MATEMATIKA DASAR 2A

Submodul 13: Variabel Acak dan Distribusi Diskrit

Tim Matematika

TAHAP PERSIAPAN BERSAMA

INSTITUT TEKNOLOGI SUMATERA - LAMPUNG SELATAN
24 FEBRUARI 2020
 1
PENDAHULUAN

Pelemparan sejumlah koin merupakan suatu contoh percobaan statistika,

suatu istilah yang memberikan setiap proses yang menghasilkan
pengamatan yang berkemungkinan. Mengetahui bahwa distribusi variabel
acak memberi tahu kita semua tentang variabel acak. Namun, dalam
praktiknya, sering kali tidak mungkin atau tidak perlu untuk mengetahui
semua peluang distribusi dari variabel acak yang menggambarkan
eksperimen acak tertentu. Sebagai gantinya, mungkin cukup untuk
menentukan beberapa kuantitas karakteristik, seperti nilai rata-rata dan
ukuran yang menggambarkan penyebaran di sekitar nilai rata-rata.
Suatu percobaan sering terdiri atas beberapa usaha, tiap usaha
dengan dua kemungkinan hasil yang dapat diberi nama keberhasilan atau
kegagalan. Hal ini terjadi, misalnya pada pengujian barang produksi, dengan
tiap pengujian atau usaha menunjukkan apakah suatu barang cacat atau
tidak cacat. Dalam modul ini juga akan dibahas mengenai distribusi
binomial.
Modul 13 ini memberikan materi Variabel Acak dan Distribusi Diskrit.
Perlu diketahui bahwa dalam mempelajari variabel acak dan distribusi diskrit
dibutuhkan pemahaman tentang konsep dari modul-modul sebelumnya
terutama tentang turunan, integral, ruang sampel, dan peluang.
Berdasarkan penjelasan di atas, tujuan instruksional yang harus dicapai
mahasiswa pada pembelajaran ini antara lain mahasiswa:

• Mampu menghitung peluang suatu kejadian melalui variabel

1 acak diskrit

• Mampu menghitung dan menggambar suatu fungsi distribusi

2 diskrit

• Mampu menghitung nilai harapan (mean) dan variansi untuk

3
suatu variabel acak yang diberikan atau suatu ruang sampel
diskrit

• Dapat menghitung peluang kasus diskrit dan menggunakan

4 tabel distribusi binomial
 2
MATERI PERKULIAHAN

13.1. VARIABEL ACAK DISKRIT

Hasil percobaan acak sering kali adalah bilangan real, seperti banyaknya
jumlah gambar dalam percobaan melempar koin, banyaknya jumlah biji
yang dihasilkan dalam persilangan antara dua tanaman, atau masa hidup
serangga. Hasil numerik seperti itu dapat dijelaskan oleh variabel acak.
Variabel acak adalah fungsi dari ruang sampel 𝑆 ke dalam himpunan
bilangan real. Variabel acak biasanya dilambangkan dengan 𝑋, 𝑌, atau 𝑍,
atau huruf kapital lain. Misalnya,
𝑋∶ 𝑆→ℝ
menjelaskan variabel acak 𝑋 sebagai peta dari ruang sampel 𝑆 ke dalam
kumpulan bilangan real. Pengambilan data acak tervariabel secara acak
untuk mengaturnya. Jika X mengambil kumpulan nilai konkrit (terbatas atau
tidak terbatas), 𝑋 disebut variabel acak diskrit. Jika 𝑋 mengambil rentang
nilai kontinu, misalnya, nilai yang berkisar pada suatu interval 𝑋 disebut
variabel acak kontinu. Variabel acak diskrit adalah topik yang dibahas pada
modul ini, variabel acak kontinu akan dibahas pada modul selanjutnya.

Dalam contoh di bagian ini, kita melihat variabel acak yang mengambil nilai
diskrit adalah himpunan yang terbatas.
Contoh 13.1
Percobaan pelemparan sebuah koin sebanyak tiga kali. Misalkan 𝑋
menjadi variabel acak yang menghitung banyaknya bagian gambar di
setiap hasil percobaan pelemparan yang keluar. Dengan G adalah hasil
percobaan munculnya bagian gambar dan A adalah hasil percobaan
munculnya bagian angka.
Ruang sampel adalah
𝑆 = {𝐺𝐺𝐺, 𝐺𝐺𝐴, 𝐺𝐴𝐺, 𝐴𝐺𝐺, 𝐺𝐴𝐴, 𝐴𝐺𝐴, 𝐴𝐴𝐺, 𝐴𝐴𝐴}
dan variabel acak
𝑋∶ 𝑆→ℝ
dengan mengambil nilai 0 untuk hasil percobaan tidak munculnya
bagian gambar dalam tiga kali pelemparan, nilai 1 untuk hasil
 3
percobaan munculnya bagian gambar sebanyak satu kali dalam tiga
kali pelemparan, nilai 2 untuk hasil percobaan munculnya bagian
gambar sebanyak dua kali dalam tiga kali pelemparan, nilai 3 untuk
hasil percobaan munculnya gambar sebanyak tiga kali dalam tiga kali
pelemparan. Misalnya,
𝑋(𝐺𝐺𝐺 ) = 3
𝑋(𝐺𝐴𝐺 ) = 2
𝑋(𝐴𝐴𝐺 ) = 1
𝑋(𝐴𝐴𝐴) = 0

