MODUL

FUNGSI DISTRIBUSI PROBABILITAS DISKRIT DAN KONTINU

TUJUAN INSTRUKSIONAL
1. Mahasiswa memahami variabel random dan implementasinya
2. Mahasiswa memahami konsep distribusi probabilitas
3. Mahasiswa mampu mengimplementasikan atau menyelesaikan masalah
statistik terkait fungsi distribusi probabilitas

A. LATAR BELAKANG
Tidak ada satupun kejadian ataupun masalah didunia ini yang benar-benar diketahui
secara mutlak bagaimana sistem alam yang sangat kompleks mampu menghadirkan
keduanya untuk dirasakan baik dampak dan akibatnya. Namun hal itu tidak bisa
didiamkan begitu saja. Akal dan nalar manusia diciptakan untuk mampu berpikir
sehingga dapat menghadapi dan mengkaji kejadian dan masalah tersebut. Salah satu
usaha sadar dalam menggambarkan usaha tersebut adalah membuat model dari
kejadian atau masalah yang dihadapi. Model atau lebih jelasnya model matematis
adalah pernyataan simbolik tentang faktor-faktor yang berusaha untuk menjelaskan
suatu kejadian. Pernyataan yang dimaksud secara umum dituliskan dalam bentuk
persamaan matematis. Persamaan tersebut kemudian lebih dikenal dengan istilah
fungsi. Karena persamaan juga dapat diartikan dalam fungsi, dengan fungsi yang
diartikan sebagai aturan yang memetakan sebuah himpunan (“asal/kejadian”)
kedalam himpunan lain (“kemungkinan hasil/kodomain”) untuk menghasilkan sebuah
nilai tujuan (“hasil/range”). Statistika adalah bagian dari matematika yang secara
khusus mengkaji tentang data. Kajian yang dimaksud tentu sangatlah luas untuk
dimaknakan dalam beragam model atas kejadian-kejadian yang dihadapi. Namun
demikian secara khusus eksistensi model matematika dalam statistika yang dikaji
untuk memodelkan kejadian ataupun masalah yang dihadapi, dibentuk dan disajikan
dalam fungsi probabilitas. Lebih khusus berdasarkan kejadiannya model matematika
yang digunakan dalam menganalisa dibedakan menjadi dua kajian. Kedua model
tersebut adalah model diskrit dan model kontinu yang kemudian dikemas secara
umum dalam fungsi masa probabilitas (“diskrit”) dan fungsi kepadatan peluang
(“kontinu”). Untuk lebih jelasnya terkait fungsi masa probabilitas dan fungsi kepadatan
peluang akan dijabarkan da sub-bab selanjutnya.
B. Distribusi Variabel Random
Model matematika yang berupa persamaan matematis secara langsung dibentuk dari
variabel-variabel yang menjadi objek kajian dalam penelitian. Secara umum variabel-
variabel yang dimkasud harus dibentuk dalam skala numerik. Hal ini dimaksudkan
untuk mempermudahkan proses analisis untuk menemukan nilai estimasi parameter-
parameter yang dituju. Namun demikian, dalam prakteknya variabel yang merupakan
bagian dari proses pendataan tidak selalu dalam bentuk numerik. Oleh karena itu
dalam statistika sendiri dikenal adanya variabel random. Variabel random tidak dapat
diartikan sebagai sebuah variabel, karena variabel merupakan obyek penelitian yang
telah jelas latar belakang dan tujuan penetapannya. Variabel random tidak pula dapat
diartikan sebagai pengambilan data yang dilakukan secara random, karena ada
beberapa kajian terkait yang tidak dilakukan secara random. Variabel random
merupakan istilah yang digunakan dalam statistika untuk membangun ataupun
memperkokoh struktur matematis dalam statistika dengan basis numerik. Variabel
random dapat diartikan sebagai fungsi atau aturan atau cara membawa elemen
variabel kedalam bentuk numerik. Hal ini adalah sangat penting dalam model statistik,
baik struktur maupun analisis yang akan digunakan. Terlebih, adanya software atau
aplikasi statistik membutuhkan bahasa program yang bersifat sistematis, efektif, dan
efisien. Numerisasi dalam membangun konsep matematis sangatlah berguna dan
menguntungkan.
B.1. Distribusi variabel random dapat diartikan sebagai bagaimana setiap variabel
random menyebar. Keuntungan yang diperoleh pada dasarnya tidak secara
langsung dapat terlihat. Namun demikian dalam konteks peluang, dapat
diketahui bagaimana distribusi probabilitas variabel random dapat
mempermudah analisis. Sebagai contoh dapat diperhatikan masalah berikut:

Contoh 1
Dilakukan pelemparan tiga buah koin secara seimbang, dengan sebuah koin
memiliki dua kemungkinan yakni angka (A) dan gambar (G) dengan demikian
diperoleh himpunan seluruh kejadian (ruang sampel) berdasarkan kejadian
tersebut adalah sebagai berikut:
A={AAA,AAG,AGA,GAA,AGG,GAG,AGG,GGG}
Himpunan kejadian A masih dalam bentuk kualitatif, untuk membentuknya dalam
struktur kuantitatif (numerik) diperlukan suatu aturan yang merubah variabel
tersebut.
Misal didefinisikan sebuah variabel random sebagai munculnya angka dalam
pelemparan tiga koin tersebut, maka dalam kasus ini dapat kita ketahui bahwa
munculnya angka dalam kasus pelemparan 3 koin adalah sebagai berikut:

• 0 apabila angka tidak muncul

• 1 apabila muncul 1 angka
• 2 apabila muncul 2 angka
• 3 apabila muncul 3 angka

karena varaibael random adalah fungsi atau aturan atau cara membawa
kejadian kedalam bentuk numerik, maka variabel random akan membawa setiap
elemen dari himpunan ke dalam bentuk numerik sebagai berikut:

A X(a) X

AAA•
•0
AAG•
AGA•
•1
GAA•
AGG•
•2
GAG•
GGA• •3
GGG•

Gambar 1
Berdasarkan gambar 1 dapat kita bentuk distribusi probabilitas variabel random
adalah sebagai berikut:
X = 𝑥𝑖 Jumlah kejadian Distribusi probabilitas Distribusi komulatif
kejadian 𝑃(𝑋 = 𝑥𝑖 ) 𝑃(𝑋 ≤ 𝑥𝑖 )
𝑥1 =0 1 1/8 1/8
𝑥2 =1 3 3/8 4/8
𝑥3 =2 3 3/8 7/8
𝑥4 =3 1 1/8 8/8
Total peluang 1

Dalam konteks distribusi peluang komulatif diskrit berlaku rumus dalam catatan
sebagai berikut:

Catatan 1
• 𝑃(𝑋 < 𝑎) = 𝑃(𝑋 ≤ 𝑎 − 1)
• 𝑃(𝑋 > 𝑎) = 1 − 𝑃(𝑋 ≤ 𝑎)
• 𝑃(𝑋 = 𝑎) = 𝑃(𝑋 ≤ 𝑎) − 𝑃(𝑋 ≤ 𝑎 − 1)
• 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝑃(𝑋 ≤ 𝑏) − 𝑃(𝑋 ≤ 𝑎 − 1)

Contoh 2
Dalam pelemparan 3 koin seimbang tentukan peluang dari:
• Kejadian munculnya kurang dari 2 angka
• Kejadian munculnya lebih dari 2 angka
• Kejadian munculnya tepat 2 angka
• Kejadian munculnya 1 hingga 2 angka
 Jawab
4
• 𝑃(𝑋 < 2) = 𝑃(𝑋 ≤ 2 − 1) = 𝑃(𝑋 ≤ 1) =
8
4 4
• 𝑃(𝑋 > 2) = 1 − 𝑃(𝑋 ≤ 2) = 1 − =
8 8
7 4 3
• 𝑃(𝑋 = 2) = 𝑃(𝑋 ≤ 2) − 𝑃(𝑋 ≤ 2 − 1) = 𝑃(𝑋 ≤ 2) − 𝑃(𝑋 ≤ 1) = − =
8 8 8

• 𝑃(1 ≤ 𝑋 ≤ 2) = 𝑃(𝑋 ≤ 2) − 𝑃(𝑋 ≤ 1 − 1) = 𝑃(𝑋 ≤ 2) − 𝑃(𝑋 ≤ 0)

