] 13 14 10 11 10 7 10 11
[13,] 10 12 11 12 12 10 11 5
[14,] 10 7 9 11 10 8 9 10
[15,] 8 10 15 11 9 11 11 10
[16,] 12 5 10 8 9 11 13 14
> [Link]<-
[Link](matrix(rbinom(16*8,size=20,prob=0.5),ncol=8))
> rownames([Link])<-paste("sampel",1:16)
> [Link]
X1 X2 X3 X4 X5 X6 X7 X8
sampel 1 8 13 9 10 12 11 8 14
sampel 2 9 8 11 11 11 12 14 8
sampel 3 8 12 10 12 6 12 9 11

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 53

sampel 4 10 7 10 12 11 8 9 11
sampel 5 9 10 9 8 12 10 9 10
sampel 6 10 10 10 11 10 9 8 8
sampel 7 12 8 12 9 14 9 12 12
sampel 8 13 14 7 5 10 10 10 7
sampel 9 8 14 10 11 9 10 5 7
sampel 10 10 9 13 12 7 6 10 13
sampel 11 8 11 9 8 12 6 9 9
sampel 12 14 11 10 14 4 11 9 12
sampel 13 11 11 8 12 13 7 10 4
sampel 14 7 15 6 8 12 6 6 8
sampel 15 8 8 10 12 8 8 12 11
sampel 16 10 8 8 9 10 8 14 12
> colnames([Link])<-paste("obs",1:8)
> [Link]
obs 1 obs 2 obs 3 obs 4 obs 5 obs 6 obs 7 obs 8
sampel 1 8 13 9 10 12 11 8 14
sampel 2 9 8 11 11 11 12 14 8
sampel 3 8 12 10 12 6 12 9 11
sampel 4 10 7 10 12 11 8 9 11
sampel 5 9 10 9 8 12 10 9 10
sampel 6 10 10 10 11 10 9 8 8
sampel 7 12 8 12 9 14 9 12 12
sampel 8 13 14 7 5 10 10 10 7
sampel 9 8 14 10 11 9 10 5 7
sampel 10 10 9 13 12 7 6 10 13
sampel 11 8 11 9 8 12 6 9 9
sampel 12 14 11 10 14 4 11 9 12
sampel 13 11 11 8 12 13 7 10 4
sampel 14 7 15 6 8 12 6 6 8
sampel 15 8 8 10 12 8 8 12 11
sampel 16 10 8 8 9 10 8 14 12

Secara umum R menyediakan fasilitas untuk membangkitkan data dari

berbagai distribusi statistika yang diskrit. Daftar lengkap berkaitan dengan command
line di R untuk membangkitkan data dari distribusi diskrit beserta argumen dan
library yang diperlukan dapat dilihat pada Tabel 8.1 berikut.

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 54

Tabel 8.1 Daftar Fungsi R (Commad Line) Untuk Membangkitkan Data Yang
Mengikuti Distribusi Diskrit Tertentu
Distribusi Diskrit Fungsi R Argumen yang diperlukan Library
Binomial rbinom n, size, prob
Binomial Negatif rnbinom n, size, prob, mu
Geometrik rgeom n, prob
Hipergeometrik rhyper nn, m, n, k
Poisson rpois n, lambda

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 55

PERTEMUAN 10
DISTRIBUSI PELUANG KONTINU

Distribusi peluang kontinyu adalah peubah acak yang dapat memperoleh

semua nilai pada skala kontinyu. Ruang sampel kontinyu adalah bila ruang sampel
mengandung titik sampel yang tak terhingga banyaknya. Syarat dari distribusi
kontinyu adalah apabila fungsi f(x) adalah fungsi padat peluang peubah acak kontinyu
X yang didefinisikan di atas himpunan semua bilangan riil R bila:
a. f ( x ) ≥0 ; ∀ x ∈ R
❑

b. ∫ f ( x ) dx=1
R

c. P ( a< x <b ) =∫ f ( x ) dx
−∞

A. JENIS-JENIS DISTRIBUSI PELUANG KONTINU

1. Distribusi Seragam Kontinu
Misalkan variabel acak menjalani nilai-nilai pada interval (a,b). Selanjutnya X
dikatakan seragam pada interval (a,b) jika fungsi kepadatan peluangnya (pdf)
berbentuk:
1

{
f ( x ; a , b )= b−a
; a < x< b
0; x yang lain
Dinotasikan sebagai X~UNIF(a,b).
Sifat-sifat distribusi seragam kontinu:
b
x a+b
1. E ( X ) =∫ dx=
a b−a 2

