MAKALAH STATISTIKA

“Variabel Acak dan Distribusi Probabilitas”

Dosen : Yustin Nurkhoiriyah, S.Si., M.Sc

Disusun oleh :

Dyar Firja Faiza

1713353014

PROGRAM STUDI SARJANA TERAPAN

JURUSAN TEKNOLOGI LABORATORIUM MEDIS
POLTEKKES TANJUNG KARANG
2020
 Variabel Acak dan Distribusi Probabilitas

A. Variabel Acak

Variable adalah karakteristik yang bervariasi, yang harus disesuaikan dengan tema
atau peneliti. Sedangkan variable acak adalah nilai yang didapatkan dalam
percobaan/eksperimen secara acak/random, dimana peneliti tidak tahu variasi apakah
yang akan keluar. Artinya nilai tersebut tidak dapat diperkirakan nilai yang keluar dan
tidak selalu nilai yang keluar pada setiap percobaan adalah SAMA/BERBEDA.

Jadi, variable acak disebut sebagai variable acak jika variabel tersebut menghasilkan
nilai yang bisa berbeda pada setiap peristiwa/trial/eksperimen dan perubahan hasil di
setiap peristiwa tidak dapat diperkirakan (Budiarto, 2012)

Variabel acak (random variabel) dinyatakan dengan huruf kapital, sedangkan

nilainya dinyatakan dengan huruf kecil. Biasa ditandai dengan huruf “X” yang memiliki
sebuah nilai numerik tunggal untuk setiap keluaran dari sebuah eksperimen probabilitas.

Jika X variabel acak, maka nilainya dinyatakan dengan x. Jika peluang kejadian X
bernilai kurang dari atau sama dengan x dinyatakan dengan P (X £ x). Jadi X dapat
bernilai berapapun tergantung pada keluaran yang mungkin dihasilkan dalam dari
eksperimen.

Misalnya dalam suatu percobaan yang acak/random, outcome (keluaran) yang muncul
dapat diberi nilai, misalnya 0, 1, dan 2. Keluarnya bilangan 0, 1, dan 2 dalam setiap
percobaan tersebut, selalu terjadi secara acak.

Ada 2 jenis variable acak, yaitu :

1. Variabel Acak Diskrit

Variabel acak yang nilainya berupa bilangan cacah, dapat dihitung dan terhingga.
Umumnya variabel diskrit berhubungan dengan pencacahan terhadap suatu objek atau
indvidu.
Contoh:
• Jumlah penderita Penyakit Jantung Koroner (PJK) yang berobat ke poli
Penyakit Jantung RSJ Harapan Kita adalah 54 orang à Variabel PJK
adalah variabel acak diskrit
 • Jumlah ODHA yang telah mendapatkan obat ARV di RS Infeksi Sulianti
Suroso adalah 123 orang à Variabel ODHA yang telah mendapatkan
ARV adalah variabel acak diskrit

2. Variabel Acak Kontinu

Variabel acak yang nilainya berupa selang bilangan, tidak dapat dihitung, dan
tidak terhingga. Biasanya untuk hal-hal yang dapat diukur. Variabel acak kontinu
dapat diilustrasikan sebagai titik-titik dalam sebuah garis.  
Pengukuran fisik seperti waktu atau panjang merupakan contoh yang paling
mudah dipahami untuk variabel acak kontinu ini. Misalkan para buruh di sebuah
wilayah akan diukur tinggi badannya. Jika kita menggunakan meteran dengan
ketelitian sentimeter, maka tinggi setiap orang bisa kita anggap sebagai titik dalam
meteran tersebut. Dengan demikian setiap ukuran X akan berhubungan titik-titik yang
jumlahnya sangat banyak atau takterhingga.   
Contoh:
Di Kantor pemadam kebakaran berlaku aturan bahwa petugas pemadam
kebakaran harus memiliki berat badan antara 60 sampai 90 Kg à Variabel BB
petugas pemadam kebakaran tersebut adalah variabel acak kontinu karena nilainya
berselang antara 60 – 90 Kg.

