Variabel acak dan Distribusi Probabilitas

1. Variabel Acak
Variabel random/acak adalah sebuah fungsi yang mengaitkan sebuah bilangan
real dengan setiap elemen di ruang sampel.
Notasi X: variabel randomnya,
x: salah satu nilai X yang mungkin

Contoh:
Dalam pemeriksaan lampu, ada dua kejadian yg mungkin: Baik (B) dan Mati (M).
Pemeriksaan dilakukan dengan mengambil secara acak 3 buah lampu hasil produksi.
Maka ruang sampelnya adalah:
S = {BBB, BBM, BMB, BMM, MBB, MBM, MMB, MMM}
Definisikan X adalah banyaknya lampu yg rusak dalam pengambilan tersebut, maka X
bisa mengambil nilai : 0,1,2,3.
X adalah contoh Variabel random.
S = {BBB,BBM, BMB,BMM, MBB,MBM, MMB,MMM}
X = {0 ,1 , 1 ,2 ,1 ,2 ,2 ,3}
Terlihat X = 2 untuk kejadian E= {MMB,MBM,BMM}. Tadi tiap nilai X berkenaan
dengan sebuah himpunan bagian dari S.

Contoh:
2 bola diambil berturut-turut tanpa dikembalikan dari kotak yg berisi 4 bola merah (R)
dan 3 bola biru (B). Buatlah semua kemungkinan nilai variabel random Y yang
menggambarkan jumlah bola merah yang terambil.
Jawab:
Ruang sampel y
RR 2
RB 1
BR 1
BB 0
 Ruang sampel yang berisi anggota yang seperti elemen bilangan bulat, maka
disebut ruang sampel diskrit/variabel acak diskrit.
  Ruang sampel yang berisi anggota yang seperti titik-titik di segmen bilangan real
disebut ruang sampel kontinu/variabel acak kontinu.

2. Distribusi Probabilitas / Fungsi probabilitas

Jika variabel acak X memiliki fungsi probabilitas f(x), maka fungsi distribusi
kumulatif dari X, yaitu F(x) dinyatakan sebagai

  f  x X diskrit
 X  x
F  x   P X  x   
X
  f  x  dt X kontinyu


Fungsi distribusi kumulatif F(x) dapat dinyatakan pada interval a  X  b yaitu

sebagai:
P a  X  b   F  b   F  a  .

Fungsi kerapatan probabilitas f(x) dapat dinyatakan sebagai hubungan dengan

distribusi kumulatif sebagai:
dF  x 
f  x 
dx

Contoh 1
Sebuah pengiriman 8 mikrokomputer yang serupa ke suatu jaringan eceran berisi 3
yang cacat. Bila suatu sekolah melakukan suatu pembelian acak 2 dari komputer ini,
carilah sebaran probabilitas untuk jumlah cacat.
 Penyelesaian :
Ambil X sebagai peubah acak yang nilai x-nya adalah jumlah komputer cacat yang
mungkin dibeli oleh sekolah tersebut. Maka x dapat menjadi salah satu dari bilangan
0,1,2. Sekarang
3 ��
�� 5 3 ��
�� 5
�� �� �� ��
0 ��2 10 1 ��1 15
f  0   P  X  0   ��  , f  1  P  X  1  ��  ,
8
�� 18 8
�� 18
�� ��
2
�� 2
��

3 ��
�� 5
����
2 ��
0 3
f  2   P  X  0   �� 
8
�� 18
��
2
��
sehingga sebaran probabilitas dari X adalah
X 0 1 2
f(x) 10
28
15
28
3
28

