TUGAS STATISTIKA

(Makalah Individu)

“Macam-Macam Distribusi Probabilitas”

Dosen : Yustin Nur Khoiriyah.,M.Sc

Disusun Oleh :

Nama : Nunuk susanti

NIM : 1713353015

PROGRAM STUDI SARJANA TERAPAN TEKNOLOGI LABORATORIUM MEDIS

JURUSAN ANALIS KESEHATAN

POLTEKKES KEMENKES TANJUNG KARANG

2020/2021

1
 DISTRIBUSI PELUANG

Distribusi peluang adalah sebuah daftar dari semua hasil yang mungkin muncul dari sebuah
percobaan dan peluang yang berhubungan dengan setiap hasil. Ada 2 macam distribusi
peluang yaitu distribusi peluang diskrit dan distribusi peluang kontinu.

1. Distribusi Peluang Diskrit hanya dapat bernilai tertentu. Ciri-ciri utamannya adalah :

a. Jumlah total peluangnya sama dengan 1
b. Peluang dari suatu hasil adalah antara 0 sampai 1
c. Hasilnya tidak terikat satu sama lain

2. Distribusi Peluang Kontinu dapat bernilai tak hingga dalam suatu jangkauan yang
spesifik.
Nilai rata-rata dan variansi dari sebuah distribusi peluang dapat dihitung sebagai berikut :
 Rumus Menghitung Rata-rata  :

 Rumus Menghitung Variansi :

2
A.Pengertian  distribusi peluang diskrit

Distribusi peluang diskrit adalah suatu tabel atau rumus yang mencantumkan
semuakemungkinan nilai suatu pengubah acak diskrit (ruang contoh diskrit mangandung
jumlah titik yang terhingga) dan juga peluangnya. Adapun macam-macam distribusi
diskrit adalah sebagai berikut :

1. Distribus Binomial
Distribusi binomial adalah distribusi probabilitas diskret jumlah keberhasilan
dalam npercobaan ya/tidak (berhasil/gagal) yang saling bebas, dimana setiap hasil
percobaan memiliki probabilitas p. Eksperimen berhasil/gagal juga disebut percobaan
bernoulli. Ketika n = 1, distribusi binomial adalah distribusi bernoulli. Distribusi
binomial merupakan dasar dari uji binomial dalam uji signifikansi statistik.
a. Setiap hasil diklasifikasikan ke dalam satu dari dua kategori yang tidak terikat satu
sama lain.
b. Distribusi ini dihasilkan dari perhitungan jumlah sukses dari sejumlah percobaan.
c. Peluang sebuah sukses tetap sama dari satu percobaan ke percobaan lain.
d. Setiap percobaannya saling bebas.
e. Peluang Binomial dengan p = Peluang suskes dihitung dengan rumus sbb:

3
  Nilai Rata-rata nya :

 Nilai Variansinya :

Contoh:
Sebuah dadu dilempar sepuluh kali dan dihitung berapa jumlah muncul angka empat.
Distribusi jumlah acak ini adalah distribusi binomial dengan n = 10 dan p = 1/6.

2. Distribusi Binomial Negatife

Suatu distribusi binomial negatif dibentuk oleh suatu eksperimen yang memenuhi
kondisi -kondisi berikut:
Eksperimen terdiri dari serangkaian percobaan yang saling bebas, setiap percobaan
(trial) hanya dapat menghasilkan satu dari dua keluaran yang mungkin, sukses atau
gagal.

Probabilitas sukses p, dan demikian pula probabilitas gagal q = 1 – p selalu konstan

dalam setiap percobaan (trial)

Eksperimen terus berlanjut (percobaan terus dilakukan) sampai sejumlah total k

sukses diperoleh, dimana k berupa bilangan bulat tertentu. Jadi pada suatu eksperimen
binomial negatif, jumlah suksesnya tertentu sedangkan jumlah percobaannya yang
acak.

Distribusi Binomial Negatif, bila percobaan bebas berulang dapat menghasilkan

sebuah sukses dengan probabilitas p dan gagal dengan probabilitas q = 1 – p,
maka distribusi probabilitas dari variabel acak X.

