BAB II

TINJAUAN PUSTAKA

Bab II ini menjelaskan tentang probabilitas distribusi variabel acak diskrit

dan kontinu.

2.1 Pengertian Probabilitas

Probabilitas adalah perbandingan antara banyaknya kejadian yang muncul

dengan banyaknya kejadian yang mungkin muncul.Nilai peluang berkisar 0
sampai 1 ( 0 < p< 1) [3].

2.2 Variable Acak

[5]
Variabel merupakan karakteristik suatu objek yang diamati . Variable
acak adalah suatu fungsi yang nilainya berupa bilangan nyata yang dinyatakan
oleh setiap unsur dalam ruang contoh.Contoh pelemparan uang logam sebanyak
tiga kali.

S = {GGG, GA, GAG, AGG, GAA, AGA, AAG, AAA}.

Bila yang di hitung kisi gambar muncul, maka nilai numerik 0,1,2,3 dapat
diberikan pada setiap titik contoh. Bilangan-bilanagn 0,1,2,3 merupakan besaran
acak yang nilainya ditentukan oleh hasil percobaan[4].

2.3 Distribusi Variabel Acak Diskrit

Distribusi Variabel Acak Diskrit dibagi menjadi tiga yaitu [3];

1. Distribusi Binomial
2. Distribusi Poisson
3. Distribusi Geometrik
2.3.1 Distribusi Binomial

Distribinomial adalah tindakan yang hasilnya terdiri dari dua

kategori,yang dinyatakan sebagai sukses dan gagal, sukses dinyatakan dengan
angka 1 dan gagal dinyatakan dengan angka 0. Apabila tindakan binom diulang
sebanyak n kali sedangkan peluang sukses pada setiap ulangan tetap, dan antar
ulanagn bebas satu sama lain, maka banyaknya sukses di antara n ulangan tersebut
adalah peubah acak binomial[2].

P(x; n,p) = nCxPx(1 – p )n-x = nCxPxq n-x ...(1)

Keterangan:
x = 0,1,2,3,...,n
n = 1,2,3,...
p = peluang sukses
0 ≤ p ≤ 1 [3]

Suatu distribusi binomial dibentuk oleh ekperimen binomial. Eksperimen

ini merupakan n kali percobaan , sehingga harus memenuhi kondisi berikut[3]:
1. Jumlah percobaan n adlah konstanta yang telah ditentukan sebelumnya.
2. Setiap pengulangan eksperimen, niasa disebut percobaan (trial), hanya
dapat menghasilkan satu dari dua keluaran yang mungkin, sukses atau
gagal.
3. Probabilitas sukses p, dan demikian pula probabilitas gagal q = 1 - p selalu
konstan dalam setiap percobaan.
4. Setiap percobaan saling bebas secara statistik, yang berarti keluaran suatu
percobaan tidak berpengaruh pada keluaran percobaan lainnya.

Beberapa sifat distribusi binomial[1]

Mean μ=np
Varians σ2 = n p q
Standar Deviasi σ =√ n p q
2.3.2 Distribusi Poisson

Dalam eksperimen Poisson, banyaknya sukses pada selang waktu atau

luasan tertentu, maka banyaknya sukses pada selang waktu atau luasan tersebut
menyebar menurut poison. Apabila rataan banyaknya sukses dalam selang
pengamatan tersebut diketahui, katakanlah sebesar μ, maka sebaran poisson yang
menyatakan peluang diperolehnya sikses sebanyak x pada selang tertentu
adalah[2].

P (x, μ) = μ x e-λ x =0,1,2,.. ...(2)

x!
Keterangan :
μ = laju kejadian (rata-rata banyaknya kejadian dalam satuan unit tertentu)
e = konstanta logaritma natural = 2,71828...

Suatu distribusi poisson dapat digunakan dengan tepat dalam suatu

eksperimen poisson yang memenuhi kondisi berikut [4]:
1. Banyaknya hasil percobaan yang terjadi pada selang tertentu tidak
tergantung pada banyaknya hasil percobaan pada selang waktu yang lain.
2. Probabilitas terjadinya suatu hasil percobaan selama selang waktu tertentu
yang singkat sekali, sebanding dengan panjang selang waktu, tidak
bergantung banyaknya percobaan.
3. Probabilitas bahwa lebih dari hasil percobaan akan terjadi dalam selang
waktu yang singkat dapat diabaikan.

