DISTRIBUSI VARIABEL ACAK DISKRIT

Generalisasi yang berkaitan dengan inferensia statistik mempunyai unsur ketidakpastian karena
hanya didasarkan pada informasi sampel yang diperoleh dari populasi yang ada. Dengan teori
probabilitas , dapat disusun model matematika yang secara teori dapat menjelaskan “perilaku”
populasi. Model ini disebut distribusi probabilitas.

VARIABEL ACAK
Dalam suatu percobaan acak, meskipun titik sampel yang ada kadang-kadang bersifat kualitatif,
seringkali lebih menarik untuk mempelajari aspek numerik dari hasil percobaan. Misalnya pada
percobaan pelemparan uang logam sebanyak dua kali, ruang sampelnya adalah :
S = {MM,MB,BM atau BB}
Jika kita tertarik pada berapa kali sisi muka muncul, maka nilai numerik 0,1 dan 2 dapat diberikan
pada tiap titik sampel yang ada.
Bilangan-bilangan 0 , 1 dan 2 merupakan besaran acak yang nilainya ditentukan oleh hasil
percobaan acak.

Definisi 1:
Variabel acak adalah suatu fungsi yang memetakan setiap anggota ruang sampel ke anggota
himpunan bilangan riil.
Dengan kata lain, variable acak adalah suatu fungsi yang nilainya berupa bilangan riil yang
ditentukan oleh setiap elemen dalam ruang sampel. Himpunan semua nilai-nilai yang merupakan
hasil pemetaan dari anggota ruang sampel S disebut ruang nilai dari variable acak X.
Varibel acak dilambangkan dengan huruf besar : X , Y , Z , . . ., sedangkan nilainya dilambangkan
dengan huruf kecil : x,y,z,…
Definisi 2:
Ruang sampel diskrit adalah ruang sampel yang terdiri dari titik-titik sampel yang berhingga atau
tak terhingga tapi terhitung ( dapat dikorespondensikan satu-satu dengan bilangan asli).
Variabel acak diskrit merupakan variabel acak yang didefinisikan pada ruang sampel diskrit.
Contoh 1:
1. Percobaan acak pelemparan uang logam sebanyak 2 kali.
Ruang sampelnya adalah S = {MM,MB,BM,BB}.
 Dalam hal ini S adalah ruang sampel diskrit karena banyaknya anggota S berhingga yaitu
4.
Misalkan didefinisikan variable acak X yang memetakan setiap anggota S ke anggota
himpunan bilangan real dengan X menyatakan banyaknya sisi muka yang muncul.
Nilai- nilai dari X adalah 0,1 dan 2 dimana dalam hal ini
X(BB) = 0,
X(MB)=X(BM)=1
X(MM) = 2.
Himpunan yang isinya nilai-nilai 0, 1 dan 2 disebut ruang nilai dari variable acak X atau
{x | x = 0,1,2} disebut ruang nilai dari X. Jadi X adalah variable acak diskrit karena
didefinisikan pada ruang sampel diskrit S.
2. Percobaan acak pelemparan 1 koin sampai diperoleh sisi muka.
Ruang sampelnya adalah S = {M,BM,BBM,BBBM,….}.
Dalam hal ini S adalah ruang sampel diskrit karena banyaknya anggota S tak terhingga tapi
terhitung, artinya setiap anggota dari S dapat kita kaitkan dengan anggota dari himpunan
bilangan asli, dengan ilustrasi sebagai berikut :
M ⟷1, BM ⟷ 2, BBM ⟷ 3, BBBM ⟷ 4 dst
Misalkan didefinisikan variable acak X yang memetakan setiap anggota S ke anggota
himpunan bilangan real dengan X menyatakan banyaknya sisi belakang yang muncul.
Nilai-nilai dari X adalah, 0,1,2,3,4,….. dimana
X(M) = 0
X(BM) = 1
X(BBM) = 2
X(BBBM) = 3 dst
Ruang nilai dari X adalah {x|x = 0,1,2,3,…..} yang merupakan himpunan tak terhingga tapi
terhitung. Jadi X adalah variable acak diskrit karena didefinisikan pada ruang sampel
diskrit.
Definisi 3 :
Ruang sampel kontinu adalah ruang sampel yang mengandung tak hingga banyaknya titik-titik
sampel (tak hingga tak terhitung/berkorespondensi satu-satu dengan titik-titik pada garis bilangan
riil) atau ruang sampel yang berupa interval atau gabungan dari beberapa interval.
Variabel acak kontinu merupakan variabel acak yang didefinisikan pada ruang sampel kontinu.
Contoh 2:
Misalkan percobaan acaknya adalah ingin mengukur jarak yang ditempuh oleh sebuah
mobil yang diisi 5 liter bensin. Dengan mengasumsikan bahwa jarak dapat diukur seteliti
mungkin, maka terdapat tak hingga banyaknya kemungkinan jarak yang dapat ditempuh
oleh mobil tersebut yang tidak dapat disamakan dengan banyaknya bilangan asli. Jadi S
berbentuk interval, misalkan (a,b) atau [a,b] yang merupakan subset dari himpunan
bilangan riil. Karena S berupa interval maka S mengandung tak hingga banyaknya titik-
titik sampel atau S adalah ruang sampel kontinu.
Misal didefinisikan variabel random X yang menyatakan jarak yang dapat ditempuh oleh
mobil yang diisi bensin 5 liter. Nilai-nilai X berupa titik-titik yang berada pada interval
yang sama dengan S. Ruang nilai dari X adalah sama dengan S. Jadi, X adalah variable
acak kontinu karena didefinisikan pada ruang sampel kontinu.

