DISTRIBUSI

PROBABILITAS

1
 Variabel Random(Acak) :
 adalah suatu fungsi yang menghubungkan sebuah
bilangan riil dengan setiap unsur didalam ruang
sampel S ( himpunan semua hasil percobaan).
 Untuk menyatakan variabel random digunakan
sebuah huruf besar, misalkan X. Sedangkan huruf
kecilnya, misalkan x, menunjukkan salah satu dari
nilainya.

2
Contoh :
 S = {BBB, BBC, BCB, CBB, BCC, CBC,
CCB, CCC}
dengan B menunjukkan “tanpa cacat
(baik)” dan C menunjukkan “cacat”.
 Variabel random X yang menyatakan
jumlah barang yang cacat pada saat tiga
komponen elektronik diuji, maka ditulis X
= 0, 1, 2, 3.

3
VARIABEL ACAK

Variabel Random

Variabel acak diskret Variabel acak kontinu

4
Distribusi Probabilitas :

 Kumpulan pasangan nilai-nilai dari variabel

acak X dengan probabilitas nilai-nilai
variabel random X, yaitu P(X=x) disebut
distribusi probabilitas X (distribusi X)

5
 Himpunan pasangan tersusun (x, f(x)) adalah sebuah
fungsi probabilitas, fungsi padat probabilitas, atau
distribusi probabilitas dari suatu variabel random
diskrit X bila untuk setiap keluaran x yang mungkin,
berlaku :
- P(X = x) = f(x)
- f (x)  0

-
n

 f (x)  1
x 1

6
Distribusi Binomial
Sifat-sifat sebagai berikut :
 Percobaan itu terdiri dari n pengulangan
 Tiap pengulangan memberikan hasil yang dapat
diidentifikasi sukses atau gagal
 Probabilitas sukses dinyatakan dengan p, tetap
konstan (tidak berubah) dari satu pengulangan ke
pengulangan lainnya, sedangkan probabilitas gagal
adalah q = 1- p
 Tiap pengulangan dan pengulangan lainnya saling
bebas.
Distribusi Binomial
 Distribusi Binomial dinyatakan sebagai :
b(x,n,p)

n 
b ( x;n , p )   p x q n  x
 
x 

dimana x = 1, 2, …, n
 Contoh
Sebuah proses Bernoulli untuk QC dilakukan dengan memilih 3
komponen secara simultan dari sebuah proses produksi. Setiap
komponen yg diambil dinyatakan “sukses” jika ternyata rusak,
dan “gagal” jika ternyata komponen tsb baik (sebenarnya boleh
juga definisinya dibalik!). Variabel random X didefinisikan
sebagai banyaknya “sukses” dalam pengambilan 3 komponen
tsb.
Ruang sampel bagi X adalah (S: sukses, G:gagal):
Outcome SSS SSG SGS SGG GSS GSG GGS GGG
X 3 2 2 1 2 1 1 0

Misalkan diketahui dari masa lalu, sebanyak 25% produksi

komponen tersebut rusak (“S”). Jadi probabilitas 1 kali
pengambilan menghasilkan rusak = probabilitas “sukses” = p=
¼, berarti probabilitas “gagal” = 1- ¼ = ¾ .

Sebagai contoh probabilitas outcome= SSG

p(SSG)=p(S)p(S)p(G)= ¼* ¼ * ¾ = 3/64, jadi untuk X=2, ada 3
outcome yg terkait : SSG, SGS, GSS, maka jika f(X=2)
menyatakan probabilitas X=2,
f (X=2) = 3*3/64 = 9/64.
Contoh (lanjutan).
Dengan cara yg sama bisa diturunkan probabilitas untuk X=0,1 dan 3, dan
hasilnya adalah fungsi distribusi probabilitas f(x) sbb:

X 0 1 2 3
f(X) 27/64 27/64 9/64 1/64

Variabel random X ini disebut variabel random binomial, sedangkan fungsi

distribusinya f(x) disebut fungsi distribusi binomial, dan dituliskan sbb:
f(x) = b(x;n,p)
Untuk menegaskan bahwa probabilitas x ditentukan oleh banyak
eksperimennya (n, dalam contoh di atas n=3), dan bergantung pada
probabilitas sukses di tiap eksperimen (p).
Jadi f(x=2) =b(2;3,0.25) = 9/64
Kasus distribusi binomial umum:
- dilakukan eksperimen sebanyak n kali pengambilan
- dari n tsb, sebanyak x dikategorikan “sukses”, jadi sebanyak n-x adalah
“gagal”
- probabilitas “sukses” di tiap percobaan = p, berarti probabilitas “gagal “,
q=1-p.