( b−a)2
2. Var ( X )=
12
Fungsi distribusi kumulatifnya yaitu:

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 56

0; x≤a
F ( x ; a , b )=
{
x −a
b−a
; a< x< b
1;b≤ x
2. Distribusi Gamma
Definisi 9.2 Fungsi Gamma untuk setiap K>0 didefinisikan sebagai :
∞
Γ ( K )=∫ t K−1 e−t dt
0

Sifat-sifat fungsi Gamma :

1. Γ ( K )= ( K −1 ) Γ ( K −1 ) ; K > 1
2. Γ ( n ) =( n−1 ) ! ; n=1,2 ,…

3. Γ ( 12 )=√ π
Definisi 9.3 Suatu variabel acak X dikatakan berdistribusi Gamma dengan
parameter K>0 dan θ>0 jika mempunyai fungsi kepadatan peluang (pdf)
berbentuk:
−x
1

{
f ( x ; θ , K )= θ K Γ ( K )
x K −1 e

0 ; x ≤0
θ
; x >0

selanjutnya dinotasikan sebagai X GAM (θ , K ).

Sifat-sifat distribusi Gamma:
1. E ( X ) =Kθ
2. Var ( X )=K θ2
Fungsi distribusi kumulatifnya yaitu:
x −t
1
F ( x ;θ , K ) =∫ K x K−1 e θ dt
0 θ Γ(K )

3. Distribusi Eksponensial

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 57

Distribusi Eksponensial merupakan kasus khusus dari distribusi Gamma, yaitu

dengan mengambil K=1.
Definisi 9.4 Suatu variabel acak kontinu X dikatakan berdistribusi
Eksponensial dengan parameter θ>0 jika X memiliki fungsi kepadatan
peluang (pdf) berbentuk:
−x
1 θ
{
f ( x ; θ )= θ
e ; x> 0
0; x≤0
selanjutnya dinotasikan sebagai X exp(θ) atau X GAM (θ , 1).
Sifat-sifat distribusi Eksponensial:
1. E ( X ) =θ
2. Var ( X )=θ 2
Fungsi distribusi kumulatifnya yaitu:
−x
θ
F ( x )=1−e ; ∀ x >0

4. Distribusi Weibull
Definisi 9.5 Suatu kontinu X dikatakan berdistribusi Weibull dengan
parameter β >0 dan θ>0, jika memiliki fungsi kepadatan peluang (pdf)
berbentuk:
β
x

{1 β −1 −( θ )
f ( x ; θ , β )= θ β
x e
0;x ≤0
; x >0

selanjutnya dinotasikan sebagai X WEI (θ , β).

Sifat-sifat distribusi Weibull:
1
1. E ( X ) =θ Γ (1+ )
β
2 1
2
2. Var ( X )=θ Γ 1+[ ( ) ( )] β
−Γ 2 1+
β
Fungsi distribusi kumulatifnya yaitu:

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 58

β
x
−( )
θ
F ( x ;θ , β )=1−e ; x> 0

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

Gambar
Berdasarkan gambar di atas, distribusi Normal akan memiliki beberapa ciri
diantaranya:
1) Kurvanya berbentuk garis lengkung yang halus dan berbentuk seperti genta.
2) Simetris terhadap rataan (mean).
3) Kedua ekor/ ujungnya semakin mendekati sumbu absisnya tetapi tidak pernah
mamotong.
4) Jarak titik belok kurva tersebut dengan sumbu simetrisnya sama dengan σ
5) Luas daerah di bawah lengkungan kurva tersebut dari - ∞ sampai ∞ sama dengan
1 atau 100 %.

Definisi 9.7 Variabel acak kontinu X dikatakan berdistribusi Normal dengan

mean μ da variansi σ 2 , jika memiliki fungsi kepadatan peluang (pdf)
berbentuk:
2
−1 x−μ
2 1 2( )
σ
f ( x ; μ , σ )= e ; untuk −∞< x< ∞
√2 π σ2
dimana −∞< μ< ∞ dan σ 2> 0. Selanjutnya dinotasikan sebagai X N ( μ , σ 2 ).
Sifat-sifat distribusi normal:

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 59

1. E ( X ) =μ
2. Var ( X )=σ 2

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 60

B. DISTRIBUSI PELUANG KONTINU PADA R

Dengan menggunakan R, pada bagian Distribusi Peluang Kontinu ini akan
dijelaskan cara perhitungan berkaitan dengan fungsi distribusi peluang, yaitu
perhitungan nilai kuantil, pembuatan plot atau grafik densitas, pembuatan plot
distribusi kumulatif, dan pembangkitan data dari suatu distribusi diskrit. Dalam hal
ini, fokus pembahasan hanya diberikan pada distribusi Normal, sedangkan untuk
distribusi kontinu yang lain dapat dilakukan dengan cara yang relatif sama.