DISTRIBUSI PROBABILITAS
Pada variabel acak diskrit, setiap nilainya dikaitkan dengan probabilitas tertentu. Misalnya pada
pelemparan uang 2 kali, peubah acak X yang menyatakan banyaknya sisi muka muncul akan
dikaitkan dengan probabilitas ½ pada saat nilai X sama dengan 1, dengan asumsi setiap titik
sampel mempunyai kemungkinan yang sama untuk terjadi. Jadi, semua kemungkinan nilai
suatu variabel acak diskrit beserta probabilitasnya dapat dicantumkan dalam tabel 1 sebagai
berikut:
Tabel 1. Distribusi probabilitas untuk variabel acak diskrit X

Nilai-nilai 𝒙 𝑥1 𝑥2 … 𝑥𝑘 Jumlah

Probabilitas Pr (𝑋 = 𝑥1 ) Pr (𝑋 = 𝑥2 ) Pr (𝑋 = 𝑥𝑘 ) 1

Untuk kasus contoh pelemparan koin 2 kali , dapat dilihat pada table 2 berikut :
Tabel 2. Distribusi probabilitas untuk variabel acak diskrit X

Nilai 𝒙 0 1 2 Jumlah

Probabilitas ¼ ½ ¼ 1

Nilai-nilai probabilitas pada tabel 2 diperoleh dari probabilitas titik-titik sampel di ruang sampel
S yang berkaitan dengan nilai-nilai variable acak tersebut, yaitu :
Pr (X=0) = P(BB) = ¼
Pr (X = 1) =P(BM,MB) = ½
Pr (X=2) = P (MM) = ¼.

Distribusi probabilitas dari variabel acak X biasanya dapat dituliskan sebagai fungsi 𝑓(𝑥) yang
mempunyai sifat :
1. 𝑓(𝑥) ≥ 0 untuk setiap 𝑥.
2. ∑𝑥 𝑓 (𝑥 ) = 1 untuk variabel acak diskrit X
Note :
Khusus variable acak diskrit berlaku bahwa Pr(𝑋 = 𝑥 ) = 𝑓 (𝑥 ) dan dalam hal ini 𝑓(𝑥) disebut
probability mass function dari X atau pmf dari X atau disebut juga probability density function
(pdf) dari X.
Untuk variable acak kontinu, akan dibahas pada pembahasan berikutnya terkait distribusi
probabilitas untuk variabel acak kontinu.

Contoh 3:
Berdasarkan tabel 2, kita dapat menuliskan
1
𝑓 (0) = Pr(𝑋 = 0) =
4
𝑓 (1) = Pr(𝑋 = 1) = 1/2
𝑓 (2) = Pr(𝑋 = 2) = 1/4
Perhatikan bahwa 𝑓 (𝑥 ) > 0 untuk setiap nilai X di ruang nilainya dan jumlahan nilai-nilai 𝑓(𝑥)
untuk semua nilai x adalah 1. 𝑓(𝑥) juga dapat dirumuskan sebagai berikut :

 2   1  2
  , x=
f ( x) =  x   2 
0,1,2
 0
 , x yang lainnya
EKSPEKTASI DAN VARIANSI
Definisi 4 :
Misalkan X adalah variabel acak diskrit dengan fungsi probabilitas 𝑓(𝑥), maka ekspektasi
matematika atau nilai harapan matematika dari X atau mean dari X dilambangkan dengan E(X)
dan didefinisikan sebagai

𝐸 (𝑋) = ∑ 𝑥𝑓(𝑥)
𝑥

E(X) menyatakan rata-rata populasi dan biasa dinotasikan dengan 𝜇 .