Bagaimana cara menetapkan peluang (kemungkinan/ probabilitas) ke nilai

yang berbeda dari variabel acak 𝑿? Biasanya, perlu dibatasi untuk kasus
ketika variabel acak 𝑋 terbatas.
Pada Contoh 13.1, pelemparan sebuah koin. Ini berarti bahwa setiap
hasil pelemparan memiliki peluang yang sama, yaitu, 1/8. Kita dapat
menerjemahkan kumpulan peluang ini menjadi peluang untuk 𝑋. Misalnya,
1
𝑝(0) = 𝑃 (𝑋 = 0) = 𝑃(𝐴𝐴𝐴) =
8
𝑝(1) = 𝑃 (𝑋 = 1) = 𝑃({𝐺𝐴𝐴, 𝐴𝐺𝐴, 𝐴𝐴𝐺 }) = 𝑃 (𝐺𝐴𝐴) + 𝑃(𝐴𝐺𝐴) + 𝑃(𝐴𝐴𝐺 )
1 1 1 3
= + + =
8 8 8 8
𝑝(2) = 𝑃 (𝑋 = 2) = 𝑃({𝐺𝐺𝐴, 𝐺𝐴𝐺, 𝐴𝐺𝐺 }) = 𝑃 (𝐺𝐺𝐴) + 𝑃 (𝐺𝐴𝐺 ) + 𝑃(𝐴𝐺𝐺 )
1 1 1 3
= + + =
8 8 8 8
1
𝑝(3) = 𝑃 (𝑋 = 3) = 𝑃(𝐺𝐺𝐺 ) =
8
Sehingga perhitungan untuk semua nilai 𝑋 seperti pada Tabel 13.1 berikut,
Tabel 13.1
𝒙 𝑷(𝑿 = 𝒙)
0 1/8
1 3/8
2 3/8
3 1/8
 4
Fungsi 𝑝(𝑥 ) = 𝑃(𝑋 = 𝑥) disebut fungsi kepadatan peluang (fungsi massa
probabilitas). Perhatikan bahwa 𝑝(𝑥 ) ≥ 0 dan ∑𝑥 𝑝(𝑥 ) = 1 adalah sifat-sifat
yang mendefinisikan fungsi kepadatan peluang.
Definisi.
Sebuah variabel acak disebut variabel acak diskrit jika variabel itu
mengambil nilai diskrit terbatas atau tidak terbatas. Peluang distribusi 𝑋 dapat
digambarkan dengan fungsi kepadatan peluang 𝑝(𝑥 ) yang memiliki sifat-sifat
berikut:
1. 𝑝(𝑥 ) ≥ 0
2. ∑𝑥 𝑝(𝑥 ) = 1, di mana jumlahnya lebih dari semua nilai 𝑋 dengan
𝑃 (𝑋 = 𝑥 ) > 0
3. 𝑃(𝑋 = 𝑥 ) = 𝑝(𝑥)

Fungsi kepadatan peluang adalah salah satu cara untuk menggambarkan

peluang distribusi dari variabel acak diskrit. Fungsi penting lainnya yang
menggambarkan peluang distribusi dari variabel acak 𝑋 adalah fungsi
distribusi kumulatif 𝐹 (𝑥 ) = 𝑃(𝑋 ≤ 𝑥). Fungsi ini didisain untuk setiap variabel
acak, tidak hanya diskrit.
Definisi.
Fungsi distribusi kumulatif 𝐹 (𝑥 ) dari variabel acak 𝑋 didefinisikan sebagai

𝐹 (𝑥 ) = 𝑃 (𝑋 ≤ 𝑥 ) = ∑ 𝑝(𝑡) untuk − ∞ < 𝑥 < ∞

𝑡≤𝑥

"fungsi distribusi kumulatif," biasanya hanya disebut "fungsi distribusi."

Fungsi kepadatan peluang dan fungsi distribusi adalah cara yang setara
untuk menggambarkan peluang distribusi dari variabel acak diskrit, dan kita
dapat memperoleh satu dari yang lain, seperti yang diilustrasikan dalam
Contoh 13.2 dan Contoh 13.3 berikut.
Contoh 13.2
Misalkan fungsi kepadatan peluang dari variabel acak diskrit 𝑋 diberikan
oleh
Tabel 13.2.
 5

Tabel 13.2
𝒙 𝑷(𝑿 = 𝒙)
-1 0.1
0 0.2
1.5 0.05
3 0.15
5 0.5

Tentukan dan gambarkanlah grafik fungsi distribusi 𝐹(𝑥) yang sesuai.

Jawab.
Fungsi 𝐹(𝑥) didefinisikan untuk semua nilai 𝑥 ∈ ℝ.
Untuk contoh,
𝐹 (−2.3) = 𝑃(𝑋 ≤ −2.3) = 𝑃 (∅) = 0
𝐹 (−1) = 𝑃(𝑋 ≤ −1) = 𝑃 (𝑋 = −1 ) = 0.1
𝐹 (0) = 𝑃(𝑋 ≤ 0) = 𝑃 (𝑋 = −1 ) + 𝑃(𝑋 = 0) = 0.1 + 0.2 = 0.3
𝐹 (1.5) = 𝑃(𝑋 ≤ 1.5) = 𝑃 (𝑋 = −1 ) + 𝑃 (𝑋 = 0) + 𝑃 (𝑋 = 1.5)
= 0.1 + 0.2 + 0.05 = 0.35
𝐹 (3) = 𝑃(𝑋 ≤ 3) = 𝑃 (𝑋 = −1 ) + 𝑃(𝑋 = 0) + 𝑃 (𝑋 = 1.5) + 𝑃 (𝑋 = 3)
= 0.1 + 0.2 + 0.05 + 0.15 = 0.5
𝐹 (5) = 𝑃(𝑋 ≤ 5) = 𝑃 (𝑋 = −1 ) + 𝑃(𝑋 = 0) + 𝑃 (𝑋 = 1.5) + 𝑃 (𝑋 = 3) + 𝑃(𝑋 = 5)
= 0.1 + 0.2 + 0.05 + 0.15 + 0.5 = 1
Fungsi distribusi 𝐹 (𝑥 ) adalah fungsi yang ditentukan secara terpisah
(sepotong demi sepotong). Sehingga diperoleh,
0 untuk 𝑥 < −1
0.1 untuk − 1 ≤ 𝑥 < 0
0.3 untuk 0 ≤ 𝑥 < 1.5
𝐹(𝑥) =
0.35 untuk 1.5 ≤ 𝑥 < 3
0.5 untuk 3 ≤ 𝑥 < 5
{1 untuk 𝑥 ≥ 5

