Disusun oleh :
1713353014
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)
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.
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
= 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 :
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.
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 :
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.
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.
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. 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.
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 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:
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.
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
2. σ 2= ( 121 ) ( β−α ) 2
e βt −eαt
3.
{
M x ( t ) = t ( β−α ) ; t ≠0
1 ; t=0
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 :
¿ 1=1−0.737=0.263¿¿¿
Statistik Deskriptif Distribusi Eksponensial
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.
dengan :
x³0
b adalah parameter bentuk
a adalah parameter skala
Mean
E(X) = a (b + a)-1
Varian
Var(X) = ab (a + b + 1)-1 (b – a)-2
e. Distribusi Normal
Distribusi Normal (Gauss) = Merupakan variabel random/acak kontinu
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.
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%
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
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
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
x= np
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).
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
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