RESUME CHAPTER 5 DISTRIBUSI PROBABILITAS DISKRIT

Disusun untuk memenuhi tugas mata kuliah Statistika

Dosen Pengampu:

Putu Mahardika Adi Saputra SE., M.Si., MA., Ph.D

Disusun oleh:

Kelompok 5

Mitha Qurrota Ayyun L. (185020100111039)

Halgi Mashalfi (195020100111028)

JURUSAN ILMU EKONOMI

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS BRAWIJAYA
MALANG 2021
 DAFTAR ISI

1.1 Variabel Acak.......................................................................................................................1

1.2 Mengembangkan Distribusi Probabilitas Diskrit.................................................................2
1.3 Nilai dan Varians yang Diharapkan.....................................................................................4
1.4 Distribusi Bivariat, Kovarian, dan Portfolio Keuangan.......................................................5
1.4.1 Distribusi Probabilitas Diskrit Empiris Bivariat............................................................6
1.4.2 Penerapan Aplikasi Keuangan (Investasi Pada Satu Saham)........................................8
1.5 Distribusi Probabilitas Binomial........................................................................................10
1.6 Distribusi Probabilitas Poisson..........................................................................................12
1.7 Distribusi Probabilitas Hipergeometrik..............................................................................14

i
1.1 Variabel Acak
Variabel acak merupakan deskripsi numerik dari hasil percobaan. Variabel acak dapat
diklasifikasikan menjadi dua yaitu :
1. Variabel Acak Diskrit
Variabel acak diskrit adalah variabel yang dapat mengasumsikan nilai terbatas atau
tidak terbatas seperti 0,1,2. Contoh dari variabel ini seperti ujian akuntan publik (CPA)
yang terdiri dari empat bagian. Dalam hal ini, variabel acak yang didefinisikan sebagai x =
jumlah bagian ujian CPA yang lulus sehingga nilai yang mungkin adalah 0,1,2,3 dan
seterusnya. Asumsi nilai ini lah yang kemudian termasuk dalam variabel acak diskrit.
Untuk dapat lebih memahami terkait variabel acak diskrit dapat dilihat dalam tabel
berikut.

Tabel 5.1 Contoh Variabel Acak Diskrit

Nilai yang Mungkin
Eksperimen Acak Variabel Acak (x) untuk Variabel Acak

Lempar Koin Wajah koin yang menunjukkan 1 jika kepala, 0 jika ekor

Lempar Dadu Jumlah titik yang ditampilkan dadu 1, 2, 3, 4, 5, 6

Menghubungi 5 pelanggan Jumlah pelanggan yang memesan 0, 1, 2, 3, 4, 5

Menawarkan pilihan 2 produk Produk yang dipilih pelanggan 0 jika tidak ada, 1 jika
pada pelanggan memilih produk A dan 2
jika memilih produk B

Sumber : David R. Anderson (2020)

Berdasarkan tabel di atas, contoh lain dari variabel acak diskrit yaitu pelemparan
dadu dimana variabel acak yang didefinisikan sebagai x = jumlah titik yang ditampilkan
pad dadu. Sehingga nilai yang mungkin untuk x adalah 1, 2, 3, 4, 5.
Selain penerapan pada nilai numerik, nilai non numerik juga dapat disebut sebagai
variabel acak diskrit. Misalnya survey tentang ingatan seseorang terhadap iklan TV, maka
variabel acak sebagai x = 0 jika dapat mengingat pesan dan =1 jika tidak dapat mengingat
pesan. Adapun contoh lain dari variabel acak diskrit dapat dilihat dalam tabel berikut.
2. Variabel Acak Kontinu
Variabel acak kontinu adalah variabel yang dapat mengasumsikan nilai numerik
dalam interval atau kumpulan interval. Variabel ini dapat menjelaskan hasil eksperimen
yang didasarkan pada skala pengukuran seperti waktu, berat, jarak, dan suhu.
Contoh dari variabel acak kontinu yaitu percobaan pemantauan panggilan telepon
masuk pada klaim perusahaan asuransi besar. Dimana variabel acak sebagai x = waktu
antara panggilan masuk berturut-turut dalam menit dan mengasumsikan nilai apapun
dalam interval x ≥ 0. Sehingga jumlah nilai yang mungkin untuk x adalah 1,26 menit,
2,751 menit, 4,333 menit dan seterusnya. Contoh lain, seperti pengamatan layanan
ambulans darurat pada 90 mil jalan raya antar negara bagian 175 di utara Atlanta. Dalam