Contoh 2
Pada sebuah eksperimen probabilitas satu kali melempar dua buah dadu secara
bersamaan, distribusi probabilitas dari jumlah mata dadu yang muncul ditentukan
sebagai berikut:
Ruang sampell eksperimen adalah pasangan mata dadu yang mungkin:
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
(2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
(3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
(4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
(6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
Jika X adalah varibel acak diskrit yang menyatakan jumlah mata dadu yang mungkin
mucul, maka X = {2,3,4,5,6,7,8,9,10,11,12}
Distribusi probabilitas untuk masing-masing nilai variabel X membentuk fungsi
probabilitas sebagai berikut:
• P(X=2) = p(2) = 1/36 P(X=8) = p(8) = 5/36
• P(X=3) = p(3) = 2/36 P(X=9) = p(9) = 4/36
 • P(X=4) = p(4) = 3/36 P(X=10) = p(10) = 3/36
• P(X=5) = p(5) = 4/36 P(X=11) = p(11) = 2/36
• P(X=6) = p(6) = 5/36 P(X=12) = p(12) = 1/36
• P(X=7) = p(7) = 6/36
Dari fungsi probabilitas jumlah mata dadu yang muncul pada eksperimen melempar
dua mata dadu dalam Contoh 2 dapat dibentuk fungsi distribusi kumulatif (cdf)
sebagai berikut:
F (2)  �p( x )  p(2)  1/ 36
x �2
F (3)  �p( x )  p(2) + p(3)  1/ 36 + 2 / 36  3 / 36
x �3
F (4)  �p( x )  p(2) + p(3) + p(4)  1/ 36 + 2 / 36 + 3 / 36  6 / 36
x �4
F (5)  �p( x )  p(2) + p(3) + ... + p(5)  1/ 36 + 2 / 36 + ... + 4 / 36  10 / 36
x �5
F (6)  �p( x )  p(2) + p(3) + ... + p(6)  1 / 36 + 2 / 36 + ... + 5 / 36  15 / 36
x �6
F (7)  �p( x )  p(2) + p(3) + ... + p(7)  1/ 36 + 2 / 36 + ... + 6 / 36  21/ 36
x �7
F (8)  �p( x )  p(2) + p(3) + ... + p(8)  1/ 36 + 2 / 36 + ... + 5 / 36  26 / 36
x �8
F (9)  �p( x )  p(2) + p(3) + ... + p(9)  1/ 36 + 2 / 36 + ... + 4 / 36  30 / 36
x �9
F (10)  �p( x )  p(2) + p(3) + ... + p(10)  1/ 36 + 2 / 36 + ... + 3 / 36  33 / 36
x� 10
F (11)  �p( x )  p(2) + p(3) + ... + p(11)  1/ 36 + 2 / 36 + ... + 2 / 36  35 / 36
x� 11
F (12)  �p( x )  p(2) + p(3) + ... + p(12)  1/ 36 + 2 / 36 + ... + 1/ 36  36 / 36
x�12

2.1 Distribusi Variabel Acak Diskrit

2.1.1 Distribusi Bernoulli
Peristiwa Bernoulli adlaah suatu peristiwa yang mempunyai 2 hasil yaitu
sukses dan gagal. Peluang sukses = p, peluang gagal = 1- p = q

Bentuk fungsi peluang Bernoulli :

P( X  x)  p x (1  p )1 x x  0,1

Dimana : 1 = menyatakan sukses , 0 = menyatakan gagal

Contoh soal :
Sebuah coin dilempar 1 kali. Berapakah peluang munculnya angka?
Jawab :
P( X  1)  0,51 (1  0,5)11 =1
2.1.2 Distribusi Binomial
Jika peristiwa Bernoulli dilakukan n kali, maka dikatakan peristiwa
binomial.
n
P ( X  x)    p x q n  x
 x
Dimana : n = banyak percobaan
P = peluang sukses setiap percobaan
q = peluang gagal
x = banyak sukses, x = 0, 1, 2 , …, n
Contoh soal :
Probabilitas sebuah komponen mobil tidak rusak ketika dijatuhkan adalah
¾. Berapakah probabilitasnya ada 2 dari 4 komponen yg dijatuhkan akan
tidak rusak.
Jawab :
Asumsi : “sukses” = tidak rusak, probabilitas “sukses”, p=3/4. Probabilitas
“gagal, q= 1-3/4 = ¼.
n=4 x=2

