JURUSAN TEKNIK SIPIL

UNIVERSITAS ANDALAS

STATISTIKA
dan
PROBABILITAS

----- Bab 5 -----

 Bab 5
Distribusi Probabilitas
Diskrit dan Kontinu
 Tujuan Bab 5
Setelah selesai bab ini mahasiswa harus dapat :
 Menerapkan distribusi binomial pada suatu
masalah
 Menghitung probabilitas untuk distribusi Poisson
dan hypergeometrik
 Menghitung probabilitas dengan menggunakan
tabel distribusi normal dan menerapkan distribusi
normal untuk menyelesaikan masalah tertentu
 Mengetahui penggunaan distribusi uniform dan
exponential
 Distribusi Probabilitas
Distribusi
Probabilitas

Distribusi Distribusi
Probabilitas Probabilitas
Diskrit Kontinu

Binomial Normal

Poisson Uniform

Hypergeometric Exponential
 Distribusi Probabilitas Diskrit
Variabel acak diskrit adalah sebuah variabel
yang dapat diasumsikan hanya jumlah nilai
yang dapat dihitung
Banyak kemungkinan hasilnya :
 jumlah komplain per hari
 jumlah TV didalam sebuah rumah tangga
 jumlah bunyi telpn sebelum telpon dijawab
Hanya dua kemungkinan hasilnya :
 jenis kelamin : lelaki atau wanita
 defektif : ya atau tidak
 dipoles ‘peanut butter’ dulu atau dipoles ‘jelly’ dulu
Distribusi Probabilitas Kontinu
 Variabel acak kontinu adalah sebuah variabel
yang dapat menganggap setiap nilai pada
kondisi kontinu dapat dianggap jumlah nilai
yang tidak dapat dihitung
 Tebal suatu barang
 Waktu yang diperlukan untuk menyelesaikan tugas
 Temperatur sebuah solusi
 Tinggi dalam m

 Nilai ini dapat bervariasi tergantung

kemampuan untuk mengukur akurasinya
 Distribusi Binomial
Distribusi
Probabilitas

Distribusi
Probabilitas
Diskrit

Binomial

Poisson

Hypergeometric
 Distribusi Binomial
Karakteristik Distribusi Binomial :
 Setiap percobaan hanya mempunyai dua
kemungkinan hasil – “sukses” atau “gagal”
 Terdapat jumlah tetap n untuk percobaan yang
sama
 Percobaan dari eksperime adalah ‘independent’
untuk setiap percobaan
 Probabilitas sebuah sukses p, selalu konstan dari
percobaan ke percobaan yang lain
 Jika p = probabilitas dari sukses, maka
(1-p) = q adalah probabilitas dari kegagalan
 Kejadian Distribusi Binomial
 Pabrik pembuatan label menghasilkan
produk yang ‘rusak’ atau ‘bagus’
 Perusahaan mengikuti tender akan
mengalami ‘menang’ atau ‘kalah’
 Perusahaan riset pemasaran menerima
respon hasil survey, yaitu “ya, saya akan
membeli” atau “tidak, saya tidak akan
membeli”
 Aplikasi lamaran pekerjaan : aplikasi
‘diterima’ atau ‘ditolak’
 Counting Rule for Combinations
Kombinasi adalah hasil dari eksperimen dimana
sejumlah x buah obyek dipilih dari grup n buah
obyek
n!
C  n

x! (n  x )!
x

dimana:
n! =n(n - 1)(n - 2) . . . (2)(1)
x! = x(x - 1)(x - 2) . . . (2)(1)
0! = 1
 Formula Distribusi Binomial

n! x nx
P(x)  p q
x ! (n  x )!

P(x) = probabilitas x kali sukses pada n

percobaan, dengan probabilitas sukses p
pada masing-masing percobaan
Contoh : Dilemparkan
sebuah koin 4 kali,
x = jumlah kejadian sukses sampel, tetapkan x = # gambar
(x = 0, 1, 2, ..., n) kepala:
p = probabilitas sukses tiap percobaan n=4
q = probabilitas kegagalan = (1 – p) p = 0.5
n = jumlah percobaan (sampel)
q = (1 - .5) = .5
 Distribusi Binomial
Bentuk dari distribusi binomial tergantung pada
nilai p dan n
P(X) n = 5 p = 0.1
.6
.4
.2
Untuk, n = 5 dan p = 0.1
0 X
0 1 2 3 4 5