Grafik 𝐹 (𝑥 ) ditunjukkan pada Gambar 13.1 berikut,

 6

Gambar 13.1. Fungsi Distribusi 𝑭(𝒙)

Pada Gambar 13.1, kita melihat bahwa grafik 𝐹 (𝑥 ) adalah fungsi yang tidak
menurun dan konstan-satu yang mengambil lompatan pada nilai-nilai 𝑥 di
mana 𝑃 (𝑋 = 𝑥 ) > 0. Fungsi 𝐹(𝑥) adalah benar kontinu; yaitu, untuk setiap 𝑐 ∈
ℝ,
lim 𝐹 (𝑥 ) = 𝐹(𝑐)
𝑥→𝑐 +

Fungsi tersebut tidak kontinu kiri di mana-mana, karena, pada nilai 𝑐 ∈ ℝ di

mana 𝑃 (𝑋 = 𝑐 ) > 0,
lim 𝐹 (𝑥 ) ≠ 𝐹(𝑐)
𝑥→𝑐 −

Misalnya, ketika 𝑐 = 3,
lim 𝐹 (𝑥 ) = 0.35 ≠ 𝐹 (3) = 0.5
𝑥→3−

Selanjutnya, fungsi distribusi memiliki karakteristik tambahan sebagai berikut:

lim 𝐹 (𝑥 ) = 0 dan lim 𝐹 (𝑥 ) = 1
𝑥→−∞ 𝑥→∞

Dimungkinkan untuk mendapatkan fungsi kepadatan peluang dari fungsi

distribusi. Mari kita lihat fungsi distribusi dari Contoh 13.2. Fungsi melompat
ketika 𝑥 = 3 dan tinggi lompatan adalah 0.15. Karena 𝐹 (𝑥 ) = 𝑃(𝑋 ≤ 𝑥),
sehingga
𝑝(3) = 𝑃 (𝑋 = 3) = 𝑃(𝑋 ≤ 3) − 𝑃(𝑋 < 3)
= 𝐹 (3) − lim− 𝐹 (𝑥 ) = 0.5 − 0.35 = 0.15
𝑥→3

Kita melihat bahwa fungsi distribusi melompat pada nilai 𝑋 dimana 𝑃 (𝑋 = 𝑥 ) >
0. Tinggi lompatan kemudian sama dengan peluang bahwa 𝑋 mengambil
nilai tersebut.
 7
Contoh 13.3
Misalkan fungsi distribusi dari variabel acak diskrit 𝑋 diberikan oleh
0 untuk 𝑥 < −5
0.2 untuk − 5 ≤ 𝑥 < 2
𝐹(𝑥) = 0.6 untuk 2 ≤ 𝑥 < 3
0.7 untuk 3 ≤ 𝑥 < 6.5
{ 1.0 untuk 𝑥 ≥ 6.5
Tentukan fungsi kepadatan peluang yang sesuai.
Jawab.
Kita perlu melihat titik 𝑥 ∈ ℝ di mana 𝐹(𝑥) melompat. Titik-titik di mana
𝑝(𝑥 ) = 𝑃(𝑋 = 𝑥 ) > 0. Tinggi lompatan sama dengan peluang bahwa 𝑋
mengambil nilai tersebut. Diperoleh,
𝑝(−5) = 𝑃(𝑋 = −5) = 𝑃 (𝑋 ≤ −5) − 𝑃 (𝑋 < −5)
= 𝐹 (−5) − lim− 𝐹 (𝑥 ) = 0.2 − 0.0 = 0.2
𝑥→5

𝑝(2) = 𝑃(𝑋 = 2) = 𝑃 (𝑋 ≤ 2) − 𝑃 (𝑋 < 2)

= 𝐹 (2) − lim− 𝐹 (𝑥 ) = 0.6 − 0.2 = 0.4
𝑥→2

𝑝(3) = 𝑃(𝑋 = 3) = 𝑃 (𝑋 ≤ 3) − 𝑃 (𝑋 < 3)

= 𝐹 (3) − lim− 𝐹 (𝑥 ) = 0.7 − 0.6 = 0.1
𝑥→3

𝑝(6.5) = 𝑃(𝑋 = 6.5) = 𝑃 (𝑋 ≤ 6.5) − 𝑃(𝑋 < 6.5)

= 𝐹 (6.5) − lim − 𝐹 (𝑥 ) = 1.0 − 0.7 = 0.3
𝑥→6.5

Sehingga fungsi kepadatan peluang dari variabel acak diskrit 𝑋 pada

Tabel 13.3 berikut.
Tabel 13.3
𝒙 𝑷(𝑿 = 𝒙)
-5 0.2
2 0.4
3 0.1
6.5 0.3
Tidak ada nilai 𝑥 di mana 𝑃(𝑋 = 𝑥 ) > 0. Kita dapat memeriksa hasil
dengan menjumlahkan peluang yang baru saja ditemukan:
𝑝(−5) + 𝑝(2) + 𝑝(3) + 𝑝(6.5) = 0.2 + 0.4 + 0.1 + 0.3 = 1.0
Penjumlahannya menjadi 1, yang menunjukkan bahwa tidak ada nilai
lain 𝑥 di mana 𝑃(𝑋 = 𝑥 ) > 0.
 8
13.2. DISTRIBUSI DISKRIT

13.2.1. Nilai Harapan

13.2.1.1. Nilai Rata-rata (Mean) dari Variabel Acak Diskrit
Nilai rata-rata 𝑋 disebut harapan matematika atau nilai harapan
variabel acak dari 𝑋 (ekspektasi), atau mean, dan dilambangkan dengan
𝐸(𝑋). Nilai harapan adalah jumlah yang sangat penting. Berikut ini definisinya:
Jika 𝑋 adalah variabel acak diskrit, maka nilai harapan, atau mean, dari 𝑋
adalah

𝐸 (𝑋 ) = ∑ 𝑥 𝑃 (𝑋 = 𝑥 )
𝑥

dengan penjumlahannya melebihi semua nilai 𝑥 dengan 𝑃(𝑋 = 𝑥 ) > 0.

