MODUL STATISTIK

(CCS201)

MODUL 5
DISTRIBUSI PROBABILITAS

DISUSUN OLEH
SURYANI, M.Si

UNIVERSITAS ESA UNGGUL

2020

Universitas Esa Unggul

http://esaunggul.ac.id
0 / 35
 DISTRIBUSI PROBABILITAS
Ikhtisar Bab
Bab ini menjabarkan beberapa kajian literatur yang digunakan untuk
mengetahui nilai dan penerapan dari distribusi probabilitas. Beberapa hal
yang akan dibahas erkaitan dengan teori distribusi probabilitas diskrit dan
teori distribusi probabilitas Kontinu.
Topik pembahasan
A. Pendahuluan
B. Distribusi Probabilitas
C. Distribusi Probabilitas Diskrit
D. Distribusi Probabilitas Kontinu
E. Fungsi Massa Probabilitas
F. Fungsi Kepadatan Probabilitas
G. Fungsi Distribusi Kumulatif untuk Variabel Random Diskrit
H. Fungsi Distribusi Kumulatif untuk Variabel Random Kontinu

PENGANTAR PROBABILITAS

Probabilitas adalah besarnya kesempatan (kemungkinan) suatu

peristiwa akan terjadi. Berdasarkan pengertian probabilitas tersebut,
terdapat hal-hal yang penting yaitu besarnya kesempatan dan peristiwa
akan terjadi. Besarnya Kesempatan dari suatu peristiwa akan terjadi adalah
antara 0 sampai dengan 1. Jika suatu peristiwa memiliki kesempatan akan
terjadi 0, maka peristiwa tersebut pasti tidak akan terjadi. Jika suatu
peristiwa memiliki kesempatan akan terjadi 1, maka peristiwa tersebut pasti
akan terjadi. Dengan demikian dapat disimpulkan bahwa semakin kecil
probabilitas suatu peristiwa (probabilitas semakin mendekati 0), semakin
kecil kesempatan peristiwa tersebut akan terjadi. Sebaliknya, semakin
besar probabilitas suatu peristiwa (probabilitas semakin mendekati 1),
semakin besar kesempatan peristiwa tersebut akan terjadi.

Universitas Esa Unggul

http://esaunggul.ac.id
1 / 35
 Manfaat probabilitas dalam kehidupan sehari-hari adalah membantu
kita dalam mengambil suatu keputusan, serta meramalkan kejadian yang
mungkin Terjadi. Jika kita tinjau pada saat kita melakukan penelitian,
probabilitas memiliki beberapa fungsi antara lain:
1) Membantu peneliti dalam pengambilan keputusan yang lebih tepat.
Pengambilan keputusan yang lebih tepat dimaksudkan tidak ada
keputusan yang
sudah pasti karena kehidupan mendatang tidak ada yang pasti kita
ketahui dari
sekarang, karena informasi yang didapat tidaklah sempurna.
2) Dengan teori probabilitas kita dapat menarik kesimpulan secara
tepat atas
hipotesis yang terkait tentang karakteristik populasi. Menarik
kesimpulan secara tepat atas hipotesis (perkiraan sementara yang
belum teruji kebenarannya) yang terkait tentang karakteristik
populasi pada situasi ini kita hanya mengambil atau menarik
kesimpulan dari hipotesis bukan berarti kejadian yang akan datang
kita sudah ketehaui apa yang akan tertjadi.
3) Mengukur derajat ketidakpastian dari analisis sampel hasil penelitian
dari suatu populasi.

Berikut ini merupakan beberapa definisi dan teorema mengenai teori

probabilitas, diantaranya: Untuk suatu percobaan dengan S sebagai ruang
sampel dan 𝐴, 𝐴#, 𝐴#, … mewakili kejadian yang mungkin terjadi. Fungsi
yang berhubungan dengan nilai riil P(A) dengan setiap kejadian A disebut
fungsi peluang dan P(A) disebut peluang dari A jika syarat berikut terpenuhi:
𝑃(𝐴) ≥ 0, untuk setiap A,
𝑃 (𝑆 ) = 1
; ;

𝑃 89 𝐴: = = > 𝑃(𝐴: )
:<# :<#

Untuk 𝐴#, 𝐴#, … adalah kejadian saling mutually exclusive satu sama lain,
sedemikian sehingga
𝑃(𝐴# ∪ 𝐴@ ∪ 𝐴A ∪ … ) = 𝑃(𝐴# ) + 𝑃(𝐴@ )+𝑃(𝐴A ) + ⋯

Universitas Esa Unggul

http://esaunggul.ac.id
2 / 35
 Jika suatu percobaan mempunyai N hasil percobaan yang berbeda,
dan masing-masing mempunyai kemungkinan yang sama untuk terjadi,
dan jika tepat n diantara hasil percobaan itu menyusun kejadian A, maka
probabilitas kejadian A adalah
𝑚
𝑃 (𝐴 ) =
𝑁
Distribusi probabilitas dapat diterapkan dalam banyak hal seperti
pada kehidupan sehari-hari, kegiatan bisnis maupun pada dunia industri.
Distribusi probabilitas berguna untuk menganalisis suatu kejadian dan
memberikan keuntungan serta manfaat dalam pengaplikasiannya.
Misalnya, pada suatu proses pelayanan di suatu Bank dapat menguji
apakah dengan disediakan empat teller, nasabah akan menunggu lama
atau kapasitas yang berlebih akan membuat boros tempat. Permasalahan
ini dapat diselesaikan dengan distribusi probabilitas yang akan membantu
Bank dalam membuat keputusan dalam menyediakan teller.
Distribusi probabilitas merupakan suatu daftar atau kumpulan dari
probabilitas-probabilitas peristiwa yang mungkin terjadi. Distribusi peluang
yang demikian saling berhubungan dengan semua nilai-nilai yang mungkin
terjadi dan berasal dari variabel random. Variabel random adalah variabel
yang nilainya merupakan suatu bilangan yang ditentukan oleh terjadinya
suatu percobaaan. Fungsi distribusi probabilitas umumnya dibedakan
menjadi distribusi probabilitas diskrit dan Kontinu. Di dalam distribusi
probabilitas diskrit dan Kontinu terdapat beberapa macam distribusi.

VARIABEL RANDOM
Variabel random adalah penggambaran hasil-hasil percobaan
sebagai nilai-nilai numerik secara sederhana, sehingga variabel random
dapat didefinisikan sebagai deskripsi numerik dari hasil percobaan.
Variabel random dapat berarti juga variabel numerik yang nilai spesifiknya
tidak dapat diprediksi dengan pasti sebelum dilakukan eksperimen.
Karena nilai variabel random sangat tergantung pada hasil
eksperimen, sehingga kadang disebut juga dengan variabel terikat
(dependence variabel). Nilai variabel random berhubungan dengan

Universitas Esa Unggul

http://esaunggul.ac.id
3 / 35
kejadian yang didefinisikan sebagai ruang sampel, tetapi kejadian yang
berbeda kemungkinan akan menghasilkan variabel random yang sama.
Contohnya: data tahan beton, kecepatan angin dan sebagainya.