P(X) n = 5 p = 0.5
.6
.4
Untuk, n = 5 dan p = 0.5 .2
0 X
0 1 2 3 4 5
Karakteristik Distribusi Binomial
- Mean
μ  E(x)  np
- Varian dan Standar Deviasi

σ  npq
2

σ  npq
Dimana n = jumlah sampel
p = probabilitas sukses
q = (1 – p) = probabilitas kegagalan
 Karakteristik Binomial
Contoh :
μ  np  (5)(.1)  0.5 P(X) n = 5 p = 0.1
.6
.4
σ  npq  (5)(.1)(1 .1) .2
 0.6708 0 X
0 1 2 3 4 5

μ  np  (5)(.5)  2.5 P(X) n = 5 p = 0.5

.6
.4
σ  npq  (5)(.5)(1 .5) .2
 1.118 0 X
0 1 2 3 4 5
Menggunakan Tabel Binomial
n = 10
x p=.15 p=.20 p=.25 p=.30 p=.35 p=.40 p=.45 p=.50
0 0.1969 0.1074 0.0563 0.0282 0.0135 0.0060 0.0025 0.0010 10
1 0.3474 0.2684 0.1877 0.1211 0.0725 0.0403 0.0207 0.0098 9
2 0.2759 0.3020 0.2816 0.2335 0.1757 0.1209 0.0763 0.0439 8
3 0.1298 0.2013 0.2503 0.2668 0.2522 0.2150 0.1665 0.1172 7
4 0.0401 0.0881 0.1460 0.2001 0.2377 0.2508 0.2384 0.2051 6
5 0.0085 0.0264 0.0584 0.1029 0.1536 0.2007 0.2340 0.2461 5
6 0.0012 0.0055 0.0162 0.0368 0.0689 0.1115 0.1596 0.2051 4
7 0.0001 0.0008 0.0031 0.0090 0.0212 0.0425 0.0746 0.1172 3
8 0.0000 0.0001 0.0004 0.0014 0.0043 0.0106 0.0229 0.0439 2
9 0.0000 0.0000 0.0000 0.0001 0.0005 0.0016 0.0042 0.0098 1
10 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0003 0.0010 0
p=.85 p=.80 p=.75 p=.70 p=.65 p=.60 p=.55 p=.50 x

Contoh :
n = 10, p = .35, x = 3: P(x = 3|n =10, p = .35) = .2522
n = 10, p = .75, x = 2: P(x = 2|n =10, p = .75) = .0004
 Statistik di Excel
Pilih  Formula / Statistic / Prob…
Statistik di Excel
Statistik di Excel
 Distribusi Poisson
Distribusi
Probabilitas

Distribusi
Probabilitas
Discrete

Binomial

Poisson

Hypergeometric
 Distribusi Poisson
 Karakteristik Distribusi Poisson :
 Hasil yang diinginkan adalah jarang mempunyai
nilai relatif terhadap kemungkinan yang dihasilkan
 Jumlah rata-rata hasil yang diinginkan per waktu
atau interval ruang adalah 
 Jumlah hasil yang diinginkan adalah acak, dan
kejadian dari hasil yang diperoleh tidak
mempengaruhi kesempatan dari hasil lain yang
diinginkan
 Probabilitas bahwa hasil yang diinginkan terjadi
pada segmen yang ditetapkan adalah sama untuk
semua segmen
 Formula Distribusi Poisson

 t
( t ) e x
P( x ) 
x!
Dimana :
t = ukuran interval yang diinginkan
x = jumlah kejadian sukses pada segmen yang diinginkan
 = jumlah yang sukses pada segmen satuan tertentu
e = sistem logaritma natural (2.71828...)
 Karakteristik
Distribusi Poisson
 Mean μ  λt
 Varian dan Standar Deviasi

σ  λt
2

σ  λt

dimana :  = jumlah kejadian sukses dalam segmen ukuran unit yang ditetapkan
t = ukuran segmen yang diinginkan
 Penggunaan Tabel Poisson
t

X 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90

0 0.9048 0.8187 0.7408 0.6703 0.6065 0.5488 0.4966 0.4493 0.4066

1 0.0905 0.1637 0.2222 0.2681 0.3033 0.3293 0.3476 0.3595 0.3659
2 0.0045 0.0164 0.0333 0.0536 0.0758 0.0988 0.1217 0.1438 0.1647
3 0.0002 0.0011 0.0033 0.0072 0.0126 0.0198 0.0284 0.0383 0.0494
4 0.0000 0.0001 0.0003 0.0007 0.0016 0.0030 0.0050 0.0077 0.0111
5 0.0000 0.0000 0.0000 0.0001 0.0002 0.0004 0.0007 0.0012 0.0020
6 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0002 0.0003
7 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000