1
 hal ini, variabel acak sebagai x = jumlah mil ke lokasi kecelakaan lalu lintas sepanjang
bagian I75. Sehingga nilai yang mungkin adalah nilai dalam interval 0 ≤ x ≤ 90. Adapun
contoh lain dari variabel acak kontinu dapat dilihat dalam tabel berikut.

Tabel 5.2 Contoh Variabel Acak Kontinu

Nilai yang Mungkin
Eksperimen Acak Variabel Acak (x) untuk Variabel Acak

Pengunjung halaman web Waktu yang dihabiskan pengunjung di x ≥ 0

web dalam beberapa menit

Isi kaleng minuman ringan Jumlah ons 0 ≤ x ≤ 12,1

(kapasitas maks 12 ons)

Uji proses kimia baru Temperatur yang diinginkan untuk 150 ≤ x ≤ 112
reaksi (min = 150°F, maks = 212°F)

Investasi $10.000 di pasar saham Nilai investasi setelah satu tahun x≥0

Sumber : David R. Anderson (2020)

1.2 Mengembangkan Distribusi Probabilitas Diskrit
Distribusi kemungkinan untuk variabel acak menjelaskan bagaimana distribusi
kemungkinan atau probabilitas atas nilai variabel acak. Adapun menurut Douglass A.Lind
(2013), distribusi probabilitas merupakan deskripsi kemungkinan hasil di masa mendatang.
Sehingga distribusi probabilitas diskrit dapat didefinisikan sebagai distribusi probabilitas
untuk nilai variabel acak yang bersifat diskrit yaitu varaiebl yang bernilai terbatas dan tidak
terbatas. Untuk variabel acak diskrit x, suatu fungsi probabilitas dilambangkan dengan f (x)
yang memberikan probabilitas untuk setiap nilai variabel acak.
Dalam mengembangkan distribusi probabilitas diskrit, dapat menggunakan tiga
metode yaitu metode frekuensi klasik, subjektif dan relatif. Penerapan metode tersebut sering
disebut sebagai distribusi probabilitas diskrit tabular atau distribusi yang ditampilkan dalam
tabel.
Metode klasik dapat digunakan dalam menetapkan probabilitas ke dalam nilai
variabel acak jika hasil eksperimen merupakan nilai variabel acak yang kemungkinannya
sama. Seperti pengamatan angka dalam percobaan pelemparan dadu, dimana hanya ada salah
satu dari angka 1,2,3,4,5, dan 6 dan masing-masing memiliki hasil kemungkinan yang sama.
Sehingga, x = nomor yang diperoleh dalam kocokan dadu dan f (x) = kemungkinan x. Untuk
memahami metode klasik, dapat dilihat dalam contoh dalam tabel sebagai berikut.

Tabel 5.3 Distribusi Probabilitas Perolehan Nomor pada Pelemparan Dadu

2
 Jumlah Yang Diperoleh Probabilitas
x f (x)

1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6

Sedangkan metode subyektif menekankan pada penilaian individu untuk menetapkan

setiap probabilitas dalam mengembangkan distribusi probabilitasnya sendiri. Sehingga
distribusi probabilitas yang dihasilkan akan berbeda pada setiap individu.
Metode frekuensi relatif dapat digunakan dalam menetapkan probabilitas ke nilai
variabel acak jika data yang tersedia berjumlah besar. Data tersebut kemudian dilakukan
seperti populasi dan menggunakan metode ini untuk menetapkan probabilitas dalam
eksperimen. Untuk memahami penerapan metode ini, dapat dilihat dalam contoh berikut.

