Dosen Pembimbing Tugas Kelompok

Eka Pandu Cynthia ST, M.Kom Probabilitas dan Statistik

Probabilitas dan Statistik

Distribusi Probabilitas

DISUSUN OLEH KELOMPOK 2 :

1. Auzi Madani 11551101927
2. Heri Susanto 11551101909
3. Ika Yolanda 11551200477
4. Muhammad Rezki 11551100436

Kelas 6C
Teknik Informatika
Fakultas Sains dan Teknologi
Universitas Islam Negeri Sultan Syarif Kasim Riau
 Distribusi Probabilitas

1 Distribusi Geometrik
Distribusi Binomial negatif dapat didefinisikan menjadi distribusi geomatrik bila x
yang menyatakan banyaknya ulangan yang diperlukan telah mencapai satu keberhasilan
(x = 1), misalnya pada kasus poligami,hingga wanita yang menyetujui piligami muncul .
Mungkin kita ingin mengetahui probabilitas bahwa wanita yang tidaksetuju pada
poligamimuncul pada wawancara yang keempat. Dengan demikian, Distribusi binomial
negatifnya akan tereduksi menjadi b*(1:n:p) atau g(n:p).

Ditribusi geometrik yang dapat didefinisikan bila percobaan bebas dan berulang-
ulang dapat menghasilkan keberhasilan dengan probabilitas p dan kegagalan dengan
probabilitas q = 1 – p, distribusi probabilitasbagipeubah acak X, yaitu banyaknyaulangan
sampai muncul keberhasilan yang pertama, dinyatakan dengan rumus berikut.

g (n:p) = p qn-1

contoh

Dari contoh 10, hitunglah:

A. Probabilitas bahwa seorang sosiolog memerlukan 3 orang wanita sampai

diperoleh wanita yang tidak setuju dengan poligami;
B. Ulangi butir (1) n = 5.

Jawab
8
a. Dengan menggunakan distribusi geometrik, n = 3 dan p = 10
8 8 2
g (3 : 10) = 10 (10)3-1

= (0,8) (0,2)2

= 0,032
8
b. Disini n = 5 dan p = 10

8 8 2
g (5 : 10 ) = 10 (10)4

= (0,8) (0,2)4

= 0,00128

1
 1. Ekspeerimen Geometrik

Jika pada eksperimen binominal negatif, percobaan terus dilakukan sampai

diperolehnya sukses pertama (diperoleh hanya satu sukses, r = 1), maka eksperimen
itu disebut eksperimen geometrik.

2. Distribusi Probabilitas Geometrik

Jika variabel X menyatakan banyaknya x gagal sebelum sebuah sukses tercapai

maka dapat dibentuk suatu distribusi probabilitas geometrik dengan menetapkan harga
r = 1 pada distribusi probabilitas binominal negatif.

Contoh soal :

Pada seleksi karyawan baru sebuah perusahaan terdapat 3 dari 10 pelamar

sarjana komputer sudah mempunyai keahlian komputer tingkat advance dalam
pembuatan program. Para pelamar diinterview secara intensive dan diseleksi secara
random.

Pertanyaan :

1) Hitunglah presentase yang diterima dari jumlah pelamar yang ada.

2) Berapa probabilitas pertama kali pelamar diterima pada 5 interview yang dilakukan?

3) Berapakah rata-rata pelamar yang membutuhkan interview guna mendapatkan satu

calon yang punya advance training

Jawaban:

1) 3 sarjana komputer yang diterima dari sejumlah 10 calon

Presentase yang diterima = 3/10*100%= 30%

2) f(x)= p. qx-1 , x=1,2,3,4,5

f(5)=(0,3)(0,7)4=0.072

3) E(x)=1/p=1/0,3=3,333

2
Contoh soal

Di dalam suatu proses produksi tertentu diketahui bahwa, secara rata-rata, 1 di dalam
setiap 100 barang adalah cacat. Berapakah probabilitas bahwa barang kelima yang
diperiksa merupakan barang cacat pertama yang ditemukan?