Contoh: Hitung P(x = 2) if  = .05 and t = 10

(t )x e  t (0.50)2 e 0.50

P( x  2)    .0758
x! 2!
 Grafik Probabilitas Poisson
0.70

0.60

 = .05 dan t = 10 0.50

t = P(x) 0.40

X 0.50
0.30
0 0.6065
0.20
1 0.3033
2 0.0758 0.10

3 0.0126 0.00
0 1 2 3 4 5 6 7
4 0.0016
5 0.0002 x
6 0.0000
P(x = 2) = .0758
7 0.0000
 Bentuk Distribusi Poisson
Bentuk dari distribusi Poisson tergantung
pada nilai parameters  dan t :

t = 0.50 t = 3.0
0.70 0.25

0.60
0.20
0.50

0.15
0.40

P(x)
P(x)

0.30 0.10

0.20
0.05
0.10

0.00 0.00
0 1 2 3 4 5 6 7 1 2 3 4 5 6 7 8 9 10 11 12

x x
 Statistik di Excel
Pilih  Formula / Statistic / Poisson…
Statistik di Excel
Statistik di Excel
Distribusi Hypergeometric

Distribusi
Probabilitas

Distribusi
Probabilitas
Discrete

Binomial

Poisson

Hypergeometric
 Distribusi Hypergeometric

 “n” percobaan didalam sampel diambil dari

populasi tertentu dengan jumlah N
 Sampel diambil tanpa pergantian
 Setiap percobaan adalah dependent
 Berkaitan dengan perhitungan probabilitas
“x” sukses didalam sampel dimana terdapat
“X” sukses didalam populasi
 Formula
Distribusi Hypergeometric
(terdapat dua kemungkinan hasil setiap percobaan)

N X . X
C C
P( x )  n x
N
x
C n
Dimana :
N = ukuran populasi
X = jumlah sukses didalam populasi
n = jumlah sampel
x = jumlah sukses didalam sampel
n – x = jumlah yang gagal didalam sampel
 Formula
Distribusi Hypergeometric
Contoh : 3 buah lampu listrik dipilih dari 10 buah. 4
dari 10 buah lampu adalah rusak. Berapa
probabilitas bahwa 2 dari 3 buah lampu yang dipilih
adalah rusak?

N = 10 n=3
X=4 x=2

CNnxX CxX C16 C24 (6)(6)

P(x  2)  N
 10
  0.3
Cn C3 120
 Statistik di Excel
Pilih  Formula / Statistic / Hypgeomdist…
Statistik di Excel
Statistik di Excel
Distribusi Normal
Distribusi
Probabilitas

Distribusi
Probabilitas
Continuous

Normal

Uniform

Exponential
 Distribusi Normal

 Bentuk ‘Bell’
 Bentuk Simetris
f(x)
 Mean, Median dan Mode
adalah sama
Lokasinya ditentukan oleh σ
mean (μ) x
Bentuk sebaran ditentukan μ
oleh standar deviasi (σ)
Mean
Variabel acak secara teoritis = Median
mempunyai range tidak = Mode
terbatas :
+  ke  
 Beberapa Distribusi Normal

Dengan memvariasikan parameters μ dan σ, dapat

diperoleh distribusi normal yang berbeda-beda
 Bentuk Distribusi Normal

Merubah nilai μ akan

f(x) menggeser distribusi
kearah kiri atau kanan.

Merubah nilai σ akan

meningkatkan atau
σ menurunkan sebaran.

μ x
 Menghitung Probabilitas
Distribusi Normal
Probabilitas Probabilitas dihitung dari
adalah daerah
luasan dibawah kurva
dibawah kurva
f(x) P (a  x  b)

a b x
 Probabilitas
luasan dibawah kurva
Luas total dibawah kurva adalah 1.0, dan kurva tersebut
simetris, sehingga separoh dari kurva tsb adalah diatas
mean, sedang separohnya lagi dibawah mean

f(x) P(  x  μ)  0.5

P(μ  x  )  0.5

0.5 0.5

μ x
P(  x  )  1.0
 Aturan Empiris

Nilai-nilai distribusi disekitar mean :

f(x)
μ ± 1σ sekitar 68% dari x

σ σ

x
μ1σ μ μ+1σ
68.26%
 Aturan Empiris
(lanjutan)

