DISTRIBUSI PROBABILITAS

(DISTRIBUSI TEORITIS)

I. PENDAHULUAN

Emperis distribusi frekuensi

Teori distribusi dari hasil-hasil perhitungan probabilitas dimana jumlah probabilitas yang
diamati = 1.0
P (x) = probabilitas = x/n

Jumlah kejadian yang diselidiki

P (x) = ------------------------------------------
Jumlah seluruh out come
Jumlah P (x) = 1

Distribusi IQ adalah :

IQ f P = x/n
60-69 26 26/1000
70-79 56 56/1000
80-89 145 145/1000
90-99 230 130/1000
100-109 235 235/1000
110-119 182 182/1000
120-129 82 82/1000
130-139 31 31/1000
140-149 13 13/1000
Jumlah 1000 1

Ada beberapa macam distribusi teoritis :

1. Distribusi Binomial (Bernaulli)
2. Distribusi Poisson
3. Distribusi Normal (Gauss)
4. Distribusi Student (‘t’ W. Gosset)
5. Distribusi Chi Square (X2)
6. Distribusi Fisher (F)
7. Dll

II. DISTRIBUSI NORMAL

1. Ciri-ciri distribusi normal :

a. Membentuk kurva normal (bentuk lonceng) dan simetris
b. Varibel random kontinu
c. Mean, median & modus sama tepat ditengah membagi
daerah kurva menjadi 2 bagian yang sama.
d. Secara teoritis ujung kurva memanjang, kedua arah
mendekati axis horizontal kecuali tak terhingga tetapi tidak
akan pernah mencapai axis horizontal
e. Luas daerah kurva = probabilitas = 1
f. Titik belok   

1 Distribusi Probabilitas/Oleh: Mahpolah, M.Kes

2. De moivren 1733 limit distribusi normal
3. Laplace 1775 1809 Gauss mempublikasi Distribusi Gauss – Laplace (N Gauss)
4. Paling banyak dipakai dalam analisis statistik
5. Kurva normal standar = kurva dan formulasi teoritis  = 0 dan  = 1 ---- N (0,1)
6. Kurva normal umum = N (,), berasal dari data emperis. Semakin besar data, maka kurva semakin
normal. Untuk suatu sampel yang cukup besar terutama untuk gejala alam seperti BB, TB biasanya
kurva yang dibentuk dari distribusi tersebut juga simetris dengan X tertentu dan SD (simpangan
baku/standar deviasi) tertentu, kurva simetris yang terjadi disebut kurva normal umum
7. Untuk dapat menentukan probabilitas didalam kurva normal umum, maka nilai yang akan dicari
ditransformasikan dulu ke nilai kurva normal standar melalui tranformasi Z (deviasi relatif)

x- x-
Z = ----------- Z = -----------
 SD
Z = nilai jarak dari titik 0
x = nilai pada sumbu horizontal
Berdasarkan distribusi teoritis
  1 SD memberi luas area 68,27 %
  2 SD memberi luas area 95,45 %
  3 SD memberi luas area 99,74 %

Soal:
1. Suatu penelitian terhadap 150 orang laki-laki yang berumur 40-60 tahun didapatkan rata-rata kadar
kolesterol mereka 215 mg % dan simpangan baku (standar deviasi = SD) 45 mg %. Hitunglah
peluang kita mendapatkan seorang yang kadar kolesterolnya:
a. > 250 mg %
b. < 200 mg %
c. antara 200 – 275 mg %
Penyelesaian:
x-
Z = -----------
SD
a. Z = (250 – 215) / 45 = 0,76 -------------- Tabel 0,276 (p = 0,224) -------satu arah
b. Z = (200 – 215) / 45 = -0,33 -------------- Tabel 0,129 (p = 0,371) -------satu arah
c. Z1= (200 – 215) / 45 = -0.33 -------------- Tabel 0,129 (p = 0,129) -------dua arah
Z2 = (275 – 215) / 45 = 1,33 -------------- Tabel 0,408 (p = 0,408)-------dua arah
____________ +
p = 0.537

2. Nilai rata-rata = 16 kg , SD = 5 kg, jumlah anak 180. Nilai Z = jarak dari titik 0. Berapa nilai Z
apabila diinginkan jarak dari nilai rata-rata adalah 24 kg ?

