IV-1

DISTRIBUSI PEUBAH DISKRIT

Tool : Aplikasi PSPP

Waktu : 100 Menit

Nama File : Nama_NPM_Modul ‘X’

I. TUJUAN PRAKTIKUM
Dari praktikum ini praktikan diharapkan :
1. Mahasiswa Memahami pengertian peubah diskrit.
2. Mahasiswa memahami dan mampu menguji proporsi suatu variabel
apakah nilainya berdistribusi Binomial.
3. Mahasiswa memahami dan mampu menguji data atau variabel apakah
nilainya berdistribusi Poisson.

II. LANDASAN TEORI

Distribusi Peubah Diskrit
Distribusi peubah diskrit adalah peubah yang ruang rentangnya merupakan
himpunan yang berhingga ( finite) atau tak berhingga tapi terhitung
(denumerable/countably infinite) dengan sifat-sifat berikut :
(𝑥) ≥ 0, ∀𝑥 ∈ 𝑅𝑋 (1-1)
∑𝑋 ∈ 𝑅 (𝑋) = 1 𝑥 (1-2)

IV-1
a. Distribusi Binomial
Suatu percobaan sering terdiri atas beberapa usaha, tiap usaha
dengan dua kemungkinan hasil yang dapat diberi nama sukses atau
gagal. Misalnya pada pengujian barang hasil produksi, dengan tiap
pengujian atau usaha dapat menunjukkan apakah suatu barang cact atau
tidak cacat. Kita dapat menentukan atau memilih salah satu hasil sebagai
sukses. Proses seperti ini disebut proses Bernoulli, tiap usahanya disebut
usaha Bernoulli.
Syarat percobaan Bernoulli :
1. Pada setiap trial (percobaan) hanya dimungkinkan terjadinya dua (2)
jenis outcome yaitu sukses atau gagal. (Sukses atau gagal sesuai
dengan definisi yang dikehendaki / sifat Dichotomi).
2. Probabilitas terjadinya sukses pada setiap trial adalah sama (sifat
Replacement).
3. Percobaan terdiri atas n trial (usaha) yang berulang, dimana n =
konstanta.
4. Tiap trial (usaha) bersifat independent (bebas dengan usaha lainnya).

Definisi Distribusi Binomial

Suatu usaha Bernoulli dapat menghasilkan sukses dengan peluang p dan
gagal dengan peluang q = 1 - p, maka distribusi peluang variabel acak
Binomial X, yaitu banyaknya sukses dalam n usaha bebas. (Probabilitas
untuk mendapatkan x sukses dari n percobaan independent dengan
probabilitas terjadinya sukses pada setiap percobaan = p dan probabilitas
gagal = 1 - p) :
𝑛! 𝑥 𝑛−𝑥
b (x; n; p) = 𝑥! (𝑛−𝑥)!
. 𝑝 . (1 − 𝑝) , x = 0, 1, …, n

IV-2
 Mean μ = np

2
Variance σ = npq

Std. Deviation σ = 𝑛𝑝𝑞

3 𝑞−𝑝
Coefficient of Skewness σ =
𝑛𝑝𝑞

4 1−6𝑝𝑞
Coefficient of Kurtosis σ =3+
𝑛𝑝𝑞

Moment Generating Function 𝑡 𝑛

M(t) = (𝑞 + 𝑝𝑒 )

b. Distribusi Poisson
Percobaan yang menghasilkan variabel acak X yang bernilai
numerik, yaitu banyaknya hasil selama selang waktu tertentu atau dalam
daerah tertentu, disebut Percobaan Poisson. Panjang selang waktu
tersebut boleh berapa saja, semenit, sehari, seminggu, sebulan, atau
malah setahun. Jadi percobaan Poisson dapat menghasilkan pengamatan
untuk variabel acak X yang menyatakan banyaknya hubungan telepon
per jam yang diterima suatu kantor, banyaknya hari sekolah ditutup
karena banjir, banyaknya pertandingan sepakbola yang terpaksa
diundurkan karena hujan selama musim hujan. Daerah yang dimaksud
dapat berupa sepotong garis, suatu luas daerah, suatu isi benda, ataupun
barangkali sepotong benda. Dalam hal seperti ini X mungkin
menyatakan banyaknya tikus sawah per hektar, banyaknya bakteri dalam
suatu kultur, ataupun banyaknya salah ketik per halaman.

Syarat Percobaan Distribusi Poisson :

IV-3
1. Banyaknya hasil yang terjadi dalam suatu selang waktu atau daerah
tertentu tidak terpengaruh oleh (bebas dari) apa yang terjadi pada
selang waktu atau daerah lain yang terpisah. Dalam hubungan ini
proses Poisson dikatakan tak punya ingatan.
2. Peluang terjadinya suatu hasil (tunggal) dalam selang waktu yang
amat pendek atau dalam daerah yang kecil sebanding dengan
panjang selang waktu atau besarnya daerah dan tidak tergantung
pada banyaknya hasil yang terjadi di luar selang waktu atau daerah
tersebut.
3. Peluang terjadinya lebih dari satu hasil dalam selang waktu yang
pendek atau daerah yang sempit tersebut dapat diabaikan.