μ ± 2σ meliputi sekitar 95% dari x

μ ± 3σ meliputi sekitar 99.7% dari x

2σ 2σ 3σ 3σ
μ x μ x

95.44% 99.72%
 Distribusi Normal Standar
 Disebut juga sebagai distribusi “z”
 Mean didefinisikan = 0
 Standar Deviasi = 1

f(z)

1
z
0
Nilai diatas mean mempunyai nilai z positif
Nilai dibawah mean mempunyai nilai z negatif
 Distribusi Normal Standar

 Setiap distribusi normal (dengan setiap

kombinasi mean dan standar deviasi) dapat
ditransformasikan menjadi distribution normal
standard (z)

 Memerlukan transformasi nilai x menjadi nilai

z
 Transformasi ke
Distribusi Normal Standar
Tranformasi nilai x ke normal standar (distribusi
“z”) dengan mengurangi nilai mean dari x dan
membaginya dengan nilai standar deviasi :

x μ
z
σ
 Contoh :
 Jika x berdistribusi normal dengan mean
=100 dan standar deviasi = 50, maka nilai z
untuk x = 250 adalah

x  μ 250  100
z   3.0
σ 50
 Ini dikatakan bahwa untuk x = 250 adalah
tiga kali standar deviasi (3 kenaikan dari 50)
diatas mean = 100.
 Membandingkan
nilai x dan z
μ = 100
σ = 50

100 250 x
0 3.0 z
Catatan : Bentuk distributionnya adalah sama, hanya
skalanya yang berubah. Ini dapat dinyatakan bahwa nilai
asli dinyatakan dalam satuan (x) atau di standarisasi
menjadi satuan (z)
 Tabel Normal Standar
Tabel Normal Standar didalam buku terletak di
Lampiran

Tabel tsb memberikan nilai probabilitas dari

mean (nol) s/d nilai z yang diinginkan

.4772
Contoh:
P(0 < z < 2.00) = .4772

0 2.00 z
 Tabel Normal Standar (lanjutan)

Kolom memberikan nilai z

pada angka dua desimal
z 0.00 0.01 0.02 …

0.1
Baris memberikan
nilai z pada angka 0.2
. Nilai didalam tabel
pertama desimal .
. memberikan nilai
2.0 .4772 probabilitas dari z = 0
s/d nilai z yang
P(0 < z < 2.00)2.0
= .4772 diinginkan
 Prosedur umum untuk
menghitung Probabilitas
Untuk menghitung P(a < x < b) pada saat x
berdistribusi normal :

 Gambarkan kurva normal untuk masalah tsb

dalam variabel x

 Transformasikan nilai x menjadi nilai z

 Gunakan tabel Normal Standar

 Contoh Tabel Z
Jika nilai-nilai x berdistribusi normal dengan
mean = 8.0 dan standar deviasi = 5.0. Hitung P(8
< x < 8.6)
Hitung nilai z :

x μ 8 8
z  0
σ 5
8 8.6 x
x  μ 8.6  8 0 0.12 Z
z   0.12
σ 5 P(8 < x < 8.6)
= P(0 < z < 0.12)
 Contoh Tabel Z (lanjutan)
Jika nilai-nilai x berdistribusi normal dengan mean
= 8.0 dan standar deviasi = 5.0.
Hitung P(8 < x < 8.6)

=8 =0
=5 =1

8 8.6 x 0 0.12 z

P(8 < x < 8.6) P(0 < z < 0.12)

 Solusi : Menghitung
P(0 < z < 0.12)
Tabel Probabilitas Normal
Standar (bagian tabel) P(8 < x < 8.6)
= P(0 < z < 0.12)
z .00 .01 .02 .0478
0.0 .0000 .0040 .0080

0.1 .0398 .0438 .0478

0.2 .0793 .0832 .0871
Z
0.00
0.3 .1179 .1217 .1255
0.12
Menghitung Probabilitas Normal

 Jika nilai x berdistribusi normal

dengan mean = 8.0 dan standar
deviasi = 5.0.
 Hitung P(x < 8.6)

Z
8.0
8.6
 Menghitung Probabilitas Normal
(lanjutan)

 Jika nilai x berdistribusi normal dengan

mean = 8.0 dan standar deviasi = 5.0.
 Hitung P(x < 8.6)