3 n  4 3 1 4! 9 1 27
b( x  2; n  4, p  )    p x q n  x   ( ) 2 ( ) 4  2  
4  x  2 4 4 2!(4  2)! 16 16 128

2.1.3 Distribusi Poisson

Variabel acak x yang mempunyai nilai 0, 1, 2, … dikatakan variabel acak
poisson dengan parameter  jika untuk  >0 berlaku :
e   x
P ( X  x)  dimana x = 0, 1, 2, …
x!
Dimana : μ = rata – ratakeberhasilan = n . p
x = Banyaknya unsur berhasil dalam sampel
n = Jumlah / ukuran populasi
p = probabilitas kelas sukses
Contoh soal :
Jika rata – rata kedatangan λ = 72 setiap jam, berapakah peluang dari x =4
kedatangan dan t = 3 menit. Gunakan proses poisson!
Jawab :
λ = 72 t = 1 / 20 x=4
 e   x
P( X  x) 
x!

e 72.(1 / 20) .(72.1 / 20) 4

P ( X  4)  = 0.191 atau 19.1 %
4!

Variabel acak poisson dapat digunakan/diaplikasikan antara lain :

1. Sebagai pendekatan variabel acak binomial dengan parameter (n, p)
dimana n = besar dan p = kecil sehingga   n. p
2. Distribusi peluang poisson dalam situasi suatu kejadian yang terjadi
berhubungan dengan waktu (terjadi pada waktu tertentu)
Kejadian yang terjadi pada sembarang interval dengan panjang (waktu)
t adalah variabel acak poisson dengan parameter  t.
e  t  t k
P ( N (t )  k )  k = 0, 1, 2, …
k!
Dimana :  = rata-rata / mean
x = peluang produk yang cacat
k = banyaknya kejadian
t = waktu

2.1.4 Distribusi Geometrik

Dalam percobaan yang independen dimana masing-masing mempunyai
peluang sukses = p, 0<p<1, percobaan dilakukan sampai satu sukses
terjadi. Jika X = banyaknya percobaan yang diperlukan, maka syarat perlu
dan cukup bahwa (n-1) percobaan adalah gagal dan percobaan yang ke-n
sukses adalah :
P ( X  n)  (1  p ) n1. p n = 1, 2, …
Catatan : hasil percobaan yang sukses adalah independen.
Contoh soal :
Suatu kotak berisi 15 bola putih dan 10 bola merah, diambil sebuah bola
dari kotak tersebut sampai didapat bola merah. Jika di asumsikan
pengambilan dengan pengembalian, berapa peluang mendapat 5 bola
merah?
 Jawab:
n=5
C110 2
p (merah)  
CC251 5
51 4
 2  2  3  2 162
P( X  5)  1       
 5  5   5   5  15625

2.1.5 Variabel Acak Hypergeometrik

Suatu kotak berisi N elemen yang terdiri dari k elemen macam pertama
dan (N-k) macam elemen yang kedua (yang lain). Apabila diambil n
elemen secara serentak, maka peluang mendapat x macam pertama dari n
elemen yang terambil adalah :
 k  N  k 
  
 x  n  x 
P( X  x) 
N
 
n
Contoh soal :
Sekelompok orang terdiri dari 50 orang dan 3 diantara lahir pada tanggal 1
Januari. Secara acak diambil 5 orang. Berapa peluang tidak ada yang lahir
pada tanggal 1 Januari.
Jawab :
X = banyak orang yang lahir tanggal 1 Januari, N=50, n=5
 3  47 
  