Gambar diatas menyatakan variabel random sebagai fungsi yang

memetakan setiap anggota dari ruang sampel (S) ke bilangan riil. Anggota
dari ruang sampel (S) disebut dengan elemen (e) dan fungsi yang
memetakan anggota e ke bilangan riil (x) dinotasikan dengan X. Hasil dari
pemetaannya berupa bilangan riil (x) untuk setiap anggota ruang sampel
(S) yang dinotasikan dengan x=X(e).
Variabel random dibedakan menjadi dua yaitu variabel random
diskrit dan variabel random kontinu. Berikut definisi mengenai kedua jenis
variabel random tersebut:
Variabel Random Diskrit
Variabel acak diskrit adalah variabel acak yang tidak mengambil
seluruh nilai yang ada dalam sebuah interval atau variabel yang hanya
memiliki nilai tertentu. Nilainya merupakan bilangan bulat dan asli, tidak
berbentuk pecahan. Variabel acak diskrit jika digambarkan pada sebuah
garis interval akan berupa sederetan titik-titik yang terpisah. Berdasarkan
karakteristiknya, variabel random diskrit adalah variabel random yang dapat
dihitung (countable).

Universitas Esa Unggul

http://esaunggul.ac.id
4 / 35
 Contoh dari variabel acak diskrit adalah banyaknya pemunculan sisi
muka atau angka dalam eksperimen pelemparan sebuah koin logam dan
jumlah anak dalam sebuah keluarga dalam eksperimen pendataan
kependudukan.
Variabel Random Kontinu
Variabel random kontinu adalah variabel random yang mengambil
seluruh nilai yang ada dalam sebuah interval atau variabel yang dapat
memiliki nilai-nilai pada suatu interval tertentu. Nilai dari variabel random ini
dapat merupakan bilangan bulat maupun pecahan. Variabel acak kontinu
jika digambarkan ada sebuah garis interval, akan berupa sederatan titik
yang bersambung membentuk suatu garis lurus. Variabel random kontinu
dapat diperoleh dari hasil pengukuran.

Contoh dari variabel acak kontinu adalah usia penduduk suatu

daerah dan hasil pengukuran ketinggian gunung-gunung di suatu daerah.

Universitas Esa Unggul

http://esaunggul.ac.id
5 / 35
Distribusi Probabilitas
Variabel random merupakan parameter penting dalam sebuah
distribusi probabilitas. Variabel random adalah variabel yang nilainya
ditentukan dari sebuah hasil percobaan. Variabel random dinyatakan
dengan huruf besar, misalnya X, sedangkan nilainya dinyatakan dengan
huruf kecil misalnya x. Sebagai contoh, pada pelemparan dua koin, huruf Y
menyatakan jumlah gambar yang muncul maka nilainya adalah y = 0, 1 dan
2. Dari setiap nilai variabel random yang memungkinkan akan memiliki
probabilitas masing-masing yang disebut distribusi probabilitas.

Bagan 1 Klasifikasi Distribusi Probabilitas

Universitas Esa Unggul

http://esaunggul.ac.id
6 / 35
Distribusi Probabilitas Diskrit
Distribusi probabilitas diskrit adalah suatu daftar atau distribusi di
mana variabel randomnya mengasumsikan masing-masing nilainya dengan
probabilitas tertentu. Variabel diskrit memiliki jumlah nilai kemungkinan
yang terbatas atau jumlah yang tak terhingga dari nilai-nilai yang dapat
dihitung. Kata “dihitung” berarti bahwa variabel random tersebut dapat
dicacah dengah menggunakan angka 1, 2, 3, dst. Misalnya, jumlah
panggilan telepon yang diterima setelah siaran TV mengudara adalah
contoh variabel diskrit, karena bisa dihitung. Berikut adalah rangkuman dari
penjelasan untuk setiap distribusi probabilitas diskrit:
NO JENIS PENGERTIAN CONTOH
1 Distribusi Sebuah eksperimen Probabilitas
Binomial binomial terdiri dari ditemukannya
percobaan yang polutan organik oleh
berulang, dengan BPOM dari beberapa
masing-masing sampel produk air
kemungkinan outcome mineral dalam
dikategorikan sukses kemasan
atau gagal
2 Distribusi Distribusi probabilitas Pengujian kualitas
Hipergeometrik variabel random permukaan kaleng
hipergeometrik x, yaitu minuman dengan
banyaknya sukses dalam pengambilan random
ampel random berukuran tanpa pengembalian
n yang diambil dari sampai produk
populasi N (di mana di dinyatakan dalam
dalam N terkandung k keadaan baik atau
sukses dan N-k gagal). rusak.
Distribusi hipergeometrik
didasarkan atas sampling
yang dilakukan tanpa
pengembalian.

Universitas Esa Unggul

http://esaunggul.ac.id
7 / 35
 NO JENIS PENGERTIAN CONTOH
3 Distribusi Eksperimen binomial Tim Reseacrh and
Multinomial menjadi eksperimen Development dari
multinomial jika pada sebuah perusahaan
masing-masing mengadakan
percobaan mempunyai kuesioner untuk
lebih dari dua hasil mengukur tingkat
kemungkinan outcome, di kepuasan pelanggan
mana masing-masing terhadap produk dari
percobaan identik dan perusahaan tersebut.
independen. Peluang jawaban
kuesioner terdiri dari
sangat puas, puas,
cukup puas, dan
kurang puas.
4 Distribusi Bila usaha yang saling Peluang banyak
Geometrik bebas dan dilakukan sumur yang dibor
berulang kali sampai sumur yang
menghasilkan sukses dibor dapat
dengan peluang p, gagal mengeluarkan
dengan peluang q = 1 – minyak.
p. Maka distribusi
peluang variabel random
x, yaitu banyaknya usaha
sampai terjadinya sukses
pertama.
5 Distribusi Banyaknya x percobaan Probabilitas jumlah
Binomial yang dibutuhkan untuk inspeksi yang
Negatif menghasilkan k sukses dilakukan pada 20
(Pascal) disebut variabel random part of product
binomial negatif, dan sampai ditemukan 3
distribusinya disebut

Universitas Esa Unggul

http://esaunggul.ac.id
8 / 35
 NO JENIS PENGERTIAN CONTOH
distribusi binomial part yang harus di
negatif. Distribusi pascal rework.
digunakan untuk
mengetahui bahwa
sukses ke-k terjadi pada
usaha ke-x.
6 Distribusi Distribusi poisson adalah Jumlah telepon
Poisson distribusi yang masuk yang diterima
menghasilkan nilai dalam waktu satu jam
numerik dari variabel di suatu kantor atau
random x pada selang banyaknya kesalahan
waktu yang tertentu atau pengetikan per
daerah tertentu. halaman oleh
seorang sekretaris
baru.
7 Distribusi Variabel random x Mata dadu dari
Uniform Diskrit berdistribusi diskrit sebuah dadu terdiri
uniform jika setiap n dari angka 1 - 6. Jika
berada pada range, misal dadu dilempar sekali
x1, x2, ..., xn di mana dan x adalah mata
probabilitas sama. dadu pertama yang
muncul, x adalah
distribusi uniform
dengan probabilitas
1/6 untuk tiap nilai R
= {1, 2, ..., 6}.