Contoh 4:
Misalkan dilakukan percobaan random dengan cara melempar 2 mata uang yang seimbang.
Ruang sampelnya adalah S = {MM,MB,BM,BB}. Didefinisikan variable acak X yang menyatakan
banyaknya sisi muka yang mucul, maka
Pr (X=0) = P(BB) = ¼
Pr (X = 1) =P(BM,MB) = ½
Pr (X=2) = P (MM) = ¼.
Nilai ekspektasi matematika dari X adalah
2
1 1 1
𝜇 = 𝐸 (𝑋) = ∑ 𝑥𝑓(𝑥) = ∑ 𝑥𝑓 (𝑥 ) = 0. + 1. + 2. = 1.
4 2 4
𝑥 𝑥=0

Berdasarkan hasil ini, dapat diartikan bahwa apabila seseorang melemparkan 2 mata uang yang
seimbang berulang kali , maka rata-rata dia akan memperoleh 1 sisi muka per lemparan.

Nilai ekspektasi X atau mean dari X merupakan hal yang penting di statistika karena nilai ini
dapat mendeskripsikan dimana distribusi probabilitas terpusat. Akan tetapi, nilai mean ini tidak
memberikan deskripsi yang sesuai dari bentuk distribusinya. Dalam hal ini kita perlu
menggambarakan variabilitas dari distribusinya. Perhatikan dua gambar histogram dari variable
acak diskrit berikut ini :
 Gambar 1. Distribusi dengan mean yang sama dan sebaran yang berbeda
Sumber : Walpole, et.al (2012), Probability and Statistics for Engineer and Scientist.

Dari Gambar 1 terlihat bahwa kedua distribusi memiliki mean yang sama yaitu 2 tetapi sebaran
dari nilai-nilai observasi terhadap meannya berbeda. Oleh karena itu perlu diketahui juga ukuran
variabilitas dari variable acak X untuk melihat bentuk distribusinya. Ukuran variabilitas dari X
dinyatakan dalam Definisi 5 berikut ini.

Definisi 5:
Jika X adalah variabel acak diskrit dengan fungsi probabilitas 𝑓(𝑥), maka variansi X adalah

𝐸 (𝑋 − 𝜇 )2 = ∑(𝑥 − 𝜇 )2 𝑓(𝑥)
𝑥

𝐸 (𝑋 − 𝜇 )2 menyatakan variansi populasi dan dinotasikan dengan 𝜎 2 .

Sifat-sifat Ekspektasi :
1. 𝐸 (𝑎𝑋 + 𝑏) = 𝑎𝐸 (𝑋) + 𝑏
2. 𝜎 2 (𝑎𝑋 + 𝑏) = 𝑎2 𝜎 2 (𝑋) = 𝑎2 𝜎 2 .

Berdasarkan sifat-sifat ekspektasi, rumus 𝜎 2 dapat disederhanakan menjadi

𝜎 2 = 𝐸 (𝑋 − 𝜇 )2 = 𝐸 (𝑋 2 − 2𝑋𝜇 + 𝜇 2 ) = 𝐸(𝑋 2 ) − 2𝜇𝐸 (𝑋) + 𝐸 (𝜇 2 ) = 𝐸 (𝑋 2 ) − 𝜇 2.
Contoh 5:
Untuk kasus pada Contoh 4, hitunglah variansi X atau 𝜎 2 .
2
2
1 1 1 1
𝜎 = 𝐸 (𝑋 − 𝜇 )2 = 𝐸 (𝑋 2)
− 𝜇 = ∑ 𝑥 2 𝑓 (𝑥 ) − 𝜇 2 = (02 . + 12 . + 22 . ) − 12 =
2
4 2 4 2
𝑥=0

DISTRIBUSI VARIABEL ACAK DISKRIT

Seringkali pengamatan yang berasal dari berbagai percobaan statistik yang berbeda memiliki jenis
perilaku umum yang sama. Akibatnya variabel acak diskrit yang berkaitan dengan percobaan-
percobaan tersebut dapat dijelaskan melalui distribusi probabilitas yang sama dan dapat disajikan
dalam rumus tunggal (rumus yang sama).
Beberapa distribusi probabilitas diskrit yang banyak digunakan dan akan dibahas pada
materi ini adalah:
A. Distribusi Uniform Diskrit
B. Distribusi Bernoulli dan Binomial
C. Distribusi Poisson
D. Distribusi Multinomial

A. Distribusi Uniform Diskrit

Merupakan distribusi yang paling sederhana karena pada distribusi ini diasumsikan bahwa setiap
nilai dari variable acaknya memiliki probabilitas yang sama.