1 4
P (1)     = 0,253
 50 
 
 5
Peluangnya adalah 0,724 bahwa ke lima orang itu tidak lahir pada tanggal
1 Januari.

2.2 Distribusi Variabel Acak Kontinu

Variabel acak X disebut kontinu jika terdapat suatu fungsi f yang non negative
dengan sifat untuk setiap himpunan bilangan riil B berlaku :
P ( X  n)   f ( x) dx …………………(1) dimana X  (-  , )
B
 Fungsi f disebut probability density function (PDF) dari variabel acak x. X harus
diasumsikan satu harga, maka f harus memenuhi :




f ( X ) dx  F { Xe[-, ]}  1

Andaikan B=[a,b] maka persamaan (1) dapat dinyatakan sebagai :

b
P (a  x  b)   f ( X )dx …………….(2)
a

Jika a=b  (2) menjadi P[ x  a]   F ( x)dx  0

a

Jika P( x  a )  P( x  a )  F (a )   f ( x)dx


2.2.1 Distribusi Uniform

Suatu variabel acak disebut berdistribusi uniform pada int ( 0,1 ) jika PDF
adalah :
 1 0<x<1

f  x  secara umum :
 0
 x yang lain X berdistribusi uniform pada int (α,β)
 1
   

f  x 
 0


jika PDFnya adalah

α < x < β………………………..(I)

yang lain

Hubungan antara CDF dam PDF dinyatakan dengan

a
F ( X )  P( X  (, a))   f ( x)dx


Maka dari (I) fungsi distribusi dari variabel acak uniform pada int(α,β)
dinyatakan :

 0 a 
 a 
f  x    a
  
 1 a
 Contoh soal :
Jika x berdistribusi uniform pada (0, 10) carilah peluang 3 < x < 8
Jawab :
1 1
f ( x)  
10  0 10
8
1 8 3 5
 10dx  10  10  10
2

2.2.2 Distribusi Normal

Distrìbusi normal sering disebut juga dengan distribusi Gauss, inilah
distribusi peluang kontinu yang terpenting dan paling banyak digunakan.

dimana:
m = rata-rata (mean)
s = simpangan baku (standard deviation)
p = 3.14159
e = 2.71828

Apabila m = 0, σ2 = 1 maka :
1  x2 2
f ( x)  e disebut fungsi densitas (kepadatan) normal baku
2p
(Normal Standard). Setiap variabel acak yang berdistribusi normal dengan
nilai mean dan varian sembarang dapat di transformasi menjadi variabel

xm
acak yang berdistribusi normal baku dengan transformasi : z 
s
Sifat-sifat distribusi normal :
 Bentuk kurva normal seperti bel dan simetris.
 Parameter s, menunjukkan lebar dari kurva normal (semakin besar
nilainya, semakin lebar).
 Titik tertinggi dari kurva nomal terletak pada nilai rata-
rata=median=modus.
 Luas total area di bawah kurva normal adalah 1. (luas bagian di
sebelah kiri µ = sebelah kanan µ).
 Probabilitas suatu random variabel normal sama dengan luas di bawah
kurva normal.

Catatan :
P ( a  x  b)  P ( a  x  b )  P ( a  x  b )  P ( a  x  b)

Persentase nilai pada interval yang sering digunakan :

 68,26% nilai dari suatu variabel acak normal berada pada interval µ±s
 95,44% nilai dari suatu variabel acak normal berada pada interval µ±2s
 99,72% nilai dari suatu variabel acak normal berada pada interval µ±3s

Contoh soal :
Berat bayi yang baru lahir ratarata 3750 gram dengan simpangan baku 325
gram. Jika berat bayi berdistribusi normal, maka tentukan :
a. Berapa % bayi yang beratnya lebih dari 4500 gram.
b. Berapa banyak bayi yang beratnya antara 3500 gram sampai 4500
gram, jika semua ada 10000 bayi.
c. Berapa bayi yang beratnya lebih kecil atau sarna dengan 4.000 gram
jika semuanya ada 10.000 bayi?
d. Berapa bayi yang beratnya 4.250 gram jika semuanya ada 5.000 bayi?
Jawab :
xm
a. z 
s