B. Distribusi Probabilitas
Secara umum probabilitas merupakan peluang bahwa sesuatu akan terjadi. Secara
lengkap probabilitas adalah suatu nilai yang digunakan untuk mengukur tingkat terjadinya
suatu kejadian acak.
Distribusi Probabilitas adalah suatu distribusi yang mengambarkan peluang dari
sekumnpulan variat sebagai pengganti frekuensinya. Probabilitas kumulatif adalah
probalitas dari suatu variabel acak yang mempunyai nilai sama atau kurang dari suatu
nilai tertentu.
 Pada variabel acak à Jika X variabel acak, maka nilainya dinyatakan dengan
x.
 Pada distribusi probabilitas berlaku rumus :

P (X = x)
 Distribusi probabilitas dari variabel acak bisa berupa tabel, grafik, atau gambar yang
menyatakan probabilitas setiap nilai yang mungkin dimiliki variabel acak tersebut. Semua
nilai dari variabel acak dapat dihitung, maka keluarannya adalah terhingga dan total dari
semua probabilitas adalah 1.

Contoh :

Jika kita ingin mengetahui probabilitas seorang bayi sebagai anak ke-1 atau ke-2, atau
ke-3, sampai anak ke-8 lebih, maka keseluruhan kejadian tersebut akan membentuk suatu
distribusi probabilitas (Tabel 1)

Tabel 1. Distribusi Probabilitas Bayi Lahir sebagai Anak ke-1 sampai Anak ke –
8 atau Lebih dari Variabel Random/Acak X yang Mewakili Lahir Hidup Anak-
Anak di USA Tahun 2000

X P (X = x)
Anak ke-1 0.416
Anak ke-2 0.330
Anak ke-3 0.158
Anak ke-4 0.058
Anak ke-5 0.021
Anak ke-6 0.009
Anak ke-7 0.004
Anak ke-8+ 0.004
Total 1
Dengan menggunakan tabel di atas, kita dapat melihat bahwa probabilitas lahirnya
bayi sebagai anak ke-4 adalah P(X = 4) adalah 0.058

Kita juga dapat menghitung berapa probabilitas lahirnya bayi sebagai anak pertama
atau anak kedua. Dengan menggunakan asas perhitungan probabilitas à “atau” à Hukum
pertambahan

P(X=1) atau (X = 2) = P(X=1) + P(X=2)

= 0.416 + 0.330

= 0.746

Grafik 1. Distribusi Probabilitas Bayi Lahir sebagai Anak ke-1 sampai Anak ke – 8
Lebih dari Variabel Random X yang Mewakili Lahir Hidup Anak-Anak di USA
Tahun 2000
Ada 2 jenis distribusi probabilitas (peluang), yaitu :

1. Distribusi Peluang Diskrit

Distribusi peluang diskrit terdiri atas 5 macam, diantaranya adalah:
a. Distribusi Binomial
Distribusi Binomial (Bernauli) = Merupakan variabel random/acak diskrit
Distribusi Binomial menggambarkan fenomena dengan dua keluaran/outcome à
sukses atau gagal; sehat atau sembuh; bayi laki-laki atau bayi perempuan; hidup atau
mati.

4 Syarat dalam Bernaulli trial / Distribusi Binomial, yaitu :

1. Jumlah trial adalah bilangan bulat

2. Setiap percobaan mempunyai dua keluaran/outcome
3. Peluang sukses untuk setiap percobaan sama
4. Setiap percobaan independen/saling bebas satu sama lain

Misalnya percobaan melemparkan satu koin lima kali à lambungan 1 sampai 5

adalah kejadian independen.

Dalam distribusi binomial à setiap percobaan atau peristiwa adalah bebas

satu sama lain/independen.

Jika pada saat melambungkan koin kita mengharapkan keluar koin dengan sisi H
(Head) dan pada saat dilambungkan keluaran/outcome nya sesuai keinginan, maka
disebut “sukses”; jika tidak disebut “gagal”. Setiap lambungan mempunyai
probabilitas yang sama. Jika lambungan pertama, probabilitas sukses adalah ½ à maka
lambungan seterusnya juga ½.
Jumlah lambungan dalam distribusi bonomial adalah bilangan bulat.

