BAB 7

DISTRIBUSI PROBABILITAS
Tujuan Pembelajaran Umum
Mahasiswa diharapkan dapat mengumpulkan, menyajikan, mengolah, menganalisis,
menaksir
Tujuan Pembelajaran Khusus
Mahasiswa diharapkan mampu:
 mendefinisikan pengertian variabel acak dan distribusi probabilitas.
 menyebutkan perbedaan distribusi probabilitas diskrit dan distribusi probabilitas
kontinu.
 menghitung rata-rata hitung, variansi, dan deviasi standar dari suatu probabilitas
diskrit.
 membedakan dan menghitung probabilitas dengan menggunakan probabilitas
binomial, hipergeometrik, dan Poisson.
 mendefinisikan dan menghitung nilai z.
 menentukan probabilitas bahwa suatu pengamatan akan terletak di atas atau di
bawah suatu nilai dengan menggunakan distribusi standar normal.
 menggunakan distribusi probabilitas normal untuk mendekati distribusi
probabilitas binomial.

7.1 Variabel Random

Variabel random atau variable acak adalah variable yang nilainya ditentukan oleh
kesempatan (oleh kemungkinan terjadi peristiwa yang diinginkan). Misalnya dalam
pelemparan sebuah mata uang logam sebanyak 2 kali, munculnya sisi depan bisa
sebanyak 0 atau 1 atau 2 kali. Banyaknya pemunculan sisi depan merupakan variable
random. Misalnya kita melempar sebuah mata dadu 3 kali, munculnya mata 6 bisa
sebanyak 0 atau 1 atau 2 atau 3. Banyaknya muncul mata 6 adalah variable random.
Sedangkan munculnya mata 6 atau munculnya sisi depan merupakan peristiwa yang
diinginkan Variabel acak dibagi dua yaitu variable acak diskrit dan variable acak
kontinu. Contoh variable acak diskrit adalah banyaknya pemunculan sisi depan dalam

7-1
pelemparan sebuah mata uang logam. Contoh variable acak kontinu adalah nilai ujian
mahasiswa.

7.2 Distribusi Probabilitas

Misalkan kita melempar sebuah mata uang logam satu kali, kemungkinan yang akan
muncul adalah sisi depan (G, berupa gambar burung garuda) dan sisi belakang (H,
berupa huruf /angka dari nilai mata uang tersebut). Misal variable randomnya
banyaknya muncul sisi depan (G), maka banyaknya muncul sisi depan adalah 0 atau 1.
Jika dibuat daftar ruang sampelnya sebagai berikut {H ,G}. p(H) = ½ dan
p(G)= ½. Tabel berikut untuk menggambarkan distribusi peluang

Kemungki Hasil pelemparan Jumlah sisi Probabilitas dari hasil,

nan Hasil uang logam gambar, x p(X=x)
1
 0,5
1 H 0 2

1
 0,5
2 G 1 2

Total probabilitas : p(X=0) + p(X=1) = 1. Jika digambarkan bentuk distribusi

probabilitasnya, berbentuk sebagai berikut

1
2

X=0 X=1

Jika pelemparan mata uang dilaksanakan dua kali maka table untuk menggambarkan
distribusi peluang sebagai berikut

Kemungki Pelemparan uang logam Jumlah sisi Jumlah sisi Probabilitas

nan Hasil Pertama Kedua gambar gambar, x dari hasil,
p(X=x)

7-2
 1
 0,25
1 H H 0 0 4

2 H G 1 1
 0,5
1 2
3 G H 1
1
 0,25
4 G G 2 2 4

Jumlah p(X=0) + p(X=1) + p(X=2)=1

1
2

X=0 X=1 X=2

Jika pelemparan mata uang logam dilaksanakan tiga kali, kemungkinan hasil yang akan
muncul antara huruf (H) dan gambar (G) dapat dilihat dalam tabel berikut

Kemungki Pelemparan uang logam Jumlah sisi Jumlah sisi Probabilitas

nan Hasil Pertama Kedua Ketiga gambar gambar, r dari hasil,
P(r)
1
 0,125
1 H H H 0 0 8
2 H H G 1 3
 0,375
3 H G H 1 1 8
4 H G G 2 3
 0,375
5 G H H 1 2 8
6 G H G 2 1
 0,125
7 G G H 2 3 8
8 G G G 3