Ketika rentang 𝑋 adalah terbatas, jumlah dalam definisi selalu ditentukan.
Ketika kisaran 𝑋 tidak terbatas, kita harus menjumlahkan jumlah istilah yang
tidak terbatas. Jumlah seperti itu bisa terbatas atau tidak terbatas,
tergantung pada distribusi 𝑋. Nilai harapan dari 𝑋 didefinisikan hanya jika
keduanya yaitu ∑𝑥<0 𝑥 𝑃(𝑋 = 𝑥 ) dan ∑𝑥≥0 𝑥 𝑃(𝑋 = 𝑥 ) adalah terbatas. Oleh
karena itu, kita akan membatasi permasalahan untuk kasus-kasus di mana
jumlahnya terbatas.

Contoh 13.4
Ukuran sarang burung dapat dianggap sebagai variabel acak. Misalkan
𝑋 menunjukkan banyaknya telur per sarang yang diletakkan oleh spesies
burung tertentu, dan menganggap bahwa distribusi 𝑋 dijelaskan oleh
fungsi kepadatan peluang berikut:
𝒙 𝑷(𝑿 = 𝒙)
1 0.05
2 0.1
3 0.2
4 0.3
5 0.25
6 0.1
 9
Nilai rata-rata telur per sarang dihitung sebagai nilai rata-rata jumlah
tertimbang yaitu

nilai rata − rata = 𝐸 (𝑋) = ∑ 𝑥 𝑃 (𝑋 = 𝑥 )

𝑥

= (1)(0.05) + (2)(0.1) + (3)(0.2) + (4)(0.3) + (5)(0.25) + (6)(0.1)

= 3.9
Jadi, ukuran sarang burung rata-rata adalah 3.9.

Dalam Contoh 13.5 akan memperkenalkan gagasan tentang frekuensi relatif,

yang memberi tahu seberapa sering suatu nilai muncul dalam sampel relatif
terhadap ukuran sampel total.
Contoh 13.5
Tabel berikut berisi banyaknya daun per tanaman selasih dalam 25
sampel tanaman selasih:
16 15 13 16 16
14 16 15 18 17
16 18 16 14 16
16 16 15 15 16
15 18 16 16 15

Untuk menemukan distribusi frekuensi relatif, kita harus menghitung

seberapa sering setiap nilai terjadi dan kemudian dibagi dengan ukuran
sampel, yaitu 25 dalam kasus ini. Hasilnya dalam tabel berikut:
Banyak Daun 13 14 15 16 17 18
2 1 6 12 1 3
Frekuensi Relatif
25 25 25 25 25 25

Kita tafsirkan frekuensi relatif sebagai peluang. Jika variabel acak 𝑋

menunjukkan banyaknya daun per tanaman dengan distribusi peluang
yang diberikan oleh distribusi frekuensi relatif, maka nilai harapan dari
banyaknya daun per tanaman adalah
2 1 6 12 1 3 1
𝐸(𝑋) = 13. + 14. + 15. + 16. + 17. + 18. = 393. = 15.72
25 25 25 25 25 25 25
 10
Perhatikan bahwa meskipun banyaknya daun per tanaman adalah
bilangan bulat, nilai rata-rata daun per tanaman tidak. Kita benar-benar
akan kehilangan informasi berharga jika membulatkan angka rata-rata
ke bilangan bulat terdekat.

Penting untuk dipahami bahwa nilai harapan dari variabel acak bilangan
bulat tidak perlu berupa bilangan bulat. Untuk menekankan hal ini,
pertimbangkan nilai rata-rata harapan kelahiran seumur hidup oleh wanita
berusia 18 hingga 34 tahun pada tahun 1992. (Data yang diambil adalah
data dari Biro Sensus AS, yang diterbitkan pada tahun 1994) Banyaknya
harapan kelahiran seumur hidup oleh seorang wanita yang bukan lulusan
sekolah menengah adalah 2.393, sedangkan angka yang sesuai untuk
wanita dengan gelar sarjana atau profesional adalah 1.990. Jika kita
membulatkan angka-angka ini ke bilangan bulat terdekat, akan sama, yaitu,
2; kita tidak akan lagi melihat perbedaan antara kedua kelompok
perempuan itu.

Kita dapat mengubah definisi nilai harapan 𝑋 ke nilai harapan fungsi 𝑋.

Misalkan 𝑔(𝑥) adalah fungsi 𝑥. Sehingga

𝐸 [𝑔(𝑋)] = ∑ 𝑔(𝑥) 𝑃(𝑋 = 𝑥 )

𝑥

Contoh 13.6
Hitunglah 𝐸(𝑋 2 ) untuk variabel acak 𝑋 dalam Contoh 13.4.
Jawab
Dengan menggunakan fungsi kepadatan peluang yang diberikan
dalam Contoh 13.4, diperoleh

𝐸 (𝑋 2 ) = ∑ 𝑥 2 𝑃 (𝑋 = 𝑥 )
𝑥

= (1)2 (0.05) + (2)2 (0.1) + (3)2 (0.2) + (4)2 (0.3) + (5)2 (0.25) + (6)2 (0.1)
= 16.9 ∎
 11
13.2.1.2. Ragam (Variansi) dari Variabel Acak Terpisah
Kuantitas penting lainnya yang menjadi ciri distribusi variabel acak adalah
ragam (variansi). Variansi tersebut menggambarkan bagaimana
penyebaran rentang variabel acak. Untuk memotivasi definisi, mari kita lihat
dua variabel acak 𝑋 dan 𝑌, dengan fungsi kepadatan peluang berikut:
𝒌 𝑷(𝑿 = 𝒌) 𝑷(𝒀 = 𝒌)
-10 0 0.2
-1 0.2 0
0 0.6 0.6
1 0.2 0
10 0 0.2

Kita gambarkan dua distribusi ini seperti pada Gambar 13.2 berikut:

Gambar 13.2. Fungsi kepadatan peluang 𝑿 dan 𝒀. Distribusi 𝒀 lebih tersebar

daripada distribusi 𝑿.