2.3.3 Distribusi Geometrik

Jika pada eksperimen binomial negatif, percobaan terus dilakukan sampai

diperolehnya sukses pertama (diperoleh hanya satu sukses, r = 1), maka
ekperimen itu disebut eksperimen geometrik. Jika variabvel acak X menyatrkan
banyaknya x gagal sebelum sebuah sukses tercapai maka dapat dibentuk suatu
distribusi probabilitas geometrik dengan menetapkan harga r = 1 pada distribusi
probabilitas binomila negatif. Dengan demikian dengan fungsi probabilitas
geometrik adalah[4]:
Pg (x,p) = p(1 – p)x = pqx ...(3)

Keterangan:
0≤p≤1
x = 0,1,2...
p = peluang sukses
q = peluang gagal

Fungsi distribusi kumulatif dari distribusi probabilitas geometrik diatas

dapat dinyatakan sebagai:

x x
Fg (x,p) = ∑ p(k,p) = ∑ p(1-k)k ...(4)
k=0 k=0

Keterangan:
p = peluang sukses
q = peluang gagal
x = 0,1,2...
0≤p≤1

2.4 Distribusi Variabel Acak Kontinu

Distribusi variabel acak kontinu dinyatakan dengan fungsi f(x) dan sering
disebut sebagai fungsi kepadatan (density function) atau fungsi kepadatan
probabilitas dan bukan fungsi probabilitas. Nilai f(x) bisa lebih besar dari 1[3].

Distribusi Variabel Acak Kontinu dibagi menjadi dua yaitu [2]:

1. Distribusi Normal
2. Distribusi Eksponensial
2.4.1 Distribusi Normal

Distribusi normal (Gaussian) mungkin merupakan distribusi probabilitas

variabel acak normal bergantung pada dua parameter yaitu rerata dan simpangan
baku[3]
Sekurang-kurangnya terdapat empat alasan mengapa distribusi normal
menjadi distribusi yang paling penting [3] :
1. Terjadi secara alamiah,
2. Beberapa variabel acak yang tidak terdistribusi secara normal dapat
dengan mudah ditranformasikan menjadi distribusi variabel acak yang
normal.
3. Banyak hasil dan teknik analisis yang berguna dalam pekerjaan statistik
hanya bisa berfungsi dengan benar jika model distribusinya merupakan
distribusi normal.
4. Ada beberapa varabel acak yang tidak menunjukkan distribusi normal
pada populasinya, namun distribusi dari rata-rata sampel yang diambil
secara random dari populasi tersebut yang menunjukkan distribusi normal.
Sebuah variabel acak kontinu X dikatakan memiliki distribusi normal
dengan parameter μ x dan σ x dimana -∞ < μ x < ∞ dan σ x > 0 jika fungsi
kepadatan probabilitas (pdf) dari X adalah:

2
1 ( x-μ )
-
f (x) = 1
2

e 2σ ...(5)
σ x √2π
Keterangan :
μ x = rerata
σ x = Standar deviasi
π = 3,14
e = 2,7183
 Distribusi normal variabel acak kontinu X dengan nilai-nilai parameter μ x,

σ x berapapun dapat diubah menjadi distribusi normal kumlatif standard jika

variabel acak X menjadi variabel acak standard Zx menurut hubungan [3]:
x−μ
Z=
σ ...(6)
Keterangan:
Z = angka baku
x = data awal
μ = rata-rata
σ = simpangan baku

2.4.2 Distribusi Eksponensial

Distribusi eksponensial merupakan kasus khusus dari distribusi gamma

dengan faktor bentuk α = 1 dan faktor skala β=1/ λ . Distribusi ini banyak
digunakan sebagai model di bidang teknik dan sains. Variabel acak kontinu X
memilki distribusi eksponensial dengan parameter λ dimana λ> 0 ,maka fungi
kepadatan probalilitas dari X adalah [4]:
-λ
x≥0
f ( x;λ ¿ = λ e
{ 0 yang lain

Fungsi di atas mudah untuk di integralkan, sehingga diperoleh fungsi

distribusi kumulatif eksponensial sebagai :

x
❑
-λ − λx
FE(x;λ) = P(X≤x ¿=∫ λ e dt=1- e ...(7)
0

Keterangan :
λ = rata – rata distribusi
μ = rata-rata X