Tabel 5.4 Distribusi Probabilitas Jumlah Mobil yang Dijual Selama Sehari di Dicarlo
Motors

x f (x)
0 .18
1 .39
2 .24
3 .14
4 .04
5 .01

Jumlah 1.00

Sumber : David R. Enderson (2020)

Berdasarkan tabel di atas, fungsi notasi probabilitas atau f (0) memberikan
probabilitas mobil yang terjual 0, f (1) memberikan probabilitas mobil yang terjual berjumlah
1 dan seterusnya. Dari data historis yang telah dijelaskan sebelumnya, menunjukkan bahwa
54 dari 300 hari tidak ada mobil yang terjual maka frekuensi relatifnya yaitu 54/300 = 0,18 ke
f (0). Hal ini berarti probabilitas 0 mobil terjual dalam sehari adalah 0,18. Demikian juga
seperti 117 dari 300 hari dengan 1 mobil terjual, maka frekuensi relatif adalah 117/300 = 0,39
ke f (1) yang menunjukkan bahwa
probabilitas 1 mobil terjual dalam sehari
adalah 0,39 dan seterusnya.
Kelebihan utama dari
mendefinisikan variabel acak dan
distribusi probabilitasnya adalah dapat memudahkan dalam penentuan probabilitas yang
mungkin dari berbagai kejadian. Misalnya dengan penggunaan distribusi probabilitas seperti

(5.1)
tabel di atas, dapat dilihat jumlah mobil yang paling mungkin terjual dalam sehari adalah 1
mobil dengan probabilitas f (1) = 0.39. Selain itu terdapat f (3) + f (4) + f (5) = 0.14 + 0.04 +
0.01 = 0.19 probabilitas untuk penjualan 3 mobil atau lebih dalam sehari. Namun, dalam
pengembangan fungsi probabilitas untuk setiap variabel acak diskrit harus memenuhi dua
syarat sebagai berikut.

Dalam hal
ini, hasil f ( x )=1 /n probabilitas
untuk variabel acak
x pada tabel 5.4 yang
bernilai 1.00 telah memenuhi syarat persamaan (5.1) dan (5.2) dimana f (x) lebih besar atau
sama dengan 0 untuk semua nilai x dan probabilitas atau Σf (x) berjumlah 1.
Selain itu, terdapat rumus yang memberikan fungsi probabilitas f (x) untuk setiap nilai
x dan sering digunakan untuk menggambarkan distibusi probabilitas yang dikenal sebagai
distribusi probabilitas seragam diskrit yang ditentukan oleh persamaan berikut.

f (x) = 1/6 x = 1, 2, 3, 4, 5, 6
(5.3)
dimana n = jumlah nilai yang dapat diasumsikan oleh variabel acak
Untuk
mengaplikasikan persamaan 5.3, misalnya percobaan melempar dadu dengan mendefinisikan
variabel acak x sebagai jumlah titik yang muncul. Dalam contoh ini, diperoleh n = 6 nilai
yang mungkin yaitu x = 1,2,3,4,5,6 karena probabilitas kemungkinannya sama maka fungsi
probabilitas seragam
diskrit dapat E ( x )=μ=Σxf (x ) (5.4) digunakan.
Sehingga fungsi
probabilitas untuk variabel acak seragam diskrit pada kasus pelemparan dadu adalah :

1.3 Nilai dan Varians yang Diharapkan

Nilai yang diharapkan merupakan ukuran dari lokasi pusat untuk variabel acak. Atau
dapat didefinisikan sebagai rata-rata distribusi probabilitas. Adapun rumus dari nilai yang
diharapkan dari variabel acak diskrit ditunjukkan dalam persamaan berikut.

Persamaan (5.4) di atas, memiliki arti bahwa untuk menghitung nilai yang diharapkan
dari variabel acak diskrit dilakukan dengan mengalikan setiap nilai variabel acak dengan
probabilitas f (x) dan kemudian dijumlahkan dengan semua hasil yang diperoleh. Dengan
menggunakan contoh sebelumnya yaitu tabel 5.4 tentang penjualan mobil Dicarlo Motors
persamaan 5.4 akan diaplikasikan dalam tabel berikut.

