Tugas Analisis Data Lingkungan

PROBABILITAS

Kelompok:
1. Fathi Asyurina Muthmainnah (25312004)
2. Paulina Sri Widarti (25312024)

Pertanyaan:
1. Bagaimanakah teori dasar probabilitas?
2. Bagaimanakah distribusi data dengan probabilitas diskrit?
3. Bagaimanakah distribusi data dengan probabilitas kontinyu?
4. Apakah perbedaan antara distribusi data diskrit dan distribusi data kontinyu?

Jawab:
1. Teori Dasar Probabilitas
Probabilitas adalah peluang suatu kejadian atau Suatu ukuran tentang kemungkinan
suatu peristiwa (event) akan terjadi di masa mendatang. Probabilitas dinyatakan antara 0
sampai 1 atau dalam persentase. Probabilitas perlu diketahui untuk membantu
pengambilan keputusan yang tepat, karena dalam kehidupan di dunia tidak ada
kepastian, dan informasi yang tidak sempurna.
Kunci aplikasi probabilitas dalam statistik adalah memperkirakan terjadinya
peluang/probabilitas yang dihubungkan dengan terjadinya peristiwa tersebut dalam
beberapa keadaan. Contoh aplikasi probabilitas adalah pada pembelian harga saham
berdasarkan analisis harga saham dan peluang produk yang diluncurkan oleh suatu
perusahaan mengenai probabilitas suksesnya produk tersebut terjual atau tidak.
Distribusi probabilitas merupakan sebaran nilai-nilai probabilitas yang dinyatakan
untuk mewakili semua nilai yang dapat terjadi dari suatu variabel random X, baik berupa
suatu daftar (tabel) maupun dengan fungsi matematis. Variabel random adalah sesuatu
yang nilainya ditentukan oleh perubahan dari proses yang berada di luar control pelaku
observasi. Jumlah probabilitas dari semua kemungkinan kejadian harus sama dengan 1.
Dalam distribusi probabilitas, nilai-nilai probabilitas individual dinyatakan dengan symbol
f(x) yang merupakan fungsi matematis, dengan P(x = X) atau P(X) yang merupakan
variabel random yang memiliki bermacam-macam nilai.
Distribusi probabilitas dapat disajikan dalam bentuk tabel maupun kurva
probabilitas. Untuk suatu variabel random diskrit, semua nilai yang dapat terjadi dari
 variabel random dapat didaftar dalam suatu tabel dengan menyertakan probabilitas-
probabilitasnya. Sedangkan untuk suatu variabel random kontinyu,semua nilai pecahan
yang dapat terjadi tidak dapat didaftar, sehingga probabilitas-probabilitasnya ditentukan
dengan fungsi matematis yang dinyatakan dengan suatu fungsi kontinyu atau kurva
probabilitas (Subiyakto, 1994).

2. Distribusi Data Diskrit

Dalam pembahasan mengenai probabilitas diskrit, nilai rata-rata disebut sebagai
nilai harapan dari distribusi probabilitas. Nilai harapan suatu variabel random diskrit X
dinyatakan dengan E(X). Nilai ini merupakan rata-rata tertimbang dari semua nilai variabel
yang mungkin terjadi dengan probabilitas sebagai penimbang. Nilai harapan dari suatu
distribusi probabilitas diskrit didapat dengan menggunakan rumus:

E(X) = X P(X)

Varian dari suatu variabel random dinyatakan dengan Var (X). Secara umum varian
dari distribusi probabilitas diskrit dapat dirumuskan:
2
() = 2 () [ ()]

= ( 2 ) [()]2
a. Distribusi Uniform Diskrit
Distribusi seragam (uniform distribution) diskrit adalah probabilitas distribusi
diskrit yang paling sederhana. Tiap nilai variabel random memiliki probabilitas yang
sama untuk terpilih. Jika variabel random X bisa memiliki nilai x1, x2, .,xk dan
masing-masing bisa muncul dengan probabilitas yang sama maka distribusi
probabilitasnya diberikan oleh :

f (x; k) = 1/k , x= x1, x2, xk.

Notasi f (x; k) menyatakan nilai fungsi f tergantung pada k.

Contoh 1
Sebuah koin ideal memiliki muka angka dan gambar. Jika x menyatakan banyaknya
angka muncul, maka x = 0,1 dan distribusi probabilitasnya f(x; 2) = ; x = 0,1.