Jumlah: p(X=0) + p(X=1) + p(X=2)+ p(X=3) =1

7-3
3
8

X=0 X=1 X=2 X=3

Distribusi probabilitas dibagi dua yaitu: Distribusi probabilitas diskrit. adalah

distribusi probabilitas dengan data diskrit.Distribusi probabilitas diskrit terdiri atas
:distribusi probabilitas binomial, distribusi probablitas hipergeometrik, distribusi
probabilitas Poisson. Distribusi probabilitas kontinu. adalah distribusi probabilitas
dengan data kontinu.Distribusi probabilitas kontinu hanya terdiri atas satu probabilitas
yaitu distribusi normal.

7.3 RATA - RATA HITUNG, VARIANSI, DAN DEVIASI STANDAR DARI

SEBUAH DISTRIBUSI PROBABILITAS.

Rata-rata hitung distribusi probabilitas adalah sebuah nilai khusus yang digunakan
untuk mewakili distribusi probablitas tersebut.
Rata-rata hitung distribusi probabilitas dihitung dengan rumus
  E ( X )   [ XP( X )]

dimana P(X) adalah probabilitas dari berbagai hasil X.

Variansi merupakan besarnya penyebaran dari suatu distribusi dimana distribusi di sini
merupakan distribusi probabilitas dan dirumuskan dengan
 2   [( X   ) 2 P ( X )]

Deviasi standar merupakan akar pangkat dua dari variansi.

Contoh 7.1

7-4
Suatu proses industri memproduksi potongan besi kecil dalam 5 hari jam kerjanya.
Pihak manajer produksi tersebut telah membuat distribusi probabilitas berikut untuk
jumlah potongan besi kecil yang diharapkannya.

Jumlah potongan besi kecil, X Probabilitas,P(X)

0 0,10
1 0,20
2 0,30
3 0,30
4 0,10

a. Termasuk jenis distribusi apakah, distribusi di atas?

b. Berapa jumlah potongan besi kecil yang diharapkan industri tersebut?
c. Hitunglah varians dan deviasi standar dari distribusi di atas.
Jawab
a. Masalah ini adalah suatu contoh distribusi probabilitas diskrit.
b. Jumlah potongan besi kecil merupakan rata-rata hitung dari probabilitas.
  E( X )   [ XP( X )]
= 0(0,10) + 1(0,20) + 2(0,30) + 3(0,30) + 4(0,10) = 2,1
c. Untuk varians perhatikan tabel di bawah ini
Jumlah potongan Probabilitas
(X - )2P(X)
besi kecil X P(X) (X - ) (X - ) 2

0 0,10 0 – 2,1 4,41 0,441

1 0,20 1 – 2,1 1,21 0,242
2 0,30 2 – 2.1 0,01 0,003
3 0,30 3 – 2.1 0,81 0,243
4 0,10 4 – 2.1 3,61 0,361

Besarnya 2 = 0,441 + 0,242 + 0,003 + 0,243 + 0,361 = 1,290

Besarnya  = 1,290 = 1,136

7-5
7.4 DISTRIBUSI PROBABILITAS BINOMIAL
Distribusi probabilitas binomial menggambarkan data yang dihasilkan oleh
suatu percobaan yang dinamakan percobaan Bernoulli. Ciri-ciri dari percobaan
Bernoulli adalah
a. Setiap percobaan hanya menghasilkan dua peristiwa, misalnya ya atau tidak,
berhasil atau gagal, baik atau cacat. laki-laki atau perempuan.
b. Probabbilitas suatu peristiwa (misalnya sukses) adalah tetap untuk setiap
percobaan
c. Semua percobaan saling bebas (peristiwa sukses dari suatu percobaan tidak
dipengaruhi oleh peristiwa sukses dalam percobaan lain)
d. Percobaan dilaksanakan sebanyak terhingga (jumlah percobaan tertentu).