Penyelesaian:

Dengan menggunakan sebaran geometri dengan x = 5 dan p = 0,01, maka diperoleh

g(5; 0,01) = (0,01)(0,99)4 = 0,0096

Contoh soal

Di dalam suatu proses produksi tertentu diketahui bahwa, secara rata-rata, 1 di dalam
setiap 100 barang adalah cacat. Berapakah probabilitas bahwa barang kelima yang
diperiksa merupakan barang cacat pertama yang ditemukan?

Penyelesaian:

Dengan menggunakan sebaran geometri dengan x = 5 dan p = 0,01, maka diperoleh

g(5; 0,01) = (0,01)(0,99)4 = 0,0096

Contoh soal

Pada saat ”waktu sibuk” sebuah papan sakelar telepon sangat mendekati kapasitasnya,
sehingga para penelpon mengalami kesulitan melakukan hubungan telepon. Mungkin
menarik untuk mengetahui jumlah upaya yang perlu untuk memperoleh sambungan.
Andaikan bahwa kita mengambil p = 0,05 sebagai probabilitas dari sebuah
sambungan selama waktu sibuk. Kita tertarik untuk mengetahui bahwa 5 kali upaya
diperlukan untuk suatu sambungan yang berhasil.

Penyelesaian:

Dengan menggunakan sebaran geometris dengan x = 5 dan p = 0,05

menghasilkan P(X = x) = g(5;0,05)(0,95) 4

= 0,041

3
2 Distribusi Hipergeometrik
Distribusi hipergeometrik adalah sistem distribusi probabilitas diskrit yang terdiri
dari sekelompok objek tertentu yang dipilih tanpa terjadinya sebuah pengembalian.

Sifat-sifat percobaan hipergeometrik :

1. Suatu sampel acak berukuran n diambil dari populasi yang berukuran N.

2. k dari N benda diklarifikasikan sebagai sukses dan N – k benda
diklarifikasikan sebagai gagal.

Bila dalam populasi N benda, k benda diantaranya diberi label “sukses” dan (N –
k) benda lainnya diberi label “gagal”, maka distribusi peluang bagi peubah acak
hipergeometrik X, yang menyatakan banyaknya kesuksesan dalam sampel acak
berukuran n adalah :
𝑘 𝑁−𝑘
( )( )
𝑥 𝑛−𝑘
ℎ (𝑥; 𝑁, 𝑛, 𝑘) = 𝑁 , 𝑢𝑛𝑡𝑢𝑘 𝑥 = 0,1,2, … … , 𝑘 𝑑𝑎𝑛 𝑘 ≤ 𝑛
( )
𝑛

Perbedaan antara distribusi binomial dan distribusi hipergeometrik yaitu dalam

distribusi binomial diperlukan sifat pengulangan yang saling bebas, dan pengulangan
tersebut harus dikerjakan dengan pengembalian (with replacement). Sedangkan untuk
distribusi hipergeometrik tidak diperlukan sifat pengulangan yang saling bebas dan
dikerjakan tanpa pengembalian (without replacement).

Penerapan untuk distribusi hipergeometrik ditemukan dalam berbagai bidang dan

paling sering digunakan dalam penarikan sampel penerimaan barang, pengujian
elektronik, jaminan mutu dan lainnya. Dalam banyak bidang ini, pengujian dilakukan
terhadap barang yang diuji yang pada akhirnya barang yang diuji tersebut menjadi
rusak, sehingga tidak dapat dikembalikan. Jadi, pengembalian sampel harus dikerjakan
tanpa pengembalian.

Pemakaian distribusi hipergeometrik meluputi :

a. Jumlah barang dagang yang rusak dalam sampel acak dari sejumlah besar
kiriman.
b. Jumlah orang-orang yang anda temui dalam hidup anda dengan nama Fred.
c. Jumlah peniti yang terambil dari dalam kendi.