Mean dan Variansi Distribusi Uniform

Jika f (x; k) menyatakan distribusi probabilitas uniform, maka rata-ratanya dan
variansinya : k
1 k
E[ X ] f ( xi ; k ) xi xi
i 1 k i 1
k
1 k
2 E[( X ) 2 ] f ( xi ; k )( xi ) 2 ( xi ) 2
i 1 k i 1
 Contoh 2
Hitunglah nilai rata-rata mata dadu yang keluar dan variansinya.
1 6 1 2 3 4 5 6

6 i 1
xi
6
3,5

1 6
2
6 i 1
( xi ) 2

(1 3,5) 2 (2 3,5) 2 (3 3,5) 2 (4 3,5) 2 (5 3,5) 2 (6 3,5) 2

2,92
6

b. Distribusi Binomial
Distribusi binomial merupakan distribusi probabilitas bila hanya ada dua kemungkinan
atau distribusi probabilitas diskret dengan jumlah keberhasilan dalam n percobaan
ya/tidak (berhasil/gagal) yang saling bebas, dimana setiap hasil percobaan memiliki
probabilitas p. Eksperimen berhasil/gagal juga disebut percobaan bernoulli. Ketika n =
1, distribusi binomial adalah distribusi bernoulli. Distribusi binomial merupakan dasar
dari uji binomial dalam uji signifikansi statistik. Distribusi ini seringkali digunakan untuk
memodelkan jumlah keberhasilan pada jumlah sampel n dari jumlah populasi N.
Semakin besar N daripada n, distribusi binomial merupakan pendekatan yang baik dan
banyak digunakan.
Proses Bernoulli adalah sebuah proses eksperimen statistik yang memiliki ciri-ciri:
Eksperimen terdiri dari n kali pengulangan.
Tiap kali, outcome hanya dua macam, dilabeli sukses dan gagal.
Probabilitas sukses di tiap percobaan, p, besarnya tetap dari satu percobaan ke
berikutnya.
Satu percobaan dan yang berikutnya bersifat independen.
Didasarkan atas sampling yang besifat bebas sample with replacement

Contoh:
Sebuah proses Bernoulli untuk QC dilakukan dengan memilih 3 komponen
secara simultan dari sebuah proses produksi. Setiap komponen yang diambil
dinyatakan sukses jika ternyata rusak, dan gagal jika ternyata komponen tersebut
baik (sebenarnya boleh juga definisinya dibalik!). Variabel random X didefinisikan
sebagai banyaknya sukses dalam pengambilan 3 komponen tersebut.

Tabel 1 Ruang sampel bagi X, S: sukses, G: gagal

Outcome SSS SSG SGS SGG GSS GSG GGS GGG

X 3 2 2 1 2 1 1 0
Misalkan diketahui dari masa lalu, sebanyak 25% produksi komponen tersebut rusak
(S). Jadi probabilitas 1 kali pengambilan menghasilkan rusak = probabilitas sukses
= p = , berarti probabilitas gagal = 1- = .
Sebagai contoh, probabilitas outcome = SSG
p (SSG) = p (S) . p (S) . p (G) = . . = 3/64, jadi untuk X = 2, ada 3 outcome yang
terkait : SSG, SGS, GSS, maka jika f (X = 2) menyatakan probabilitas X = 2,
f (X = 2) = 3 x 3/64 = 9/64.
Dengan cara yang sama bisa diturunkan probabilitas untuk X=0,1 dan 3, dan hasilnya
adalah fungsi distribusi probabilitas f (x) sebagai berikut.

Tabel 1 Ruang sampel bagi X, S: sukses, G: gagal

X 0 1 2 3
f(X) 27/64 27/64 9/64 1/64

Variabel random X ini disebut variabel random binomial, sedangkan fungsi

distribusinya f (x) disebut fungsi distribusi binomial, dan dituliskan sebagai berikut:

f (x) = b (x; n, p)

Untuk menegaskan bahwa probabilitas x ditentukan oleh banyak eksperimennya (n,

dalam contoh di atas n = 3), dan bergantung pada probabilitas sukses di tiap
eksperimen (p).
Jadi f (x = 2) = b (2; 3, 0.25) = 9/64
Kasus distribusi binomial umum:
dilakukan eksperimen sebanyak n kali pengambilan
dari n tersebut, sebanyak x dikategorikan sukses, jadi sebanyak n-x adalah gagal
probabilitas sukses di tiap percobaan = p, berarti probabilitas gagal , q = 1 - p.
Maka probabilitas terjadinya outcome dengan konfigurasi x sukses dan (n - x) gagal
tertentu, adalah:
P(SSS GGG) = ppp.qqq = pxqn-x
Sebab S ada x buah dan G sebanyak (n - x) buah. Tentu ada banyak konfigurasi lain
yang juga memiliki x buah S dan (n - x) buah G. Sehingga probabilitas mendapatkan
hasil eksperimen yang memiliki x buah S dan (n-x) buah G adalah:
Cnx px qn-x = b(x;n, p)
Fungsi Distribusi Binomial
Proses Bernoulli dimana tiap eksperimen (pengambilan) memiliki probabilitas sukses p
(atau probabilitas gagal q = 1 - p). Maka fungsi distribusi probabilitas f(x) yang
menyatakan dari n kali eksperimen (pengambilan) yang independen mengandung x
buah yang sukses adalah:

n
b( x; n, p) p x q n x
x
Dengan x = 0, 1, 2, ., n
Contoh:
Probabilitas sebuah komponen mobil tidak rusak ketika dijatuhkan adalah .
Berapakah probabilitasnya ada 2 dari 4 komponen yang dijatuhkan akan tidak rusak.
Jawab:
Misal kita definisikan sukses = tidak rusak, probabilitas sukses, p = 3/4. Jadi
probabilitas gagal, q= 1 - 3/4 = . Total percobaan ada n = 4, jumlah yang tidak rusak,
sukses, x = 2. Jadi probabilitas 2 dari 4 komponen yang dijatuhkan tidak rusak
diberikan oleh:

3 n 4 3 1 4! 9 1 27
b( x 2; n 4, p ) p x q n x ( ) 2 ( ) 42
4 x 2 4 4 2!(4 2)! 16 16 128

Sifat dari b(x; n, p) sebagai fungsi distribusi probabilitas adalah:

n

b( x; n, p) 1
x 0

Karena seringkali kita memerlukan probabilitas untuk X dalam sebuah interval, misal
P (X < r) atau P (a < X b) maka, dibuat tabel fungsi distribusi binomial kumulatif
sebagai berikut:
r
Tabel 2 Distribusi Probabilitas Binomial Kumulatif b( x; n, p)
x 0
Contoh:
Probabilitas seorang pasien yang sakit suatu penyakit flu sembuh adalah 40%. Jika 15
orang diketahui telah tertular penyakit ini, berapakah probabilitasnya bahwa (a) paling
tidak 10 orang sembuh, (b) antara 3 hingga 8 orang sembuh (c) tepat 5 orang
sembuh?

Jawab:
Ini adalah proses Bernoulli. Probabilitas sukses, yaitu sembuh adalah p = 0,4.
Variabel random X menyatakan banyak orang yang sukses = sembuh, sedangkan
total percobaannya adalah n = 15.
a) P (paling tidak 10 sembuh) = P (X 10) = 1 P (X < 10)
= 1 B (r = 9; n = 15, p = 0,4) = 1 0,9662 = 0,0338
b) P (antara 3 sampai dengan 8 sembuh)
P (3 X 8) = P (X 8) P (X < 3)
= B (r = 8; n = 15, p = 0,4) B (r = 2; n = 15, p = 0,4)
= 0,9050 0,0271 = 0,8779
c) P (5 sembuh) = P (X = 5) = P (X 5) P (X < 5)
= B(r = 5; n = 15, p = 0,4) - B(r = 4; n = 15, p = 0,4)
= 0,4032 0,2173 = 0,1859
Mean dan Simpangan Baku Distribusi Binomial
Jika X adalah variabel dengan distribusi binomial b (x; n, p), maka mean dan
variansinya adalah:

n. p n. p1 p

Bukti:
Misalkan kita lakukan percobaan sebanyak n kali. Tiap kali outcome-nya disebut yang
bisa bernilai sukses atau gagal dengan probabilitas sukses = p. Maka variabel
random X yang menyatakan jumlah sukses dari n eksperimen akan memiliki mean:
= E(X)
= E (I1+ I2+ I3+ + In)
= E(I1) + E(I2) ++ E(In)
= p + p + + p = np
Contoh:
Probabilitas seorang pasien yang sakit suatu penyakit flu sembuh adalah 40%. Jika 15
orang diketahui telah tertular penyakit ini.
a. Berapakah rata-rata jumlah orang yang sembuh?
 b. Menurut teorem Chebysev paling tidak sebanyak 75% kasus akan jatuh dalam
interval - 2 < X < + 2. Terapkan dalam kasus ini dan beri interpretasi.
Jawab:
a. Dalam kasus ini probabilitas sembuh adalah p = 0,4, banyak percobaan adalah
n = 15, sehingga rata-rata jumlah orang yang sembuh adalah:
= np = 15 x 0,4 = 6 orang
b. Variansinya:
2 = npq = np(1 - p) = 15 x 0,4 x (1 0,4) = 3,6 dengan STD = 1,897
- 2 = 6 - 2(1,897) = 2,206 dan + 2 = 6 + 2(1,897) = 9,794
Artinya terdapat probabilitas paling tidak 75% pasien yang sembuh jumlahnya
antara 2.206 s/d 9.794 atau dibulatkan antara 3 s.d 9.