Distribusi probabilitas binomial dirumuskan dengan

n! n
P( X  r )  p r q n  r atau P( X  r )    p r (1  p n  r
r! ( n  r )! r

dengan : n adalah banyaknya percobaan.

r adalah banyaknya peristiwa sukses.
p adalah probabilitas sukses pada setiap percobaan.
q adalah probabilitas gagal, yang diperoleh dari 1 – p
Distribusi binomial mempunyai nilai rata-rata, variansi, simpangan baku, koefisien
kemiringan dan koefisien keruncingan sebagai berikut.
Rata-rata  = n.p
Variansi 2 = n.p.q
Simpangan baku  = n. p.q
q p
Koefisien kemiringan 3 = n. p.q
1  6. p.q
Koefisien keruncingan 4 = 3
n. p.q

Contoh 7.2

7-6
Peluang seorang operator mesin untuk diterima sebagai pegawai di suatu perusahaan
adalah 0,4. Bila 10 orang pelamar merasa dirinya akan diterima di perusahaan itu,
berapa peluang bahwa
a. semua tidak diterima.
b. seorang diterima.
c. dua orang tidak diterima.
d. paling sedikit satu diterima.

Jawab :
Dari pernyataan soal di atas, kita misalkan variable randomnya X=banyaknya orang
yang diterima menjadi operator mesin. Maka p = 0,4 ; q = 1 - 0.4 =0.6
Diketahui pula n = 10
Ditanya :
a. semua tidak diterima berarti X = 0
30! 30  0
p( semua tidak diterima ) = P ( X  0)  0! (30  0)! 0.4 0,6
0
= 1 1 0,610 = 0,006

b. seorang diterima berarti X = 1

30!
p( seorang diterima ) = P(1) = 0.41 0,610 1 = 30  0.4  0.69 =
1! (30  1)!

0,1209
c. 2 orang tidak diterima berati yang diterima 8 orang
10! 8 10  8 30! 8 2
P(8) = 8! (10  8)! 0.4 0,6 = 28! 2! 0.4 0,6 = 15  29  0.48  0.62

= (435) (0,00065536) (0,36) = 0,1026

d. paling sedikit satu diterima berarti 1 sampai 10 orang diterima.

P(X=1) + p(X=2) + p(X=3) + . . . + p(X=10) = 1 – p(X=0)
= 1 – 0,006 = 0,994

7-7
 7.5 DISTRIBUSI PROBABILITAS HIPERGEOMETRIK
Bila kita mempunyai suatu populasi sebanyak N yang terdiri atas dua jenis, yaitu
jenis A sebanyak S dan sisanya jenis B sebanyak N – S. Pada populasi itu kita ambil
sampel secara acak sebanyak n tanpa pengembalian. Tentu saja sampel yang
diperoleh juga terdiri atas dua jenis, yaitu jenis A dan jenis B. Misalkan X = r
menyatakan banyaknya jenis A terambil, maka dalam sampel sebanyak n itu akan
terdapat sampel jenis A sebanyak r dan terdapat sampel jenis B sebanyak n – r,
dimana r = 0, 1, 2, 3, … , n. Probabalitas untuk memperoleh sampel jenis A
sebanyak X = r dinamakan distribusi hipergeometrik.
Distribusi probabilitas hipergeometrik dirumuskan dengan
( S C r )( N  S Cn  r )
P(r ) 
N Cn

dengan : N adalah besarnya populasi

S adalah jumlah sukses dalam populasi
r adalah jumlah sukses yang menjadi perhatian
Mungkin ini nilainya adalah 0, 1, 2, 3, …
n adalah besarnya sampel atau banyaknya percobaan.
C adalah simbol untuk kombinasi

Distribusi Hipergeometrik mempunyai nilai rata-rata variansi, simpangan baku, sebagai

berikut.
n.r
Rata-rata =
N
 N  n   r  r
Variansi 2 =  ( n) 1  
 N  1   n  n
 N  n   r  r
Simpangan baku =  (n)  1  
 N  1 n
   n 

Contoh 7.3 :
Sejumlah radio transistor kecil akan dikirim dalam beberapa peti yang masing-masing
berisi 50 radio. Seorang pemeriksa mengambil 5 radio dari satu peti secara acak dan
tanpa pengembalian. Jika tidak ada radio yang rusak, peti itu dikirimkan. Jika ada satu

7-8
atau lebih radio yang rusak, semua radio dalam peti itu diperiksa. Misalkan dalam peti
itu ada 3 yang rusak, berapakah nilai kemungkinannya bahwa diperlukan pemeriksaan
keseluruhan radio?
Jawab:
Pemeriksaan keseluruhan radio jika banyak radio yang rusak dalam sampel sebanyak
x  1;
( 3 C 0 )( 503 C 5 0 ) ( 3 C 0 )( 47 C 5 )
P (x 1) = 1 – P(x = 0) = 1 – = 1-
50 C 5 50 C 5

 3!  47 ! 
  