Distribusi Normal Pada R

1. Menghitung Kuantil dari Distribusi Normal
Perhitungan kuantil distribusi Normal dengan command line di RConsole
yaitu dengan command qnorm diikuti argumen optional yang diinginkan.
Contoh:
Misalkan akan dihitung nilai kuantil untuk α =0,25( 25 %) dari distribusi
Normal dengan mean dan sd tertentu.

> qnorm(c(0.25),mea=0,sd=1,[Link]=TRUE)
[1] -0.6744898
> qnorm(c(0.25),mean=0,sd=1,[Link]=TRUE)
[1] -0.6744898
> qnorm(c(0.25),mean=10,sd=2,[Link]=TRUE)
[1] 8.65102
> qnorm(c(0.25),mean=10,sd=2,[Link]=FALSE)
[1] 11.34898
> qnorm(c(0.25),mean=0,sd=1,[Link]=FALSE)
[1] 0.6744898

2. Menghitung Peluang dari Distribusi Normal

Perhitungan peluang distribusi Normal dengan command line di RConsole
yaitu dengan command dnorm (untuk peluang) dan pnorm (peluang distribusi
kumulatif) diikuti argumen optional yang diinginkan.

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 61

Contoh:
Misalkan akan dihitung nilai kepadata peluang dan peluang distribusi
kumulatifnya untuk α =0,25( 25 %) dari distribusi Normal dengan mean dan sd
tertentu.

> dnorm(c(0.05),mean=10,sd=2)
[1] 8.420738e-07
> dnorm(c(0.025),mean=10,sd=2)
[1] 7.912405e-07

> pnorm(c(-4),mean=0,sd=1,[Link]=TRUE)
[1] 3.167124e-05
> pnorm(c(11.34898),mean=10,sd=2,[Link]=TRUE)
[1] 0.7500001
> pnorm(c(11.34898),mean=10,sd=2,[Link]=FALSE)
[1] 0.2499999

3. Membuat Plot dari Distribusi Normal

Pembuatan plot fungsi kepadatan dan fungsi distribusi kumulatif dengan
command line di R‐Console, yaitu dengan command dnorm (untuk plot fungsi
kepadatan) dan command pnorm (untuk plot fungsi distribusi kumulatif) diikuti
argumen optional yang diinginkan.
Contoh:
Misalkan akan dibuat plot fungsi kepadatan peluang dari distribusi Normal
dengan mean=0 dan sd=1.

a. Plot Fungsi Kepadatan Peluang

y<-seq(-5,5,length=100)
> plot(y,dnorm(y,mean=0,sd=1),xlab="x",ylab="Kepadatan
Peluang Distribusi Normal",main=expression(paste("Distribusi
Normal: ",mu,"=0 ",sigma,"=1")),type="l")
> abline(h=0,col="magenta")

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 62

Gambar 9.1 Plot Fungsi Kepadatan Peluang Distribusi Normal

b. Plot Fungsi Peluang Distribusi Kumulatif

> y<-seq(-5,5,length=100)
> plot(y,pnorm(y,mean=0,sd=1),xlab="x",ylab="Peluang
Kumulatif",main=expression(paste("Distribusi Normal: ",mu,"=0
",sigma,"=1")),type="l")
> abline(h=0,col="blue")

Gambar 9.2 Plot Fungsi Peluang Distribusi Kumulatif dari Distribusi Normal

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 63

4. Membangkitkan data dari distribusi Normal

R menyediakan fasilitas untuk membangkitkan data yang mengikuti distribusi
statistik tertentu. Misalkan akan dibangkitkan data yang mengikuti distribusi Normal.
Proses pembangkitan data dari suatu distribusi statistika yang kontinu dengan
command line di R‐Console, yaitu dengan command rnorm (untuk distribusi
Normal) diikuti argumen optional yang diinginkan.
Contoh:

> rnorm(20,mean=0,sd=1)
[1] -0.276908836 -0.542576488 -0.008658927 -1.391810438
-1.713546772
[6] 1.374815181 0.599745078 1.415383958 0.849368045
0.136186610
[11] -0.046182146 -0.050975244 0.651650651 0.023084720
0.515982913
[16] 0.522148311 0.339029752 -0.967664390 -0.530448826
-0.056068938