Rumus untuk distribusi binomial adalah sebagai berkut :

Contoh :

Probabilitas seorang bayi diimunisasi polio adalah 0.2. Suatu hari di Puskesmas
Sukmajaya, Depok ada 4 orang bayi. Hitunglah peluang/probabilitas dari 2 orang bayi
tersebut belum diimunisasi polio?

b (x=2, n=4, p=0.2) à b(2,4,0.2)t bayi yang belum diimunisasi polio adalah:
(menggunakan distribusi binomial karena fenomena 2 keluaran dan jumlah n kecil

Sehingga didapatkan :

= 0.1536 = 0.154 = 15.4%

Interpretasi : Probabilitas dua di antara empat bayi yang belum diimunisasi

polio di Kecamatan Sukmajaya, Depok adalah 15.4%.

Contoh pengerjaan soal dengan menggunakan Distribusi Binomial dapat juga

dilakukan dengan melihat tabel Distribusi Binomial Kumulatif, sebagai berikut :
Distribusi binomial dapat diterapkan dalam beberapa kasus, diantaranya :

1. Jumlah pertanyaan dimana anda dapat mengharapkan bahwa terkaan anda benar
dalam ujian pilihan ganda.
2. Jumlah asuransi kecelakaan yang harus dibayar oleh perusahaan asuransi.
3. Jumlah lemparan bebas yang dilakukan oleh pemain basket selama satu musim.

b. Distribusi Binomial Negatif

Distribusi ini berkaitan dengan suatu percobaan yang diulang beberapa kali secara
bebas sehingga mendapatkan sukses yang ke-𝑟. Dimana sukses terakhir adalah akhir
percobaan. Secara khusus, untuk 𝑟 = 1 distribusi ini sama dengan distribusi
geometrik.

Dalam teori probabilitas dan statistika, distribusi binomial negatif termasuk

distribusi probabilitas diskret jumlah keberhasilan dalam n percobaan yang saling
bebas.

Percobaan akan mengikuti distribusi binomial jika dalam setiap percobaan selalu
memiliki dua kejadian yang mungkin, yakni ”Sukses” atau ”Gagal”.Dimana dua
kemungkinan tersebut selalu memiliki nilai probabilitas yang sama. Dalam
praktiknya, sukses dan gagal dapat didefinisikan sesuai keperluan, Misal:

1. Lulus (sukses), tidak lulus (gagal)

2. Setuju (sukses), tidak setuju (gagal)
3. Barang bagus (sukses), barang sortiran (gagal)
4. Puas (sukses), tidak puas (gagal)

Percobaan akan mengikuti distribusi binomial negatif jika:

1. Percobaan terdiri atas 𝑛 usaha yang saling independen atau saling bebas,
maksudnya hasil suatu percobaan tidak akan berpengaruh terhadap hasil
percobaan selanjutnya.
2. Tiap percobaan hanya terdiri dari dua kejadian yang mungkin, sukses atau
gagal. 3. Probabilitas sukses dan gagal untuk tiap percobaan adalah tetap,
yaitu 𝑝 dan probabilitas gagal adalah 1 − 𝑝 Variabel random yang
 menyatakan banyaknya percobaan agar terjadi sukses ke- 𝑘 merupakan
variable random binomial negative.

Distribusi ini seringkali digunakan untuk memodelkan jumlah keberhasilan pada

jumlah sampel n dari jumlah populasi N. Apabila sampel tidak saling bebas (yakni
pengambilan sampel tanpa pengembalian), distribusi yang dihasilkan adalah distribusi
hipergeometrik, bukan binomial. Semakin besar N daripada n, distribusi binomial
merupakan pendekatan yang baik dan banyak digunakan.