 (3  0)! 0 !  ( 47  5)! 5! 
= 1- = 0,2
 50! 
 
 (50  5)! 5! 
Distribusi hipergeometrik dapat pula diperluas untuk untuk populasi yang lebih dari 2
kriteria.

7.6 DISTRIBUSI PROBABILITAS POISSON

Distribusi Poisson merupakan distribusi probabilitas bagi peubah acak dengan peubah
acaknya berupa banyaknya hasil percobaan yang terjadi selama selang waktu tertentu .
Distribusi ini dapat dianggap sebagai pendekatan kepada distribusi binomial apabila
banyaknya percobaan N sangat besar dan peluang p, terjadinya peristiwa dalam suatu
percobaan yang tunggal sangat kecil sedemikian sehingga hasil kali Np nilainya tetap.
Nilai tetap ini biasa dinyatakan dengan  yang merupakan parameter untuk distribusi
Poisson.
Distribusi probabilitas Poisson dirumuskan dengan
 x e 
P( x) 
x!
dengan :  (mu) adalah rata-rata hitung aritmetika dari jumlah
x adalah variabel acak diskrit.
e adalah suatu bilangan yang besarnya 2,7183

7-9
 Distribusi Poisson mempunyai nilai rata-rata variansi, simpangan baku,
koefisien kemiringan dan koefisien keruncingan sebagai berikut.
Rata-rata  = n.p
Variansi 2 = n.p.
Simpangan baku  = n. p
1 1
Koefisien kemiringan 3 =   n. p
1 1
Koefisien keruncingan 4 = 3    3  n. p

Contoh 7.4
Sebuah mesin memproduksi secara rata-rata 2% cacat. Dalam suatu sampel acak yang
berukuran 60 butir, hitunglah probabilitas bahwa dalam memproduksi terdapat 3 yang
cacat.
Pemecahannya :
Dik : n = 60 p = 2% = 0,02 sehingga   n.p = 60 x 0,02 = 1,2
Dit : P(x = 3)
 x e   1,2 3 e 1, 2
Jawab : P(x = 3) = P ( x)  = = 0,087
x! 3!

Catatan :
Agar distribusi Poisson mendekati distribusi binomial, ukuran sampel (n) harus besar
dan probabilitas (p) mendapatkan sukses dalam suatu percobaan adalah sangat kecil. Ini
berarti distribusi binomial dengan n besar dan p sangat kecil dapat didekati dengan
distribusi poisson

7.7. DISTRIBUSI NORMAL

Distribusi probabilitas normal adalah distribusi kontinu yang simetris dan
mesokurtis. Dua parameter yang menentukan suatu bentuk kurva normal adalah
rata-rata dan standar deviasi. Ciri-ciri distribusi normal antara lain

7-10
 a. Kurva normal berbentuk lonceng dan memiliki puncak yang terletak tepat di
tengah distribusi. Rata-rata hitung, median dan modus dari distribusi adalah
sama dan terletak di puncak kurva.
b. Distribusi probabilitas normal adalah simetris dengan rata-rata hitungnya
c. Distribusi probabilitas normal, datanya merupakan data kontinu.
Bentuk persamaan matematis distribusi pada probabilitas normal :

1  x  2

  
1
f ( x)  e 2  
 2

Dalam rumus di atas x dapat bernilai -  sampai dengan +  . Dengan demikian

nilai distribusi normal tidak terbatas. Dengan demikian distribusi normal dimana
probabilitasnya berharga x yang berada diantara a dan b dirumuskan dengan
1 x
b  ( )2
P(a < x < b) =  ( 2 ) 1e 2  dx
a
Untuk mempermudah perhitungan yang sulit dari distribusi normal, pertama-
tama kita mengubah atau membakukan distribusi aktual ke dalam distribusi
normal baku Proses membakukan disebut transformasi. Rumus transformasi dari
X ke Z sebagai berikut X 
z


dengan : X adalah nilai dari suatu pengamatan atau pengukuran tertentu.

 adalah rata-rata hitung dari distribusi.
 adalah standar deviasi dari distribusi.