Universitas Esa Unggul

http://esaunggul.ac.id
9 / 35
 NO VARIABEL PERSAMAAN
1 x = banyaknya Fungsi massa probabilitas:
peristiwa sukses 𝑛 L NOL
𝑝( 𝑥 ) = H I 𝑥 K 𝑝 𝑞 , 𝑥 = 0, 1, 2, … , 𝑛
p = probabilitas
peristiwa sukses Fungsi distribusi kumulatif:

n = banyaknya 0, 𝑥<0
L
percobaan 𝑓 (𝑥 ) = R
> 𝑝(𝑖) , 𝑥≥0
q=1–p= :<U

probabilitas
peristiwa gagal
2 N = total populasi Fungsi massa probabilitas:
atau sampel 𝑝( 𝑥 )
n = jumlah WXLYWZOX
NOL
Y
, 𝑥 = 0,1, … , min (𝑛, 𝐷)
percobaan atau =V WZNY
jumlah sampel yang 0, 𝑜𝑡ℎ𝑒𝑟
dipilih Fungsi distribusi kumulatif:

k = jumlah kejadian 0, 𝑥<0

L
sukses dalam n 𝑓 (𝑥 ) = R
> 𝑝(𝑖) , 𝑥≥0
:<U

3 x = banyaknya Fungsi distribusi kumulatif:

peristiwa sukses 𝑓(𝑥# , 𝑥@ , … , 𝑥X ; 𝑝# , 𝑝@ , … , 𝑝X , 𝑛)
n = banyaknya 𝑛 L L L
= c d 𝑝# e 𝑝@ f … 𝑝X g
𝑥# , 𝑥@ , … , 𝑥X
percobaan
p = probabilitas
peristiwa sukses
q=1–p=
probabilitas
peristiwa gagal
4 p = probabilitas Fungsi massa probabilitas:
peristiwa sukses 𝑝(1 − 𝑝)LO# , 𝑥 = 1, 2, … , ∞
𝑝( 𝑥 ) = H
0, 𝑜𝑡ℎ𝑒𝑟
Fungsi distribusi kumulatif:

Universitas Esa Unggul

http://esaunggul.ac.id
10 / 35
 NO VARIABEL PERSAMAAN
q=1–p= 0, 𝑥 < 1
𝑓 (𝑥 ) = H
1 − (1 − 𝑝)L , 𝑥 ≥ 1
probabilitas
peristiwa gagal
x = jumlah
trial/percobaan
sampai terjadinya
sukses pertama
5 p = peluang sukses Fungsi massa probabilitas:
q = 1 – p = peluang 𝑝( 𝑥 )
gagal 𝑥−1 k LOk
x = jumlah = j 𝑟 − 1d 𝑝 (1 − 𝑝) , 𝑥 = 𝑟, 𝑟 + 1, … , ∞
c
percobaan yang 𝑥, 𝑥≥0
diperlukan untuk Fungsi distribusi kumulatif:
memperoleh 0, 𝑥<0
L
keluaran 𝑓 (𝑥 ) = R
> 𝑝(𝑖) , 𝑥≥0
:<U

6 λ = rata-rata jumlah Fungsi massa probabilitas:

kejadian dalam 𝑒 Om 𝜆L
setiap unit ukuran l p, 𝑥 = 0, 1, 2, … , ∞
𝑝(𝑥 ) = V 𝑥!
e = 2,71828
0, 𝑜𝑡ℎ𝑒𝑟
Fungsi distribusi kumulatif:
0, 𝑥<0
L
𝑓 (𝑥 ) = R
> 𝑝(𝑖) , 𝑥≥0
:<U

7 n = jumlah sampel Fungsi massa probabilitas:

𝑝( 𝑥 )
1
, 𝑥 = 𝑎, 𝑎 + 1, … , 𝑏
= V(𝑏 − 𝑎 ) + 1
0, 𝑜𝑡ℎ𝑒𝑟
Fungsi distribusi kumulatif:
0, 𝑥 < 𝑎
(𝑥 − 𝑎 ) + 1
𝑓 (𝑥 ) = R , 𝑎≤𝑥<𝑏
(𝑏 − 𝑎 ) + 1
1, 𝑥 ≥ 𝑏

Universitas Esa Unggul

http://esaunggul.ac.id
11 / 35
Distribusi Binomial

Distribusi Binomial adalah suatu distribusi probabilitas yang dapat

digunakan bilamana suatu proses sampling dapat diasumsikan sesuai
dengan proses Bernoulli. Misalnya, dalam perlemparan sekeping uang
logam sebanyak 5 kali, hasil setiap ulangan mungkin muncul sisi gambar
atau sisi angka. Begitu pula, bila kartu diambil berturut-turut, kita dapat
memberi label “berhasil” bila kartu yang terambil adalah kartu merah atau
“gagal” bila yang terambil adalah kartu hitam. Ulangan-ulangan tersebut
bersifat bebas dan peluang keberhasilan setiap ulangan tetap sama, yaitu
sebesar ½.
Syarat Distribusi Binomial:
1) Jumlah percobaan merupakan bilangan bulat. Contoh
melambungkan koin 2 kali, tidak mungkin 2½ kali.
2) Setiap eksperimen mempunyai dua outcome (hasil). Contoh:
sukses atau gagal, laki-laki atau perempuan, sehat atau sakit.
3) Peluang sukses sama setiap ekperimen. Contoh: Jika pada
lambungan pertama peluang keluar mata H/sukses adalah ½,
pada lambungan seterusnya juga ½. Jika sebuah dadu, yang
diharapkan adalah keluar mata lima, maka dikatakan peluang
sukses adalah 1/6, sedangkan peluang gagal adalah 5/6. Untuk
itu peluang sukses dilambangkan p, sedangkan peluang gagal
adalah (1-p) atau biasa juga dilambangkan q, di mana q = 1-p.

Distribusi Binomial dapat diterapkan pada peristiwa yang memiliki ciri-ciri

percobaan Binomial sebagai berikut:
1) Setiap percobaan hanya mempunyai 2 (dua) kemungkinan hasil:
sukses (hasil yang dikehendaki) dan gagal (hasil yang tidak
dikehendaki).
2) Setiap percobaan bersifat independen (dengan pengembalian).
3) Probabilitas sukses setiap percobaan harus sama, dinyatakan
dengan p. Sedangkan probabilitas gagal dinyatakan dengan q, dan
jumlah p dan q harus sama dengan satu.

Universitas Esa Unggul

http://esaunggul.ac.id
12 / 35
 4) Jumlah percobaan, dinyatakan dengan n, harus tertentu jumlahnya.