Penyelesaian :
x- 24 - 16
Z = ---------- = ---------------- = 1,6
SD 5
P (0 < Z < 1,6) = 0,4452 (dari tabel Z)
= 44,52 %

2 Distribusi Probabilitas/Oleh: Mahpolah, M.Kes

 Jumlah anak yang mempunyai BB 16-24 kg adalah 44,52 % x 180 orang = 80 orang
3. Berapa jumlah anak dengan BB antara 14,5 – 22,8 kg, bila  = 16 kg, SD = 5 kg, n = 180 anak.
Penyelesaian :
x- 14,5 - 16
Z = ---------- = --------------- = (-0,3) = 0,3  0,1179 (dari tabel) = 11,79 %
SD 5

22,8 - 16
Z = --------------- = 1,36  0,4131 (dari tabel) = 41,31 %
5
Jumlah anak dengan BB antara 14,5 + 22,8 kg adalah 41,31 % - 11,79 % = 53,1 %
Jadi 53,1 % x 180 = 95,58  96 anak

III. DISTRIBUSI BINOMIAL

1. Distribusi binomial diperuntukan pada probabilitas variabel random diskrit yang jumlah trialnya kecil
2. Distribusi random diskrit
3. Distribusi probabilitas diskrit
4. Distribusi Bernaulli (penemu: James Bernaulli)
Bernaulli trial mempunyai 4 syarat :
a. Jumlah trial merupakan bilangan bulat
b. Setiap eksperemen mempunyai 2 hasil (out come)
Sukses & Gagal
Contoh : * Laki / perempuan
* Sehat / Sakit
* Setuju / Tidak setuju
c. Peluang sukses sama setiap eksperemen
d. Setiap eksperemen independen satu sama lain
Didalam suatu eksperemen peluang sukses ------ p
peluang gagal ------ (1 – p) = q
Contoh :
1. Peluang seorang ibu hamil memeriksakan kehamilannya ke puskesmas 3/10, Peluang ibu hamil tidak
memeriksakan kehamilannya ke puskesmas adalah 0,7
2. Jumlah pasien tidak sembuh dalam suatu trial pengobatan 10 orang dari 200 orang. Peluang tidak
sembuh adalah (p) = 10/200 = 0.05, Peluang sembuh adalah 0,95

Kalau suatu trial dilakukan n kali (n = 1,2,…n) maka jumlah sukses (variabel random X) dapat menjalani
nilai dari 0 sampai n (0,1,2,…n) kali.
Simbol untuk suatu trial Bernaulli/Binomial --------- b (X, n, p).
Artinya: suatu probabilitas binomial (Bernaulli), banyaknya sukses yang akan terjadi pada n kali trial,
dimana probabilitas sukses setiap trial adalah = p
n!
f (x) = --------------- px.q(n – x)
x! (n – x)!
Contoh:
5. Pelemparan 3 mata uang P (M) = 0,5, jika 3 mata uang dilempar maka ada 8 kemungkinan:
MMB, MBB, MBM, MMM, BBM, BMM, BMB, BBB
n!
f (x) = -------------- px.q(n – x)

3 Distribusi Probabilitas/Oleh: Mahpolah, M.Kes

 x! (n – x)!
catatan: 0! = 1

Hasil Jumlah kombinasi Probabilitas setiap kombinasi

n!
M B ---------------- Px.q(n – x)
x! (n – x)
(x) (n – x)