7 1 6
= − =
8 8 8

B.2. Nilai harapan dan variansi

Dalam statistika sendiri sering dihadapkan oleh data yang terstruktur dalam
barisan angka dan simbol-simbol yang pada akhirnya kurang dapat dimaknai.
Oleh karena itu diperlukan statistik pendukung untuk meringkas data tersebut.
Statistika yang umum untuk digunakan adalah nilai harapan/mean dan variansi.
Nilai harapan/mean dan nilai variansi dengan rumus sebagai berikut:
1. Nilai harapan
𝜇 = 𝐸(𝑋) = ∑𝑛𝑖=1 𝑥𝑖 𝑃(𝑋 = 𝑥𝑖 )
2. Variansi
𝜎 2 = 𝐸(𝑋 − 𝜇)2 = 𝐸(𝑋)2 − 𝜇2 = ∑𝑛𝑖=1 𝑥𝑖2 𝑃(𝑋 = 𝑥𝑖 ) − 𝜇2
Contoh 3
Tentukan niai mean dan variaansi dalam Contoh 1
Jawab
𝑋 = 𝑥𝑖 Distribusi 𝑥𝑖 × 𝑃(𝑋 = 𝑥𝑖 ) 𝑥𝑖2 × 𝑃(𝑋 = 𝑥𝑖 )
probabilitas kejadian
𝑃(𝑋 = 𝑥𝑖 )
𝑥1 = 0 1/8 0 0
𝑥2 = 1 3/8 3/8 3/8
𝑥3 = 2 3/8 6/8 12/8
𝑥4 = 3 1/8 3/8 9/8
Total 9/9 12/8=1,5 24/8=3

Jadi diperoleh
12
a. Nilai harapan 𝜇 = 𝐸(𝑋) = ∑𝑛𝑖=1 𝑥𝑖 𝑃(𝑋 = 𝑥𝑖 ) = = 1,5
8

b. Variansi 𝜎 2 = 𝐸(𝑋 − 𝜇)2 = 3 − (1,5)2 = 0,75

C. Distribusi dan probabilitas Variabel Random Diskrit
Distribusi variabel random diskrit adalah tabel ataupun rumus yang
mencantumkan nilai peubah acak diskrit. Lebih lanjut peluang dari variabel
random yang bersifat diskrit disebut distribusi probabilitas diskrit. Dalam
kenyataannya terdapat distribusi variabel random dapat diformulasikan
kedalam bentuk matematisnya. Sebagaimana kejadian dalam Contoh 1
sebenarnya dapat diformulasikan sebagai berikut:
3
( )
𝑥
𝑃(𝑋 = 𝑥) = ; 𝑑𝑒𝑛𝑔𝑎𝑛 𝑥 = 0,1,2,3
8

Sebagai ilustrasi perhatikan contoh sebagai berikut:

Contoh 3
Tentukan probabilitas munculnya 2 angka
Jawab
3
( )
2
𝑃(𝑋 = 2) =
8
3!
((3−2)!2!)
=
8
3!
(1!2!)
=
8
3×2×1×0!
( )
1×0!×2×1×0!
=
8
3
( )
1×0!
=
8
3
(1)
=
8
3
=
8

Terdapat banyak sekali probabilitas yang dapat dibentuk dan diformulasikan

berdasarkan kejdian yang ditemukan. Namun demikian terdapat beberapa
probabilitas yang sangat populer dan memiliki karakteristik secara khusus.
Beberapa diantaranya dijabarkan sebagai berikut:
a. Distribusi Binomial
Variabel random X disebut variabel random Bernoulli jika memiliki fungsi
probabilitas sebagai berikut:
𝑛
𝑃(𝑋 = 𝑥) = ( ) 𝑝 𝑥 𝑞 (𝑛−𝑥)
𝑥
dengan
𝑥 = 0,1,2, … , 𝑛 adalah jumlah sukses dalam sebuah percobaan
𝑛 = pengulangan kejadian
p = adalah peluang untuk sukses dalam sebuah percobaan
q = (1-p) = peluang gagaldalam sebuah percobaan

karakteristik disreibusi binomial

1. Ekperimen terdiri dari n ulangan kejadian bernoulii yang identik.
2. Setiap percobaab mempunyai dua kemungkinan hasil yakni sukses
atau gagal
3. Setiap percoban bersifat independen
4. Nilai ekpektasi dapat dihitung melalui rumus 𝜇 = 𝐸(𝑋) = 𝑛𝑝
5. Nilai variansi dapat dihitung melalui rumus 𝜎 2 = 𝐸(𝑋 − 𝜇)2 = 𝑛𝑝𝑞