4
 Tabel 5.5 Nilai yang Diharapkan untuk Jumlah Penjualan Mobil Sehari di Dicarlo Motor
x f (x) xf ( x )
0 .18 0(.18) = .00
1 .39 1(.39) = .39
2 .24 2(.24) = .48
3 .14 3(.14) = .42
4 .04 4(.04) = .16
5 .01 5(.01) = .05
1.50

E ( x )=μ=Σxf (x )
Var ( x ) =σ 2=∑ ( x −μ )2 f ( x ) (5.5)
Berdasarkan
tabel di atas, penjumlahan
pada setiap nilai di kolom x f (x) mengartikan bahwa nilai yang diharapkan adalah 1,50 mobil
per hari. Jika diasumsikan 30 hari Dicarlo beroperasi selama satu bulan, maka nilai yang
diharapkan sebesar 1,50 tersebut dapat digunakan untuk meramalkan rata-rata penjualan
bulanan yaitu 30 (1,50) = 45 mobil.
Varians adalah jumlah kuadarat semua deviasi dari setiap nilai variabel acak terhadap
rata-rata. Dalam buku Douglass A.Lind (2013) keunggulan dari varians adalah dapat
menggambarkan jumlah penyebaran (variasi) dalam suatu distribusi. Adapun rumus dari nilai
yang diharapkan dari variabel acak diskrit ditunjukkan dalam persamaan berikut.

Dengan menggunakan contoh sebelumnya yaitu tabel 5.4 tentang penjualan mobil
Dicarlo Motors dan hasil dari nilai yang diharapkan pada tabel 5.5 sebesar 1.50 maka
perhitungan varians sesuai dengan persamaan (5.5) akan disajikan dalam tabel berikut.

Tabel 5.6 Perhitungan Varians Jumlah Mobil Dijual Selama Sehari di Dicarlo Motors

x x-µ (x - µ)² f(x) (x - µ)²f(x)

0 0 – 1.50 = – 1.50 2.25 .18 2.25(.18) = .4050

1 1 – 1.50 = – .50 .25 .39 .25(.39) = .0975
2 2 – 1.50 = .50 .25 .24 .25(.24) = .0600
3 3 – 1.50 = 1.50 2.25 .14 2.25(.14) = .3150
4 4 – 1.50 = 2.50 6.25 .04 6.25(.04) = .2500
5 5 – 1.50 = 3.50 12.25 .01 12.25(.01) = .1225

2 2
1.2500
σ =∑ ( x−μ ) f ( x )

Sumber : David R. Enderson (2020)

Sedangkan standar deviasi merupakan akan kuadrat positif dari varians. Berdasarkan
hasil varians sebesar 1.25 pada tabel maka diperoleh standar deviasi yaitu σ =√ 1,25=¿ 1.118.

5
1.4 Distribusi Bivariat, Kovarian, dan Portfolio Keuangan
Distribusi probabilitas bivariat merupakan distribusi probabilitas yang melibatkan dua
variabel acak. Dimana setiap hasil untuk percobaan terdiri dari dua nilai seperti pelemparan
pada dua buah dadu yang hasilnya terdiri dari dua nilai yaitu perolehan angka dari dadu
pertama dan perolehan angka dari dadu kedua. Contoh lain seperti pengamatan terhadap
keuntungan yang akan diperoleh dari dana saham dan dana obligasi pada pasar keuangan,
dimana hasil pengamatan ini akan memberikan dua nilai yaitu keuntungan dalam dana saham
dan keuntungan dalam dana obligasi.