> data<-[Link](matrix(rnorm(14*7,mean=0,sd=1),ncol=7))
> rownames(data)<-paste("sampel",1:14)
> colnames(data)<-paste("obs",1:7)
> data
obs 1 obs 2 obs 3 obs 4
sampel 1 -0.276908836 0.51598291 -0.86213082 -0.67196625
sampel 2 -0.542576488 0.52214831 -0.99954762 0.44310787
sampel 3 -0.008658927 0.33902975 1.05489332 0.43451591
sampel 4 -1.391810438 -0.96766439 1.07936359 1.01720893
sampel 5 -1.713546772 -0.53044883 0.68975916 -0.44666071
sampel 6 1.374815181 -0.05606894 0.46147671 -0.19271859
sampel 7 0.599745078 -0.14073657 0.20992520 -0.06915662
sampel 8 1.415383958 1.48912264 0.73436502 1.35474234
sampel 9 0.849368045 0.04465593 -0.53706500 -1.41063908
sampel 10 0.136186610 -1.32889890 -0.06940900 -0.16381409
sampel 11 -0.046182146 -0.44406960 -0.51502608 -1.39097158
sampel 12 -0.050975244 1.20650482 0.03103151 -0.98480010
sampel 13 0.651650651 -0.31193363 -0.74495256 -1.00264525
sampel 14 0.023084720 -0.42270202 0.29323176 -1.26306608

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 64

obs 5 obs 6 obs 7

sampel 1 0.07374986 -0.37176450 0.38770993
sampel 2 0.41109416 0.45135426 1.14009572
sampel 3 0.36470308 -0.26233570 -1.22302555
sampel 4 1.17273448 0.94599958 0.40019316
sampel 5 1.08403527 -0.59254606 1.16204212
sampel 6 0.85401492 -0.44333906 0.50901965
sampel 7 0.19245402 -0.04116076 -1.17663319
sampel 8 1.34056475 -0.80463038 -0.25777640
sampel 9 -0.97930652 0.89594452 -0.40165108
sampel 10 1.79295721 -0.79803017 0.44125417
sampel 11 -0.97477965 -0.34403611 0.55375519
sampel 12 0.27662534 1.70692369 0.17220415
sampel 13 0.58905102 -0.58044881 0.05616824
sampel 14 1.29486424 -1.03189165 -1.09435094

> [Link](matrix(rnorm(15*5,mean=100,sd=10),ncol=5))
V1 V2 V3 V4 V5
1 103.17493 91.47580 107.90141 98.47609 103.29374
2 95.04566 81.49974 99.15933 85.02054 99.19941
3 110.46913 112.02711 115.90242 105.73026 98.97554
4 96.69884 100.94053 87.26184 96.14860 102.53638
5 99.15974 88.93082 106.00411 89.47716 101.93653
6 90.27237 95.98353 120.98998 108.27240 85.58261
7 90.51756 89.12276 98.97576 94.04809 104.95384
8 99.51697 91.49508 96.90157 91.82030 103.89984
9 94.72253 100.32938 101.30627 81.33664 101.77107
10 106.02961 102.51293 95.48001 98.72131 90.08942
11 96.45269 116.12585 95.58952 86.73045 87.47935
12 91.09292 110.02089 110.83891 107.21203 94.06644
13 90.42512 98.04861 109.60173 100.00437 95.42560
14 104.88079 114.58587 102.81653 99.87493 91.86480
15 105.30441 89.42152 93.66712 105.47503 76.47262

Secara umum R menyediakan fasilitas untuk membangkitkan data dari

berbagai distribusi statistika yang [Link] lengkap berkaitan dengan command
line di R untuk membangkitkan data dari distribusi diskrit beserta argumen dan
library yang diperlukan dapat dilihat pada Tabel 9.1 berikut.

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016
 65

Tabel 9.1 Daftar Fungsi R (Commad Line) Untuk Membangkitkan Data Yang
Mengikuti Distribusi Kontinu Tertentu
Distribusi Kontinu Fungsi R Argumen yang diperlukan Library
Beta rbeta n, shape1, shape2 stats
Cauchy rcauchy n, location,=0,scale=1 Stats
Chi-squared rchisq n, df Stats
Eksponensial rexp n,rate Stats
F rf n, df1, df2 Stats
Gamma rgamma n, shape, rate=1 Stats
Log-normal rlnorm n, mean, sd stats
Logistic rlogis n, location=0, scale=1 Stats
Normal rnorm n, mean, sd Stats
Student-t rt n, df Stats
Seragam (uniform) runif n, min, max Stats
Weibull rweibull n, shape, scale=1 Stats
Multivariat Normal mvrnorm n=1, mu, sigma MASS

Modul Praktikum Metode Statistika

Tim Asisten Lab. Komputasi Matematika
2016