Rumus Distribusi Binomial

𝑛!
𝑏(𝑥; 𝑛; 𝑝) = 𝐶LN pL qNOL = pL qNOL
𝑥! (𝑛 − 𝑥 )!
Keterangan:
x = 0,1,2, 3…, n
n = banyaknya ulangan
x = banyaknya keberhasilan dalam variabel random x
p = peluang berhasil dalam setiap ulangan
q = peluang gagal, dimana q = 1-p dalam setiap ulangan

Contoh Soal
Berdasarkan data biro perjalanan PT UEU, yang khusus menangani
perjalanan wisata turis manca negara, 20% dari turis menyatakan sangat
puas berkunjung ke Indonesia, 40% menyatakan puas, 25% menyatakan
biasa saja dan sisanya menyatakan kurang puas. Apabila kita bertemu
dengan 5 orang dari peserta wisata turis manca negara yang pernah
berkunjung ke Indonesia, berapakah probabilitas:
a) Paling banyak 2 di antaranya menyatakan sangat puas.
b) Paling sedikit 1 di antaranya menyatakan kurang puas
c) Tepat 2 diantaranya menyatakan biasa saja
d) Ada 2 sampai 4 yang menyatakan puas.

Jawab:
Diketahui n = 5;
Ditanyatakan:
a) Paling banyak 2 di antaranya menyatakan sangat puas (p(x) ≤ 2).
p=0,20;
5!
𝑏(0; 5; 0.20) = 𝐶Ux 0.20U 0.80xOU = 0.20U 0.80xOU
0! (5 − 0)!
= 0.32768

Universitas Esa Unggul

http://esaunggul.ac.id
13 / 35
 5!
𝑏(1; 5; 0.20) = 𝐶#x 0.20# 0.80xO# = 0.20# 0.80xO#
1! (5 − 1)!
= 0.40960
5!
𝑏(2; 5; 0.20) = 𝐶@x 0.20@ 0.80xO@ = 0.20@ 0.80xO@
2! (5 − 2)!
= 0.20480
𝑏(𝑥; 𝑛; 𝑝) = 𝑏(0; 5; 0.20) + 𝑏(1; 5; 0.20) + 𝑏(2; 5; 0.20)
= 0.32768 + 0.40960 + 0.20480
= 0.94208
Maka hasil p(x) ≤ 2 = 0.94208
b) Paling sedikit 1 diantaranya menyatakan kurang puas (p(x) ≥ 1).
p=0,15;
5!
𝑏(1; 5; 0.15) = 𝐶#x 0.15# 0.80xO# = 0.15# 0.80xO#
1! (5 − 1)!
= 0.3915
5!
𝑏(2; 5; 0.15) = 𝐶@x 0.15@ 0.80xO@ = 0.15@ 0.80xO@
2! (5 − 2)!
= 0.1382
5!
𝑏(3; 5; 0.15) = 𝐶Ax 0.15A 0.80xOA = 0.15A 0.80xOA
( )
3! 5 − 3 !
= 0.0244
5!
𝑏(4; 5; 0.15) = 𝐶•x 0.15• 0.80xO• = 0.15• 0.80xO•
4! (5 − 4)!
= 0.002
5!
𝑏(5; 5; 0.15) = 𝐶xx 0.15x 0.80xOx = 0.15x 0.80xOx
5! (5 − 5)!
= 0.0001
jadi: p(x) ≥ 1
= 𝑏(1; 5; 0.15) + 𝑏(2; 5; 0.15) + 𝑏(3; 5; 0.15)
+ 𝑏 (4; 5; 0.15) + 𝑏(5; 5; 0.15)
= 0,3915 + 0,1382 + 0,0244 + 0,002 + 0,0001
= 0.5562
Atau
b (x ≥1; 5, 0,15) = 1 – b (x = 0)

Universitas Esa Unggul

http://esaunggul.ac.id
14 / 35
 5!
= 1 − 𝐶Ux 0.15U 0.85xOU = 0.15x 0.85xOU
0! (5 − 0)!
= 1 − 0.4437
= 0.5563
c) Tepat 2 diantaranya menyatakan biasa saja (p(x)=2). p=0,25
5!
𝑏(2; 5; 0.25) = 𝐶@x 0.25@ 0.75xO@ = 0.25x 0.75xO@
2! (5 − 2)!
= 0.2637
d) Ada 2 sampai 4 yang menyatakan puas (x ≤ 2 x ≤ 4). P=0,40;
5!
𝑏(2; 5; 0.40) = 𝐶@x 0.25@ 0.40xO@ = 0.25x 0.40xO@
2! (5 − 2)!
= 0.3456
5!
𝑏(3; 5; 0.40) = 𝐶Ax 0.25A 0.40xOA = 0.25x 0.40xOA
3! (5 − 3)!
= 0.2304
5!
𝑏(4; 5; 0.40) = 𝐶•x 0.25• 0.40xO• = 0.25x 0.40xO•
4! (5 − 4)!
= 0.0768
Jadi (x ≤ 2 x ≤ 4) = b (2; 5;0.40) + b (3; 5, 0.40) + b (4; 5, 0.40) = 0.3456 +
0.2304 + 0.0768 = 0.6528.
Analisis masing – masing point:
a. Sebanyak paling banyak 2 dari 5 orang dengan jumlah 0.94208 atau
94,28% yang menyatakan sangat puas adalah sangat besar.
b) Paling sedikit 1 dari 5 orang (berarti semuanya) dengan jumlah 0,5563
atau 55,63% yang menyatakan kurang puas dapat dikatakan cukup
besar (karena lebih dari 50%).
c) Tepat 2 dari 5 orang yang menyatakan biasa saja dengan jumlah 0,2637
atau 26,37% adalah kecil (karena dibawah 50%).
d) Ada 2 sampai 4 yang menyatakan puas dengan jumlah 0,6528% atau
65,28% dapat dikatakan cukup besar.
Analisis keseluruhan:
a) Persentase

Universitas Esa Unggul

http://esaunggul.ac.id
15 / 35
 Jika diambil persentase terbesar tanpa memperhatikan jumlah X, maka
persentase
terbesar ada di point pertama (a) yaitu 94,28% yang menyatakan
sangat puas. Hal
tersebut menandakan banyak turis manca negara yang sangat
menyukai Indonesia.
b) Nilai x
Jika dilihat dari jumlah x, maka perlu diperhatikan point kedua (b).
Jumlah x
adalah paling sedikit 1 dari 5 orang (berarti x>=1) yaitu 55,63% yang
menyatakan kurang puas. Hal tersebut berarti kelima (semua) turis
manca negara kurang puas terhadap kunjungannya ke Indonesia.