c. Distribusi Geometrik
Distribusi geometrik adalah kasus khusus dari distribusi binomial negatif untuk 𝑟
= 1, yaitu distribusi peluang banyaknya percobaan yang diperlukan untuk
mendapatkan sukses pertama. Distribusi ini berpangkal pada percobaan Bernoulli
dimana hanya terdapat dua kemungkinan yaitu sukses atau gagal, yang diulang
berkali-kali sampai mendapatkan sukses pertama. Dimana setiap percobaan tidak akan
berpengaruh pada percobaan selanjutnya.
Contoh Aplikasi Area :
Aplikasi untuk distribusi geometrik misalkan dalam mengetahui tingkat
keberhasilan pengeboran minyak, dan penggalian sumur.
Contoh soal distribusi geometrik :
Peluang seorang pemain basket memasukkan bola kedalam keranjang adalah 0.7.
karena dilanggar oleh pemain lawan maka pemain tersebut mendapatkan hadiah “3
bola”. Jika masing-masing kesempatan untuk memasukkan bola kita anggap bebas,
maka berapakah peluang bahwa pemain tadi pertama kali memasukkan bola pada
kesempatan ketiga? Berapakah peluang paling sedikit pemain tersebut memasukkan
satu bola pada ketiga kesempatan?
Diketahui:
 𝑝 (kejadian sukses memasukkan bola ke dalam keranjang)= 0.7
 𝑞 = 1 – 𝑝 = 1 − 0.7 = 0.3
 Misalkan “x adalah banyaknya percobaan untuk mendapatkan sukses
pertama” 𝑥 = 3

Ditanyakan:

a. (𝑋 = 3) = ⋯ ?
 b. (𝑋 ≤ 3) = ⋯ ?

d. Distribusi Hipergeometrik

Distribusi hipergeometrik juga termasuk distribusi teoretis yang menggunakan

variabel diskrit dengan dua kejadian yang berkomplemen, seperti halnya distribusi
binomial. Perbedaan yang utama antara distribusi binomial dan distribusi
hipergeometrik adalah pada cara pengambilan sampelnya. Pada distribusi binomial
pengambilan sampel dilakukan dengan pengembalian, sedangkan pada distribusi
hipergeometrik pengambilan sampel dilakukan tanpa pengembalian.

Dari penjelasan di atas, bisa disimpulkan bahwa distribusi hipergeometrik adalah

distribusi probabilitas diskrit dari sekelompok objek atau populasi yang dipilih tanpa
pengembalian.

Distribusi hipergeometrik memiliki kedua sifat berikut:

1. Sampel acak ukuran n diambil tanpa pengembalian dari N benda

2. Sebanyak k benda dapat diberi nama sukses sedangkan sisanya, N – k, diberi
nama gagal.

Rumus Distribusi Hipergeometrik

Jumlah sukses X dari eksperimen hipergeometrik disebut peubah acak

hipergeometrik.
 Distribusi peluang dari peubah acak hipergeometrik disebut dengan distribusi
hipergeometrik, dan nilainya dinotasikan dengan:

Distribusi peluang dari peubah acak hipergeometrik X,yaitu jumlah sukses dari
sampel acak berukuran n yang diambil dari N benda, di mana terdapat k jumlah
sukses dan N-k jumlah gagal adalah:

Rataan dan variansi dari distribusi hipergeometrik adalah

Keterangan:
N = ukuran populasi
n = ukuran sampel
k = banyaknya unsur yang sama pada populasi
x = banyaknya peristiwa sukses

e. Distribusi Poison
Distribusi Poisson adalah distribusi nilai-nilai bagi suatu variabel
random X (X diskrit), yaitu banyaknya hasil percobaan yang terjadi dalam suatu
interval waktu tertentu atau di suatu daerah tertentu.
 Dengan kata lain, distribusi Poisson dipakai untuk menentukan peluang suatu
kejadian yang jarang terjadi/probabilitas kecil, populasinya luas dan kadang kala
berhubungan dengan waktu.
Distribusi Poisson memiliki ciri-ciri sebagai berikut.