Berat yang lebih dari 4500 gram, pada grafiknya ada di sebelah kanan
z = 2,31
Luas daerah ini = 0,5 - 0,4896 = 0,0104
Jadi ada 1,04 % dari bayi yang lahir beratnya lebih dari 4500 gram

b. Dengan x1 = 3500 dan x2 = 4500

didapat zl -0,77 dan z2 = 2,31
luas daerah yang diarsir L(zl) = 0,2794 dan L(z2) = 0,4896
Jadi, luas daerah keseluruhan adalah L(zl) + L(z2) = 0,7690
Jadi banyaknya bayi yang beratnya antara 3500 gram dan 4500 gram
diperkirakan ada 0,7690 . (10000) = 7690
 c. Beratnya lebih kecil atau sama dengan 4.000 gram, setelah
penyesuaian maka beratnya harus lebih kecil dari 4.000,5 gram.

Peluang berat bayi lebih kecil atau sama dengan 4.000 gram adalah
0,5 + 0,2794 = 0,7794
Banyaknya bayi = (07794).(10000) = 7794.
d. Berat 4250 gr, setelah penyesuaian berarti antara 4.249,5 gram dan
4250,5 gram. Jadì untuk X 4,249,5 dan X = 4.250,5 didapat :

Peluang adalah 0,4382 - 0,4370 = 0,0012

Banyaknya bayi = (0,00l2) (5.000) = 6.

2.2.3 Pendekatan Normal untuk Distribusi Binomial

Apabila x berdistribusi binomial dengan n cukup besar dan p sangat kecil
maka dapat didekati dengan distribusi normal :
xm x  n. p
z 
s n. p.q

Variabel acak distribusi binomial adalah variabel acak diskrit. Sedang

variabel acak distribusi normal adalah variabel acak kontinu. Maka perlu
faktor koreksi ±0,5 untuk variabel acak x sehingga pendekatan distribusi

x + 0,5  n. p x  0,5  n. p
normal itu menjadi : z  n. p.q
atau z  n. p.q

Contoh soal :
Suatu pabrik/ perusahaan pembuat CD menghasilkan 10% CD yang cacat/
rusak. Jika 100 CD dipilih secara random, berapa probabilitas terdapat :
a) 8 CD yang rusak
b) Paling sedikit 12 CD yang rusak
c) Paling banyak 5 CD yang rusak
Jawab :
 x = banyak CD yang rusak
x ~ Bin(100; 0,1) n = 100, p = 0,1
m = n.p = 100.(0,1) = 10
s 2 = n.p.(1-p) = 100.(0,1).(0,9) = 9  s = 9 = 3

2.2.4 Distribusi Eksponensial

Fungsi densitas : f ( x )   .e   . x x0
f ( x)  0 yang lain

Dimana λ = parameter, riil dan konstan

Distribusi Eksponensial ini sangat dekat dengan Distribusi Poisson.

Distribusi Eksponensial diperoleh dari Poisson process dengan
memperhatikan interval waktu kejadian daripada jumlah/banyak kejadian.

Banyak kejadian yang terjadi dalam interval [0,t] dinyatakan dengan X

e   . x ( t ) x
dan mempunyai distribusi : P( X )  ; x = 0,1,2 ……. (1)
x!
=0 yang lain
P(0) = probabilitas tidak ada kejadian dalam interval [0,t]
P(0) = e   . x ini dapat diartikan bahwa peluang waktu kejadian pertama
terjadi lebih besar daripada t. Bila kita pandang waktu sebagai variabel
acak T, maka :
P (0)  P (T  t )  e   . x t0
P(t )  P (T  t )  1  e   . x t0
f (t )  F ' (t )   .e   . x t  0 …………….. …..(2)
=0
Hubungan antara distribusi eksponensial dan distribusi poisson adalah jika
banyaknya kejadian mempunyai distribusi poisson (persamaan 1) maka
waktu antar kejadian berdistribusi eksponensial (persamaan 2). Distribusi

1
eksponensial mempunyai rata-rata mx  , dimana  =usia pakai

Contoh soal :
 Suatu komponen didalam computer berdistribusi eksponensial dengan
waktu pakai 10000 jam. Berapa persentase komponen tersebut akan rusak
sebelum mencapai waktu 7000 jam?
Jawab:
1
m  10000 t  7000 
10000
P (7000) = 1 - e   . x
7
= 1 - e 10