c. Distribusi Multinomial
Pada distribusi multinomial terdapat lebih dari 2 outcome, dengan n percobaan bebas,
dan semua keluaran bersifat mutually exclusive.
Sebagai generalisasi dari distribusi binomial adalah dengan melonggarkan kriteria
banyaknya outcome yang mungkin jadi > 2. Dalam hal ini maka percobaannya disebut
percobaan multinomial sedangkan distribusi probabilitasnya disebut distribusi
multinomial.
Misal setiap percobaan bisa menghasilkan k outcome yang berbeda, E1, E2, ,Ek
masing-,masing dengan probabiliitas p1, p2, ,pk. Maka distribusi multinomial
f(x1,x2,,xk; p1,p2, ..,pk, n) akan memberikan probabilitas bahwa E1 akan muncul
sebanyak x1 kali, E2 akan muncul sebanyak x2 kali, dan sterusnya dalam pengambilan
independen sebanyak n kali, jadi : x1+ x2+ .+ xk=n, dengan p1+p2+ + pk =1 dan :

f x1, x 2, x3,..., xk
n!
p1x1 p 2 x 2... pk xk
x1! x 2!...xk!
Contoh:
Sebuah airport memiliki 3 buah landas pacu (runway), dan probabilitas sebuah runway
dipilih oleh pesawat yang akan mendarat adalah:
runway -1 : 2/9
runway -2 : 1/6
runway -3 : 11/18
Berapakah probabilitas 6 pesawat yang datang secara acak didistribusikan ke dalam
runway-runway tersebut seperti berikut:
runway -1 : 2 pesawat
runway -2 : 1 pesawat
runway -3 : 3 pesawat
 Jawab:
Pemilihan runway acak dan independen, dengan p1 = 2/9, p2 = 1/6 dan p3 = 11/18.
Probabilitas untuk x1 = 2, x2 = 1 dan x3 = 3 adalah :
2 1 11 6 2 2 1 1 11 3
f ( x1 2, x1 1, x3 3; p1 , p1 p1 , n 6) ( ) ( ) ( ) 0.1127
9 6 18 2,1,3 9 6 18

d. Distribusi Hipergeometrik
Apabila sampel tidak saling bebas (yakni pengambilan sampel tanpa pengembalian),
distribusi yang dihasilkan adalah distribusi hipergeometrik, bukan binomial. Bila jumlah
sampel = n dari populasi = N dan a diantaranya rusak, maka terdapat kemungkinan:
- Sampel 1 : probabilitas mengambil yang rusak = a/N
- Sampel 2 : terdapat 2 probabilitas mengambil yang rusak:
(1) a/(N-1) bila sampel 1 terambil bukan yang rusak
(2) (a-1)/(N-1) bila sampel 1 terambil yang rusak
Distribusi Hipergeometrik dari variabel random X yang menyatakan banyaknya
outcome yang sukses dari sampel random sebanyak n yang diambil dari populasi
sebanyak N, dimana dari N tersebut sebanyak k buah adalah sukses dan sisanya N-
k adalah gagal:
k N k

x n x
h( x; N , n, k )
N

n
Suku pembagi (denominator) menyatakan banyak kombinasi yang terjadi jika dari N
obyek diambil n tiap kali.
Faktor pertama suku terbagi (numerator) menyatakan banyaknya kombinasi dari obyek
berjenis sukses yang berjumlah k jika tiap kali diambil sebanyak x buah.
Faktor kedua suku terbagi (numerator) menyatakan banyaknya kombinasi dari obyek
berjenis gagal sebanyak N-k jika tiap kali diambil sebanyak (n-x) buah.

Contoh:
Suatu jenis suku cadang mobil dijual dalam bentuk paket yang isinya 10 buah.
Produsen merasa bahwa bahwa paket tersebut dinyatakan dapat diterima jika tak
lebih dari 1 buah suku cadang/paket yang cacat. Untuk memeriksa kualitasnya
dilakukan sampling secara random diambil beberapa paket, dan ditiap paket
dilakukan pemeriksaan terhadap 3 buah suku cadang dari paket yang disampel.
Kemudian paket dinyatakan baik jika dari 3 yang diperiksa tersebut tidak satupun yang
cacat. Berapakah probabilitasnya seandainya sampel yang diambil sebenarnya
 mengandung 2 buah suku cadang cacat (jadi unacceptable), tapi ketika diambil sampel
3 ternyata tak satupun juga cacat, sehingga salah mengambil kesimpulan!
Jawab:
Misalkan bahwa ada lot yang benar-benar tak bisa diterima, karena 2 dari 10 isinya
cacat. Kita hitung berapa probabilitasnya bahwa teknik sampling yang kita lakukan
dapat menemukan hal ini.
Misal X adalah banyak suku cadang yang cacat, maka probabilitas bahwa dari 3 suku
cadang yang diambil tak satupun cacat adalah sebagai berikut:
Jumlah yang cacat di paket k = 2, yang terambil tidak ada, X = 0. Isi satu paket N = 10,
jadi yang baik N k = 10 2 = 8. Dari paket diambil n = 3 sampel.
Banyaknya kombinasi bahwa dari k=2 cacat di paket tidak terambil sama sekali (x = 0)
adalah 2C0 = 2!/(0!2!) =1. Dan kombinasi dari 8 yang cacat diambil 3 buah ada
sebanyak 8C3 = 8!/(3!5!) = 8 x 7 x 6/6 = 56.
Sedangkan kalau dari 10 diambil 3 buah item, banyak kombinasi iterm yang mungkin
adalah 10C3 = 10!/7!3! = 10 x 9 x 8/6 = 120.
Jadi probabilitas bahwa yang terambil mengandung 3 buah item dan tak satupun cacat
adalah :
2 8