1. Banyaknya hasil percobaan yang terjadi dalam suatu interval

waktu atau suatu daerah tertentu tidak bergantung pada banyaknya hasil
percobaan yang terjadi pada interval waktu atau daerah lain yang terpisah.
2. Probabilitas terjadinya hasil percobaan selama suatu interval
waktu yang singkat atau dalam suatu daerah yang kecil, sebanding dengan
panjang interval waktu atau besarnya daerah tersebut dan tidak bergantung
pada banyaknya hasil percobaan yang terjadi di luar interval waktu atau
daerah tersebut.
3. Probabilitas lebih dari satu hasil percobaan yang terjadi dalam
interval waktu yang singkat atau dalam daerah yang kecil dapat diabaikan.
Contoh:
Peristiwa datangnya kendaraan yang lewat dalam suatu interval waktu di suatu ruas
jalan. Dari peristiwa tersebut, dapat diamati hal-hal berikut.
 Tingkat kedatangan rata-rata kendaraan dapat dihitung berdasarkan data masa
lalu.
 Tingkat kedatangan rata-rata kendaraan per satuan waktu adalah konstan.
 Banyaknya kedatangan kendaraan dalam suatu interval waktu tertentu
merupakan peristiwa independen (bebas).
 Probabilitas kedatangan kendaraan-kendaraan itu dalam suatu interval waktu
adalah sangat kecil, dan dapat dikatakan mendekati nol.
Kegunaan Distribusi Poisson adalah sebagai berikut :

1. Menghitung probabilitas terjadinya peristiwa menurut satuan

waktu, ruang atau isi, luas, panjang tertentu, seperti menghitung probabilitas
dari:
 Banyaknya penggunaan telepon per menit atau banyaknya mobil yang
lewat selama 5 menit di suatu ruas jalan;
 Banyaknya bakteri dalam 1 tetes atau 1 liter air;
 Banyaknya kesalahan ketik per halaman sebuah buku;
  Banyaknya kecelakaan mobil di jalan tol selama minggu pertama bulan
Oktober.
2. Menghitung distribusi binomial apabila nilai n besar (n ≥ 30) dan p
kecil (p < 0,1)

Rumus Probabilitas Poisson Suatu Peristiwa 

 µ = λ (lamda) = n.p à nilai rata-rata/mean

 e = konstanta = 2,71828
 x = variabel diskrit (1,2,....x)

2. Distribusi Peluang Kontinu

Distribusi peluang diskrit terdiri atas 5 macam, diantaranya adalah:
a. Distribusi Seragam

Sebuah variabel acak dikatakan berdistribusi seragam (uniform) pada interval

[α , β] jika dan hanya jika memiliki bentuk fungsi densitas sebagai berikut.
1
{
f ( x )= β−α
; untuk α ≤ x ≤ β
0 ; untuk x yang lainnya

Peubah acak yang berdistribusi seragam ini mempunyai fungsi densitas berupa
konstanta yang didefinisikan pada sebuah interval nilai peubah acaknya. Jadi, fungsi
densitas seragam ini mempunyai nilai yang sama sepanjang interval nilai yang
diberikan.

Contoh :
 Diberikan sebuah fungsi distribusi F dari peubah acak X berdistribusi seragam

( x−α )
pada interval [α , β] yaitu F(x) = 0 jika x < α, F(x) = 1 jika x > β, dan F(x) =
(β−α )
jika α ≤ x ≤ β.

Gambar. Grafik fungsi densitas (kiri) dan fungsi distribusi (kanan) dari

1
sebuah peubah acak yang berdistibusi seragam pada interval [0 , ]
3

Parameter Distribusi Seragam

Rataan, varians, dan fungsi pembangkit momen dari distribusi seragam
dirumuskan sebagai berikut.
1
1. μ= (α + β)
2

2. σ 2= ( 121 ) ( β−α ) 2

e βt −eαt
3.
{
M x ( t ) = t ( β−α ) ; t ≠0
1 ; t=0

Pembuktian ketiga parameter di atas diserahkan kepada anda.