Maka probabilitas terjadinya outcome dengan konfigurasi x “sukses” dan (n-

x) “gagal” tertentu, adalah:
P(SSS … GGG) = ppp….qqq = pxqn-x
Sebab S ada x buah dan G sebanyak (n-x) buah. Tentu ada banyak konfigurasi
lain yg juga memiliki x buah S dan (n-x) buah G. Sehingga probabilitas
mendapatkan hasil eksperimen yg memiliki x buah S dan (n-x) buah G
adalah:
Cnx pxqn-x = b(x;n,p)
 Contoh.
Jawab.
Misal kita definisikan “sukses” = tidak rusak, probabilitas “sukses”, p=3/4.
Jadi probabilitas “gagal, q= 1-3/4 = ¼. Total percobaan ada n=4, jumlah
yg tidak rusak, “sukses”, x=2. Jadi probabilitas 2 dari 4 komponen yg
dijatuhkan tidak rusak diberikan oleh:

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

Sifat dari b(x;n,p) sebagai fungsi distribusi probabilitas adalah:

n

 b ( x; n, p )  1
x0

Karena seringkali kita memerlukan probabilitas untuk X dalam sebuah

interval, misal P(X<r) atau P(a<X≤b) maka, dibuat tabel fungsi
distribusi binomial kumulatif sbb: r

B (r; n, p )   b ( x; n, p )
x0
 Contoh.
Probabilitas seorang pasien yg sakit suatu penyakit flu sembuh adalah
40%. Jikalau 15 orang diketahui telah tertular penyakit ini, berapakah
probabilitasnya bahwa (a) paling tidak 10 orang sembuh, (b) antara 3
hingga 8 orang sembuh (c)tepat 5 orang sembuh?
Jawab.
Ini adalah proses Bernoulli. Probabilitas “sukses”, yaitu sembuh
adalah p =0.4. Variabel random X menyatakan banyak orang yang
“sukses” = sembuh, sedangkan total percobaannya adalah n=15.

a) P (paling tidak 10 sembuh) = P(X≥10) =1- P(X<10)=

=1- B(r=9;n=15,p=0.4) = 1 – 0.9662 = 0.0338
b) P (antara 3 sd 8 sembuh) = P(3≤X≤8) =P(X≤8) - P(X<3) =
=B(r=8;n=15,p=0.4) - B(r=2;n=15,p=0.4) = 0.9050-0.0271= 0.8779
c) P (5 sembuh) = P(X=5) =P(X≤5) - P(X<5) =
=B(r=5;n=15,p=0.4) - B(r=4;n=15,p=0.4) = 0.4032-0.2173=0.1859
 Contoh.
Probabilitas seorang pasien yg sakit suatu penyakit flu sembuh adalah
40%. Jikalau 15 orang diketahui telah tertular penyakit ini, (a)
Berapakah rata-rata jumlah orang yg sembuh? (b) Menurut teorem
Chebysev paling tidak sebanyak 75% kasus akan jatuh dalam interval
μ -2 σ < X < μ +2 σ. Terapkan dalam kasus ini dan beri interpretasi.
Jawab.
a) Dalam kasus ini probabilitas sembuh, p=0.4, banyak percobaan,
n=15, sehingga rata-rata jumlah orang yang sembuh
μ = np = 15*0.4 = 6 orang
b) Variansinya :
σ2 = npq = np(1-p) = 15*(0.4)(1-0.4) = 3.6 dengan STD σ = 1.897,
μ -2 σ = 6 -2(1,897) = 2.206 dan μ +2 σ = 6 +2(1,897)=9.794.
Artinya (menurut Chebysev) terdapat probabilitas paling tidak 75%
pasien yg sembuh jumlahnya antara 2.206 s/d 9.794 atau
dibulatkan antara 3 s.d 9.
 Contoh.
Diperkirakan 30% sumur di sebuah desa tercemar.Untuk memeriksa
kebenaran hal tsb dilakukan pemeriksaan dengan secara acak
mengambil 10 sumur.
(a) Jika perkiraan tsb benar, berapakah probabilitasnya tepat 3 sumur
tercemar?
(b) Pertanyaan yg sama tapi lebih dari 3 sumur yg tercemar?
 Jawab.
Probabilitas 1 sumur tercemar p=0.3 (“sukses”), jadi probabilitas tidak
tercemar (“gagal”) q=1-p = 1-0.3=0.7.
Total pengambilan n=10 buah.
a) Tepat 3 sumur tercemar, x=3.
P(x=3;n=10,p=0.3)= B(r=3;n=10,p=0.3)-B(r=2;n=10,p=0.3)
= 0.6496 – 0.3838 = 0.2668 (27%).