= 1 – 0,496 = 0,504  50,4%

2.2.5 Distribusi Gamma

Dapat digunakan sebagai distribusi interval waktu antar kejadian,
distribusi waktu pelayanan, distribusi usia pakai.
Fungsi Gamma :

 ( n)  x
n 1
e  x dx n0
0

1
 ( n)  ( n  1)! ; ( )  p
2
 ( n)  ( n  1) ( n  1)  (1)  1
Fungsi densitas Gamma :

f ( x)  (x ) r 1 .e   . x x0
e( r )
f ( x)  0 yang lain

Dimana : r = parameter bentuk r > 0

λ = parameter skala
r
Distribusi gamma mempunyai rata-rata =

Bila r = 1  fungsi densitas gamma = distribusi eksponensial

Jika r suatu integer maka distribusi gamma merupakan jumlah r distribusi

eksponensial yang independen dan identik yang masing-masing
mempunyai parameter λ. Jika x1, x2, …, xr adalah saling independen dan
berasal dari distribusi eksponensial dengan parameter λ maka :
 n
Y   xi ~ Gamma (r, λ) yang disebut distribusi Erlang (λ)
i 1

Jika x1, x2, …, xk adalah saling independen dan xi Gamma (ri, λ) maka :
k
Y   xi ~ Gamma (Σri, λ)
i 1

Fungsi distribusi komulatif gamma :



F ( x)  1   (t ) r 1 e t dt
x
 (r )
r 1
e  x ( x ) k
Jika r adalah integer maka F ( x)  1  
k 0 k!
Yang merupakan jumlah r poisson dengan parameter λ x.
Contoh soal :
Suatu Sistem standar redundant dengan 2 komponen yaitu komponen 1
berfungsi (ON), komponen 2 tidak berfungsi (OFF) atau sebagai cadangan
kalau komponen 1 gagal. Secara otomatis komponen 2 akan berfungsi.

Jika tiap komponen punya usia pakai sesuai dengan distribusi eksponential
dengan   10 5 jam maka usia pakai sistem tersebut berdistribusi
Gamma dengan parameter r = 5. Carilah rata-rata waktu yang diperlukan
sistem menjadi rusak atau tidak berfungsi.
Jawab :
r 5
Rata-rata =  5  5.10 5 jam
 10

2.2.6 Distribusi Weibull

Fungsi densitas :
 1
 x   x    
f ( x)    exp    x
        
 

f ( x)  0 yang lain
      merupakan parameter lokasi
  0 = skala parameter ; β = parameter bentuk
Distribusi Weibull dapat ditulis : x ~ Weibull (β, γ, δ)

  x    
Fungsi distribusi kumulatif : F ( x)  1  exp      x
   

Dalam distribusi Weibull, jika γ = 0, β = 1 distribusi Weibull menjadi

distribusi eksponensial.
Pemakaian distribusi Weibull = dalam reliability engineering sebagai
model jangka waktu kegagalan dalam komponen elektrik dan sistem.
Misal : dalam peralatan elektrik seperti elemen-elemen memori, dalam
pesawat terbang, seperti elemen-elemen struktur tersebut.
 1
Rata-rata distribusi Weibull : m   +  1 + 
  

Contoh soal :
Jangka waktu kerusakan suatu komponen elektronik adalah distribusi
weibull dengan β=1/2, γ=0, δ=1000 jam. (a) carilah rata-rata waktu yang
diperlukan komponen menjadi rusak! (b) berapa peluang komponen yang
diharapkan berfungsi baik sampai 5000 jam?
Jawab :
 1
a. m   +  1 + 
  

m  0 + 1000 1 + 2 

m  1000  3

m  1000 3  1!

m  1000 2 !
m  2000

  x    
b. 1  F ( x )  exp   
    
 

  5000  0 1 / 2 
1  F (5000)  exp   
  1000  
 

=0,107