Contoh :
Misalnya fungsi densitas dari X berbentuk :
1
{
g ( x )= 4
; 0< x < 4
0 ;untuk x lain
Tentukan : a. P(1 < X < 3)
b. P(X > 2)
Solusi.
a. Berdasarkan sifat (iii) dari fungsi densitas, maka
3
1 1 3 1
P(1 < X < 3) = ∫ dx = x∨¿1 = ¿
1 4
4 2

b. Berdasarkan sifat (ii) dari fungsi densitas, maka

P(X > 2) = 1 – P(X < 2)
2
1
¿ 1− ∫ dx
−∞ 4
1
x 2
¿ 1−
{ | }
4 −∞
1
¿ 1−
2
1
¿
2
b. Distribusi Eksponensial
Salah satu distribusi yang banyak digunakan dalam statistika, khususnya
proses stokastik, adalah distribusi eksponensial. Distribusi eksponensial adalah
salah satu kasus khusus dari distribusi gamma. Distribusi ini banyak digunakan
sebagai model di bidang teknik dan sains.Peubah acak kontinu X berdistribusi
eksponensial Dengan parameter β, bila fungsi padatnya diberikan oleh :

dengan β > 0, Sehingga distribusi eksponensial juga disebut dengan distribusi

gamma dengan α = 1.

Distribusi eksponensial juga merupakan suatu distribusi yang berguna untuk

mencari selisih waktu yang terjadi dalam suatu peluang tertentu.Dalam distribusi
eksponensial ini digunakan pencarian atau pengolahan data dengan menggunakan
variabel random. Dimana variabel random itu sendiri adalah variabel yang berupa
nilai atau angka yang merupakan outcome dari eksperimen random. Variabel
random bersifat diskrit bila hanya berupa nilai tertentu yang dapat dihitung.
Namun variabel random bersifat kontinu bilamana berupa suatu nilai manapun
dalam suatu interval.

Contoh :

Suatu sistem mengandung sejenis komponen yang daya tahanya dlm tahun
dinyatakan oleh variabel acak X yang berdistribusi eksponensial dgn rata-rata
waktu sampai komponen rusak adalah 5 tahun. Bila sebanyak 5 komponen
tersebut dipasang dalam sistem yang berlainan, berapakah probabilitas paling
sedikit 2 komponen masih akan berfungsi pada akhir tahun kedelapan?

Jawab :

Probabilitas bahwa sebuah komponen masih akan berfungsi setelah 8 tahun:

∞
1
p( X >8 )=∫ e− x/5 dx=e−8/5 ≈0 .2
8 5
Misalkan Y menyatakan byknya komponen yg masih berfungsi setelah 8 thaun,
dgn menggunakan distribusi binomial diperoleh:

¿ 1=1−0.737=0.263¿¿¿
 Statistik Deskriptif Distribusi Eksponensial

Tanpa pembuktian secara matematik, berikut ini diberikan rumusan beberapa

ukuran statistik deslcriptif untuk distribusi eksponensial
  Karakteristik Distribusi Eksponensial :
 Mempunyai nilai variansi;
 Mempunyai nilai mean;
 Pencarian pada distribusi eksponensial menggunakan variabel random;
 Peluang yang terjadi pada suatu percobaan mempengaruhi selisih
waktu yang terjadi pada percobaan tersebut;
 Mempunyai nilai β> 0.  

 Kegunaan dan Aplikasi Distribusi Eksponensial

Distribusi eksponensial berguna dalam mencari selisih waktu yang terjai
dalam suatu peluang pada daerah tertentu.Dalam aplikasinya distribusi
eksponensial ini sangat berperan sekali,seperti:untuk mengukur selisih waktu
antara orang 1 dan ke-2 dlam suatu antrean. Selanjutnya distribusi ini juga
berguna untuk mengukur tingkat kegagalan yang mungkin terjadi dalam suatu
peluang. Kemudian distribusi eksponensial juga berguna dalam mencari peubah
acak kontinu x, dengan menggunakan variabel random (bilangan acak).