1 56
h( x 0; N 10, n 3, k 2)
0 3
0,467 47%
10 120

3
Mean dan Variansi
Jika h (x; N, n, k) menyatakan distribusi hipergeometrik untuk variabel acak x, yang
menyatakan jumlah item yang sukses bilamana dari N item diambil sebanyak n buah,
dan sebenarnya sebanyak k item sukses dari N buah tersebut, maka rata-rata x dan
variansinya adalah:

nk N n k k
2 .n. (1 )
N N 1 N N

e. Distribusi Poisson
Distribusi poisson merupakan distribusi probabilitas yang dilakukan terhadap satuan
waktu atau ruang. Percobaan yang menghasilkan variabel random X yang menyatakan
banyaknya outcome selama interval waktu tertentu atau dalam area atau luas
tertentu dinamakan percobaan Poisson. Asumsi proses poisson adalah sebagai
berikut:
- Suatu peristiwa dapat terjadi secara acak dan pada interval waktu tertentu atau
rerata kejadian () adalah konstan untuk setiap unit waktu atau ruang
 - Kejadian satu peristiwa dengan peristiwa lain pada interval waktu tertentu adalah
independen (bebas).
- probabilitas lebih dari satu kejadian dalam setiap satu titik atau ruang adalah nol
- jumlah kejadian dalam setiap rentang waktu atau ruang adalah bebas dari jumlah
kejadian pada rentang yang lain
- Probabilitas kejadian suatu peristiwa pada interval waktu t adalah proporsional
terhadap t, dan dapat diberikan dengan vt, dimana v adalah rata-rata kejadian
suatu peristiwa.
Contoh:
X : banyak panggilan telepon per jam
X : banyak hari-hari sekolah tutup karena bencana alam dalam setahun
Sifat :
1) Tidak punya memori atau ingatan, yaitu banyaknya outcome dalam satu interval
waktu (atau daerah) tidak bergantung pada banyaknya outcome pada waktu atau
daerah yang lain.
2) Probabilitas terjadinya 1 outcome dalam interval waktu (atau daerah) yang
sangat pendek (kecil) sebanding dengan lama waktu interval waktu tersebut
(atau luas daerahnya). Dan tidak bergantung pada kejadian atau outcome di luar
interval ini.
3) Probabilitas terjadinya lebih dari 1 outcome dalam interval waktu yang sangat
pendek di poin 2 tersebut sangat kecil atau bisa diabaikan.
Jika:
X : variabel random Poisson yang menyatakan banyaknya outcome selama
percobaan.
: rata-rata banyak outcome = t dimana t adalah lama intervalnya dan adalah
laju terjadinya outcome.
Distribusi probabilitas dari variabel random Poisson X yang menyatakan banyaknya
outcome dalam interval waktu tertentu t (atau daerah tertentu) dengan menyatakan
laju terjadinya outcome persatuan waktu atau per satuan daerah diberikan oleh (tidak
diturunkan):
e t ( t ) x e ( ) x
p( x; t ) p( x; )
x! x!
Dimana:
P(x) = probabilitas pada sejumlah x kejadian
= rerata jumlah kejadian per unit waktu atau per unit ruang
e = konstanta dasar logaritma = 2,71828
Selanjutnya ditabelkan distribusi kumulatif Poisson:
Tabel 3 Distribusi Poisson Kumulatif
r
P (r ; ) p ( x; )
x 0

3
P(r 3; 0.4) p( x 3; 0.4) 0.9992
x 0

Hubungan Distribusi Poisson dan Binomial

Jika X adalah variabel random yang memiliki distribusi binomial b(x;n,p), maka jika
jumlah percobaannya besar sekali n serta probabilitas untuk sukses p kecil sekali
p 0, serta rata-ratanya yaitu = np maka dalam hal ini distribusi Binomial bisa
diaproksimasi dengan distribusi Poisson.
b (x;n,p) p(x;=np) untuk n besar, p kecil
Contoh:
Probabilitas terjadinya kecelakaan di suatu hari di sebuah pabrik adalah 0.005.
(a) Berapakah probabilitasnya selama 400 hari tidak terjadi kecelakaan sama sekali?
(b) Berapakah probabilitasnya paling banyak 3 hari dengan dengan kecelakaan
selama 400 hari tersebut?
Jawab:
X adalah variabel random binomial yang menyatakan banyak hari dengan kecelakaan
(sukses) dengan probabilitas terjadinya kecelakaan dalam satu hari p = 0,005.