b) Lebih dari 3 sumur tercemar x>3,

P(x>3;n=10,p=0.3)= 1- P(x≤3;n=10,p=0.3)=
= 1 – B(r=3;n=10,p=0.3) =1 – 0.6496 = 0.3504 = 35%
 Soal.
Soal yg sama. Misalkan ternyata dari 10 sampel yg diambil secara
acak sebanyak 6 mengandung pencemaran. Pergunakanlah
perhitungan probabilitas, untuk memberik komentar ttg
kemungkinan hal spt terjadi, jikalau perkiraan semula benar.
Distribusi Normal
(Distribusi Probabilitas Kontinu)
Kurva Normal dan Variabel Random
Normal
 Distribusi probabilitas kontinu yang terpenting
adalah distribusi normal dan grafiknya disebut
kurva normal.
 Variabel random X yang distribusinya berbentuk
seperti lonceng disebut variabel random
normal.

 

 x
Sifat kurva normal, yaitu :
 Kurva setangkup terhadap garis tegak yang
melalui x  
 Kurva mempunyai titik belok pada x    
 Sumbu x merupakan asimtot dari kurva
normal
 Seluruh luas di bawah kurva, di atas sumbu x
adalah 1 (satu)
Distribusi Normal
 Variabel random X berdistribusi normal,
dengan mean dan variansi mempunyai
fungsi densitas
1 2 2
 (x   ) (2 )
n ( x;  ,  )  e
 2

  x  
LUAS DIBAWAH KURVA NORMAL
Probabilitas distribusi kontinue adalah merupakan luas
area di bawah garis kurva. Probabilitas suatu variabel
dengan nilai antara a dan b adalah luas kurva yang
dibatasi oleh garis a dan b. Luas yang tercakup dalam
batas-batas tersebut pada tabel distribusi normal. Bila
suatu distribusi adalah normal , maka jarak antara
rerata dengan simpangan
Luas area bakunya adalah sama.
antara a-b

a b
luas daerah di bawah kurva dinyatakan dengan :
 P(x1  X  x 2 )

x
X1  X2

x2 x2
1 2 2
 (x   ) (2 )
P (x1  X  x 2 )   n ( x ;  ,  ) dx   2
 e dx
x1 x1


1 2 2
 (x   ) (2 )
P (   X   ) 
 2
 e dx  1

Distribusi Normal Standar (1)
apabila variabel X ditransformasikan
dengan substitusi Z  x  

 maka :
z2 1 2 z2 1 2 z2
1  z 1  z
P (z1  Z  z 2 ) 
  dz 
 dz 
 n ( z ; 0 ,1 ) dz
e 2 e 2
 2 2
z1 z1 z1

x
ternyata substitusi Z 


menyebabkan distribusi normal n ( z ;  ,  ) menjadi

n ( z ; 0 ,1 ) , yang disebut distribusi normal standar.
 Distribusi Normal Standar (2):
 Karena transformasi ini, maka selanjutnya
nilai P ( x  X  x )
1 2

ini dapat dihitung dengan menggunakan

tabel distribusi normal standar.
Contoh: Hitung Luas

Pergunakanlah tabel distribusi normal standard untuk

menghitung luas daerah :
a) Di sebelah kanan z=1.84
b) Antara z=-1.97 s/d z=0.86

Jawab.
Ingat bahwa luas yg diberikan dalam tabel distribusi normal
kumulatif adalah luas dari z=-∞ s/d z0 tertentu: P(z<z0).
a) P(z>1.84) = 1 – P(z≤1.84) = 1 -0.9671 = 0.0329
b) P(-1.97 <z<0.86) = P(z<0.86) – P(z<-1.97)
= 0.8051 – 0.0244
= 0.7807
Contoh: Cari z

Carilah nilai z=k di distribusi normal standard sehingga

a) P(Z>k) = 0.3015
b) P(k<z<-0.18) =0.4197

Jawab:
a) P(Z>k) = 0.3015 berarti P(Z<k) = 1- P(z>k) = 1 – 0.3015 =
0.6985
Dari tabel terbaca luas ke kiri = 0.6985 adalah untuk z=0.52.

b) P(k<z<-0.18) = P(z<-0.18) – P(z<k) = 0.4197

= 0.4286 – P(z<k) = 0.4197
Jadi P(z<k) = 0.4286- 0.4197 = 0.0089
Dari tabel z = -2.37
Contoh: Luas di bawah kurva normal non standard
Contoh.
Variaber X terdistribusi normal dengan mean 50 dan standard deviasi
=10. Carilah probabilitas untuk menemukan X bernilai antara 45 dan
62?