Rumus distribusi peluang Binomial:

4
 Keterangan :
p = probabilitas sukses = 1 – q. Dimana
q = probabilitas gagal
n = jumlah total percobaan
x = jumlah sukses dari n kali percobaan. Dimana x = 1, 2, 3, ..., n

Contoh :
Suatu survei menemukan bahwa satu dari lima orang berkata bahwa dia telah
mengunjungi dokter dalam sembarang bulan yang ditanyakan. Jika 10 orang dipilih
secara acak, berapakah peluang tiga diantaranya sudah mengunjungi dokter
bulan lalu?

Pembahasan :
Pada kasus ini, n = 10, X = 3, p = 1/5, dan q = 4/5. Sehingga,
Jadi peluang tiga orang yang dipilih sudah mengunjungi dokter bulan lalu adalah
0,201.

3. Distribusi Hipergeometrik
 
Distribusi hipergeometrik mempunyai sifat-sifat sebagai berikut:
1. Secara acak diambil sebanyak n tanpa dikembalikan dari N benda.
2. k dari N benda diklasifikasikan sukses dan N -k diklasifikasikan gagal.

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 :

5
Rataan dan variansi dari distribusi hipergeometrik adalah :

Contoh :
Suatu pabrik ban motor melaporkan bahwa dari 5 ban yang dikirimkan ke suatu toko
terdapat 2 ban yang cacat. Bila seseorang membeli 3 ban ditoko tersebut, maka
hitung:
a) peluang terdapat satu ban cacat yang dibelinya.
b) peluang tidak ada ban cacat yang dibelinya.

Jawab:
Dari soal tersebut diketahui N=5, k=2,n=3, dengan demikian maka

a. peluang terdapat satu ban cacat yang dibelinya

6
 b. peluang tidak ada ban cacat yang dibelinya

4. Distribusi Poisson
Eksperimen Poisson adalah eksperimen yang menghasilkan nilai numerik dari peubah
acak X pada selang waktu yang tertentu atau daerah tertentu.
 Distribusi ini menjelaskan jumlah kejadian dari suatu peristiwa selama interval
tertentu
 Peluang sebuah sukses terjadi secara proporsional dengan panjang intervalnya
 Interval-interval yang tidak saling tumpang tindih bersifat saling bebas
 Distribusi Poisson dihitung dengan rumus sbb :

Contoh:
1. Jumlah panggilan telepon dalam waktu 1 jam yang diterima oleh resepsionis
2. Banyaknya pertandingan tenis yang terpaksa diundurkan karena terjadinya hujan
selama musim hujan
3. Banyaknya tikus dalams atu hektar sawah
4. Banyaknya salah ketik dalam satu halaman
 
Sifat-sifat proses Poisson:
1. Jumlah hasil yang terjadi dalam satu selang waktu atau daerah tertentu adalah
independen terhadap hasil yang terjadi pada selang atau daerah lain. Proses
Poisson dikatakan tidak mempunyai ingatan.

7
 2. Peluang terjadinya suatu hasil (tunggal) dalam selang waktu yang sangat pendek
atau daerah yang sangat waktu yang sangat pendek atau daerah yang sangat kecil
sebanding dengan panjang selang waktu atau besarnya daerah dan tidak
bergantung pada banyaknya hasil yang terjadi di luar selang atau daerah tersebut.
3. Peluang terjadinya lebih dari satu hasil yang terjadi dalam selang waktu yang
pendek dapat diabaikan.
 
Distribusi peluang peubah acak Poisson X, yang menyatakan banyaknya sukses
yang terjadi dalam selang waktu atau daerah tertentu dinotasikan dengan t adalah:
 
di mana λt adalah rata-rata banyaknya sukses yang terjadi per satuan waktu atau
daerah, dan e= 2.71828…

Rataan dan variansi dari distribusi Poisson p(x;λt) adalah sama, yaitu λt.

Contoh :

Sebuah pabrik TV diketahui bahwa rata-rata terdapat 16 TV yang rusak dari 8000
TV yang dihasilkannya. Berapakah peluang bahwa dari 1000 TV yang akan di
produksinya terdapat?

a. 1 TV rusak

Jawab :

8
5. Pengertian Distribusi Geometrik
Distribusi geometri adalah kasus khusus dari distribusi binomial negatif untuk
k=1, yaitu distribusi peluang banyaknya usaha yang diperlukan untuk
mendapatkan sukses pertama. Dengan kata lain distribusi ini mewakili suatu
kejadian random hingga sukses yang pertama kali terjadi.