0 3 3! (0.5)0.(0.5)3 = 1/8
------------- = 1
0! ( 3 – 0)!
1 2 3 (0.5)1.(0.5)2 = 1/8
2 1 3 (0.5)2.(0.5)1 = 1/8
3 0 1 (0.5)3.(0.5)0 = 1/8

Probabilitas :
f (0) = 1 x 1/8 = 0,125
f (1) = 3 x 1/8 = 0,375
f (2) = 3 x 1/8 = 0,375
f (3) = 1 x 1/8 = 0,125

Formula:
11
121
1331
14641

6. Probabilitas seorang bayi tidak diimunisasi (0,2), kalau pada suatu hari di puskesmas ada sebanyak 5
bayi. Hitunglah peluang 2 bayi belum diimunisasi !
Penyelesaian :
B (X=2, n=5, p=0,2) ---------------b (2,5, 0.2)

n!
f (x) = -------------- px.q(n – x)
x! (n – x)!

5!
f (2) = -------------- 0.22.0.8(5 – 2)
2! (5 – 2)!

5x4x3x2x1
p = ------------------- 0.04 x.0.512 = 0.2048
2x1(3x2x1)

IV. DISTRIBUSI POISON

Jika suatu kejadian dengan probabilitas p <<< dan menyangkut kejadian yang luas n >>>> maka
distribusi Poisson dapat digunakan untuk menjelaskannya.
Distribusi Poisson dipakai untuk menentukan peluang suatu kejadian yang jarang terjadi tetapi mengenai
populasi yang luas atau area yang luas dan juga berhubungan dengan waktu.

4 Distribusi Probabilitas/Oleh: Mahpolah, M.Kes

Misal : - Disuatu gerbang tol akan diliwati oleh ribuan mobil dalam satu hari kejadian bahwa akan terjadi
kecelakaan dari sekian banyak mobil yang liwat.
Distribusi Poisson merupakan fungsi probabilitas :

 x e-  x e-
P (x) = ------------ = -------------
x! x!
 =  = n.p = E (x) ----------- nilai rata-rata
e = konstanta = 2,71828
x = variabel random diskrit (1, 2, …..x)

Contoh :
1. Probabilitas untuk terjadi shok pada saat imunisasi dengan vaksinasi meningitis adalah 0,0005. Kalau
disuatu kota jumlah orang yang divaksinasi meningitis sebanyak 4000. Hitunglah peluang tepat tiga
orang akan terjadi shok.

Penyelesaian:
 =  = n.p = 4000 x 0,0005 = 2

23 x 2,71828 - 2
P (x=3) = ----------------------- = 0,1804
3x2x1

2. Angka kematian penyakit ginjal 2 %, ada 275 penderita. Berapa kemungkinan dari 275 penderita
tersebut ?
a) Tidak ada yang mati
b) Ada 2 yang mati
c) Paling banyak 3 orang

Penyelesaian:
 x e-
F (x) = --------------
x!

 = n.p
n = 275
p = 0.02
 = 275x0.02 = 5.5

(5,5)0 . 2,7183-5,5
a) F (0) = --------------------------- = 0.00495
0!

(5,5)2 . 2,7183-5,5
b) F (2) = --------------------------- = 0,07587

5 Distribusi Probabilitas/Oleh: Mahpolah, M.Kes

 2!

(5,5)0 . 2,71828-5,5
c) F (0) = ------------------------------ = 0.00495
0!
(5,5) . 2,71828-5,5
1

F (1) = ------------------------------ = 0,02727

1!

(5,5)2 . 2,71828-5,5
F (2) = ------------------------------- = 0,07587
2!

(5,5)3 . 2,71828-5,5
F (3) = -------------------------------- = 0,13747
3!
jadi P (0) + P(1) + P(2) + P(3) = 0,00495 + 0,02727 + 0,07587 + 0,13747 = 0, 24556

6 Distribusi Probabilitas/Oleh: Mahpolah, M.Kes