Definisi 6 :
Jika Variabel random X mempunyai nilai-nilai 𝑥1 , 𝑥2 , … , 𝑥𝑘 dengan probabilitas yang sama, maka
distribusi uniform diskrit didefinisikan sebagai berikut:
1
𝑓 (𝑥; 𝑘 ) = , 𝑢𝑛𝑡𝑢𝑘 𝑥1 , 𝑥2 , … , 𝑥𝑘
𝑘
Catatan :
Notasi disini menggunakan 𝑓(𝑥; 𝑘 ) dengan tujuan untuk menunjukkan bahwa distribusi uniform
ini bergantung pada parameter k (di awal kita menggunakan 𝑓 (𝑥 ) untuk pdf).
Mean dan Variansi dari distribusi uniform diskrit adalah
𝑘 𝑘 𝑘
𝑥𝑖 1
𝜇 = 𝐸 (𝑋) = ∑ 𝑥𝑖 𝑓 (𝑥𝑖 , 𝑘 ) = ∑ = ∑ 𝑥𝑖
𝑘 𝑘
𝑖=1 𝑖=1 𝑖=1
𝑘 𝑘
2
1
𝜎 = 𝐸 (𝑋 − 𝜇 )2 = ∑(𝑥𝑖 − 𝜇 𝑓(𝑥𝑖 , 𝑘 ) = ∑(𝑥𝑖 − 𝜇 )2
)2
𝑘
𝑖=1 𝑖=1

Contoh 6:
Jika sebuah dadu yang seimbang dilempar maka setiap anggota dari ruang sampel
1
𝑆 = {1,2,3,4,5,6} mempunyai probabilitas yang sama untuk terjadi yaitu . Oleh karena itu kita
6
1
mempunyai distribusi uniform diskrit dengan pdf 𝑓(𝑥; 6) = 6 , 𝑢𝑛𝑡𝑢𝑘 𝑥 = 1,2,3,4,5,6,
1+2+3+4+5+6 1 17,5
𝜇= = 3,5 dan 𝜎 2 = [(1 − 3,5)2 + ⋯ + (6 − 3,5)2 ] = = 2,92.
6 6 6

Histogram dari distribusi uniform diskrit ini selalu berupa beberapa empat persegi panjang dengan
tinggi yang sama seperti pada Gambar 2.

Gambar 2. Histogram dari pelemparan dadu

Sumber : Walpole, et.al (2012), Probability and Statistics for Engineer and Scientist.

B. Distribusi Binomial
Sebuah percobaan random biasanya terdiri dari beberapa usaha (trial) yang diulang-ulang, dimana
antar ulangannya saling bebas. Sebuah percobaan random yang hanya mempunyai dua
kemungkinan hasil pada setiap ulangannya, yang dapat dikategorikan sebagai “sukses” atau
“gagal” disebut sebuah proses Bernoulli. Setiap trial disini disebut sebagai Bernoulli trial.
Sebuah proses Bernoulli harus memenuhi sifat-sifat berikut ini:
1. Percobaannya terdiri dari n ulangan atau terdiri atas n trial yang diulang.
2. Dalam setiap ulangan, hasilnya dapat dikategorikan sebagai “sukses” atau “gagal”.
3. Probabilitas sukses, yang dinotasikan dengan p adalah konstan pada setiap ulangan (trial).
4. Antar ulangannya saling bebas.

Perhatikan barisan Bernoulli trials yang berupa pelemparan sekeping uang logam sebanyak 3 kali.
Pada percobaan ini kategori “sukses” adalah ketika hasil lemparannya adalah sisi Gambar (G).
Misalkan variable acak X didefinisikan sebagai banyaknya sukses, maka nilai-nilai X yang
mungkin adalah 0,1,2 dan 3. Nilai-nilai tersebut diperoleh dari pemetaan anggota-anggota ruang
sampel dari percobaan random sebagai berikut :
X(AAA)=0 X(AGG)=2
X(AGA)=1 X(GAG)=2
X(AAG)=1 X(GGA)=2
X(GAA)=1 X(GGG)=3
Karena antar ulangannya saling bebas dan pada setiap ulangan probabilitas suksesnya sama yaitu
1 1 1 1 1
, maka P(GAG) = (2) (2) (2) = 8. Demikian juga untuk setiap kemungkinan hasil yang lain,
2
1
probabilitasnya sama yaitu 8.

Distribusi probabilitas untuk X dapat dinyatakan dalam Tabel 3.

Tabel 3. Distribusi probabilitas untuk variabel acak diskrit X

Nilai 𝒙 0 1 2 3 Jumlah

Probabilitas 1/8 3/8 3/8 1/8 1

Distribusi probabilitas tersebut dapat dinyatakan dalam rumus

3 1 𝑥 1 3−𝑥
𝑓 (𝑥 ) = Pr (𝑋 = 𝑥) = ( ) (2) (2) , 𝑥 = 0,1,2,3.
𝑥
3 1 1 1 3−1 3! 1 3
Perhatikan bahwa 𝑓 (1) = Pr(𝑋 = 1) = ( ) (2) (2) = (3−1)!1! 8 = 8 .
1