Contoh 4
Seorang ilmuan ingin menguji sebuah benih tanaman padi yang khusus
untuk lahan kering. Eksperimen dilakukan pada benih tanaman kering
dengan menghasilkan 20% benih dapat tumbuh dilahan kering. Jika dalam
suatu inspeksi diambil 8 benih sampel secara acak
Tentukan
1) 4 diantaranya dapat ditanam dilahan kering
2) Lebih dari 5 diantaranya dapat ditanam di lahan kering
3) Kurang dari 6 dapat ditanam di lahan kering
Petunjuk jawaban
Soal dapat diselesaikan secara mudah dengan memanfaatkan rumus
dalam catatan 1, menggunakan tabel binomial, perhitungan excel dan
kombinasi diantaranya.
Jawab
Diketahui
• p=20%=0,2
• maka q=1-0,2=0,8
• n=8
sehingga untuk soal
8
1) 𝑃(𝑋 = 4) = ( ) 0,24 0,8(8−4) = 0,0459
4

2) 𝑃(𝑋 > 5) = 1 − 𝑃(𝑋 ≤ 5)

= 1 − (𝑃(𝑋 = 5) + 𝑃(𝑋 = 4) + 𝑃(𝑋 = 3) + 𝑃(𝑋 = 2) +
𝑃(𝑋 = 1) + 𝑃(𝑋 = 0))
= 1 − (0,0092 + 0,0459 + 0,1468 + 0,2936 + 0,3355 + 0,1678)
= 1 − (0,9987)
= 0,0012
 3) 0,9978

b. Distribusi Poisson
Variabel random X disebut variabel random poisson jika memiliki fungsi
probabilitas sebagai berikut:
𝑒 −𝜆 𝜆𝑥
𝑃(𝑋 = 𝑥) =
𝑥!

dengan
x=0,1,2,3,… (kejadian)
𝛌 adalah rata-rata jumlah kejadian dalam unit satuan tertentu
e= 2,718
karakteristk distribusi poisson
1. Percobaan terdiri dari sejumlah bagian kejadian yang terjadi dalam satu
satuan waktu atau luasan atau volume tertentu atau satuan lainnya
seperti jarak, berat dan lain-lain.
2. Probabilitas kejadian dalam unit waktu atau luasan atau volume tertentu
adalah sama
3. Jumlah kejadian dalam unit waktu atau luasan atau volume tertentu
adalah independen.
4. Mean distribusi poisson 𝜇 = 𝐸(𝑋) = 𝝀
5. Variansi distribusi poisson 𝜎 2 = 𝐸(𝑋 − 𝜇)2 = 𝝀

Contoh 5
Diketahui rata-rata kesalahan ketik dalam setiap lembar makalah yang
dibuat mahasiswa adalah sebanyak 6 kata dalam setiap lembarnya:
a. Probabilitas dalam pengambilan sampel secara acak terdapat tepat 7
kesalahan ketik?
b. Probabilitas terdapat lebih dari 6 kesalahan ketik
c. Kurang dari 2 kesalahan ketik

Petunjuk jawaban
Soal dapat diselesaikan secara mudah dengan memanfaatkan rumus
dalam catatan 1, menggunakan tabel poisson, perhitungan excel dan
kombinasi diantaranya.

Jawab
Diketahui
• 𝛌=6
Sehingga untuk contoh 5 dapat diselesaikan dengan cara berikut
𝑒 −6 67 (2,718)−6 67
• 𝑃(𝑋 = 7) = = = 0,7440
7! 6×54×3×2×1×0!