Misalkan kita melakukan percobaan ynag menghasilkan kejadian sukses dan

gagal, dengan paluang sukses adalah p dan gagal adalah q ( q = 1 – p). Misalkan
kita melakukan pengulangan sampai diperoleh kejadian sukses yang pertama.
Kasus ini disebut distribusi geometri.

Contoh :
Kejadian lulus dari ujian kenaikan tingkat. Kita akan terus mengikuti ujian
berkali-kali jika belum berhasil lulus. Tetapi sekali saja kita dinyatakan lulus,
maka selesai lah sudah proses nya.

Kejadian berburu juga bisa sebagai perwakilan kejadian yang digambarkan oleh
Distribusi Geometri. Peluru dari senjata pemburu akan terus dihamburkan hingga
akhirnya buruannya berhasil ditembak. Kalau sudah berhasil ditembak, maka
tidak ada lagi peluru yang dihamburkan.

Secara konsep : Distribusi Geometri mewakili sebuah percobaan random yang :

1. Dilakukan berulang-ulang,
2. Antar ulangannya saling bebas, dan
3. Probabilitas sukses pada tiap ulangannya sama, yaitu p,
dimana 0 < p < 1.
4. Percobaan ini dilakukan/diulang sampai diperoleh 1 buah sukses.

Ruang sampel dari percobaan ini adalah

C = {S, GS, GGS,GGGS, GGGGS, … }. Dimana S = sukses, G = gagal.

9
B. Distribusi Peluang  Kontinu

Distribusi peluang kontinu adalah peubah acak yang dapat memperoleh semua nilai pada
skala kontinu. Ruang sampel kontinu adalah bila ruang sampel mengandung titik sampel
yang tak terhingga banyaknya. Syarat dari distribusi kontinu adalah apabila fungsi f(x)
adalah fungsi padat peluang peubah acak kontinu X yang didefinisikan di atas himpunan
semua bilangan riil R bila:

 Distribusi peluang kontinu dibagi menjadi 4:

 
1. Distribusi Normal
Distribusi Normal (Gaussian) mungkin merupakan distribusi probabilitas yang paling
penting baik dalam teori maupun aplikasi statistik. Distribusi ini paling banyak
digunakan sebagai model bagi data riil di berbagai bidang yang meliputi antara lain
karakteristik fisik makhluk hidup (berat, tinggi badan manusia, hewan, dll). Terdapat
empat alasan mengapa distribusi normal menjadi distribusi yang paling penting :
 
a. Distribusi normal terjadi secara alamiah.
b. Beberapa variabel acak yang tidak terdistribusi secara normal dapat dengan
mudah ditransformasi menjadi suatu distribusi variabel acak yang normal.
c. Banyak hasil dan teknik analisis yang berguna dalam pekerjaan statistik hanya
bisa berfungsi dengan benar jika model distribusinya merupakan distribusi
normal.
d. Ada beberapa variabel acak yang tidak menunjukkan distribusi normal pada
populasinya, namun distribusi dari rata-rata sampel yang diambil secara random
dari populasi tersebut ternyata menunjukkan distribusi normal.
 

10
 Sifat-sifat Ditribusi Normal:

 Grafik selalu diatas sumbu-X (horisontal);

 Bentuk simetris terhadap sumbu-Y pada X=μ;
 Mempunyai modus pada X=μ sebesar 0,3989/𝜎;
 Grafik mendekati sumbu-X pada X=μ-3μ dan X=μ+3μ;
 Kurva normal digunakan sebagai acuan pengujian hipotesis jika ukuran sampel
n≥30;
 Luas daerah yang dibatas ioleh sumbu-X dan kurva normal sama dengan satu
satuan luas.

   Kurva Ditribusi Normal:

Grafik  distribusi  normal  tergantung  pada  dua factor mean dan deviasi standart.
Mean dari distribusi menentukan lokasi pusat grafik, dan devias istandard
menentukan tinggi dan lebar grafik. Ketika standard devias ibesar, kurva pendek dan
lebar, ketika standard deviasi kecil, kurva keci ldan sempit.