Contoh 2
Seorang kepala produksi mengatakan bahwa terdapat 20% produk rusak.
Jika ternyata produk telah didistribusikan ke retailer, dan ternyata telah
dibeli oleh consumer sebanyak 8 unit. Hitunglah:
a. Hitung semua probabilitas untuk menghitung barang yang tidak
rusak (X)
b. Butlah probabilitas kumulatif
c. Berapa probabilitasnya dari 8-unit yang telah terbeli consumer
terdapat 5 barang yang rusak.
Jawab:
•!
a. 𝑝k (3) = 𝑃(𝑋 = 3) = A!(•OA)! (0,8)A (0,2)x

= 56 (0,8)A (0,2)x
= 0,009175
(𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑎𝑠 𝑢𝑛𝑡𝑢𝑘 𝑚𝑒𝑚𝑝𝑒𝑟𝑜𝑙𝑒ℎ 3 𝑝𝑟𝑜𝑑𝑢𝑘 𝑡𝑖𝑑𝑎𝑘 𝑟𝑢𝑠𝑎𝑘)
b. Berikut table distribusi probabilitas binomial dan kumulatifnya (p=0,8;
n=8)

Universitas Esa Unggul

http://esaunggul.ac.id
16 / 35
 x n-x 𝑝k (𝑥) F(x) = P(X≤x)
0 8 0,0000 0,0000
1 7 0,0001 0,0001
2 6 0,0011 0,0012
3 5 0,0092 0,0104
4 4 0,0459 0,0563
5 3 0,1468 0,2031
6 2 0,2936 0,4967
7 1 0,3355 0,8322
8 0 0,1678 1,0000

c. Diketahui = n-x = 5; X = 3
P(X=3) = 𝑝k (3) = 0,009175 ≈ 0,0092

Distribusi Poisson

Distribusi poisson disebut juga distribusi peristiwa yang jarang

terjadi, ditemukan oleh S.D. Poisson (1781–1841), seorang ahli matematika
berkebangsaan Perancis. Distribusi Poisson termasuk distribusi teoritis
yang memakai variabel random diskrit. Distribusi poisson adalah distribusi
peluang random poisson X, yang menyatakan banyaknya sukses yang
terjadi dalam suatu selang waktu daerah tertentu.
Distribusi poisson adalah pengembangan dari distribusi binomial
yang mampu mengkakulasikan distribusi probabilitas dengan kemungkinan
sukses (p) sangat kecil dan jumlah eksperimen (n) sangat besar (misal 100
atau lebih). Karena distribusi poisson biasanya melibatkan jumlah n yang
besar, dengan p kecil, distribusi ini biasanya digunakan untuk menghitung
nilai probabilitas suatu kejadian dalam suatu selang waktu dan daerah
tertentu. Contoh: Banyaknya bakteri dalam air yang bersih, Banyaknya
presiden yang meninggal karena kecelakaan lalulintas, Banyaknya dering
telepon dalam satu jam di suatu kantor.

Universitas Esa Unggul

http://esaunggul.ac.id
17 / 35
Distribusi Poisson memiliki ciri-ciri sebagai berikut:
• Banyaknya hasil percobaan yang terjadi dalam suatu interval waktu atau
suatu daerah tertentu tidak tergantung pada banyaknya hasil percobaan
yang terjadi pada interval waktu atau daerah lain yang terpisah.
• 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.

Distribusi poisson banyak digunakan dalam hal berikut:

• Menghitung probabilitas terjadinya peristiwa menurut satuan waktu,
ruang atau isi, luas, panjang tertentu, seperti menghitung probabilitas
dari:
o Banyaknya penggunaan telepon per menit atau banyaknya mobil
yang lewat selama 5 menit di suatu ruas jalan.
o Banyaknya bakteri dalam satu tetes atau 1-liter air,
o Banyaknya kesalahan ketik per halaman sebuah buku
o Banyaknya kecelakaan mobil di jalan tol selama minggu pertama
bulan Oktober.
Rumus untuk menyelesaikan distribusi Poisson adalah sebagai berikut:
λL 𝑒 O‰
𝑃 (𝑋 = 𝑥 ) =
𝑥!
Dimana λ = rata-rata distribusi (Lambda)
X = 0, 1, 2, 3, … (menuju tak hingga)
e = konstanta 2,71828
Contoh:
Seorang yang akan menjual mobil mewahnya memasang iklan pada
suatu surat kabar yang dapat mencapai 100.000 pembaca. Dengan
anggapan nilai probabilitas bahwa seorang yang membaca iklan tersebut
berminat akan membeli mobilnya sebesar p = 1/50.000. Jika dari 100.000
pembaca ada dua orang yang berminat membeli mobil tersebut (p =

Universitas Esa Unggul

http://esaunggul.ac.id
18 / 35
0,00002) dan X = banyaknya pembaca yang berminat pada mobil tersebut,
berapakah P(X = 0), P(X = 1), P(X = 2), P(X = 3), P(X = 4), ,,,,?
Persoalan ini sebetulnya dapat dipecahkan dengan menggunakan fungsi
Binomial, karena persoalannya hanya mencari probabilitas x “sukses” dari
n = 100.000 eksperimen dimana probabilitas sukses p = 1/50.000. Akan
tetapi karena n besar (n>30) fungsi Poisson dapat digunakan sebagai suatu
pendekatan yang lebih sederhana.
#UUUUU
Apabila = rata-rata distribusi = E(X) = np = xUUUU = 2

(secara rata-rata dapat diharapkan 2 (dua) orang pembaca yang

menanyakan keadaan mobil), Perhitungan ini dapat juga dilihat pada tabel
Poisson, dimana x = 0, 1, 2, …, 9. Misalnya kita ingin melihat distribusi
probabilitas bahwa 5 orang pembaca berminat pada mobil tersebut P(5)
dengan atau rata-rata distribusi = 2, perhatikan potongan tabel Poisson
berikut:
x 1,0 2,0 3,0 4,0 5,0 6,0
0 0,3679 0,1353 0,0498 0,0183 0,0067 0,0025
1 0,3679 0,2707 0,1494 0,0733 0,0337 0,0149
2 0,1839 0,2707 0,2240 0,1465 0,0842 0,0446
3 0,0613 0,1804 0,2240 0,1954 0,1404 0,0892
4 0,0153 0,0902 0,1680 0,1954 0,1755 0,1339
5 0,0031 0,0361 0,1008 0,1563 0,1755 0,1606
6 0,0005 0,0120 0,0504 0,1042 0,1462 0,1606

Perhatikan kolom 2, dengan = 2,0, telusuri ke bawah sampai ke baris x

= 5. Disana kita akan menemukan angka 0,0361. Artinya probabilitas 5
orang berminat dari 100.000 pembaca adalah 0,0361, probabilitas 6
orang berminat adalah 0,0120, dan seterusnya.

Universitas Esa Unggul

http://esaunggul.ac.id
19 / 35
Distribusi Probabilitas Kontinu
Distribusi Probabilitas Kontinu adalah daftar atau sebaran
probabilitas dari setiap nilai variabel random Kontinu. Variabel random
Kontinu adalah variabel random dengan interval (baik terbatas maupun
tidak terbatas) dalam suatu jarak dari bilangan nyata (Montgomery,2011).
Variabel random Kontinu meliputi nilai yang dapat diukur daripada dihitung.
Contohnya adalah tinggi badan, berat badan, suhu, dan waktu. Distribusi
Probabilitas Kontinu dapat digambarkan dengan fungsi kepadatan
probabilitas f(x) yang mempunyai nilai-nilai dalam variabel Kontinu. Seperti
pada gambar dibawah ini, daerah dibawah kurva a sampai b merupakan
distribusi probabilitas Kontinu yang nilainya berada pada interval dua buah
angka a dan b yang termasuk dalam variabel x atau variabel Kontinu.