Secara umum misalkan X menyatakan banyaknya sukses dalam n ulangan Bernoulli trial, maka
X disebut variable acak yang berdistribusi binomial. Notasinya adalah 𝑋~𝑏𝑖𝑛𝑜𝑚𝑖𝑎𝑙 (𝑛, 𝑝),
dengan n dan p disebut parameter dari distribusi binomial.
Distribusi probabilitas dari X disebut distribusi binomial dan nilai-nilainya dinotasikan dengan
𝑏(𝑥; 𝑛, 𝑝) karena nilainya bergantung pada banyaknya ulangan (trial) yaitu n dan probabilitas
sukses pada setiap ulangan yaitu p,
sedangkan 𝑥 disini menyatakan banyaknya sukses terjadi.
𝑛
𝑏(𝑥; 𝑛, 𝑝) = ( ) (𝑝)𝑥 (1 − 𝑝)𝑛−𝑥 , 𝑥 = 0,1,2, … , 𝑛
𝑥
Jika p menyatakan probabilitas sukses pada tiap ulangan, maka probabilitas gagal biasa
dinotasikan dengan 𝑞 = 1 − 𝑝 sehingga 𝑏(𝑥; 𝑛, 𝑝) dapat dituliskan juga sebagai berikut :

𝑛
𝑏 (𝑥; 𝑛, 𝑝) = ( ) (𝑝)𝑥 (𝑞)𝑛−𝑥 , 𝑥 = 0,1,2, … , 𝑛
𝑥
Distribusi probabilitas pada Tabel 3 akan dituliskan dalam notasi yang baru yaitu
𝑥
1 3 1 1 3−𝑥
𝑏 (𝑥; 3, ) = ( ) ( ) ( ) , 𝑥 = 0,1,2,3
2 𝑥 2 2

Note :
Berkaitan dengan distribusi binomial, ketika 𝑛 = 1 maka distribusinya biasa disebut distribusi
Bernoulli.

Mean dan Variansi dari Distribusi Binomial

Apabila 𝑋~𝑏𝑖𝑛𝑜𝑚𝑖𝑎𝑙 (𝑛, 𝑝), maka mean dari X adalah 𝐸 (𝑋) = 𝜇 = 𝑛𝑝 dan variansinya adalah
𝐸(𝑋 − 𝜇)2 = 𝜎 2 = 𝑛𝑝𝑞.

Contoh 7 :
Suatu ujian yang terdiri dari 15 pertanyaan pilihan berganda, masing-masing memiliki 5
kemungkinan jawaban dan hanya satu yang benar. Hitunglah berapa probabilitas seseorang yang
menjawab secara menebak-nebak akan memperoleh
a. 5 sampai 10 jawaban yang benar.
b. 4 jawaban yang benar
c. Antara 5 sampai 10 jawaban yang benar
d. Lebih dari 5 jawaban yang benar.
e. Hitunglah mean dan variansi dari banyaknya jawaban yang benar dari peserta ujian yang
menjawab dengan cara menebak-nebak.
Perhatikan bahwa setiap soal mempunyai kemungkinan jawaban “benar”, dalam hal ini dapat
dianggap sebagai “sukses” atau “salah” dapat dianggap sebagai “gagal”, dengan probabilitas
benar pada tiap soal adalah sama yaitu 1/5 = 0,2. Dalam ujian ini terdapat 15 soal (ulangannya
ada 15) antar soal diasumsikan saling bebas (pertanyaannya). Jadi syarat-syarat yang dibutuhkan
pada proses Bernoulli terpenuhi.

Jawaban :
Misalkan X adalah banyaknya jawaban yang benar dari peserta ujian yang menjawab dengan
cara menebak-nebak.
𝑋~𝑏𝑖𝑛𝑜𝑚𝑖𝑎𝑙 (15,1/5).
a. Berdasarkan pertanyaan a, angka 5 dan 10 masuk dalam nilai yang dicari, sehingga yang
ditanyakan adalah berapa 𝑃𝑟(5 ≤ 𝑋 ≤ 10) ?
𝑃𝑟(5 ≤ 𝑋 ≤ 10) = Pr(𝑋 = 5) + Pr(𝑋 = 6) + ⋯ . +Pr (𝑋 = 10)
Hasilnya dapat diperoleh dengan cara menghitung satu-satu probabilitas yang dicari,
yaitu dengan mengunakan rumus 𝑏(𝑥; 𝑛, 𝑝) 𝑦𝑎𝑖𝑡𝑢 ∶

𝑏(5; 15,1/5) + 𝑏(6; 15,1/5) + ⋯ + 𝑏(10; 15,1/5) yang cukup menyita waktu.

Cara lain adalah dengan menggunakan tabel distribusi binomial yang ada di Tabel A1,
appendix A

Tabel 4. Tabel Probabilitas untuk Distribusi Binomial

 Judul tabel ini adalah menyatakan jumlahan 𝑏(𝑥; 𝑛, 𝑝) atau ∑𝑟𝑥=0 𝑏(𝑥; 𝑛, 𝑝) dimana 𝑥 dari
0 sampai r, nilai-nilai n ada di kolom kiri dan nilai p ada di baris atas.