Distribusi Normal disebut juga Gausian distribution adalah salah satu fungsi distribusi
peluang berbentuk lonceng seperti gambar berikut.

Berdasarkan gambar di atas, distribusi Normal akan memiliki beberapa ciri

diantaranya:

a. Kurvanya berbentuk garis lengkung yang halus dan berbentuk seperti genta.
b. Simetris terhadap rataan (mean).
c. Kedua ekor/ ujungnya semakin mendekati sumbu absisnyatetapi tidak pernah
memotong.
d. Jarak titik belok kurva tersebut dengan sumbu simetrisnya sama dengan σ

11
e. Luas daerah di bawah lengkungan kurva tersebut dari -~ sampai + ~ sama dengan
1 atau 100 %.

Distribusi normal kumulatif didefinisikan sebagai probabilitas variabel acak normal X

bernilai kurang dari atau sama dengan suatu nilai x tertentu. Maka fungsi distribusi
kumulatif dari distribusi normal ini dinyatakan sebagai :

12
Dengan menerapkan ketentuan diatas pada persamaan (1) maka fungsikepadatan
probabilitas dari distribusi normal standard variabel acak kontinu Z adalah:

Sedangkan fungsi distribusi kumulatif dari distribusi normal standard ini

dinyatakan sebagai :

13
 Contoh :

Dalam suatu ujian terdapat 300 siswa yang mengikuti ujian tersebut. Rata-rata dari
hasil ujian yaitu 70 serta simpangan baku hasil ujian tersebut adalah 10.

Jika data nilai hasil ujian siswa tersebut berdistribusi normal, maka berapa persen
mahasiswa yang mendapat nilai A jika syarat untuk mendapatkan nilai A adalah nilai
lebih dari 85.

Berdasarkan contoh soal di atas, diperoleh informasi sebagai berikut.

µ  = 70

σ  = 10

x  = 85

akan ditentukan Z(X>85).

Z(X > 85) = 1 – Z(X < 85)

Akan dihitung terlebih dahulu nilai dari Z (X < 85)

Z = (85 – 70)/10 = 15/10 = 1,5

Nilai Z untuk 1,50 adalah 0,9332, sehingga

Z(X > 85) = 1 – Z(X < 85)

Z(X > 85) = 1 – 0,9332

Z(X > 85) = 0,0668

Z(X > 85) = 6,68%

2. Distribusi Seragam (Uniform)

Distribusi seragam (uniform distribution) diskrit adalah probabilitas distribusi diskrit

yang paling sederhana. Distribusi probabilitas yang paling sederhana adalah yang
semua perubah acaknya mempunyai probabilitas yang sama. Bila variabel acak X
mengambil nilai-nilai x1, x2, ... , xk dengan probabilitas yang sama, maka
probabilitas distribusi diskrit diberikan oleh :

14
 Lambang f(x;k) sebagai pengganti f(x), yang menunjukan bahwa distribusi seragam
tersebut bergantung pada parameter x.

Contoh :

Dalam suatu percobaan, jika sebuah dadu dilempar sebanyak 6 kali, maka setiap
elemen dari ruang sampelS = {1,2,3,4,5,6} memiliki nilai peluang yang sama yaitu
1/6, karena kesamaan semua nilai peluang ini, kita dapat menyebut bahwa percobaan
tersebut berdistribusi seragam (Uniform)Hitunglah nilai Mean dan Variansinya !

Jawaban :

3. Distribusi Eksponensial

Digunakan untuk memodelkan kasus selang waktu antara dua kejadian dari suatu
peristiwa (waktu antara kedatangan).

Dengan kata lain, distribusi ini digunakan untuk memodelkan waktu tunggu sampai
sebuah peristiwa terjadi, dan juga untuk memodelkan waktu antar terjadi peristiwa

15
Dalam menghitung probabilitas distribusi eksponensial dengan rata – rata “kurang
dari”, rumus yang digunakan adalah :

Keterangan :

X = interval rata-rata

λ = parameter rata-rata

Xo = rata-rata sampel yang ditanyakan

e = eksponensial = 2,71828

Nb : Untuk lebih dari atau sama dengan, gunakan tanda ≥

Kurva

Gambar daerah luas kurva distribusi eksponensial :

Keterangan : daerah arsiran probabilitas tergantung tanda ≥ atau ≤. jika P (X ≤ Xo)

maka daerah arsiran probabilitasnya berada di sebelah kiri.