Gambar 2 Fungsi Kepadatan Probabilitas Variabel Random Kontinu

Probabilitas daerah interval a dan b adalah sebagai berikut.
‹
𝑃 (𝑎 < 𝑥 < 𝑏 ) = Š 𝑓 (𝑥 )
Œ

Berikut adalah rangkuman dari penjelasan untuk setiap distribusi

probabilitas Kontinu:
NO JENIS PENGERTIAN CONTOH
1 Distribusi Salah satu distribusi yang Distibusi normal
Normal sering digunakan untuk banyak dicontohkan
distribusi variabel random. dalam kehidupan
Variabel random yang sehari-hari maupun di
mempunyai rata-rata dan dunia industri.
variansi yang berbeda Misalnnya pada
dapat digambarkan dengan industri sepatu rata-
distribusi normal. Distribusi rata panjang sepatu
normal memiliki kurva yang dibuat oleh

Universitas Esa Unggul

http://esaunggul.ac.id
20 / 35
 NO JENIS PENGERTIAN
berbentuk lonceng yang
simetris yang ditentukan
oleh rata-rata yang
dituliskan di tengah kurva
dan variansi untuk
menentukan lebarnya
kurva.
2 Distribusi Sebuah distribusi
Uniform probabilitas yang
mempunyai probabilitas
yang sama untuk semua
kemungkinan variabel
random yang muncul
3 Distribusi Distribusi probabilitas yang
Eksponensial digunakan untuk mengukur
waktu antara dua kejadian
sukses atau jarak satu
interval proses poisson.
4 Distribusi Sebuah generalisasi dari
Erlang distribusi eksponensial
adalah lama waktu yang
dibutuhkan sampai r
kejadian terjadi dalam
proses Poisson. Disaat X
dalam hal ini menunjukkan
waktu yang dibutuhkan
sampai kejadian ke r dalam
proses Poisson, maka
probabilitas kepadatan ini
Universitas Esa Unggul
http://esaunggul.ac.id
21 / 35
CONTOH
operator berdistribusi
normal.
Probabilitas volume
minuman kaleng
dimana pengisian
minuman dilakukan
dengan mesin dalam
sebuah industri
softdrink.
waktu selisih operator
menerima antara 2
panggilan atau waktu
kedatangan
pelanggan dalam
sistem
Probabilitas
kesalahan (error)
laser ketiga dalam
mesin sitogenik lebih
dari 50000 jam.
 NO JENIS PENGERTIAN CONTOH
didefinisikan sebagai
distribusi Erlang
5 Distribusi Distribusi gamma Diaplikasikan untuk
Gamma merupakan teori yang mengukur waktu
mendasari distribusi erlang untuk menyelesaikan
dan eksponensial,, r pada pekerjaan dan sering
distribusi ini dapat bernilai digunakan dalam
non integer. teori antrian.

6 Distribusi Distribusi beta merupakan Digunakan untuk

Beta sebuah penjabaran dari mengetahui
distribusi uniform keandalan suatu
mesin
7 Distribusi Distribusi Weibull sering Menentukan waktu
Weibull digunakan untuk lifetime dari
menghitung waktu yang penggunaan roller
dicapai sampai terjadinya bearing secara
kerusakan suatu sistem mekanis sampai
fisik. struktur bahan rusak
(gagal)
8 Distribusi Variabel dalam sistem Menguji umur pakai
Lognormal terkadang mengikuti suatu alat
distribusi eksponensial
dengan variabel X adalah
exp(W). Saat W
ditranformasikan
menggunakan logaritma
dan menjadi distribusi
normal, maka distribusi
dari variabel X ini disebut
distribusi lognormal.

Universitas Esa Unggul

http://esaunggul.ac.id
22 / 35
 NO JENIS PENGERTIAN CONTOH
9 Distribusi Misalkan X1, X2,....,Xn Untuk menguji dua
Student (t) merupakan sampel random rata-rata dengan
dari suatu distribusi normal sampel kecil (n<30)
dengan rata-rata dan
standar deviasi yang tidak
diketahui. Variabel random
berdistribusi t dengan
derajat kebebasan n-1
10 Distribusi F Distribusi F digunakan Untuk menguji
apabila terdapat 2 buah variansi 2 populasi
populasi yang berdistribusi dan dapat menguji
normal dan independen rata-rata pada
dimana rata-rata populasi variansi 3 atau lebih
dan variansinya tidak populasi (ANOVA)
diketahui.
11 Distribusi Chi Seperti pada distribusi t, Digunakan untuk uji
Square distribusi chi-square Goodness of fit.
(X2) mempunyai satu (menguji suatu data
parameter, yaitu derajat apakah sesuai
kebebasan (df). Derajat dengan distribusi
kebebasannya dapat tertentu)
dihitung menggunakan
formula yang berbeda dari
pengujian yang berbeda.
Bentuk kurva distribusi
chi-square berbentuk
skewness positif dari df
yang terkecil sampai df
yang paling besar.

Universitas Esa Unggul

http://esaunggul.ac.id
23 / 35
 NO VARIABEL PERSAMAAN
1 e = 2,71828 Fungsi Kepadatan Probabilitas:
π = 3,14159 1 O(LO•)f
𝑓 (𝑥 ) = 𝑒 @‘f
µ = rata-rata √2πσ
populasi
σ = standar deviasi Variabel X diterjemahkan ke variabel
x = rata-rata random Z dengan rata-rata 0 dan
sampel variansi 1:
LO“
𝑍 = ”

2 Terdapat batas Fungsi Kepadatan Probabilitas

interval a dan b 1
𝑓 (𝑥 ) = j𝑏 − 𝑎 𝑎 ≤ 𝑥 ≤ 𝑏
dimana proporsi
0 𝑜𝑡ℎ𝑒𝑟
probabilitas Fungsi Distribusi Kumulatif
sepanjang interval 0 𝑥 < 𝑎
(a,b) adalah sama (𝑥 − 𝑎)
𝑓 (𝑥 ) = R 𝑎 ≤ 𝑥 < 𝑏
(𝑏 − 𝑎)
1 𝑥 ≥ 𝑏
3 x = interval rata-rata Fungsi Kepadatan Probabilitas
λ = parameter skala OmL
𝑓 (𝑥 ) = H 𝜆 𝑒 𝑥 ≥ 0
e = 2,71828 0 𝑜𝑡ℎ𝑒𝑟
Fungsi Distribusi Kumulatif
0 𝑥 < 0
𝑓 (𝑥 ) = •
1 − 𝑒 OL– 𝑥 ≥ 0
Mean: 𝜇 = 𝛽
Variansi: σ2 = β2
4 λ = parameter skala Fungsi kepadatan probabilitas∷
r = kejadian sukses mš L š›e œ ›•ž
𝑓 (𝑥 ) = (kO#)!
lebih dari
Untuk x > 0 dan r = 1,2,..
sama dengan 1
Fungsi Distribusi Kumulatif :
x = waktu sampai
0 𝑥 ≤ 0
kejadian r kO#
OmL
𝐹 (𝑥 ) = R 𝑒 (𝜆𝑥)X
e = 2,71828 1−> 𝑥 > 0
𝑘!
X<U