Contoh :

Suatu kotak berisi 40 suku cadang dikatakan dapat diterima bila mengandung
paling banyak 3 yang cacat. Suatu kotak akan ditolak bila sampel acak ukuran 5 suku
cadang yang terpilih mengandung satu yang cacat. Berapakah probabilitas
mendapatkan tepat satu yang cacat dalam sampel bila kotak tersebut mengandung tiga
suku cadang yang cacat?

4
 Penyelesaian:

x menyatakan banyaknya suku cadang cacat yang terambil

n=5 N = 40 k=3 x=1

Probabilitas mendapatkan tepat satu yang cacat adalah

3 40 − 3
( )( )
ℎ (1; 40, 5, 5) = 1 5 − 1
40
( )
5
3 37
( )( )
ℎ (1; 40, 5, 5) = 1 4
40
( )
5
3! 37!
( )( )
1! − (3 − 1)! 4! − (37 − 4)!
ℎ (1; 40, 5, 5) =
40!
( )
5! − (40 − 5)!

3! 37!
(1! 2!) (4! 33!)
ℎ (1; 40, 5, 5) = 40!
(5! 35!)

(3)(66045)
ℎ (1; 40, 5, 5) =
658008
198135
ℎ (1; 40, 5, 5) = = 0,3011
658008

2.1 Nilai Rata-rata dan Varian Distribusi Hipergeometrik

Nilai rata-rata distribusi hipergeometrik merupakan hasil kali contoh berukuran n
dengan k keberhasilan dibagi dengan N populasinya. Secara matematis dirumuskan
sebagai
Rumus 1
𝒏𝒌
µ= 𝑵

Rasio k/N pada rumus di atas setara nilainya dengan probabilitas keberhasilan p
sehingga nilai rata-rata dibagi distribusi hipergeometrik dinyatakan dalam persamaan
berikut
Rumus 2
µ = n.p

5
 dan varian bagi distribusi hipergeometrik h(x : N : n : k) adalah
Rumus 3
δ2 = (N-n / N-1) n k/N (1 – k/N)

Bila n relatif sangat kecil dibandingkan dengan N, probabilitas pada pengambilan

akan kecil sekali sehingga dapat dikatakan bahwa percobaan menjadi percobaan
binomial, artinya kita dapat menghampiri distribusi hipergeometrik dengan
menggunakan distribusi binomial rasio p = k/N. Tampak bahwa varian populasi
distribusi binomial pada rumus 2 diperoleh dengan mengambil limit dari ragam
distribusi hipergeometrik rumus 3.
Rumus 4
lim N->∞ N-n / N-1 = lim N->∞ (N/N-1 – n/N-1) = 1
Dapat dikatakan bahwa pengambilan contoh tanpa pemulihan bisa dianggap
sebagai pengambilan contoh dengan pemulihan asalkan ukuran populasi N sangat
besar. Atas dasar ini, semua perhitungan dapat dilakukan “seolah-olah” contoh
diambil dari pemulihan.

Contoh :
1. Sebuah kantong plastik berisi 5 kelereng merah dan 4 kelereng biru. Kemudian
diambil 3 kelereng tanpa pemulihan. Bila x menyatakan banyaknya kelereng merah
yang diambil, susunlah fungsi dan distribusi probabilitas hipergeometriknya
Jawab
Diketahui N = 9, k = 5, n = 3, N-k= 9 - 5 = 4
Dengan menggunakan rumus 1.9
h(x : N : n : k) = (k x) (N – k, n - x) / (N n), diperoleh
Pada (x = 0) h(0 : 9 : 4 : 5) = (5 0) (4 3) / (9 3)
= 4/84
Pada (x = 1) h(1 : 9 : 4 : 5) = (5 1) (4 2) / (9 3)
= 30/84
Pada (x = 2) h(2 : 9 : 4 : 5) = (5 2) (4 1) / (9 3)
= 40/84
Pada (x = 3) h(3 : 9 : 4 : 5) = (5 3) (4 0) / (9 3)
= 10/84