Jawab.
Dalam soal ini μ = 50 dan σ=10. x1 = 45 dan x2 =62
Pertama kita mapping x ke z (melakukan normalisasi atau
standardisasi):
z1 = (x1 -μ)/σ  z1 = (45-50)/10 = -0.5
z2 = (x2 -μ)/σ  z2 = (62-50)/10 = 1.2
Sehingga
P(45 <x< 62) = P(-0.5<z<1.2)
P(-0.5<z<1.2) = P(z<1.2) – P(z<-0.5) = 0.8849-0.3085=0.5764
Memakai Distribusi Normal Dalam Arah Kebalikan

Diketahui luas dibawah distribusi normal yg diinginkan yang terkait

dengan besar probabilitas, ingin dicari nilai variabel random X yg
terkait.

Contoh.
Misalkan distribusi normal memiliki μ=40 σ=6, carilah nilai x0 sehingga:
a) P(x<x0) = 45%
b) P(x>x0)=14%

Jawab.
a) Kita mulai dengan mencari nilai Z yg sama luasnya.
P(z<z0) = 45% = 0.45  dari tabel z0 = -0.13
z0 = (x0-μ)/σ  x0 = μ + σz0 = 40 +6*(-0.13) = 39.22
Memakai Distribusi Normal Dalam Arah Kebalikan

Jawab.
b) Kita mulai dengan mencari nilai Z yg sama luasnya.
P(z>z0) = 14%  P(z<z0) = 1- P(z>z0) = 1-0.14 = 0.86
P(z<z0) = 0.86  dari tabel z0 = 1.08

z0 = (x0-μ)/σ  x0 = μ + σz0 = 40 +6*(1.08) = 46.48

Distribusi Probabilitas Normal Bab 9

PENERAPAN KURVA NORMAL

Contoh Soal:
PT GS mengklaim berat buah mangga “B” adalah 350 gram
dengan standar deviasi 50 gram. Bila berat mangga mengikuti
distribusi normal, berapa probabilitas bahwa berat buah
mangga mencapai kurang dari 250 gram, sehingga akan
diprotes oleh konsumen.

32
Distribusi Probabilitas Normal Bab 9

PENERAPAN KURVA NORMAL

Jawab:
• Transformasi ke nilai z
AP(x< 250); P(x=250) = (250-350)/50=-2,00 Jadi P(x<250)=P(z<-
2,00)
• Lihat pada tabel luas di bawah kurva normal
P(z<-2,00)=0,4772
• Luas sebelah kiri nilai tengah adalah 0,5. Oleh sebab itu, nilai daerah
yang diarsir menjadi 0,5 – 0,4772=0,0228. Jadi probabilitas di bawah
250 gram adalah 0,0228 (2,28%). Dengan kata lain probabilitas
konsumen protes karena berat buah mangga kurang dari 250 gram
adalah 2,28%.

33
Distribusi Probabilitas Normal Bab 9

PENERAPAN KURVA NORMAL

Contoh Soal:
PT Work Electric, memproduksi Bohlam Lampu yang dapat
hidup 900 jam dengan standar deviasi 50 jam. PT Work Electric
ingin mengetahui berapa persen produksi pada kisaran antara
800-1.000 jam, sebagai bahan promosi bohlam lampu. Hitung
berapa probabilitasnya!

34
 Distribusi Probabilitas Normal Bab 9

PENERAPAN KURVA NORMAL

Jawab:
P(800<X<1.000)?
• Hitung nilai Z
Z1 = (800-900)/50 = -2,00;
Z2 = (1.000-900)/50 = 2,00
• Jadi: P(800<X<1.000) =P(-2,00<Z<2,00);
P(-2,00<Z) = 0,4772 dan P(Z>2,00) = 0,4772
Sehingga luas daerah yang diarsir adalah = 0,4772+0,4772= 0,9544. Jadi
P(800<X<1.000) = P(-2,00 < Z<2,00) = 0,9544.
Jadi 95,44% produksi berada pada kisaran 800-1.000 jam. Jadi jika PT Work
Electric mengklaim bahwa lampu bohlamnya menyala 800-1.000 jam, mempunyai
probabilitas benar 95,44%, sedang sisanya 4,56% harus dipersiapkan untuk garansi.