Dalam 400 hari hanya 1 kecelakaan, berarti banyak percobaan n=400. Jadi ingin
dihitung b (x = 1; n = 400, p = 0,005). Karena n besar dan p kecil maka dapat
dipergunakan aproksimasi distribusi Poisson dengan:
rata-rata (mean) = np = 400 x 0,005 = 2 kecelakaan dalam 400 hari, dan ingin
diketahui probabilitasnya terjadi 1 kecelakaan dalam 400 hari tersebut (X = 1):
 b(x=1;n=400,p=0.005) p(x=1; =2)

e ( ) x e 2 (2)1
p( x 1; 2) 0.271
x! 1!
Jawab:
Karena paling banyak jumlah hari dengan kecelakaan adalah 3 hari. Berarti ingin
dihitung P (x 3), yaitu (dengan Tabel D. Poisson)
P (r=3; =2) = 0.857
Jadi terdapat probabilitas 86% dalam 400 hari, akan terjadi kecelakaan 0, atau 1, 2
atau 3 paling banyak.

3. Distribusi Probabilitas Kontinyu

Variabel random kontinyu adalah salah satu variabel yang dapat memiliki pecahan
dalam range tertentu. Dengan demikian, untuk distribusi variabel ini tidak dapat disusun
tabel nillai probabilitasnya. Nilai distribusi kontinyu dinyatakan dalam bentuk fungsi
matematis dan digambarkan dalam bentuk kurva.

a. Distribusi Normal
Distribusi probabilitas normal adalah distribusi probabilitas kontinyu yang simetrik dan
mesokurtik. Dua parameter yang menentukan bentuk suatu kurva normal adalah rata-
rata dan standar deviasi. Suatu pengujian sederhana terhadap normalitas dapat
dilakukan dengan menghitung persentase data hasil pengamatan yang berada di
dalam plus-minus atau plus-minus dua standar deviasi dari nilai rata-rata. Dengan cara
ini, suatu distribusi disebut normal jika 68% data hasil pengamatan berada di dalam
satu standar deviasi dan 95% berada dalam dua standar deviasi. Jika tidak, suatu
distribusi tidak mengikuti suatu kurva normal. Bentuk persamaan matematis distribusi
probabilitas normal adalah:
1 ()2
() = 2 2
2 2

Dalam formula di atas, x dapat bernilai - sampai dengan . Dengan demikian, nilai
distribusi normal tidak terbatas. Nilai 3,1416 dan nilai e 2,7183. Luas total di
bawah fungsi probabilitas sama dengan 1. Probabilitas suatu observasi yang diambil
secara random dari suatu populasi normal yang ada di antara dua nilai a dan b, dapat
disamakan dengan luas daerah di bawah kurva probabilitas dengan nilai x sama
dengan a dan b.
 Gambar g1 Kurva Distribusi Normal

Nilai-nilai x dapat dikonversikan ke dalam nilai-nilai standar normal Z dengan

menggunakan rumus:

=

Nilai harapan dan varian adalah:
E (x) = dan Var (x) = 2

Contoh 1
Dari hasil pengamatan terhadap lima ratus daun the yang dipetik dari kebun XYZ
menunjukkan bahwa rata-rata panjang daun-daun teh tersebut:
a. Berapa yang memiliki panjang antara 120 mm sampai dengan 155 mm?
b. Berapa daun yang memiliki panjang lebih dari 185 mm?
c. Berapa daun yang memiliki panjang kurang dari 128 mm?
Jawab:
n = 500; = 151; s = 15
a. Untuk menghitung jumlah daun yang memiliki panjang antara 129 mm sampai
dengan 155 mm, terlebih dahulu dihitung nilai probabilitasnya dengan formulasi:
119,5 151 155,5 151
(120 < < 155) = ( << )
15 15
= (2,1 < < 0,30)
= 0,4821 + 0,1179 = 0,60

Jumlah daun yang memiliki panjang 120 mm sampai

dengan 155 mm = (0,60) (500) = 300 lembar.

b. Nilai probabilitas daun yang memiliki panjang lebih dari 185 mm didapat dengan
formula.
 Jumlah daun yang memiliki panjang lebih dari 185 mm =
(0,0129)(500) = 6 lembar.

c. Nilai probabilitas daun yang memiliki panjang kurang dari 128 mm adalah.