6
 Semua kemungkinan peubah acak x berikut probabilitasnya dapat disusun dalam tabel
distribusi berikut

Tabel 1.1 Distribusi sebaran hipergeometrik

x 0 1 2 3
P(X = x) 4/84 30/84 40/84 10/84

Jadi, fungsi distribusi hipergeometrik h(x : 9 : 4 : 5) = (5 x) (4 3-x) / (9 3)

Untuk x = 0, 1, 2, 3

2. 6 kartu diambil secara acak dari ½ kartu bridge (warna merah). Hitunglah probabilitas
diperolehnya 4 kartu wajik
Jawab
Kita menggunakan distribusi hipergeometrik untuk n = 6 kartu yang diambil dari
populasi N = 26 kartu. Banyaknya kartu wajik k = 13 dan x = 4. Maka probabilitas
untuk memperoleh 4 kartu wajik dari 6 kartu yang diambil adalah
h(4 : 26 : 6 : 13) = (13 4) (13 2) / (26 6)
= 715. 78 / 230230 = 0.242

2.2 Distribusi Hipergeometrik Peubah Ganda

Bila suatu populasi berukuran N disekat menjadi k sel A1, A2, ........ Ak
masing-masing dengan a1, a2, ..... ak unsur, maka distribusi peluang acak X1, X2,
........ Xk bila dari populasi itu diambil sampel acak berukuran n adalah
𝑎1 𝑎2 𝑎𝑘
( 𝑥 ) (𝑥 ) … … (𝑥 )
𝑓(𝑥1 , 𝑥2 , … … , 𝑥𝑘 ; 𝑎1 , 𝑎2 , … … , 𝑎𝑘 , 𝑁, 𝑛) = 1 2 𝑘
𝑁
( )
𝑛

Sedangkan dalam hal ini

𝑘 𝑘
∑ = 𝑥𝑖 = 𝑛 𝑑𝑎𝑛 ∑ = 𝑎𝑖 = 𝑁
𝑖=1 𝑖=1

Contoh :

Seseorang hendak menanami halamam belakang dan depan rumahnya

dengan tanaman bunga. Dari sebuah kotak yang berisi 3 umbi camalia, 4 umbi
Monstera dan 3 umbi Gardena. Ia mengambil 5 umbi secara acak untuk ditanam
dihalaman depan. Sedangkan 5 umbi sisanya ditanam di halaman belakang.

7
Berapa peluang ketika musim berbunga tiba di halaman depan berbunga 1
Camalia, 2 Monstera dan 2 Gardena?

Penyelesaian:

𝑥1 = 1, 𝑥2 = 2, 𝑥3 = 2 𝑀𝑒𝑛𝑦𝑎𝑡𝑎𝑘𝑎𝑛 𝑏𝑢𝑛𝑔𝑎 𝑦𝑎𝑛𝑔 𝑡𝑢𝑚𝑏𝑢ℎ 𝑑𝑖 ℎ𝑎𝑙𝑎𝑚𝑎𝑛 𝑑𝑒𝑝𝑎𝑛

𝑎1 = 3, 𝑎2 = 4, 𝑎3 = 3 𝑀𝑒𝑛𝑦𝑎𝑡𝑎𝑘𝑎𝑛 𝑏𝑎𝑛𝑦𝑎𝑘 𝑏𝑢𝑛𝑔𝑎 𝑑𝑖 𝑑𝑎𝑙𝑎𝑚 𝑘𝑜𝑡𝑎𝑘

𝑛 = 5 𝑗𝑢𝑚𝑙𝑎ℎ 𝑏𝑢𝑛𝑔𝑎 𝑦𝑎𝑛𝑔 𝑑𝑖𝑡𝑎𝑛𝑎𝑚 𝑑𝑖 𝑠𝑒𝑡𝑖𝑎𝑝 ℎ𝑎𝑙𝑎𝑚𝑎𝑛

𝑁 = 10 𝑏𝑎𝑛𝑦𝑎𝑘 𝑏𝑢𝑛𝑔𝑎

3 4 3
( )( )( )
𝑓(1, 2, 2 ; 3, 4, 3, 10, 5) = 1 2 2
10
( )
5
3! 4! 3!
( )( )( )
1! − (3 − 1)! 2! − (4 − 2)! 2! − (3 − 2)!
𝑓(1, 2, 2 ; 3, 4, 3, 10, 5) =
10!
( )
5! − (10 − 5)!

3! 4! 3!
( )( )( )
𝑓(1, 2, 2 ; 3, 4, 3, 10, 5) = 1! 2! 2! 2! 2! 1!
10!
( )
5! 5!
6 24 6
(2) ( 4 ) (2)
𝑓(1, 2, 2 ; 3, 4, 3, 10, 5) =
3628800
( 14400 )

54
𝑓(1, 2, 2 ; 3, 4, 3, 10, 5) =
252
3
𝑓(1, 2, 2 ; 3, 4, 3, 10, 5) = = 0,214
14

8
3 Distribusi Poisson
Percobaan yang menghasilkan peubah acak yang bernilai numerik, yaitu
banyaknya sukses selama selang waktu tertentu atau dalam daerah tertentu, disebut
percobaan Poisson. Panjang selang waktu tersebut boleh berapa saja, semenit, sejam,
seminggu, sebulan atau malah setahun. Jadi percobaan Poisson dapat menghasilkan
pengamatan untuk peubah acak , semisal menyatakan banyaknya hubungan telepon
sejam yang diterima suatu kantor, banyaknya hari sekolah yang ditutup karena banjir,
banyaknya pertandingan sepak bola yang terpaksa diundur karena hujan salju selama
musim dingin.
Daerah yang dimaksud dapat berupa sepotong garis, suatu luasan, suatu isi,
ataupun barangkali sepotong benda. Dalam hal seperti ini misalkan mungkin
menyatakan banyaknya tikus sawah per hektar, banyaknya bakteria dalam suatu
makanan, ataupun banyaknya salah ketik per halaman.
Suatu percobaan Poisson memiliki sifat berikut:
 Banyaknya sukses terjadi dalam suatu selang waktu atau daerah tertentu tidak
terpengaruh oleh (bebas dari) apa yang terjadi pada selang waktu atau daerah
lain yang terpilih;
 Peluang terjadinya suatu sukses (tunggal) dan selang waktu yang amat
pendek atau dalam daerah yang kecil sebanding dengan panjang selang
waktu atau besarnya selang waktu atau daerah tersebut;
 Peluang terjadinya lebih dari satu sukses dalam selang waktu yang pendek
atau daerah yang sempit tersebut dapat diabaikan.
Banyaknya sukses 𝑋 dalam suatu percobaan Poisson disebut suatu peubah acak
Poisson. Distribusi peluang suatu peubah acak Poisson 𝑋 disebut distribusi Poisson dan
akan dinyatakan dengan 𝑝(𝑥; 𝜇), karena nilainya hanya tergantung pada 𝜇, yaitu rata-
rata banyaknya sukses yang terjadi dalam selang waktu atau daerah tertentu. Penurunan
rumus 𝑝(𝑥; 𝜇) berdasarkan ketiga sifat di atas di luar bahasan pada bab ini.
Definisi Distribusi Poisson
Distribusi peluang acak poisson X yang menyatakan banyaknya sukses yang
terjadi dalam selang waktu atau daerah tertentu, diberikan oleh
𝑒 −𝜇 𝜇𝑥
𝑝(𝑥; 𝜇) = 𝑥!
;x = 0,1,2, . ..