35
 Hubungan antara Distribusi Binomial
dan Distribusi Normal
 Jika N cukup besar dan jika tak satu pun dari p atau q sangat
dekat dengan nol maka distribusi binomial dapat didekati atau
diaproksimasi oleh sebuah distribusi normal dengan variabel
terstandarisasi yang dirumiskan sebagai:

x  Np
z 
Npq

 Pendekatan ini akan semakin baik seiring dengan semakin

bertambah besarnya N. Dalam praktiknya, pendekatannya akan
sangat bagus jika Np dan Nq kedua-duanya lebih besar
daripada 5.
Contoh Penerapan Distribusi Normal
Sebuah perusahaan bolam lampu mengetahui bahwa umur lampunya
(sebelum putus) terdistribusi secara normal dengan rata-rata umurnya
800 jam dan standard deviasinya 40 jam. Carilah probabilitas bahwa
sebuah bolam produksinya akan:
 Berumur antara 778 jam dan 834 jam
 Berumur kurang dari 750 jam atau lebih dari 900 jam

Jawab.
μ= 800 σ=40.
 P(778<x<834)
x1=778  z1 = (x1-μ)/σ = (778-800)/40 = -0.55
x2=834  z2 = (x2-μ)/σ = (834-800)/40 = 0.85
P(778<x<834) = P(-0.55<z<0.85) = P(z<0.85)-P(z<-0.55)
= 0.8023 – 0.2912 = 0.5111
Contoh Penerapan Distribusi Normal

b) Berumur kurang dari 750 jam atau lebih dari 900 jam
μ= 800 σ=40.
P(x< 750 atau x>900)
x1=750  z1 = (x1-μ)/σ = (750-800)/40 = -1.25
x2=900  z2 = (x2-μ)/σ = (900-800)/40 = 2.5
P(x< 750 atau x>900) = P(z<-1.25) + P(z>2.5)
= P(z<-1.25) + 1- P(z<2.5)
= 1 + P(z<-1.25) - P(z<2.5)
= 1 + 0.1056-0.9938 = 0.1118
 Soal:
1) Dalam suatu ujian akhir Matematika, mean nilai adalah
72 sementara deviasi standarnya adalah 15. tentukan
angka-angka standar (yaitu nilai-nilai dalam satuan
deviasi standar) dari siswa-siswa yang memperoleh
nilai (a) 60
(b) 93
(c) 72
2) Sebuah koin yang seimbang dilemparkan sebanyak
500 kali. Carilah probabilitas bahwa selisih banyaknya
kemunculan tanda gambar dengan 250 kali adalah
(a) tidak lebih dari 10
(b) tidak lebih dari 30
Soal
3) Diameter ball-bearing yg diproduksi sebuah pabrik memiliki mean
3cm dengan standard deviasi 0.005 cm. Pembeli hanya mau
menerima jikalau ball bearingnya memiliki diameter 3.0±0.01cm.
a) berapakah persenkah dari produksi pabrik tersebut yg tidak bisa
diterima pembeli?
b) jikalau dalam sebulan pabrik tsb memproduksi 10000 ball-bearing,
berapa banyak yg harus dibuang tiap bulan karena ditolak pembeli?

4) Sebuah pengukur diameter bola besi dipasang secara otomatis

dalam sebuah pabrik. Pengukur tsb hanya akan meloloskan diameter
bola 1.50±d cm. Diketahui bahwa bola produksi pabrik tersebut
memiliki diameter yg terdistribusi normal dengan rata-rata 1.50 dan
standard deviasi 0.2 cm. Jikalau diinginkan bahwa 95% produksinya
lolos seleksi berapakah nilai d harus ditetapkan?
Soal
5) Rata-rata nilai kuliah statistik diketahui 65 dengan standard deviasi
15. a) Jikalau diinginkan 15% murid mendapat nilai A dan diketahui
distribusi nilai normal, berapakah batas bawah nilai agar mendapat
A? (b) Selanjutanya diinginkan yg mendapat B adalah sebanyak
25%. Berapakah batas bawah B? (c) Seandainya diinginkan yg tidak
lulus paling banyak 25%, berapakah batas bawah agar siswa lulus?