1.4.1 Distribusi Probabilitas Diskrit Empiris Bivariat

Jumlah Mobil Terjual di DiCarlo Dealer Saratoga dan Dealer Jenewa
Tabel 5.7
Selama 300 Hari
Dealer Saratoga
Dealer Jenewa 0 1 2 3 4 5 Total
0 21 30 24 9 2 0 86
1 21 36 33 18 2 1 111
2 9 42 9 12 3 1 77
3 3 9 6 3 5 0 26
Total 54 117 72 42 12 3 300
Sumber : David R. Enderson (2020)
Tabel di atas merupakan contoh dari distribusi probabilitas bivariat dengan
melibatkan dua variabel acak yaitu probabilitas penjualan harian di dua dealer Dicarlo Motors
yaitu dealer Saratoga dan dealer Jenewa. Isian nilai pada baris, menunjukkan frekuensi
penjualan harian dealer Jenewa, sedangkan pada kolom menunjukkan penjualan harian di
dealer Saratoga. Misalnya isian 18 pada baris Jenewa berlabel 1 dan di kolom Saratoga
berlabel 3 yang menunjukkan bahwa selama 18 hari dari 300 hari.
Jika x = jumlah mobil yang dijual di dealer Jenewa dan y = jumlah mobil yang dijual
di dealer Saratoga, maka frekuensi pada Tabel 5.7 di atas dengan jumlah pengamatan
sebanyak 300 hari dapat dikembangkan menjadi distribusi probabilitas diskrit bivariat untuk
penjualan mobil di dua dealer yang ditunjukkan oleh tabel berikut.
Distribusi Probabilitas Diskrit Bivariat Penjualan Harian Dealer
Tabel 5.8
Saratoga dan Jenewa
Dealer Saratoga
Dealer Jenewa 0 1 2 3 4 5 Total
0 .0700 .1000 .0800 .0300 .0067 .0000 .2867
1 .0700 .1200 .1100 .0600 .0067 .0033 .3700
2 .0300 .1400 .0300 .0400 .0100 .0067 .2567
3 .0100 .0300 .0200 .0100 .0167 .0000 .0867

6
 Total .18 .39 .24 .14 .04 .01 1.0000

Tabel di atas memberikan distribusi probabilitas bivariat atau gabungan untuk

penjualan di dua dealer. Misalnya probabilitas gabungan untuk penjualan 0 mobil di Jenewa
dan 1 di Saratoga dalam sehari adalah f (0.1) = .800 sedangkan probabilitas gabungan untuk
penjualan 3 mobil di Jenewa dan 1 mobil di Saratoga adalah f (0.300) dan sebagainya.
Adapun jika ingin mengetahui nilai yang diharapkan dan varians terhadap penjualan
di kedua dealer dapat didefinisikan bahwa s = x + y sebagai total penjualan di DiCarlo
Motors. Untuk memudahkan pemahaman mengenai hal ini, akan diaplikasikan pada tabel
berikut.

Tabel 5.9 Nilai yang Diharapkan dan Varians untuk Total Penjualan Harian Dua Dealer

x f(s) sf(s) s – E(s) (s – E(s))² (s – E(s))² f(s)

0 .0700 .0000 -2.6433 6.9872 .4891

1 .1700 .1700 -1.6433 2.7005 .4591
2 .2300 .4600 -.6433 .4139 .0952
3 .2900 .8700 .3567 .1272 .0369
4 .1267 .5067 1.3567 1.8405 .2331
5 .0667 .3333 2.3567 5.5539 .3703
6 .0233 .1400 3.3567 11.2672 .2629
7 .0233 .1633 4.3567 18.9805 .4429
8 .0000 .0000
σ x y =¿ ¿
5.3567 (5.6)
28.6939 .0000
E(s)=2.6433 Var(s) = 2.3895

Tabel di atas menunjukkan distribusi probabilitas di kedua dealer atau s = x + y,

dengan beracuan pada tabel 5.8 maka f (s = 0) = .0700, f (s =1) = 07.00 + .1000 = .1700 dan
sebagainya. Nilai yang diharapkan menghasilkan nilai 2.6433 dan varians menghasilkan nilai
2.3895.
Dalam probabilitas bivariat juga penting untuk mengetahui hubungan antara dua
variabel. Untuk mengetahui hubungan tersebut dapat digunakan rumus kovarians antar 2
variabel acak x dan y sebagai berikut.