Universitas Esa Unggul

http://esaunggul.ac.id
24 / 35
 NO VARIABEL PERSAMAAN
5 r = parameter Fungsi Gamma
;
bentuk Γ(r) = ∫U 𝑥 kO# 𝑒 OL 𝑑𝑥, untuk r > 0
λ = parameter skala Fungsi Kepadatan Probabilitas
mš L š›e œ ›•ž
𝑓 (𝑥 ) = ¢ (k)
untuk x > 0

Fungsi Distribusi Kumulatif

0 𝑥 ≤ 0
L
𝐹(𝑥 ) = V Š 𝑓 (𝑖 )𝑑𝑖 𝑥 > 0
U

6 Parameter bentuk α Fungsi Kepadatan Probabilitas

dan β ¢ (£ ¤ –)
𝑓 (𝑥 ) = ¢ (£)¢ (–) 𝑥 £O# (1 − 𝑥)–O#

untuk x ε [0,1]
Fungsi Distribusi Kumulatif
0 𝑥 ≤ 0
L
𝐹(𝑥 ) = V Š 𝑓 (𝑖 )𝑑𝑖 𝑥 > 0
U

7 𝛽 = parameter Fungsi Kepadatan Probabilitas:

bentuk distribusi – L L
𝑓(𝑥 ) = ¦ (¦ )–O# exp(− ¦ )–
𝛿 = Parameter
untuk x>0
skala yang
menunjukkan umur
penggunaan suatu
alat

8 θ = rata-rata Fungsi Kepadatan Probabilitas

ω2 = variansi 1 (𝑙𝑛 𝑥 − 𝜃)@
𝑓 (𝑥 ) = exp ª− ¬
𝑥𝜔√2𝜋 2𝜔 @
Untuk 0 < 𝑥 < ∞

Universitas Esa Unggul

http://esaunggul.ac.id
25 / 35
 NO VARIABEL PERSAMAAN
9 µ = rata-rata x̄ − 𝜇
𝑇𝑛 =
populasi 𝑠/√𝑛

s = standar deviasi Fungsi Kepadatan Probabilitas:

x̄ = rata-rata sampel 𝑘+1

𝑟° 2 ± 1
𝑓 (𝑥 ) = .
n = jumlah sampel @ (X¤#)/@
²𝜇𝑘𝑟 I𝑘K ³c𝑥 d + 1´
k = derajat 2 𝑘

kebebasan Untuk −∞ < 𝑥 < ∞

10 W dan Y = variabel 𝑊/𝑢

𝐹 =
random chi-square 𝑌/𝑣

u dan v = derajat Fungsi kepadatan probabilitas:

¸ ¸
kebebasan 𝑢 + 𝑣 𝑢 I@LKI @ KO#
𝑟 I 2 K I𝑣 K
𝑓 (𝑥 ) = ¸¤¹
𝑢 𝑣 𝑢 @
𝑟 I𝑣 K 𝑟 I𝑢K °I𝑣 K 𝑥 + 1±

𝑢𝑛𝑡𝑢𝑘 0 < 𝑥 < ∞

11 e = 2,71828 Parameter α=ν/2 dan β=2
v = derajat
kebebasan Fungsi Kepadatan Probabilitas
2O£ 𝑥 £O# 𝑒 OL/@
𝑓 (𝑥 ) = V 𝑥 > 0
𝛤(𝛼)
0 𝑜𝑡ℎ𝑒𝑟

Fungsi Distribusi Kumulatif

0 𝑥 ≤ 0
L
𝐹(𝑥 ) = VŠ 𝑓(𝑖 )𝑑𝑖 𝑥 > 0
U

Mean: µ=ν
Variansi: σ2= 2ν

Universitas Esa Unggul

http://esaunggul.ac.id
26 / 35
Distribusi Normal

Di antara sekian banyak distribusi, barangkali distribusi normal

merupakan distribusi yang secara luas banyak digunakan dalam berbagai
penerapan. Distribusi normal merupakan distribusi kontinu yang
mensyaratkan variabel yang diukur harus kontinu misalnya tinggi badan,
berat badan, dan sebagainya.
Karakteristik Distribusi Kurva Normal:

1) Kurva berbentuk genta ( 𝜇 = Md = Mo)

2) Kurva berbentuk simetris
3) Kurva normal berbentuk asimptotis
4) Kurva mencapai puncak pada saat X=
5) Luas daerah di bawah kurva adalah 1; ½ di sisi kanan nilai tengah
dan ½ di sisi kiri.

Pentingnya Distribusi Normal Dalam Statistika

Salah satu distribusi probabilitas dengan variabel random kontinu adalah
distribusi normal. Ada 2 peran yang penting dari distribusi normal:

Memiliki beberapa sifat yang mungkin untuk digunakan sebagai patokan

dalam mengambil suatu kesimpulan berdasarkan hasil sampel yang
diperoleh. Pengukuran sampel digunakan untuk menafsirkan parameter
populasi.

Distribusi normal sangat sesuai dengan distribusi empiris, sehingga dapat

dikatakan bahwa semua kejadian alami akan membentuk distribusi ini.

Universitas Esa Unggul

http://esaunggul.ac.id
27 / 35
Karena alasan inilah sehingga distribusi ini dikenal sebagai distribusi normal
dan grafiknya dikenal sebagai kurva normal atau kurva gauss.
1. Grafiknya selalu berada di atas sumbu x
2. Bentuknya simetris pada x = µ
3. Mempunyai satu buah modus, yaitu pada x = µ
4. Luas grafiknya sama dengan satu unit persegi, dengan rincian

o Kira-kira 68% luasnya berada di antara daerah µ – σ dan µ +

σ
o Kira-kira 95% luasnya berada di antara daerah µ – 2σ dan µ
+ 2σ
o Kira-kira 99% luasnya berada di antara daerah µ – 3σ dan µ
+ 3σ

CIRI-CIRI DISTRIBUSI NORMAL

Distribusi normal mempunyai beberapa sifat dan ciri, yaitu:

• Disusun dari variabel random kontinu

• Kurva distribusi normal mempunyai satu puncak (uni-modal)
• Kurva berbentuk simetris dan menyerupai lonceng hingga mean,
median dan modus terletak pada satu titik.
• Kurva normal dibentuk dengan N yang tak terhingga.
• Peristiwa yang dimiliki tetap independen.
• Ekor kurva mendekati absis pada penyimpangan 3 SD ke kanan dan
ke kiri dari rata-rata dan ekor grafik dapat dikembangkan sampai tak
terhingga tanpa menyentuh sumbu absis.