X 
z


 -3  -2  -  ++2 +3 -3 -2 -1 0 1 2 3

Normal Umum Normal Standar

7-11
Beberapa contoh untuk mencari luas daerah (probablitas Z) dengan menggunakan
daftar distribusi normal baku (Daftar A), diberikan di bawah ini :
Gunakan Tabel distribusi normal baku P(0 < Z < Z 0) pada lampiran A yang terdapat
dalam buku ini. Dikarenakan f(Z) fungsi kontinu, maka P(0 < Z < Z0) = P(0  Z  Z0)

1. Daerah P(0 < Z < 1,45)

Dari tabel diperoleh

P(0 < Z < 1,45) = 0,4265

0 1,45

2. Daerah P(-0,83 < Z < 0)

Dari tabel diperoleh

P(-0,83 < Z < 0) =
P(0 < Z < 0,83) = 0,2967

-0,83 0
3. Daerah P(-0,83 < Z < 1,45) Dari tabel diperoleh
P(-0,83 < Z < 1,45) =
P(-0,83 <Z<0) + P(0<Z<1,45)
0,2967 + 0,4265 = 0,7232

-0,83 1,45
4. Daerah P(Z < -0,83)
Dari tabel diperoleh
P(Z < -0,83) = P(Z>0,83)
= P(0<Z< ~) – P(0<Z<0,83)
= 0,5 - 0,2967 = 0,2033

-0,83

5. Daerah P(Z > 1,45)

Dari tabel diperoleh
P( Z > 1,45) = 0,5 – 0,4265
= 0,0735
7-12
 1,45

6. Daerah P(Z > -0,83)

Dari tabel diperoleh
P( Z > -0,83) = 0,2967 + 0,5
= 0,7967

-0,83

7. Daerah P(Z < 1,45)

Dari tabel diperoleh

P(Z < 1,45) = 0,5 + 0,4265
= 0,9265

1,45
8. Daerah P(0,83 < Z < 1,45)

Dari tabel diperoleh

P(0,83 < Z < 1,45) = 0,4265 – 0,2967
= 0,1298

0,83 1,45

9. Daerah P(-1,45 < Z < -0,83)

Dari tabel diperoleh

P(-1,45 < Z < -0,83) = 0,4265 – 0,2967
= 0,1298

-1,45 -0,83

Contoh 7.5
Masa hidup lampu pijar yang dihasilkan oleh suatu perusahaan mendekati distribusi
normal dengan rata-rata masa hidupnnya 500 jam dan deviasi standarnya 80 jam.
Tentukan
a. Persentase hasil lampu pijar yang masa hidupnya anatara 450 dan 550 jam
b. Persentase hasil lampu pijar yang masa hidupnya paling sedikt 600 jam

7-13
 c. Persentase hasil lampu pijar yang masa hidupnya kurang dari 400 jam
d. Bilangan, sehingga lampu pijar dengan masa hidup di atas bilangan itu tergolong
pada 15 % produk terbaik
e. Bilangan, sehingga lampu pijar dengan masa hidup di atas bilangan itu tergolong
pada 20 % produk terjelek.
Jawab
450  500 550  500
a. Z 1   0,67 Z2   0,67
75 75
P(450  X  550)  P(0,67  Z  0,67)  2 (0,2486) = 0,4972

ada 49,72 % atau sekitar 50 %

600  500
b. Z 1   1,33
75
P( X  600)  P( Z  1,33)  0,5  P(0  Z  1,33)  0,5  0,4082  0,0918

ada 9,18 % atau sekitar 9 %

400  500
c. Z 1   1,33
75
P( X  600)  P( Z  1,33)  P( Z  1,33)  0,5  P(0  Z  1,33)
 0,5  0,4082  0,0918

d. P( X  t )  9%  0,09 berarti P( Z  k )  9%  0,09 dimana hubungan t dan k

t  500
adalah k 
75
P ( Z  k )  9%  0,09 punya arti sama 0,5  P (0  Z  k )  0,09 ini berarti
P (0  Z  k )  0,4100 . Dari table didapat nilai k  1,34 . Dari hubungan k dan t

didapat nilai t  500  1,34(75)  500  100,5  600,5

e. P ( X  t )  5%  0,05 berarti P ( Z   k )  5%  0,05 dengan k bilangan positif

dan
t  500
hubungan t dan k adalah  k 
75
Karena distribusi normal bersifat simetri, P ( Z   k )  5%  0,05 berarti juga
P ( Z  k )  5%  0,05