𝑃𝑟(5 ≤ 𝑋 ≤ 10) harus diubah dalam bentuk 𝑃𝑟(5 ≤ 𝑋 ≤ 10) = Pr(𝑋 ≤ 10) − Pr (𝑋 ≤ 4),
sehingga hasilnya dapat dilihat langsung dari Tabel 4.
1
Pr(𝑋 ≤ 10) = ∑10
𝑥=0 𝑏 (𝑥; 15, ) = 1 (lihat di n = 15 pilih yang r = 10, dan tarik ke kanan
5
sampai ketemu nilai di bawah p = 0,2).
1
Pr (𝑋 ≤ 4) = ∑4𝑥=0 𝑏 (𝑥; 15, ) = 0,8358 ( dalam hal ini r = 4)
5

Jadi 𝑃𝑟(5 ≤ 𝑋 ≤ 10) = Pr(𝑋 ≤ 10) − Pr(𝑋 ≤ 4) = 1 − 0,8358 = 0,1642.2

1 15 1 4 4 11
b. Pr(𝑋 = 4) = 𝑏 (4; 15, 5) = ( ) (5) (5) atau
4
Pr(𝑋 = 4) = Pr(𝑋 ≤ 4) − Pr(𝑋 ≤ 3) = 0,8358 − 0,6482 = 0,1876 , dimana nilai-nilai
dari Pr(𝑋 ≤ 4) dan Pr(𝑋 ≤ 3) diperoleh dari Tabel 4.

c. 𝑃𝑟(5 < 𝑋 < 10) = 𝑃𝑟(6 ≤ 𝑋 ≤ 9) = Pr(𝑋 ≤ 9) − Pr(𝑋 ≤ 5)

= 0,9999 − 0,9389 = 0,061.
Perhatikan disini 5 dan 10 tidak masuk dalam nilai yang dihitung probabilitasnya. Pada
variable acak diskrit, hal ini harus sangat diperhatikan.

d. Pr(𝑋 > 5) = Pr(𝑋 = 6) + ⋯ + Pr(𝑋 = 15) = 1 − Pr(𝑋 ≤ 5) = 1 − 0,9389 = 0,0611.

1 1 4 12
e. 𝐸 (𝑋) = 𝜇 = 𝑛𝑝 = 15 . = 3 dan 𝜎 2 = 𝑛𝑝𝑞 = 15. . = .
5 5 5 5

1
Berikut adalah histogram dari 𝑏 (𝑥; 15, ).
5

1
Gambar 3. Histogram dari 𝑏 (𝑥; 15, 5)
Sumber : Walpole, et.al (2012), Probability and Statistics for Engineer and Scientist.
C. Distribusi Poisson

Percobaan Poisson adalah suatu percobaan yang menghasilkan nilai-nilai bagi variabel
acak yang menyatakan banyaknya hasil percobaan/banyaknya kejadian yang terjadi dalam
suatu selang waktu tertentu atau daerah tertentu. Selang waktu disini bisa saja semenit,
sehari, seminggu, sebulan dsb. Daerah tertentu bisa saja berupa sebuah potongan garis,
suatu luas daerah tertentu, sebuah volume atau bahkan potongan benda.

Variabel acak X yang menyatakan banyaknya hasil percobaan yang terjadi dalam suatu
selang waktu atau suatu daerah tertentu disebut variabel acak Poisson.
Contoh:
• Banyaknya kesalahan ketik per halaman
• Banyaknya kecelakaan pada ruas jalan tertentu selama 1 hari
• Banyaknya dering telpon perjam di suatu kantor

Percobaan Poisson diturunkan dari proses Poisson yang memiliki sifat-sifat sebagai berikut
:
1. Banyaknya hasil percobaan/kejadian yang terjadi pada suatu interval waktu atau daerah
tertentu adalah independen dari banyaknya kejadian yang terjadi pada sembarang
interval atau daerah lain yang disjoin ( tidak saling beririsan).
2. Probabilitas terjadinya sebuah hasil percobaan/kejadian pada interval waktu yang
sangat pendek atau dalam suatu area yang sempit/ kecil adalah proporsional dengan
panjang interval waktu tersebut atau ukuran daerah tersebut dan tidak bergantung pada
banyaknya hasil percobaan yang terjadi diluar interval wakt atau daerah tersebut.
3. Probabilitas terjadinya lebih dari satu hasil percobaan/kejadian dalam suatu interwal
waktu yang sangat pendek atau suatu area yang sempit adalah dapat diabaikan (secara
esensial sama dengan nol).