Jumlah daun yang memiliki panjang kurang dari 128 mm =

(0,0668)(500) = 33 lembar.
Contoh 2
Nilai rata-rata hasil ujian suatu mata kuliah adalah 65, dengan varians 36. Salah satu
ketentuan agar peserta mendapat nilai A, jika nilai angkanya minimal 75. Peserta ujian
akan mendapat nilai B, jika nilai angkanya paling sedikit 60 dan kurang dari 75. Bila
diketahui pancaran nilai B, jika nilai angkanya paling sedikit 60 dan kurang dari 75. Bila
diketahui pencaran nilai peserta ujian mendekati distribusi normal, maka bila diambil
seorang peserta ujian secara acak, tentukan probabilitas bahwa ia adalah peserta ujian
yang mendapat nilai:
a. A
b. B
c. Kurang dari B
Jawab:
= 65
2 = 36 sehingga = 6
a. Probabilitas mendapat nilai A dapat dihitung sebagai berikut.
75 65
( 75) = ( )
6
= ( 1,67) = 0,50 0,4525 = 0,0475

b. Probabilitas mendapat nilai B dapat dihitung sebagai berikut.

60 65 75 65
(60 75) = ( < )
6 6
= (0,83 < 1,67)
= 0,2967 + 0,4525 = 0,7592

c. Probabilitas mendapat nilai kurang dari B dapat dihitung sebagai berikut.

60 65
( < 60) = ( )
6
= ( < 0,83) = 050 0,2967 = 0,2033
b. Distribusi Uniform Kontinyu
Jika x variabel random yang berdistribusi uniform, jika hanya jika x mempunyai fungsi
densitas seperti berikut :
1 Untuk a x b
f (x) = =0

Dimana - < X <

Distribusi ini dilambangkan dengan X ~ UNIF (a,b). Distribusi tersebut dapat
digambarkan dalam bentuk grafik seperti berikut.

Gambar g2 Grafik Fungsi Densitas untuk Distribusi Uniform (a,b)

Suatu variabel bebas dikatakan terdistribusi secara seragam (uniform) apabila nilai
probabilitasnya proporsional terhadap panjang interval. Fungsi Densitas Probabilitas
Uniform:
untuk a < x < b
dimana
1 a = batas bawah interval
f (x) = 2 = 0
b = batas atas interval

Nilai Harapan (Expected Value):

+
E(X) = dimana
2
()2
a = batas bawah interval
Var(X) = 12 b = batas atas interval

Contoh:
Buffet Slater menjual salad dan salad yang dibayar oleh para pelanggannya menyebar
secara uniform antara 5 ons sampai dengan 15 ons. Berikut ini adalah fungsi densitas
probabilitasnya:
 1
f (x) = = 0 Untuk a x b

Untuk x lainnya

dimana x = berat salad yang dibeli oleh pelanggan

c. Distribusi Eksponensial
Jika kejadian sukses dan distribusi probabilitas bersifat kontinyu (dalam kurun waktu
tertentu), maka distribusi probabilitas tersebut dinamakan ditribusi probabilitas
eksponensial. Jika merupakan jumlah rata-rata dalam kurun waktu tertentu,
probabilitas selama waktu tertentu di awal adalah:
P (T t) = 1 e-
Nilai harapan dan varian adalah:
1 1
E(T)= dan Var(T) =
2

Contoh 1
Secara rata-rata, setiap jam ada lima permintaan perbaikan pesawat telepon yang
disampaikan melalui telepon. Dalam permulaan waktu yang dipilih secara random,
berapakah probabilitas bahwa permintaan perbaikan pesawat telepon terjadi pada
setengah jam pertama?
Jawab:
Rata-rata per setengah jam = 2,5
= rata-rata per setengah jam = 2,5
Dengan menggunakan table probabilitas eksponensial akan didapat nilai probabilitas:
P (T < 0,5) = 1- e- = 1- 0,08208 = 0,91792
Contoh 2
Dengan menggunakan ketentuan contoh 1 di atas, tentukan probabilitas setengah jam
pertama tidak terdapat permintaan perbaikan pesawat telepon
Jawab:
Dengan menggunakan tabel probabilitas Eksponensial akan didapat nilai probabilitas:
P (T > 0,5) = e = e-2,5 = 0,08208

d. Distribusi Students t
Untuk sampel yang besarnya (n) kurang dari 30, sering disebut dengan sampel kecil,
pendekatan distribusi normal Z semakin kurang jika n semakin kecil. Untuk itu perlu
 dibuat modifikasi yang cocok. Salah satu bentuk pendekatan untuk jumlah sampel kecil
adalah Students t.
Jika kita mengambil sampel sebesar n dari sebuah populasi yang berdistribusi normal
(atau mendekati distribusi normal) yang memiliki rata-rata , dengan rata-rata sampel
dan standard deviasi s, kita dapat menghitung nilai statistik sampel dengan
menggunakan rumus yang ditemukan oleh W.S. Gosset dan diterbitkan tahun 1908:

=

atau

=

Dengan nilai kesalahan standar rata-rata:

=

Nilai statistik sampel t yang didapat dari sampel sejumlah n data atau onyek memiliki
derajat kebebasan (degree of freedom, d.f.)(n-1).