Universitas Esa Unggul

http://esaunggul.ac.id
28 / 35
Contoh Soal:
Diketahui suatu distribusi normal dengan 𝜇 = 50 dan 𝜎 = 10. Carilah
probabilitas bahwa X mendapat nilai 45 dan 62!
½O“
nilai 𝑍 = ”

Jawab:
Dicari nilai Z yang berpadaan dengan 𝑥# = 45 dan 𝑥@ = 62 adalah
•xOxU ¿@OxU
𝑧# = #U
= −0,5 dan 𝑧@ = #U
= 1,2

Jadi 𝑃(45 < 𝑥 < 62) = 𝑃(−0,5 < 𝑍 < 1,2)

= 𝑃(𝑧 < 1,2) + 𝑃 (𝑧 < 0,5)
= 0,3849 + 0,1915 = 0.5764

Fungsi Massa Probabilitas

Misalkan terdapat suatu pembebanan yang diletakan pada titik-titik
diskrit (tertentu) di sebuah balok yang panjang dan tipis. Pembebanan
tersebut dideskripsikan sebagai suatu fungsi yang menjelaskan bahwa
massa (pembebanan) berada di tiap-tiap titik diskrit tersebut. Hampir sama
seperti variabel random diskrit, distribusinya dapat di deskripsikan dengan

Universitas Esa Unggul

http://esaunggul.ac.id
29 / 35
fungsi tersebut yang menjelaskan bahwa probabilitasnya berada pada tiap-
tiap nilai variabel random X.

Gambar 2 Loading at discrete points in a long thin beam

Untuk variabel random diskrit dengan nilai kemungkinan x1, x2, . . . . , xn
fungsi probabilitas massanya adalah
1. F(x1) ≥ 0
2. ∑N:<# 𝑓(𝑥𝑖) = 1
3. 𝑓 (𝑥𝑖 ) = 𝑃(𝑋 = 𝑥𝑖)

Fungsi Kepadatan Probabilitas

Fungsi kepadatan pada umumnya digunakan di dunia keteknikan
untuk mendeskripsikan sistem fisik. Sebagai contoh, mengingat kepadatan
pada suatu balok yang panjang dan tipis dimana untuk setiap titik x di
sepanjang balok, kepadatannya dapat dideskripsikan sebagai sebuah
fungsi (gram/cm). Interval antara pembebanan yang besar berhubungan
dengan nilai fungsi yang besar pula. Total pembebanan antara poin a dan
b ditentukan sebagai suatu integral dari fungsi kepadatan dari a ke b.
Dibawah interval pada fungsi kepadatan ini, dapat dengan mudah
ditafsirkan sebagai jumlah dari keseluruhan pembebanan di interval
tersebut. Hampir sama, Fungsi kepadatan probabilitas f(x) dapat digunakan
unutk mendeskripsikan distribusi probabilitas dari variabel random Kontinu
X. Jika interval memiliki nilai dari X, probabilitasnya besar dan itu
berhubungan dengan nilai fungsi f(x) yang besar pula. Probabilitas X
diantara a dan b ditentukan dari integral dari F(x) dari a ke b.

Universitas Esa Unggul

http://esaunggul.ac.id
30 / 35
 Gambar 3 Fungsi Kepadatan pada Balok
Untuk variabel random Kontinu dari X, fungsi kepadatan probabilitasnya
adalah
1. F(x1) ≥ 0
;
2. ∫O; 𝑓 (𝑥 )𝑑𝑥 = 1
‹
3. P (a ≤ X ≤ b) = ∫Œ 𝑓 (𝑥 )𝑑𝑥 = area dibawah f(x) untuk semua nilai a dan
b
Fungsi Distribusi Kumulatif untuk Variabel Random Diskrit
Terkadang akan sangat berguna ntuk menggunakan probabilitas
kumulatif dimana probabilitas tersebut dapat digunakan untuk menemukan
fungsi massa probabilitas (PMF) dari suatu variabel random. Maka dari itu
menggunakan probabilitas kumulatif ini merupakan suatu metode alternatif
untu mendeskripsikan distribusi probabilitas dari suatu variabel random.
Fungsi probabilitas kumulatif dari variabel random diskrit X ini dapat
dinotasikan sebagai berikut:
F(x) = P(X ≤ x) = ∑L# ÁL 𝑓(𝑥𝑖)
Untuk variabel random diskrit X, F(x) memenuhi ketentuan berikut
1. F(x) = P(X ≤ x) = ∑L# ÁL 𝑓(𝑥𝑖)
2. 0 ≤ F(x) ≤ 1
3. bila x ≤ y, kemudian F(x) ≤ F(y)

Gambar 4 Fungsi Distribusi Kumulatif untuk Variabel Random Diskrit

Universitas Esa Unggul

http://esaunggul.ac.id
31 / 35
Fungsi Distribusi Kumulatif untuk Variabel Random Kontinu
Metode alternatif untuk mendeskripsikan suatu varuiabel random
diskrit ternyata juga dapat digunakan untuk variabel random Kontinu.
Fungsi distribusi kumulatif dari variabel random Kontinu X adalah
;
F (x) = P( X ≤ x ) = ∫O; 𝑓 (𝑢)𝑑𝑢 for −∞ < 𝑥 < ∞.

Menjabarkan definisi dari f(x) ke segala lini memungkinkan kita untuk

mendefinisikan distribusi probabilitas kumulatif untuk semua bilangan
real/nyata.

Gambar 5 Fungsi Distribusi Kumulatif untuk Variabel Random Kontinu

Diagram Alir Dan Prosedur

Berikut ini merupakan diagram alir dan prosedur pada implementasi
distribusi probabilitas, yaitu sebagai berikut:

Universitas Esa Unggul

http://esaunggul.ac.id
32 / 35
Bagan 2 Diagram Alir
Keterangan:
Gambar Nama Keterangan
Menunjukkan arah aliran dari satu
Garis Alir
proses ke proses berikutnya

Menunjukkan Awal atau akhir sebuah

Terminal
proses

Universitas Esa Unggul

http://esaunggul.ac.id
33 / 35
 Gambar Nama Keterangan

Proses / Menyatakan kegiatan yang akan terjadi

Langkah dalam diagram alir

Masukan / Digunakan untuk mewakili data masuk

Keluaran atau data keluar.

Digunakan untuk mewakili luaran

Dokumen
berupa dokumen

DAFTAR PUSTAKA

Daniel,W.W, Cross.C.L. 2013. Biostatistics. Edisi kesembilan. Amerika:

John Wiley and Sons.
Mulyono, sri. 2006. Statistika untuk Ekonomi dan Bisnis, Edisi ketiga.
Jakarta: Lembaga Penerbit Fakultas Ekonomi Universitas
Indonesia.
Sugiono, Prof. DR. 2017. Statistika untuk Penelitian. Bandung: Alfabeta.
Supranto, J. 2008. Statistik Teori dan Aplikasi, Edisi ketujuh; Jilid 1.
Jakarta: Erlangga.
Supranto, J. 2009. Statistik Teori dan Aplikasi, Edisi ketujuh; Jilid 2.
Jakarta: Erlangga.
Walpole, Ronald E. 2017. Pengantar Statistika, Edisi ketiga. Jakarta:
Gramedia Pustaka Utama.
Walpole.R.E, Myers.R.H, Myers.S.L, Ye.K. 2012. Probability & Statistics
for Engineers and Scientists. Ninth ed. Amerika: Pearson
Education.

Universitas Esa Unggul

http://esaunggul.ac.id
34 / 35