Variabel acak X yang menyatakan banyaknya hasil percobaan yang terjadi selama
percobaan Poisson disebut variable acak Poisson dan distribusi probabilitasnya dinamakan
distribusi Poisson. Notasinya 𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛 (𝜇), dimana 𝜇 adalah mean dari distribusi
Poisson dan merupakan parameter dari distribusi Poisson. Distribusi Poisson ini
mempunyai sifat bahwa meannya sama dengan variansinya, sehingga 𝐸 (𝑋) = 𝜎 2 = 𝜇.
Misalkan 𝜆 menotasikan rate dari terjadinya hasil-hasil percobaan dan t menyatakan waktu
tertentu, jarak tertentu, volume tertentu yang menjadi perhatian kita, maka 𝜇 = 𝜆𝑡.
Distribusi probabilitas atau pdf dari distribusi Poisson dapat dinyatakan sebagai
𝑒 −𝜇 𝜇 𝑥
𝑓 (𝑥; 𝜇 ) = , 𝑥 = 0,1,2,3, …
𝑥!
dengan 𝑒 = 2,71828 ….
Notasi lainnya adalah
𝑒 −𝜇 𝜇 𝑥
𝑝(𝑥; 𝜇 ) = , 𝑥 = 0,1,2,3, …
𝑥!
Berikut adalah histogram dari distribusi Poisson dengan 𝜇 = 2 dan 𝜇 = 5.

Gambar 4. Histogram dari distribusi Poisson

Sumber : Walpole, et.al (2012), Probability and Statistics for Engineer and Scientist.

Contoh :
Selama percobaan di laboratorium, rata-rata banyaknya partikel radioaktif yang melewati
suatu alat tertentu dalam waktu 1 mili detik adalah 4. Hitunglah probabilitas bahwa
terdapat 6 partikel yang melewati alat tersebut.

Misalkan X adalah banyaknya partikel radioaktif yang melewati alat tertentu dalam waktu
1 milidetik.
𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛 (𝜇), dimana 𝜇 = 4.
Dalam hal ini 𝜆 = 4 dan 𝑡 = 1 dalam satuan yang kita perhatikan disini yaitu mili detik,
𝜆 disini menyatakan rate dalam waktu 1 mili detik, sehingga 𝜇 = 4.1 = 4.
𝑒 −4 46
Jadi Pr(𝑋 = 6) = 𝑝(6; 4) = = 0,1042.
6!

Cara lain menentukan nilai Pr(𝑋 = 6) adalah dengan memanfaatkan tabel di Appendix 2.
Untuk menggunakan tabel tersebut, sama halnya dengan distribusi binomial, Pr(𝑋 = 6)
dituliskan menjadi
6 5

Pr(𝑋 = 6) = Pr(𝑋 ≤ 6) − Pr(𝑋 ≤ 5) = ∑ 𝑝(𝑥; 4) − ∑ 𝑝(𝑥; 4) = 0,8893 − 0,7851

𝑥=0 𝑥=0

Dimana nilai 0,8893 dan 0,7851 dapat dilihat pada tabel distribusi Poisson di appendix 2
pada 𝜇 = 4 dan r masing-masing adalah 6 dan 5.
 Misalkan ditanya berapa probabilitas terdapat 10 partikel yang melewati alat tertentu dalam
waktu 3 mili detik?
Perhatikan disini bahwa satuan waktu yang kita perhatikan adalah 3 mili detik bukan 1
mili detik. Klu dalam waktu 1 mili detik, 𝜇 = 𝜆𝑡 = 4.1 maka dalam wakti 3 mili detik
𝜇 = 𝜆𝑡 = 4.3 = 12.
Misalkan X adalah banyaknya partikel radioaktif yang melewati alat tertentu dalam waktu
3 milidetik., maka 𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛 (𝜇), dimana 𝜇 = 12.
Jadi Pr(𝑋 = 10) = Pr(𝑋 ≤ 10) − Pr(𝑋 ≤ 9) = 0,3472 − 0,2424 = 0.1048 , dapat
dilihat dari tabel distribusi Poisson dengan 𝜇 = 12.

Distribusi Poisson sebagai Pendekatan dari Distribusi Binomial

Misalkan X adalah variable acak yang berdistribusi binomial dengan distribusi probabilitas
atau pmf 𝑏(𝑥; 𝑛, 𝑝). Ketika n sangat besar (menuju tak hingga) dan p sangat kecil
(mendekati 0) maka distribusi binomial akan mendekati distribusi Poisson dengan 𝜇 = 𝑛𝑝.
Dengan kata lain, distribusi Poisson dengan 𝜇 = 𝑛𝑝 merupakan distribusi pendekatan
untuk distribusi binomial 𝑏(𝑥; 𝑛, 𝑝) ketika n sangat besar dan p mendekati 0.

Contoh :
Probabilitas bahwa seseorang meninggal akibat infeksi pernafasan adalah 0,002. Hitunglah
probabilitas bahwa kurang dari 5 diantara 2000 orang yang terinfeksi akan meninggal.
Misalkan X adalah banyaknya orang yang terinfeksi saluran pernafasan.
𝑋~𝑏𝑖𝑛𝑜𝑚𝑖𝑎𝑙 (2000,0,002), n = 2000 dan p = 0,002 dalam hal ini n cukup besar dan p
sangat kecil.