4. Perbedaan
Berikut ini adalah tabel yang berisi mengenai beberapa jenis distribusi data yang
dilengkapi dengan perbedaan atau keunikannya (cirinya) dibandingkan jenis distribusi
yang lainnya.
Tabel h1 Beberapa Jenis Distribusi Data Diskrit dan Kontinyu
Beserta Perbedaan (Cirinya)
No. Jenis Distribusi Data Perbedaan (Cirinya)
Distribusi Data Diskrit
1. Distribusi Uniform Tiap nilai variabel random memiliki probabilitas yang sama
untuk terpilih.
2. Distribusi Binomial Jumlah keberhasilan dalam n percobaan ya/tidak
(berhasil/gagal) yang saling bebas, dimana setiap hasil
percobaan memiliki probabilitas p.
Mengharuskan ketidakbergantungan dari satu
percobaan (trial) ke percobaan berikutnya. Jadi
sampling harus dilakukan pengembalian sampel.
Rasio : n/N < 5%
3. Distribusi Multinomial Dilakukan generalisasi dari distribusi binomial dengan
melonggarkan kriteria banyaknya outcome yang mungkin
sehingga jadi > 2.
4. Distribusi Hipergeometrik tidak mengharuskan ketidakbergantungan,
Hipergeometrik jadi sampling dilakukan tanpa mengembalikan utcome
yang sudah keluar.
5. Distribusi Poisson Percobaan yang menghasilkan variabel random X yang
menyatakan banyaknya outcome selama interval waktu
tertentu atau dalam area atau luas tertentu.
Tidak punya memori atau ingatan, yaitu banyaknya
outcome dalam satu interval waktu (atau daerah) tidak
bergantung pada banyaknya outcome pada waktu atau
daerah yang lain.
Probabilitas terjadinya 1 outcome dalam interval waktu
(atau daerah) yang sangat pendek (kecil) sebanding
dengan lama waktu interval waktu tersebut (atau luas
daerahnya). Dan tidak bergantung pada kejadian atau
outcome di luar interval ini.
Probabilitas terjadinya lebih dari 1 outcome dalam
interval waktu yang sangat pendek di poin 2 tersebut
sangat kecil atau bisa diabaikan.

Distribusi Data Kontinyu

1. Distribusi Normal Kurvanya berbentuk simetrik dan mesokurtik.
Dua parameter yang menentukan bentuk kurva normal
adalah rata-rata dan standar deviasi.
Bentuk persamaan matematis distribusi probabilitas
normal adalah:
1 ()2
() = 22
2 2
2. Distribusi Uniform Suatu variabel bebas dikatakan terdistribusi secara
Kontinyu seragam (uniform) apabila nilai probabilitasnya
proporsional terhadap panjang interval.
Distribusi probabilitasnya bersifat kontinyu.
Digunakan jika dan hanya jika x mempunyai fungsi
densitas seperti berikut :
1
f (x) = = 0 Untuk a x b

3. Distribusi Exponential Digunakan apabila terjadi kejadian sukses.

 Distribusi probabilitasnya bersifat kontinyu (dalam kurun
waktu tertentu).
Jika merupakan jumlah rata-rata dalam kurun waktu
tertentu, probabilitas selama waktu tertentu di awal
dirumuskan sebagai: P (T t) = 1 e-
4. Distribusi Students t Digunakan untuk sampel yang besarnya (n) kurang dari
30 (sampel kecil).
Merupakan salah satu bentuk pendekatan untuk
mengatasi data yang tidak dapat didekati dengan
distribusi normal Z.

Sumber:
Subiyakto, Haryono. 1994. Statistika 2, Seri Diktat Kuliah. Jakarta: Gunadarma.
Herryanto, Nar. 2009. Pengantar Statistika Matematis. Bandung: CV. Yrama Widya.
Suprianto, Hary. 2009. Pengantar Statistika Matematika. Yogyakarta: Media Graffindo Press.
Soehianie, Agoes. Analisa Data Statistik Chap 5: Distribusi Probabilitas Diskrit.
www.phys.itb.ac.id/agoess/statistik/ADS5old.ppt, diakses tanggal 1 Desember 2012.