Banyaknya hasil X dalam suatu percobaan Poisson disebut suatu

peubah acak Poisson dan distribusi peluangnya disebut distribusi
Poisson. Rataan banyaknya hasil dihitung dari µ = λt, bila t menyatakan
'waktu' atau 'daerah' khas yang menjadi perhatian. Karena peluangnya
tergantung pada λ, laju terjadinya hasil akan kita nyatakan dengan
lambang p(x; t).

λ = Rata-rata banyaknya sukses yang terjadi dalam suatu selang waktu

atau daerah tertentu.

Definisi Distribusi Poisson :

Distribusi peubah acak Poisson X, yang menyatakan banyaknya

sukses yang terjadi dalam selang waktu atau daerah tertentu dinyatakan
dengan t, diberikan oleh :
𝑥 −λ
λ𝑒
f(x, λ) = 𝑥!

IV-4
 x = 0, 1, 2, …; e = 2,7138

Teorema :

Rataan dan Variansi Distribusi Poisson :

2
𝜇 = 𝜆 dan σ = 𝜆

c. Distribusi Seragam
Di antara semua distribusi peubah diskrit, yang paling sederhana
adalah distribusi seragam. Dalam sebaran ini, setiap nilai peubah acak
mempunyai peluang terjadi yang sama.

Definisi Distribusi Seragam :

Bila peubah acak x mempunyai nilai-nilai x1, x2, …, xk, dengan peluang
yang sama, maka sebaran distribusi seragamnya diberikan oleh :
1
f(x; k) = 𝑘
untuk x = 𝑥1, 𝑥2, …, 𝑥𝑘

Rataan dan variasi dari Distribusi Seragam adalah :

𝑘 𝑘
2
∑ 𝑋𝑖 ∑ (𝑋𝑖− μ)
2
μ= 𝑖 =1
𝑘
dan σ = 𝑖 =1
𝑘

d. Distribusi Binomial Negatif

Suatu percobaan yang mempunyai ciri yang sama dengan percobaan
binom, kecuali bahwa ulangan diulang terus sampai terjadi sejumlah
tertentu keberhasilan. Jadi, alih-alih menentukan peluang x keberhasilan
dalam n ulangan, dengan n telah ditetapkan terlebih dahulu, sekarang kita
tertarik dengan peluang bahwa keberhasilan ke-k terjadi pada ulangan
ke-x. Percobaan semacam ini disebut percobaan binom negatif.
Definisi Distribusi Binomial Negatif :

IV-5
 Bila ulangan yang bebas dan berulang-ulang dapat menghasilkan
keberhasilan dengan peluang p dan kegagalan dengan peluang q = 1 – p,
maka distribusi peluang bagi peubah acak x, yaitu banyaknya ulangan
sampai terjadinya k keberhasilan, diberikan menurut rumus :
* 𝑘 𝑥−𝑘
𝑏 (x; k; p) = (𝑥 − 1 𝑘 − 1 ) 𝑝 𝑞 , untuk x = k, k+1, k+2, …

e. Distribusi Geometri
Untuk k = 1, distribusi binomial negatif itu akan menghasilkan
distribusi peluang bagi banyaknya ulangan yang diperlukan sampai
munculnya sisi gambar. Kita mungkin saja ingin mengetahui peluang
bahwa sisi gambar muncul pada lemparan yang keempat. Dengan
*
demikian distribusi binomial negatif akan tereduksi menjadi 𝑏 (𝑥; 1, 𝑝)
𝑥−1
= 𝑝𝑞 , dengan x =1, 2, 3… . Karena suku-suku yang berurutan
membentuk suatu barisan geometrik, maka kasus khusus ini sering
disebut distribusi geometri.

Definisi Distribusi Geometri :

Bila tindakan yang bebas dan berulang-ulang dapat menghasilkan
keberhasilan dengan peluang p dan kegagalan dengan peluang q = 1 – p,
maka distribusi peluang bagi peubah acak x, yaitu banyaknya ulangan
sampai munculnya keberhasilan yang pertama, diberikan menurut rumus
𝑥−1
: g(x; p) = 𝑝𝑞 , untuk x = 1, 2, 3, …

f. Distribusi Hipergeometri
Secara umum, kita tertarik pada peluang terambilnya x keberhasilan dari
k benda yang diberi label “berhasil” dan n – x kegagalan dari N – k
benda yang diberi label “gagal”, bila suatu contoh berukuran n diambil

IV-6
 dari sebuah populasi sehingga berukuran N. Percobaan demikian ini
dikenal sebagai percobaan hipergeometri.
Percobaan hipergeometri bercirikan dua sifat berikut :
a. Suatu contoh acak berukuran n diambil dari populasi yang berukuran
N.
b. k dari N benda di klasifikasikan sebagai berhasil dan N – k benda di
klasifikasikan sebagai gagal.