.5000 .0478
P(x < 8.6)
= P(z < 0.12)
= P(z < 0) + P(0 < z < 0.12)
= .5 + .0478 = .5478 Z
0.00
0.12
 Probabilitas ‘Upper Tail’

 Jika nilai x berdistribusi normal dengan

mean = 8.0 dan standar deviasi = 5.0.
 Hitung P(x > 8.6)

Z
8.0
8.6
 Probabilitas ‘Upper Tail’
(lanjutan)
Hitung P(x > 8.6)…
P(x > 8.6) = P(z > 0.12) = P(z > 0) - P(0 < z < 0.12)
= .5 - .0478 = .4522

.0478
.5000 .50 - .0478
= .4522

Z Z
0 0
0.12 0.12
 Probabilitas ‘Lower Tail’

 Jika nilai x berdistribusi normal dengan

mean = 8.0 dan standar deviasi = 5.0.
 Hitung P(7.4 < x < 8)

Z
8.0
7.4
 Probabilitas ‘Lower Tail’
(lanjutan)

Hitung P(7.4 < x < 8)…

Distribusi Normal adalah

simetris, sehingga .0478
digunakan tabel yang sama
jika nilai z negatif :
P(7.4 < x < 8)
= P(-0.12 < z < 0)
Z
= .0478 8.0
7.4
 Statistik di Excel
Pilih  Formula / Statistic / Normdist…
Statistik di Excel
Statistik di Excel
The Uniform Distribution
Distribusi
Probabilitas

Distribusi
Probabilitas
Continuous

Normal

Uniform

Exponential
 Distribusi Uniform

Distribusi uniform adalah sebuah

distribusi probabilitas yang
mempunyai probabilitas yang sama
untuk semua kemungkinan hasil dari
variabel acak
 Distribusi Uniform
(lanjutan)

Distribution Kontinu Uniform :

1
if a  x  b
ba
f(x) =

0 utk x yg lain
Dimana :
f(x) = nilai fungsi kepadatan apada setiap nilai x
a = batas bawah dari interval
b = batas atas dari interval
 Distribusi Uniform
Contoh : Distribusi probabilitas uniform
pada range 2 ≤ x ≤ 6

1
f(x) = 6 - 2 = .25 for 2 ≤ x ≤ 6

f(x)

.25

2 6 x
Distribusi Exponential
Probability
Distributions

Continuous
Probability
Distributions

Normal

Uniform

Exponential
 Distribusi Exponential

Digunakan untuk mengukur waktu antar dua

kejadian dari suatu event (waktu antar
kedatangan)

Contoh :
 Waktu antar kedatangan truk pada lokasi

bongkar muat
 Waktu antar kejadian transaksi di ATM

 Waktu antar kejadian telpon berbunyi di operator

 Distribusi Exponential
Probabilitas bahwa waktu sebuah kedatangan
adalah sama atau kurang terhadap waktu yang
ditetapkan :

 λa
P(0  x  a)  1 e
dimana 1/ adalah waktu rata-rata antara dua kejadian

Catatan : jika jumlah kejadian tiap periode waktu adalah Poisson

dengan mean , kemudian waktu antara kejadian adalah
exponential dengan waktu mean 1/ 
 Distribusi Exponential
(lanjutan)

Bentuk distribusi exponential

f(x)
 = 3.0
(mean = .333)

 = 1.0
(mean = 1.0)

= 0.5
(mean = 2.0)

x
 Contoh :
Contoh : Pelanggan datang pada kounter klaim
dengan laju 15 pelanggan/jam (dg distribusi
Poisson). Berapakah probabilitas kedatangan
antara masing-masing pelanggan kurang dari 5
menit ?
 Waktu antar kedatangan berdistribusi exponential
dengan mean antar kedatangan = 4 menit (15 per
60 menit rata-rata)
 1/ = 4.0, sehingga  = .25
 P(x < 5) = 1 - e-a = 1 – e-(.25)(5) = .7135
 Statistik di Excel
Pilih  Formula / Statistic / Expondist…
Statistik di Excel
Statistik di Excel
 Ringkasan Materi
 Mengulang distribusi diskrit
 binomial, poisson, hypergeometric
 Mengulang distribusi kontinu
 normal, uniform, exponential
 Menghitung probabilitas menggunakan formula dan
tabel
 Mengetahui penggunaan distribusi yang berbeda-
beda
 Penerapan distribusi untuk memutuskan masalah