Kedua variabel acak memiliki rata-rata 0, tetapi rentang 𝑌 jauh lebih tersebar
daripada kisaran 𝑋.
 12
Untuk menangkap ide ini dalam kuantitas tunggal, kita akan menghitung
variansi, yang didefinisikan sebagai rata-rata tertimbang dari jarak kuadrat ke
rata-rata:
Untuk setiap variabel acak 𝑋 dengan rata-rata 𝜇, variansi 𝑋 didefinisikan
sebagai
var(𝑋) = 𝐸 [(𝑋 − 𝜇 )2 ]
Jika 𝑋 adalah variabel acak diskrit, maka

var(𝑋) = ∑(𝑥 − 𝜇 )2 𝑃(𝑋 = 𝑥 )

𝑥

Karena variansi adalah nilai rata-rata dari jarak kuadrat, nilainya selalu tidak
negatif. Kita kembali ke variabel acak 𝑋 dan 𝑌. Nilai mean keduanya sama
dengan 0, begitu juga variansinya adalah

var(𝑋) = ∑(𝑘 − 𝜇 )2 𝑃 (𝑋 = 𝑘 )
𝑘

= (−10 − 0)2 (0) + (−1 − 0)2 (0.2) + (0 − 0)2 (0.6) + (1 − 0)2 (0.2) + (10 − 0)2 (0)
= 0.4

var(𝑌) = ∑(𝑘 − 𝜇 )2 𝑃 (𝑌 = 𝑘 )
𝑘

= (−10 − 0)2 (0.2) + (−1 − 0)2 (0) + (0 − 0)2 (0.6) + (1 − 0)2 (0) + (10 − 0)2 (0.2)
= 40
Kita melihat bahwa variansi 𝑌 lebih besar dari variansi 𝑋, mencerminkan fakta
bahwa rentang 𝑌 lebih tersebar daripada rentang 𝑋.

Variansi 𝑋 sering dilambangkan dengan 𝜎 2 (baca “sigma kuadrat”). Kuantitas

yang terkait erat dengan variansi adalah simpangan baku (standar deviasi),
dilambangkan dengan s.d. atau 𝜎. Simpangan baku didefinisikan sebagai
akar kuadrat dari variansi

s. d = 𝜎 = √var(𝑋)

Simpangan baku memiliki keuntungan bahwa ia memiliki unit yang sama

dengan mean dan dapat ditafsirkan lebih mudah daripada variansi.
 13
Contoh 13.7
Hitung variansi dan simpangan baku dari banyaknya daun per tanaman
pada Contoh 13.5.
Jawab.
Misalkan 𝑋 adalah variabel acak yang menghitung banyaknya daun
per tanaman dengan peluang distribusi yang diberikan dalam tabel
Contoh 13.5. Dalam contoh tersebut, diperoleh bahwa 𝐸 (𝑋) = 15.72.
Oleh karena itu, variansi 𝑋 adalah

var(𝑋) = ∑(𝑥 − 𝜇 )2 𝑃(𝑋 = 𝑥 )

𝑥
2 1 6
= (13 − 15.72)2 + (14 − 15.72)2 + (15 − 15.72)2
25 25 25
12 1 3
+(16 − 15.72)2 + (17 − 15.72)2 + (18 − 15.72)2
25 25 25
= 11.5616
dan simpangan baku 𝑋 adalah

s. d. (𝑋) = 𝜎 = √var(𝑋) = √1.5616 ≈ 1.2496 ∎

Kita dapat menggunakan aturan untuk menemukan formula alternatif untuk

variansi. Mulai dengan
(𝑋 − 𝜇 )2 = 𝑋 2 − 2𝑋𝜇 + 𝜇 2
kemudian mengalikan harapan pada kedua sisi, diperoleh
𝐸 (𝑋 − 𝜇 )2 = 𝐸(𝑋 2 − 2𝑋𝜇 + 𝜇 2 )
Karena harapan dari penjumlahan adalah jumlah dari harapan, pada sisi
kanan dapat disederhanakan menjadi
𝐸 (𝑋 2 ) − 𝐸(2𝑋𝜇 ) + 𝐸 (𝜇 2 ) = 𝐸(𝑋 2 ) − 2𝜇𝐸 (𝑋) + 𝜇 2 = 𝐸 (𝑋 2 ) − [𝐸 (𝑋)]2
Karena 𝜇 = 𝐸(𝑋), 𝐸 (𝜇 2 ) = 𝜇 2 = [𝐸 (𝑋)]2 , dan 𝐸 (2𝜇𝑋) = 2𝜇𝐸 (𝑋) = 2[𝐸 (𝑋)]2 .
Dengan 𝐸 (𝑋 − 𝜇 )2 = var(𝑋), diperoleh
var(𝑋) = 𝐸(𝑋 2 ) − [𝐸 (𝑋)]2

Rumus variansi ini sering lebih nyaman digunakan, karena rumus ini
menghasilkan ekspresi yang lebih sederhana secara aljabar. Perhatikan
bahwa 𝐸 (𝑋 2 ) ≠ [𝐸 (𝑋)]2 , kecuali var(𝑋) = 0, dan 𝐸 (𝑋 2 ) ≥ [𝐸 (𝑋)]2 , karena
 14
var(𝑋) ≥ 0. Pada Contoh 13.8, diterapkan formula ini ke variabel acak 𝑋
dalam Contoh 13.4.