Karena n cukup besar dan p sangat kecil maka kita akan menggunakan distribusi Poisson
dengan 𝜇 = 𝑛𝑝 = 2000.0,002 = 4 sebagai pendekatan dari distribusi binomial.
Jadi 𝑋 → 𝑃𝑜𝑖𝑠𝑠𝑜𝑛 (4) , dalam hal ini notasi → menunjukkan bahwa X berdistribusi
pendekatan Poisson dengan mean 4.
Pr(𝑋 < 5) = Pr(𝑋 ≤ 4) = 0,6288 (dari tabel distribusi Poisson dengan mean 4).
D. Distribusi Multinomial
Percobaan multinomial hampir sama dengan percobaan binomial, hanya saja pada setiap
ulangannya, percobaan multinomial menghasilkan lebih dari 2 kemungkinan hasil atau
menghasilkan 1 diantara k hasil yang mungkin.
Jika suatu pengulangan menghasilkan 1 diantara k hasil, dimana k hasil yang mungkin
terjadi dinotasikan dengan 𝐸1 , 𝐸2 , … , 𝐸𝑘 dengan probabilitas 𝑝1 , 𝑝2 , … , 𝑝𝑘 , maka
distribusi multinomial akan menyatakan probabilitas bahwa 𝐸1 terjadi 𝑥1 kali, 𝐸2 terjadi
𝑥2 kali, …, 𝐸𝑘 terjadi 𝑥𝑘 kali dalam n pengulangan (trial) yang saling bebas, sehingga
berlaku 𝑥1 + 𝑥2 + ⋯ + 𝑥𝑘 = 𝑛.

Distribusi probabilitas untuk variabel-variabel acak 𝑋1 , 𝑋2 , … , 𝑋𝑘 yang menyatakan

banyaknya 𝐸1 , 𝐸2 , … , 𝐸𝑘 terjadi dalam n ulangan yang saling bebas, dinyatakan sebagai
berikut:
𝑛
𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑘 ) = Pr(𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , … , 𝑋𝑘 = 𝑥𝑘 ) = (𝑥 , 𝑥 , … , 𝑥 ) 𝑝1 𝑥1 𝑝2 𝑥2 … 𝑝𝑘 𝑥𝑘
1 2 𝑘
Untuk menekankan bahwa rumus tersebut bergantung pada 𝑝1 , 𝑝2 , … , 𝑝𝑘 dan n, maka
penulisan lengkapnya adalah sebagai berikut:
𝑛
𝑓 (𝑥1 , 𝑥2 , … , 𝑥𝑘 ; 𝑝1 , 𝑝2 , … , 𝑝𝑘 , 𝑛) = (𝑥 , 𝑥 , … , 𝑥 ) 𝑝1 𝑥1 𝑝2 𝑥2 … 𝑝𝑘 𝑥𝑘
1 2 𝑘
dengan ∑𝑘𝑖=1 𝑥𝑖 = 𝑛 dan ∑𝑘𝑖=1 𝑝𝑖 = 1.

𝑝1 , 𝑝2 , … , 𝑝𝑘 , 𝑛 merupakan parameter-parameter dari distribusi multinomial.

Note :
𝑛 𝑛!
(𝑥 , 𝑥 , … , 𝑥 ) = 𝑥 !𝑥 !𝑥 ! .
1 2 𝑘 1 2 3

Contoh :

Dalam suatu konferensi, probabilitas suatu delegasi tiba dengan menggunakan pesawat
terbang, bis, kendaraan pribadi atau kereta api masing-masing 0.4, 0.2, 0.3 dan 0.1.
Berapa probabilitas bahwa diantara 9 delegasi yang diambil secara acak, 3 tiba dengan
pesawat terbang, 3 dengan bis, 1 dengan mobil pribadi dan 2 dengan kereta api?

Misalkan
𝑋1 : banyaknya delegasi yang tiba dengan menggunakan pesawat terbang
𝑋2 : banyaknya delegasi yang tiba dengan menggunakan bis
𝑋3 : banyaknya delegasi yang tiba dengan menggunakan kendaraan pribadi
𝑋4 : banyaknya delegasi yang tiba dengan menggunakan kereta api

𝑝1 = 0.4, 𝑝2 = 0.2, 𝑝3 = 0.3 𝑑𝑎𝑛 𝑝4 = 0.1.

𝑥1 = 3, 𝑥2 = 3, 𝑥3 = 1 𝑑𝑎𝑛 𝑥4 = 2, n = 9.

Akan dihitung Pr(𝑋1 = 3, 𝑋2 = 3, 𝑋3 = 1, 𝑋4 = 2).

 9!
Pr(𝑋1 = 3, 𝑋2 = 3, 𝑋3 = 1, 𝑋4 = 2) = (0.4)3 (0.2)30 (0.3)1 (0.1)2 = ⋯
3! 3! 1! 2!