7-14
P ( Z  k )  5%  0,05 punya arti sama 0,5  P (0  Z  k )  0,05 ini berarti
P (0  Z  k )  0,4500 . Dari table didapat nilai k  1,645 . Dari hubungan k dan t

didapat nilai t  500  1,645(75)  500  123,375  376,625

Contoh 7.6
Puncak diameter gulungan benang adalah berdistribusi normal dengan rata-rata 0,4008
cm dan standar deviasi 0,0004 cm. Bila desain dari gulungan benang tersebut
dispesifikasikan sebesar (0,4000  0,0010) cm. Berapakah peluang dalam toleransi
tersebut?
Jawab:
Diketahui :  = 0,4008   0,0004
x1 = (0,4000 – 0,0010) = 0,399

x2 = (0,4000 + 0,0010) = 0,401

Ditanyakan : P( x1 < x < x2 )

x1   0,399  0,4008
Jawaban : Z1    - 4,5
 0,0004
x2   0,4010  0,4008
Z2    0,5
 0,0004

P( x1 < x < x2 ) = P( Z1 < Z < Z 2 ) = P(- 4,5 < Z < 0,5) = 0 + 0,6915 =
0,6915
Nilai 0,6915 didapat dari daftar distribusi normal standar.

7.7. PENDEKATAN DISTRIBUSI BINOMIAL OLEH NORMAL

Jika pada distribusi binomial dengan n besar dan peluang suksesnya tidak mendekati
nol atau mendekati satu, maka distribusi binomial dapat didekati dengan distribusi
normal. Pendekatan distribusi binomial oleh normal akan semakin baik jika memenuhi
rumus np  5 . Karena pada distribusi normal parameternya  dan  , maka untuk
menentukan  dan  digunakan rumus  = np ,  = np (1  p ) . Sebagai catatan, p

7-15
sering dilambangkan . Ini berarti  =np dapat dituliskan   n dan  = np (1  p )

. dapat dituliskan   n (1   ) . Sedangkan rumus untuk membuat normal baku

adalah
X  N
Z= N (1  N )

Contoh 7.8
Dalam pengambilan sampel dari sebuah proses produksi bahwa item-item yang
dihasilkan 20% adalah rusak. Sebuah sampel random 100 item dipilih setiap jam setiap
perubahan produksi, jika jumlah kerusakan dalam sebuah sampel dinotasikan dengan x.
berapakah P(x  15)
Jawab
N=100 , p =0,2
Peluang rusak kurang atau sama dengan 15, berarti saat 15 ikut dihitung, maka nilai Z 1

15,5  100(0,2) 15,5  20  4,5

adalah Z 1  
4

4
 1,125 atau dianggap -1,13
100(0,2)(0,8)

P( X  15)  P( Z  1,13)  P( Z  1,13)  0,5  P(0  Z  1,13)  0,5  0,3708  0,1292

SOAL-SOAL LATIHAN:
1. Sebutkan pengertian dari variable random ?
2. Sebutkan macam-macam distribusi probabilitas dan contohnya ?
3. Sebuah mesin stensil pada tiap penstensilan kertas Koran 1500 lembar terjadi
kerusakan sebanyak 150 lembar.. Jika menstensil 20 lembar, berapakah probabilitas
0, 1, 2, 3 ,4 lembar yang rusak.