Contoh 13.8
Gunakanlah variabel acak 𝑋 dalam Contoh 13.4, hasil dari Contoh 13.6,
dan rumus alternatif variansi untuk menghitung variansi 𝑋.
Jawab.
Dalam Contoh 13.4, diperoleh bahwa 𝐸 (𝑋) = 3.9. Dalam Contoh 13.6,
kita hitung 𝐸(𝑋 2 ) dan diperoleh
𝐸(𝑋 2 ) = 16.9
Sehingga,
var(𝑋) = 𝐸 (𝑋 2 ) − [𝐸 (𝑋)]2 = 16.9 − (3.9)2 = 1.69 ∎

13.2.2. Distribusi Binomial

Dalam subbab ini, kita akan membahas variabel acak diskrit yang
memodelkan banyaknya keberhasilan di antara banyaknya percobaan.
Misalkan melakukan secara acak percobaan berulang di mana setiap
percobaan memiliki dua hasil yang mungkin: yaitu berhasil atau gagal.
Setiap percobaan tersebut disebut percobaan Bernoulli. Uji coba bersifat
independen dan peluang keberhasilan dalam setiap uji coba adalah 𝑝.
Kami mendefinisikan variabel acak 𝑋𝑘 , 𝑘 = 1, 2, … , 𝑛, sebagai
1 jika percobaan ke − 𝑘 adalah berhasil
𝑋𝑘 = {
0 lainnya
dengan 𝑃 (𝑋𝑘 = 1) = 𝑝 = 1 − 𝑃(𝑋𝑘 = 0) untuk 𝑘 = 1, 2, … , 𝑛.
Jika kita mengulangi percobaan ini sebanyak 𝑛 kali, kita mungkin ingin
mengetahui banyaknya total keberhasilan. Kita menetapkan
𝑆𝑛 = banyaknya keberhasilan dalam 𝑛 percobaan
Kita dapat mendefinisikan 𝑆𝑛 dalam variabel acak 𝑋𝑘 sebagai
𝑛

𝑆𝑛 = ∑ 𝑋𝑘 (1)
𝑘=1

Karena percobaan adalah bebas (independen), representasi ini

menunjukkan bahwa 𝑆𝑛 dapat ditulis sebagai penjumlahan dari variabel
 15
acak independen, semuanya memiliki distribusi yang sama. Kita akan
menggunakan persamaan (1) untuk selanjutnya.
Variabel acak 𝑆𝑛 adalah diskrit dan mengambil nilai 0, 1, 2, … , 𝑛. Untuk
menemukan fungsi kepadatan peluang 𝑝(𝑘 ) = 𝑃(𝑆𝑛 = 𝑘), kita berdebat
sebagai berikut: Peristiwa {𝑆𝑛 = 𝑘} dapat direpresentasikan sebagai rangkaian
dari nol dan yang memanjang, di mana 0 merupakan kegagalan dan 1
mewakili keberhasilan. Sebagai contoh, jika 𝑛 = 5 dan 𝑘 = 3, maka 01101
dapat diartikan sebagai hasil dari lima percobaan, yang pertama
menghasilkan kegagalan, diikuti oleh dua keberhasilan, kemudian
kegagalan, dan akhirnya keberhasilan. Peluang hasil khusus ini mudah
dihitung, karena uji coba bersifat independen. Kita peroleh
𝑃 (01101) = (1 − 𝑝)𝑝𝑝(1 − 𝑝)𝑝 = 𝑝3 (1 − 𝑝)2
Hasil 01101 bukan satu-satunya dengan tiga keberhasilan dalam lima
percobaan: Setiap rangkaian dengan panjang 5 dengan tepat tiga yang
memiliki peluang yang sama. Untuk menentukan banyaknya rangkaian yang
5
berbeda dengan sifat ini, perhatikan bahwa ada ( ) cara yang berbeda
3
untuk menempatkan ketiga di lima posisi yang mungkin dan ada tepat satu
cara untuk menempatkan nol di dua posisi yang tersisa. Karenanya, ada
5 5
( ) . 1 = ( ) rangkaian yang berbeda dengan panjang 5 dengan tepat tiga.
3 3
Ada cara lain untuk menemukan ini; yaitu, ada 5! cara mengatur tiga yang
dan dua nol jika nol dan yang dibedakan. Karena nol dan yang dapat
disusun ulang di antara itu sendiri tanpa mengubah hasilnya, kita harus
membagi dengan urutan. Kemudian menemukan bahwa ada
5! 5
=( )
3! 2! 3
hasil yang berbeda. Karena semua hasil sama-sama mungkin, diperoleh
5
𝑃(𝑆5 = 3) = ( ) 𝑝3 (1 − 𝑝)2
3

Kita dapat menggunakan alasan yang sama untuk memperoleh rumus

umum, yang disimpulkan sebagai berikut:
 16
Distribusi Binomial.
Misalkan 𝑆𝑛 adalah variabel acak yang menghitung banyaknya keberhasilan
dalam uji independen, masing-masing memiliki peluang keberhasilan 𝑝 dan
peluang kegagalan 𝑞 = 1 − 𝑝. Kemudian 𝑆𝑛 dikatakan didistribusikan secara
biner dengan parameter 𝑛 dan 𝑝, dan
𝑛
𝑏(𝑘; 𝑛, 𝑝) = 𝑃 (𝑆𝑛 = 𝑘 ) = ( ) 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 , 𝑘 = 0, 1, 2, … , 𝑛
𝑘
Variabel acak 𝑆𝑛 disebut variabel acak binomial, dan distribusinya disebut
distribusi binomial.