𝜇 menyatakan rata-rata banyaknya sukses yang terjadi dalam selang waktu atau
daerah tertentu dan 𝑒 = 2,71828 ….

9
 Contoh 1
Rata-rata banyaknya partikel radioaktif yang melewati suatu perhitungan selama
1 milidetik dalam suatu percobaan di laboratorium adalah empat. Berapakah peluang
enam partikel melewati penghitungan dalam suatu milidetik tertentu?
Penyelesaian:
Dengan menggunakan distribusi poisson untuk 𝑥 = 6 dan 𝜇 = 4 diperoleh bahwa
𝑒 −𝜇 𝜇 𝑥 𝑒 −4 (4)6
𝑝(𝑥 = 6 ; 𝜇 = 4) = = = 0,1042
𝑥! 6!
Contoh 2
Rata-rata banyaknya tanker minyak yang tiba tiap hari di suatu pelabuhan adalah
10. Pelabuhan tersebut hanya mampu menerima paling banyak 15 tanker sehari.
Berapakah peluang pada suatu hari tertentu tanker terpaksa disuruh pergi karena
pelabuhan tidak mampu melayani?
Penyelesaian:
Misalkan X menyatakan banyaknya tanker yang tiba tiap hari. Maka
𝑝(𝑋 > 15) = 1 − 𝑝(𝑋 ≤ 15)
15

= 1 − ∑ 𝑝 ∶ 10
𝑥=0

= 1 − 0,9513
= 0,0487

Teorema 1
Rata-rata dan variansi distribusi poisson (𝑥; 𝜇) keduanya sama dengan 𝜇
Bukti :
Untuk menunjukkan bahwa rata-rata benar sama dengan ,

Sekarang misalkan = − 1 sehingga diperoleh

10
 Karena

Variansi distribusi poisson didapat dengan mula-mula mencari,

Masukkan = − 2, maka diperoleh

Jadi,

Teorema 2
Misalkan X peubah acak binomial dengan distribusi peluang (𝑥; 𝑛; 𝑝). Bila 𝑛 →
∞, 𝑝 → 0, dan 𝜇 = 𝑛𝑝, maka (𝑥; 𝑛; 𝑝) → (𝑥; 𝜇).
Bukti:
Distribusi binomial dapat ditulis,

11
 Misalkan 𝑝 = 𝜇𝑛, maka diperoleh

Bila → ∞ sementara 𝑥 dan 𝜇 tetap,

Dan dari definisi bilangan

Jadi dengan syarat limit di atas diperoleh

Contoh 3
Dalam suatu proses produksi yang menghasilkan barang dari gelas, terjadi
gelembung atau cacat yang kadang-kadang menyebabkan barang tersebut sulit
dipasarkan. Diketahui bahwa rata-rata 1 dari 1000 barang yang dihasilkan mempunyai

12
satu atau lebih gelembung. Berapakah peluang bahwa dalam sampel acak sebesar 8000
barang akan berisi kurang dari 7 yang bergelembung?
Penyelesaian :
Pada dasarnya percobaan ini binomial dengan 𝑛 = 8000; 𝑝 = 0,001. Karena 𝑝
amat dekat dengan nol dan 𝑛 cukup besar maka akan dihampiri dengan disribusi
poisson dengan
𝜇 = 8000 × 0,001 = 8.
Jadi apabila X menyatakan banyaknya barang yang bergelembung, maka

= 0,3134

13
 Daftar Pustaka

Dr. Adi Setiawan, M. (2015). Pengantar Teori Probabilitas. Salatiga: Tisara Grafika.

Walpole, R. E. (1995). Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan. Bandung: ITB
Bandung.

Dr. Ir. Harinaldi, M.Eng.(2005).Prinsip-Prinsip Statistik untuk Teknik dan Sains. Jakarta:Erlangga.

Sudaryono, M.pd.(2012).Statistika Probabilitas – Teori dan Aplikasi. Yogyakarta:Andi.

14