7-16
4. Mesin stensil, pada tiap menstensil 2000 lembar akan membuat kerusakan selembar.
Berapakah probabilitas kerusakan 0, 1, 2,3, 4 lembar tiap 1000 lembar kertas yang
distensil.
5. Sebuah mata uang logam dilempar sebanyak 10 kali. Berapakah probabilitas akan
memperoleh ‘muka’ di atas sebanyak 4 kali. Berapakah probabilitas memperoleh
‘muka’ di atas paling sedikit 5 kali.
6. Seratus paku keling kecil dibungkus ke dalam sebuah kotak. Masing-masing paku
keling beratnya rata-rata 1 ons dan standar deviasinya 0,01 ons. Tentukan
probabilitas bahwa sebuah kotak beratnya lebih dari 102 ons.
7. Sepuluh persen dari peralatan pertanian yang diproduksi oleh perusahaan peralatan
pertanian di Ciwidey ternyata cacat. Jika dipilih sampel random sebanyak 10 alat,
tentukanlah probabilitas untuk memperoleh 2 alat yang cacat, dengan memakai
a. Distribusi binomial.
b. Distribusi Poisson.
8. Sebuah produksi yang banyaknya 300 unit memiliki 8 kerusakan. Sebuah sampel
random 10 unit dipilih secara random. Tentukan probabilitas bahwa sampel tersebut
berisi 1 yang rusak.
9. Probabilitas kerusakan sebuah paku khusus pada permukaan sayap pesawat terbang
baru adalah 0,001. Ada 4.000 paku pada sayap. Berapakah probabilitas bahwa tidak
lebih dari 6 paku yang rusak akan dipasang?
10. Seorang pegawai PT Jasa Marga di pintu tol Padaleunyi mencatat rata-rata
keluarnya mobil dari pintu tol Kopo adalah 3 mobil setiap menit. Berapakah
probabilitas keluarnya mobil dari pintu tol tersebut :
a. 2 mobil dalam 1 menit.
b. 8 mobil dalam 2 menit.
11. Sejumlah 25 tabung televisi berwarna merupakan dasar penerimaan sebuah prosedur
pengujian. Prosedur tersebut berisikan pengambilan lima tabung secara random
tanpa diganti dan tabung-tabung tersebut diuji. Jika 2 atau kurang tabung rusak,
sisanya diterima. Jika sebaliknya jumlah tersebut ditolak. Diasumsikan jumlah
tersebut terdiri dari empat tabung yang rusak. Berapakah probabilitas dari jumlah
tersebut diterima?

7-17
12. Jumlah pemakaian sebuah telepon per jam mengikuti sebuah distribusi Poisson
dengan rata-rata 10. Batas yang dapat digunakan selama satu jam adalah 20 kali
sehingga tidak melampaui batas. Berapakah probabilitas sebuah telepon terjadi
melampaui batas?
13. Diketahui rata-rata dan variansi populasi suatu peubah yang berdistribusi normal
adalah 60 dan 25. Jika dari populasi tersebut telah diambil sample sebanyak 300
orang. Berapakah banyaknya orang yang
a. berada di atas skor 65 ?
b. berada di bawah skor 40 ?
c. berada antara skor 50 – 60 ?
d. nilai terkecil dari 30 orang yang mempunyai skor tertinggi ?
e. nilai terbesar dari 50 orang yang mempunyai nilai skor terendah ?
14. Umur penggunaan lampu Osram berdistribusi normal dengan rata-rata 40.000 jam
dan simpangan baku 3.000 jam
a. Berapa probabilitas bahwa pengambilan secara random sebuah lampu akan
memiliki umur penggunaan sekurang-kurangnya 35 jam?
b. Berapa probabilitas bahwa pengambilan secara random sebuah lampu akan
memiliki umur penggunaan lebih dari 45.000 jam?
c. Jika ada grosir mempunyai 750 buah lampu, tentukan dengan pendekatan jumlah
lampu yang memiliki umur penggunaan antara 40.000 jam sampai dengan
45.000 jam?
d. Jika seorang konsumen membeli 4 buah lampu, berapa probabilitas bahwa
keempat-empatnya memiliki umur penggunaan sekurang-kurangnya 38.000
jam?
15. Dalam setiap bola lampu ternyata 4% terbuang karena kualitasnya buruk. Pada suatu
waktu terdapat sebanyak 726 bola lampu untuk diperiksa.
a. Berapa buah bola lampu yang diperkirakan akan terbuang?
b. Tentukan simpangan baku dari bola lampu yang terbuang1
c. Misalkan dari sejumlah bola lampu itu terdapat 45 yang buruk. Apakah
kesimpulannya?

7-18