Atau menggunakan tabel

𝑃(𝑋 = 7) = 𝑃(𝑋 ≤ 7) − 𝑃(𝑋 ≤ 6)
= 0,7440 − 0,6063
= 0,1377
 • 𝑃(𝑋 > 6) = 1 − 𝑃(𝑋 ≤ 6)
= 1 − (0,6063)
= 0,3937
• 𝑃(𝑋 < 2) = 𝑃(𝑋 ≤ 1) = 0,0174

Contoh 7
Suatu penelitian menyebutkan bahwa peluang seseorang terinfeksi COVID-
19 adalah 0,01 dari sebanyak 1000 sampel yang diambil secara acak. Apabila
diambil secara acak, tentukan peluang 5 orang terpapar COVID-19.

Petunjuk jawaban
Soal dapat diselesaikan dengan memanfaatkan pendekatan binomial untuk
kasus poisson dengan hubungan sebagai berikut:
𝜇 = 𝜆 = 𝑛𝑝
𝜎 2 = 𝜆 = 𝑛𝑝
Dengan demikian Contoh 7 dapat diselesaikan dengan cara sebagai berikut
Diketahui
𝜆 = 𝑛𝑝 = 1000 × 0,01 = 10
Ditanyakan
𝑃(𝑋 = 5)
Jawab
𝑃(𝑋 = 5) = 𝑃(𝑋 ≤ 5) − 𝑃(𝑋 ≤ 4) = 0,0378
D. Distribusi Variabel Random Kontinu
Variabel random kontinu berbeda dengan variabel random diskrit. Dalam
variabel random kontinu nilai sangat bervariasi, dengan demikian dalam
praktiknya tidak mungkin disajikan dalm bentuk tabel. Sebagai ilustrasi
perhatikan tinggi badan setiap manusia dengan usia 20 tahun. Tentu saja
nilainya sangat bervariasi. Andaikan diambil dalam rentang 160 hingga 165
maka data yang diperoleh sangat variatif dan memungkinkan terdapat peluang
tepat nol dalam pengambilan kejadian yang tidak terdapat dalam rentang
tersebut. Namun demikian, berbeda apabila kejadian yang kita amati
didefinisikan secara berbeda, misalnya peluang manusia dengan tinggi badan
kurang dari 162, atau lebih dari 162, atau antara 161 hingga 162. Nilai
probailitas masih dapat dihitung dalam kasus tersebut. Oleh sebab itu, dalam
kasus kejadian-kejadian dalam variabel kontinu kejadian tidak dapat ditentukan
dari kejadian tunggal saja, namun dapat dilakukan dalam selang nilai yang
telah ditentukan.
a. Ditribusi Normal
Distribusi normal adalah salah satu distribusi variabel kontinu yang
sangat populer digunakan dalam beragam penelitian. distribusi ini juga
dikenal dengan distribusi Gauss dan dicetuskan pertama kali pada abad
ke -18. Suatu variabel random kontinu X dikatakan berdistribusi normal
dinotasikan dengan 𝑋~𝑁(𝜇, 𝜎 2 ) dimana mean  dan variansi 2 adalah
jika mempunyai fungsi probabilitas sebagai berikut:

1 𝑥−𝜇 2
1
𝑓(𝑋) = 𝑒 −2( 𝜎 )
√2𝜋𝜎

dengan
−~ < 𝑥 < +~
𝜇 adalah nilai mean
𝜎 adalah standar deviasi
𝜋 = 3,14
𝑒 = 2,718
Fungsi kepadatan peluang untuk distribusi normal disajikan sebagai
berikut:
Lebih lanjut untuk parameter normal dapat dihitung dengan rumus
sebagai berikut:
𝑥𝑖
𝜇 = 𝐸(𝑋) = ∑𝑛𝑖=1
𝑛
(𝑥𝑖 −𝜇)2
𝜎 2 = 𝐸(𝑋 − 𝜇)2 = ∑𝑛𝑖=1 (𝑛−1)

Untuk mengetahui peluang kejadian normal secara umum dapat

dilakukan sebagai berikut:
1 𝑥−𝜇 2
𝑏 𝑏 1 − ( )
𝑃(𝑎 < 𝑋 < 𝑏) = ∫𝑎 𝑓(𝑋) 𝑑𝑥 = ∫𝑎 √2𝜋𝜎 𝑒 2 𝜎 𝑑𝑥