c. Distribusi Weibull

Distribusi Weibull adalah distribusi yang memiliki peranan yang penting terutama
pada persoalan keandalan (reliability) dan analisis rawatan (mantainability). Distribusi
Weibull sering dipakai sebagai pendekatan untuk mengetahui karakteristik fungsi
kerusakan karena perubahan nilai akan mengakibatkan distribusi Weibull mempunyai
sifat tertentu ataupun ekuivalen dengan distribusi tertentu. Distribusi ini adalah
distribusi serbaguna yang dapat mengambil karakteristik dari jenis lain dari distribusi,
berdasarkan nilai dari bentuk parameter. Weibull telah diakui sebagai model yang
tepat dalam studi keandalan dan masalah pengujian kehidupan seperti waktu untuk
kegagalan atau panjang umur komponen atau produk. Selama bertahun-tahun,
estimasi bentuk dan skala parameter untuk fungsi distribusi telah didekati melalui
metode kemungkinan maksimum (MLM), metode linear, dan beberapa versi dari
analisis regresi. Dalam beberapa tahun terakhir, distribusi Weibull telah menjadi salah
satu yang paling umum digunakan, diterima, dianjurkan untuk menentukan potensi
energi angin dan juga digunakan sebagai distribusi referensi untuk software energi
angin. distribusi Weibull adalah model penting terutama untuk keandalan dan analisis
rawatan.

Bentuk umum dari pdf dari Weibull yaitu :

dengan :
x³0
b adalah parameter bentuk
a adalah parameter skala

d. Distribusi Tipe Beta

Distribusi beta digunakan sebagai penaksiran kasar dari suatu missing data
distribusi dari suatu proporsi.

Fungsi Padat Peluang

dimana a > 0 dan b > 0 dan fungsi beta B(a,b) adalah

Mean
E(X) = a (b + a)-1
Varian
Var(X) = ab (a + b + 1)-1 (b – a)-2

Fungsi Pembangkit Momen

 Fungsi Karakteristik

e. Distribusi Normal
Distribusi Normal (Gauss) = Merupakan variabel random/acak kontinu

Distribusi ini awalnya diuraikan oleh Abraham de Moivre kemudian

dikembangkan dan dipopulerkan oleh Carl Fredreich Gauss dengan percobaannya.
Oleh karena itu, distribusi Normal disebut juga Gaussian distribution atau Distribusi
Gauss. Gauss mengamati percobaan yang dilakukan berulang-ulang dan menemukan
bahwa nilai rata-rata merupakan hasil yang paling sering terjadi.

Gauss juga menyatakan bahwa penyimpangan ke kiri dan ke kanan yang makin
menjauh dari nilai rata-rata akan makin sedikit terjadi dan bila semua hasil tersebut
disusun maka akan membentuk sebuah distribusi yang simetris (sehingga membentuk
kurva seperti lonceng). Distribusi normal merupakan distribusi statistik yang sangat
penting.

Distribusi normal ini dianggap penting karema memiliki sifat yang

memungkinkan untuk dipergunakan sebagai pedoman dalam menarik kesimpulan
berdasarkan hasil sampel. Meskipun merupakan distribusi teoritis, tetapi sangat sesuai
dengan distribusi empiris sehingga semua peristiwa secara alami akan membentuk
distribusi ini.

Ciri-ciri Distribusi Normal antara lain :

1. ‘Bell Shape’ à berbentuk garis lengkung yang halus dan berbentuk seperti
genta
2. Simetris terhadap mean/µ
 3. Mempunyai satu puncak (unimodal)
4. Mean, Median dan Mode sama/pada satu titik
5. Luas dibawah kurva = probability =1= 100%

Gambar Kurva Normal

 Setiap pasangan µ dan σ akan menghasilkan kurva distribusi normal sehingga

terdapat banyak kurva normal dengan bentuk berlainan, bergantung pada besar
kecilnya σ
 µ adalah nilai rata-rata pada populasi
 σ adalah standar deviasi pada populasi
 Bila σ besar maka kurva yang dihasilkan mempunyai puncak yang rendah
sebaliknya bila N kecil maka kurva normal yang dihasilkan mempunyai puncak
yang tinggi

Kurva normal juga dapat dibentuk dengan µ yang berbeda-beda atau keduanya
µ dan σ yang berbeda.