Ciri - Ciri

 Kurva dari distribusi eksponensial mempunyai ekor di sebelah kanan dan nilai x
dimulai dari 0 sampai tak hingga.

16
 Mempunyai nilai variansi

 Mempunyai nilai mean

 Memiliki standart devisi yang sama dengan rata – rata

 Pencarian pada distribusi eksponensial menggunakan variabel random

 Peluang yang terjadi pada suatu percobaan mempengaruhi selisih waktu yang
terjadi pada percobaan tersebut.

 Mempunyai nilai λ • 0.

 Mempunyai χ ≥ 0

Contoh :

Toko CD “ BEAT THE HITS” tengah mengadakan diskon besar-besaran sehingga

kedatangan pengunjung yang berdistribusi eksponensial meningkat dari biasanya
menjadi 8,4 per 35 menit. berapa probabilitas kedatangan pengunjung dalam selang
waktu 8 menit atau lebih?

Jawaban :

Diketahui:

Xo = 8 menit

λ = 8,4 / 35 menit = 0.24 per menit

Ditanyakan: P(X ≥ 8 menit)?

17
4. Distribusi Weibull

Distribusi Weibull biasanya digunakan untuk menyelesaikan masalah-masalah yang

menyangkut lama waktu (umur) suatu objek yang mampu bertahan hingga akhirnya
objek tersebut tidak berfungsi sebagaimana mestinya (rusak atau mati).

Distribusi Weibull memiliki parameter λ dan k, dimana parameter λ dan k tersebut

lebih besar dari 0.

Fungsi Kepadatan Peluang

Fungsi distribusi kumulatif dari distribusi Weibull adalah

dimana λ > 0 adalah parameter bentuk dan k > 0 adalah parameter skala. Fungsi
kepadatan peluangnya adalah turunan dari fungsi distribusi kumulatifnya tersebut.

dengan demikian dapat didefinisikan fungsi kepadatan peluangnya adalah

Mean dan varian distribusi Weibull adalah

18
5. Distribusi Tipe Beta

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

Fungsi Padat Peluang

Sintaks fungsi BETA.DIST memiliki argumen berikut:

 X Diperlukan. Nilai antara A dan B untuk mengevaluasi fungsi

 Alpha Diperlukan. Parameter distribusi.

 Beta Diperlukan. Parameter distribusi.

 Cumulative Diperlukan. Nilai logika yang menentukan formulir fungsi. Jika

secara kumulatif adalah TRUE, BETA.DIST mengembalikan fungsi distribusi
kumulatif; jika FALSE, mengembalikan fungsi kepadatan probabilitas.

 A Opsional. Batas bawah pada interval x.

 B Opsional. Batas atas pada interval x.

Keterangan

 Jika ada argumen yang nonnumerik, BETA. DIST mengembalikan #VALUE!

nilai kesalahan.

 Jika Alpha ≤ 0 atau beta ≤ 0, BETA. DIST mengembalikan #NUM! nilai

kesalahan.

 Jika x < A, x > B, atau A = B, BETA. DIST mengembalikan #NUM! nilai

kesalahan.

 Jika Anda menghilangkan nilai untuk A dan B, BETA.DIST menggunakan

distribusi beta kumulatif standar, sehingga A = 0 dan B = 1

19
Contoh :

20
 DAFTAR PUSTAKA

http://arna.lecturer.pens.ac.id/Statistik%20&%20Probabilitas/08%20Distribusi
%20Probabilitas.pdf

https://docs.google.com/presentation/d/1fraZHRD4JQEVyXWQTExoLsFTxoHvhuy4qkaxEe
DGvA0/htmlpresent

https://www.rumusstatistik.com/2013/07/distribusi-beta.html

https://support.microsoft.com/id-id/office/beta-dist-fungsi-beta-dist-11188c9c-780a-42c7-
ba43-9ecb5a878d31

http://budisetiawansyafitri.blogspot.com/2018/01/distribusi-peluang-diskrit-dan-kontinu.html

http://mecariberkah.blogspot.com/2018/01/distribusi-peluang-dalam-statistik.html

21