Contoh 13.9
Pelemparan sebuah koin sebanyak empat kali. Tentukan peluang
bahwa sebenarnya ada tiga bagian gambar yang muncul.
Jawab.
Misalkan 𝑆4 menunjukkan banyaknya bagian gambar yang muncul. Jika
bagian gambar menunjukkan keberhasilan, maka peluang keberhasilan
adalah 𝑝 = 1/2. 𝑆4 adalah distribusi binomial dengan parameter 𝑛 = 4
dan 𝑝 = 1/2. Sehingga,
3
4 1 1 4! 1 4 1 1
( )
𝑃 𝑆4 = 3 = ( ) ( ) (1 − ) = ( ) = 4( ) =
3 2 2 3! 1! 2 16 4
Jika kita hitung menggunakan tabel distribusi binomial pada Lampiran
(hal 22) maka
𝑟=3 𝑟=2

𝑏(𝑥; 𝑛, 𝑝) = 𝑏(3; 4,0.5) = ∑ 𝑏(𝑥; 4,0.5) − ∑ 𝑏(𝑥; 4,0.5)

𝑥=0 𝑥=0
1
= 0.9375 − 0.6875 = 0.25 = ∎
4
Contoh 13.10
Dalam pengiriman 10 kotak, setiap kotak memiliki peluang 0.2 rusak.
Tentukan peluang memiliki dua atau lebih kotak yang rusak dalam
pengiriman.
Jawab.
Misalkan 𝑆10 menunjukkan banyaknya kotak yang rusak dalam
pengiriman. 𝑆10 adalah distribusi binomial dengan parameter 𝑛 = 10 dan
 17
𝑝 = 0.2. Kejadian dua atau lebih kotak yang rusak kemudian dapat ditulis
sebagai 𝑆10 ≥ 2. Untuk menghitung 𝑃(𝑆10 ≥ 2), kita gunakan rumus
𝑃(𝑆10 ≥ 2) = 1 − 𝑃(𝑆10 < 2) = 1 − [𝑃 (𝑆10 = 0) + 𝑃 (𝑆10 = 1)]
10 ( )0 ( )10 10
= 1 − [( ) 0.2 0.8 + ( ) (0.2)1 (0.8)9 ]
0 1
≈ 0.6242
Jika kita hitung menggunakan tabel distribusi binomial pada Lampiran
(hal 22) maka
𝑃(𝑆10 ≥ 2) = 1 − 𝑃(𝑆10 < 2)
𝑟=1

= 1 − ∑ 𝑏(𝑥; 10,0.2)
𝑥=0

= 1 − 0.3758
= 0.6242 ∎

Jika kita menggunakan representasi 𝑆𝑛 = ∑𝑛𝑘=1 𝑋𝑘 dari persamaan (1) untuk

variabel acak binomial 𝑆𝑛 , Bisa langsung digunakan untuk menghitung rata-
rata dan variansinya. Kita peroleh,
𝐸 (𝑋1 ) = (1)𝑝 + (0)(1 − 𝑝) = 𝑝
Dan, dengan 𝐸 (𝑋12 ) = (1)2 𝑝 + (0)2 (1 − 𝑝) = 𝑝, didapatkan
𝑣𝑎𝑟(𝑋1 ) = 𝐸 (𝑋12 ) − [𝐸 (𝑋1 )]2 = 𝑝 − 𝑝2 = 𝑝(1 − 𝑝)
Karena untuk semua 𝑋𝑘 , 𝑘 = 1, 2, … , 𝑛, memiliki distribusi yang sama, maka dari
itu didapatkan
𝑛 𝑛

𝐸(𝑆𝑛 ) = 𝐸 (∑ 𝑋𝑘 ) = ∑ 𝑋𝑘 = 𝑛𝑝 (2)
𝑘=1 𝑘=1

Selain itu, karena 𝑋𝑘 bersifat independen,

𝑛 𝑛

𝑣𝑎𝑟(𝑋𝑘 ) = 𝑣𝑎𝑟 (∑ 𝑋𝑘 ) = ∑ 𝑣𝑎𝑟(𝑋𝑘 ) = 𝑛𝑝(1 − 𝑝) (3)

𝑘=1 𝑘=1

Kita dapat simpulkan sebagai berikut:

Jika 𝑆𝑛 adalah distribusi binomial dengan parameter 𝑛 dan 𝑝, maka
𝐸(𝑆𝑛 ) = 𝑛𝑝 dan 𝑣𝑎𝑟(𝑆𝑛 ) = 𝑛𝑝(1 − 𝑝)
 18
Contoh 13.11
Peluang untuk sembuh seorang penderita penyakit darah yang jarang
adalah 0.4. Bila diketahui ada 15 orang yang telah mengidap penyakit
tersebut, berapakah peluang
a. antara 2 sampai 4 yang sembuh
b. tentukan nilai harapan dari variabel acak binomial
c. tentukan variansi dari variabel acak binomial
Jawab.
Misalkan 𝑆15 banyaknya penderita yang sembuh. 𝑆15 adalah distribusi
binomial dengan parameter 𝑛 = 15 dan 𝑝 = 0.4. Maka
a. 𝑃(2 ≤ 𝑆15 ≤ 4) = 𝑃(𝑆15 = 2) + 𝑃(𝑆15 = 3) + (𝑆15 = 4)
15 15 15
= ( ) (0.4)2 (0.6)13 + ( ) (0.4)3 (0.6)12 + ( ) (0.4)4 (0.6)11
2 3 4
≈ 0.2121
Jika kita hitung menggunakan tabel distribusi binomial pada Lampiran
(hal 22) maka
𝑟=4 𝑟=4 𝑟=1

𝑃(2 ≤ 𝑆15 ≤ 4) = ∑ 𝑏(𝑥; 15,0.4) = ∑ 𝑏(𝑥; 15,0.4) − ∑ 𝑏(𝑥; 15,0.4)

𝑥=2 𝑥=0 𝑥=0

= 0.2173 − 0.0052
= 0.2121
b. 𝐸 (𝑆15) = (15)(0.4) = 6
c. 𝑣𝑎𝑟(𝑆15 ) = (15)(0.4)(0.6) = 3.6 ∎
 19
RANGKUMAN