Namun demikian perhitungan luasan menggunakan integral sangat sulit

untuk dilakukan. Terlebih ketika perhitungan melibatkan lebih dari satu
populasi atau kejadian yang berbeda. Oleh karena itu untuk
mempermudah perhitungan dibentuklah normal standar. Normal standar
adalah gambaran distribusi normal khusus dengan mean=0 dan
variansi=1. Untuk X variabel random berdistribusi normal standar dapat
dituliskan sebagai berikut 𝑋~𝑍(0,1). Adapun transformasi distribusi
normal ke distribusi normal standar dapat dilakukan dengan fungsi
sebagai berikut:
𝑥−𝜇
𝑧=
𝜎

Sistem penyelesaian dapat dilakukan dengan menggunakan tabel

dengan memperhatikan karakteristik sebagai berikut:
Diperhatikan polot normal standar sebagai berikut:
 Terdapat dua bagian luasan yakni luasan pda daerah positif dan negatif.
Luasan total pada daerah positif sebesar 0,5 dan luasan pada daerah
negatif sebesar 0,5. Dengan demikian diperoleh luasan ttotal di bawah
kurva sebesar 1.
Dengan demikian diperoleh karakteristik berdasarkan tabel diperoleh
sebagai berikut:
a. 𝑃(0 < 𝑍 < ~) = 0,5
b. 𝑃(−~ < 𝑍 < 0) = 0,5
c. 𝑃(𝑍 < 𝑎) = 0,5 + 𝑃(0 < 𝑍 < 𝑎)

d. 𝑃(𝑍 > 𝑎) = 0,5 − 𝑃(0 < 𝑍 < 𝑎)

e. 𝑃(𝑎 < 𝑍 < 𝑏) = 𝑃(0 < 𝑍 < 𝑏) − 𝑃(0 < 𝑍 < 𝑎)

Implementasi standar normal dijelaskan dalam contoh sebagai berikut:

Contoh 8.
Seorang ilmuan ingen mengetahui sebaran tinggi badan laki-laki pada
saat usianya 19 tahun. Hasil yang diperoleh menunjukkan rata-rata yang
diperoleh adalah sebesar 163 cm dengan simpangan baku sebesar 4
cm. tentukan
a. Peluang tinggi badan laki-laki lebih dari 170 cm
b. Peluang tinggi badan laki-laki kurang dari 155,3 cm
c. Peluang tinggi badan laki-laki antara 160-163
d. Peluang tinggi badan laki-laki antara 158-168

Jawab
 Diketahui bahwa
𝜇 = 163
𝜎 2 = 4 ekuivalen menyatakan bahwa 𝜎 = 2
Dengan demikian diperoleh
𝑥−𝜇 170−163
a. 𝑧1 = = = 3,5
𝜎 2

Maka peluang tinggi badan laki-laki lebih dari 170 cm

𝑃(𝑋 > 170) ≅ 0,5 − 𝑃(0 < 𝑍 < 3,5) = 0,5 − 0,4998 = 0,0002

𝑥−𝜇 155,3−163
b. 𝑧2 = = = −3,85
𝜎 2

Maka peluang tinggi badan laki-laki kurang dari 155,3 cm

𝑃(𝑋 < 155,3) ≅ 𝑃(0 < 𝑍 < 3,85) = 0,4995
𝑥−𝜇 160−163
c. 𝑧3 = = = 1,5
𝜎 2
𝑥−𝜇 163−163
𝑧4 = = =0
𝜎 2

maka peluang tinggi badan laki-laki antara 160-163 adalah

𝑃(160 < 𝑋 < 163) = 𝑃(0 < 𝑍 < 1,5) = 0,4332
 𝑥−𝜇 158−163
d. 𝑧5 = = = −2,5
𝜎 2
𝑥−𝜇 168−163
𝑧4 = = = 2,5
𝜎 2

maka peluang tinggi badan laki-laki antara 158-168 adalah

𝑃(158 < 𝑋 < 168) = 𝑃(−2,5 < 𝑍 < 0) + 𝑃(0 < 𝑍 < 2,5)
= 𝑃(0 < 𝑍 < 2,5) + 𝑃(0 < 𝑍 < 2,5)
= 0,4938 + 0,4938
= 0,9876