1. Kurva di atas memiliki µ sama tetapi σ berbeda. Pada kurva B, σ besar maka
puncaknya rendah, begitu sebaliknya
2. Dua kurva simetris

3. Dua kurva simetris

Untuk membentuk satu kurva sebagai standar, yaitu kurva normal

standar,dapat dilakukan dengan melakukan transformasi terhadap rumus Z.
Standarisasi ini penting dilakukan karena variabel random mempunyai satuan
yang berbeda-beda, misalnya cm, kg, tahun, dsb.
Agar dari kurva normal umum dapat ditentukan probabilitas suatu peristiwa
maka kurva normal umum ditranformasikan ke kurva normal standar melalui
Tranformasi dengan memakai nilai Z.
 Populasi x−μ
z=
σ
Sampel x− x̄
z=
Tabel Distribusi Normal s

Cara menggunakan Tabel Distribusi Normal

 Misalnya nilai Z = 1,96 maka pada kolom paling kiri kita cari angka 1,9
dan bergerak ke kanan kemudian cara angka 6 pada baris paling atas dan
bergerak ke bawah sampai bertemu dengan nilai 1,9 dari kolom tadi
sehingga di dapatkan nilai 0,4750 = 47,5%
 Tabel distribusi normal standar adalah tabel yang hanya memuat setengah
dari seluruh kurva karena nilai 0,4750 adalah nilai untuk

Z ± 1,96

Syarat Fungsi atau f(x) Distribusi Normal

 Untuk suatu sampel yang cukup besar terutama untuk gejala alam
seperti berat badan, tinggi badan, penyakit,dsb, biasanya kurva yang
dibentuk dari distribusi tersebut juga simetris dengan SD/S (simpangan
baku).
Pendekatan Distribusi Binomial Ke Distribusi Normal

 Di dalam mempelajari probabilitas suatu peristiwa yang jumlah (n) nya

kecil dan nilai probabilitasnya antara 0 dan 1 (pada tabel P = 0,05 – 0,95),
dilakukan perhitungannya memakai distribusi Binomial
 Pada saat n cukup besar dan p kecil sekali, perhitungannya kita pakai
distribusi Poisson
 Apabila n cukup besar/sangat besar (misal n = 100), sedang P antara 0 sd
1, maka dapat dilakukan pendekatan ke distribusi Normal
 Di dalam distribusi Normal ada parameter nya yaitu: µ dan σ (pada
populasi) (atau x dan s, nilai pada sampel)
 Untuk data kategorik maka

x= np

S atau SD = √np(1-p) atau √npq

Distribusi normal standard (baku) adalah distribusi normal yang memiliki

sifat khusus, yaitu distribusi dengan rata-rata(µ) = nol(0) dan simpangan baku(σ)
= satu(1). Distribusi normal standard (baku) muncul sebagai solusi dari adanya
masalah dalam penyusunan tabel distribusi normal. Masalah tersebut ialah
kenyataan bahwa terdapat banyak sekali macam distribusi normal dipengaruhi
oleh nilai rata-rata dan simpangan baku nya.

Oleh karena itu agar kita tetap dapat mencari probabilitas suatu interval
dengan menggunakan langkah praktis melalui tabel distribusi normal daripada
perhitungan metode integral yang lebih kompleks, maka digunakanlah apa yang
disebut dengan distribusi normal standard (baku).

Distribusi normal sangat sesuai dengan distribusi empiris, sehingga dapat

dikatakan bahwa semua kejadian alami akan membentuk distribusi ini. Karena
alasan inilah sehingga distribusi ini dikenal sebagai distribusi normal dan
grafiknya dikenal sebagai kurva normal atau kurva gauss.
 DAFTAR PUSTAKA

Anggraeni, Nurul dkk. 2016. Distribusi Binomial Negatif dan Distribusi Geometrik
[Makalah]. Malang : UIN Maulana Malik Ibrahim - Fakultas Sains dan Teknologi

Asih, Cahya Budhi. Variabel Acak, Distribusi Probabilitas dan Distribusi Binomial
[Makalah]. Universitas Muhammadiyah Prof. Hamka – Fakultas Kesehatan
Masyarakat

Handayani, Debi. Karakterisasi Sebaran Binomial Negatif [Jurnal]. Padang : Universitas

Andalas-FMIPA

Kristalina, Prima. 2015. Variabel Acak dan Distribusi Probabilitas. Politeknik Elektronika
Negeri Surabaya

Munir, Rinaldi. Beberapa Distribusi Peluang Kontinu [Bahan Ajar Probabilitas dan Statistik].
Sekolah Teknik Elektro dan Informatika - ITB