Diskrit
Fungsi Kepadatan 𝑝 (𝑥 ) = 𝑃 (𝑋 = 𝑥 )
Peluang Sifat-sifat:
1. 𝑝(𝑥 ) ≥ 0
2. ∑𝑥 𝑝(𝑥 ) = 1, di mana jumlahnya lebih dari
semua nilai 𝑋 dengan 𝑃 (𝑋 = 𝑥 ) > 0
3. 𝑃 (𝑋 = 𝑥 ) = 𝑝(𝑥)
Fungsi Distribusi 𝐹 (𝑥 ) = 𝑃(𝑋 ≤ 𝑥 ) = ∑𝑡≤𝑥 𝑓(𝑡) untuk − ∞ < 𝑥 < ∞.
Nilai Harapan (Mean) 𝐸 (𝑋 ) = ∑ 𝑥 𝑃 (𝑋 = 𝑥 )
dari Variabel Acak 𝑥

𝐸 (𝑋 2 ) = ∑ 𝑥 2 𝑃 (𝑋 = 𝑥 )
𝑥

𝐸 [𝑔(𝑋)] = ∑ 𝑔(𝑥) 𝑃(𝑋 = 𝑥 )

𝑥

Variansi dari Variabel var(𝑋) = 𝐸 (𝑋 − 𝜇 )2 = ∑(𝑥 − 𝜇 )2 𝑃(𝑋 = 𝑥 )

Acak 𝑥

var(𝑋) = 𝐸 (𝑋 2 ) − [𝐸 (𝑋)]2
2
2
= ∑ 𝑥 𝑃(𝑋 = 𝑥 ) − [∑ 𝑥 𝑃(𝑋 = 𝑥 )]
𝑥 𝑥

Simpangan Baku s. d = 𝜎 = √var(𝑋)

Distribusi Binomial 𝑛
𝑃(𝑆𝑛 = 𝑘 ) = ( ) 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 , 𝑘 = 0, 1, 2, … , 𝑛
𝑘
𝑏(𝑥; 𝑛, 𝑝) = ∑𝑟𝑥=0 𝑏(𝑥; 𝑛, 𝑝) dengan tabel distribusi
binomial
Nilai Harapan (Mean) 𝐸(𝑆𝑛 ) = 𝑛𝑝
Distribusi Binomial
Variansi Distribusi 𝑣𝑎𝑟(𝑆𝑛 ) = 𝑛𝑝(1 − 𝑝)
Binomial
 20
SOAL LATIHAN

1. Pelemparan sebuah koin sebanyak dua kali. Misalkan 𝑋 merupakan

variabel acak yang menghitung banyaknya bagian angka yang muncul di
setiap hasil. Tentukan fungsi kepadatan peluang yang menggambarkan
distribusi 𝑋.
2. Misalkan fungsi kepadatan peluang dari variabel acak diskrit 𝑋 diberikan:
𝒙 𝑷(𝑿 = 𝒙)
-3 0.2
-1 0.3
1.5 0.4
2 0.1
a. Tentukan fungsi distribusi 𝐹(𝑥) yang sesuai,
b. Gambarkanlah grafik fungsi kepadatan peluang 𝑝(𝑥) dan fungsi
distribusi 𝐹(𝑥).
3. Misalkan 𝑋 merupakan variabel acak diskrit dengan fungsi distribusi
0 untuk 𝑥 < −2
0.2 untuk − 2 ≤ 𝑥 < 0
𝐹(𝑥) = 0.3 untuk 0 ≤ 𝑥 < 1
0.7 untuk 1 ≤ 𝑥 < 2
{1 untuk 𝑥 ≥ 2
Tentukan fungsi kepadatan peluang 𝑋.
4. Tabel berikut berisi banyaknya daun per tanaman selasih dalam sampel
ukuran 25:
19 21 20 13 18
14 17 14 17 17
13 15 12 15 17
15 16 18 17 14
14 14 13 20 13
a. Tentukan distribusi frekuensi relatif,
b. Hitunglah nilai rata-rata menggunakan distribusi frekuensi relatif yang
diperoleh dalam (a).
 21
5. Misalkan fungsi kepadatan peluang dari variabel acak diskrit 𝑋 diberikan
oleh tabel:
𝒙 𝑷(𝑿 = 𝒙)
-2 0.1
-1 0.4
0 0.3
1 0.2
a. Tentukan 𝐸(𝑋),
b. Tentukan 𝐸(𝑋 2 ),
c. Tentukan var(𝑋),
d. Tentukan simpangan baku dari 𝑋,
e. Tentukan 𝐸 [𝑋(𝑋 − 1)].
6. Pelemparan sebuah koin sebanyak 10 kali. Misalkan 𝑆10 adalah banyaknya
bagian gambar yang muncul. Tentukan
a. 𝑃(𝑆10 = 5),
b. 𝑃(𝑆10 ≥ 8),
c. 𝑃(𝑆10 ≤ 9).
7. Peluang seseorang sembuh dari operasi jantung yang rumit adalah 0.9.
a. Berapakah peluang tepat 5 dari 7 orang yang menjalani operasi ini akan
sembuh?
b. Tentukan nilai harapan dari variabel acak binomial tersebut,
c. Tentukan variansi dari variabel acak binomial tersebut.
 22
Lampiran Tabel Distribusi Binomial 𝑏(𝑥; 𝑛, 𝑝) = ∑𝑟𝑥=0 𝑏(𝑥; 𝑛, 𝑝)
23
24
25
26
27
 28
DAFTAR PUSTAKA

Neuhauser, Claudia. Calculus for Biology and Medicine 3rd Ed. Prentince Hall.
2011.
Walpole, Ronald E. Dan Myers, Raymond H. Ilmu Peluang dan Statistika untuk
Insinyur dan Ilmuwan, Edisi 3. Bandung: Penerbit ITB, 1995.