Definisi Distribusi Hipergeometri :

Bila dalam populasi N benda, k benda di antaranya diberi label “berhasil”
dan N – k benda lainnya diberi label “gagal”, maka distribusi peluang
bagi peubah acak hipergeometri x, yang menyatakan banyaknya
keberhasilan dalam contoh acak berukuran n, adalah :
(𝑘 𝑥 )(𝑁−𝑘 𝑛−𝑥 )
h(x; N; n; k) = (𝑁 𝑛 )
, untuk x = 0, 1, 2, …, n

III. PENGOLAHAN DATA

a. Distribusi Binomial
Dina ingin mengetahui apakah kemunculan angka dan gambar pada uang
koin mempunyai peluang yang sama ? Untuk itu dilakukan pelemparan
uang koin sebanyak 26 kali. Uang mempunyai 2 sisi yaitu gambar dan
angka. Setiap kali pelemparan, hasilnya di catat.
1. Buka aplikasi PSPP. Klik Variable View dan masukkan
variabelnya.
2. Kemudian ke bagian Data View, masukkan datanya seperti
berikut.

IV-7
3. Klik Analyze > Nonparametric Test > Binomial. Maka muncul
kotak dialog berikut. Masukkan Dosis_Vaksin ke bagian Test
Variable List.

* Test Proportion ketikkan nilai yang akan diuji dalam hal ini
ialah 0,50.

IV-8
 4. Klik OK untuk memunculkan hasil output.

Analisis Output :
Untuk menentukan apakah kemunculan angka dan gambar pada uang
koin mempunyai peluang yang sama ,pertama – tama buat hipotesis
sebagai berikut :
H0 = Munculnya angka dan gambar pada pelemparan uang koin
mempunyai peluang yang sama.
H1 = Munculnya angka dan gambar pada pelemparan uang koin
mempunyai peluang yang mempunyai peluang yang tidak sama.

Syarat H0 diterima atau tidak berdasarkan nilai probabilitas sebagai

berikut :
Syarat H0 diterima atau tidak berdasarkan nilai probabilitas sebagai
berikut :
Apabila nilai Exact Sig. (2-tailed) ≥ α (0,05), maka Ho diterima dan Ha
ditolak.
Apabila nilai Exact Sig. (2-tailed) ˂ α (0,05), maka Ho diterima dan Ha
ditolak.

Dari hasil pengolahan data di atas pada kolom Sig. (2-tailed) terlihat
bahwa nilai probabilitas 0.076.Maka keputusan yang diambil adalah H0.
(0.076 > 0.05) Jadi : Munculnya angka dan gambar pada pelemparan
uang koin mempunyai peluang yang sama.

b. Distribusi Poisson

IV-9
Di sebuah toko swalayan X, peneliti ingin mengetahui probabilitas
banyaknya penjualan handsaanitizer dalam kurun waktu 8 jam
operasional kerja. Lakukanlah uji statistik untuk mengetahui apakah data
mengikuti distribusi Poisson atau tidak.
1. Buka Data baru, isi data seperti dibawah ini.

2. Klik Analyze > Nonparametric Tests > 1-Sample K-S. Maka akan
muncul kotak dialog seperti dibawah. Klik OK.

* Test Variable List isi dengan variabel Banyaknya Handsanitizer

* Test Distribution centang Normal dan Poisson.

3. Klik OK untuk memunculkan outputnya.

IV-10
Dari output tabel diatas dapat diperoleh informasi bahwa:

1) Most Extreme Differences Absolute menunjukkan perbedaan

nilai yang paling ekstrem secara absolute.
2) Most Extreme Differences Positive menunjukkan perbedaan
nilai yang paling ekstrem secara positif.
3) Most Extreme Differences Negative menunjukkan perbedaan
nilai yang paling ekstrem secara negatif.
4) Nilai tes statistic dengan uji Kolmogorov-Smirnuv diperoleh
sebesar 0,82.
5) Uji Hipotesis:
Ho: Banyaknya hand sanitizer yang terjual dalam kurun waktu
8 jam oprerasional terdistribusi normal
Ha: Banyaknya hand sanitizer yang terjual dalam kurun waktu
8 jam oprerasional tidak terdistribusi normal
Jika probabilitas atau Asymp. Sig. (2-tailed) > 0,05 maka Ho
diterima.
Jika probabilitas atau Asymp. Sig. (2-tailed) < 0,05 maka Ho
ditolak.

IV-11
 Dari data output table diatas didapatkan informasi, yaitu:
1. Uji Hipotesis:
Ho: Banyaknya hand sanitizer yang terjual dalam kurun waktu 8 jam
oprerasional distribusi poisson
Ha: Banyaknya hand sanitizer yang terjual dalam kurun waktu 8 jam
oprerasional tidak mengikuti distribusi poisson
Jika probabilitas atau Asymp. Sig. (2-tailed) > 0,05 maka Ho
diterima.
Jika probabilitas atau Asymp. Sig. (2-tailed) < 0,05 maka Ho ditolak.

IV-12