Dengan menggunakan contoh DiCarlo Motors sebelumnya maka persamaan (5.6) tersebut
dapat dihitung dalam tabel berikut dimana Var(x) merupakan varians dari variabel x yaitu
penjualan di dealer Jenewa dan Var(y) merupakan varians dari variabel y yaitu penjualan di
dealer Saratoga. Ditampilkan dalam tabel berikut.

Tabel 5.10 Varians Jumlah Mobil Dijual Satu Hari di Dicarlo Motors Dealer Jenewa

x f(x) xf(x) x – E(x) [(x – E(x)]² [x – E(x)]² f(x) 7

0 .2867 .0000 -1.1435 1.3076 .3749
1 .3700 .3700 -1.1435 .0206 .0076
2 .2567 .5134 .8565 .7336 .1883
3 .0867 .2601 1.8565 3.5447 .2988
Var(x)=.8696
 σ xy
ρ x y=
σ xσ y

Hasil kovarians sebesar 0,1350 di atas menunjukkan bahwa penjualan harian di dealer
Jenewa dan dealer Saratoga DiCarlo Motors memiliki hubungan positif.
Selain dengan
menggunakan rumus σ =¿ )/2 = .1350) kovarians, untuk
xy
menghitung hubungan 2 variabel
dapat menggunakan rumus korelasi antar variabel acak x dan y sebagai berikut.

(5.7)

Dengan menggunakan persamaan (5.7) tersebut, dapat diperoleh hasil koefisien korelasi
penjualan harian di dua dealer Dicarlo yaitu :
σ x =√ .8696 = .9325
σ y =√ 1.25 = 1.1180

σ xy −.1350
ρ x y= = =. 1295
σ x σ y ( .9 325 ) (1.1 1 8 0 )
Hasil koefisien korelasi sebesar 0,1295 menunjukkan hubungan positif yang lemah antara
penjualan harian di kedua dealer DiCarlo Motors.

1.4.2 Penerapan Aplikasi Keuangan (Investasi Pada Satu Saham)

Seperti yang telah disinggung sebelumnya, contoh lain dari distribusi probabilitas
bivariat adalah pengamatan terhadap perolehan keuntungan dari saham dana dan saham
obligasi pada pasar keuangan, dimana hasil pengamatan ini akan memberikan dua nilai.
Untuk memahami hal ini, maka dapat dijelaskan dalam contoh berikut.
Distribusi Probabilitas Persen Pengembalian untuk Berinvestasi Reksa Dana
Tabel 5.11
Saham (x) dan Dana Obligasi (y) Jangka Panjang
Skenario Ekonomi f (x, y) Stock Fund (x) Bond Fund (y)

Resesi .10 -40 30

Pertumbuhan Lemah .25 5 5
Pertumbuhan Stabil .50 15 4
Pertumbuhan Kuat .15 30 2

Tabel di atas menunjukkan tentang empat kemungkinan skenario ekonomi dimana x

merupakan persentase pengembalian untuk investasi dalam saham reksa dana dan y
persentase pengembalian untuk investasi dana obligasi. Untuk dapat menghitung persentase

8
pengembalian dan pertimbangan terhadap resiko intvestasi di dua saham tersebut maka dapat
dihitung dengan persamaan berikut.
E(x) = .10(-40) + .25(5) + .5(15) + .15(30) = 9.25
E(y) = .10(30) + .25(5) + .5(4) + .15(2) = 6.55
Berdasarkan perhitungan nilai pengembalian yang diharapkan di atas, menunjukkan
bahwa berinvestasi pada dana saham reksa dana lebih besar dengan persentase pengembalian
9.25 dibandingkan berinvestasi pada saham obligasi dengan persentase yang lebih kecil yaitu
6.55. Namun, selain pada pengembalian yang diharapkan perlu mempertimbangkan resiko
terkait investasi tersebut. Untuk menghitung resiko investasi ini, digunakan deviasi standar
persentase pengembalian yang dapat dilihat sebagai berikut.
Var(x) = .1(-40 – 9.25)² + .25(5 – 9.25)² + .50(15 – 9.25)² + .15(30 – 9.25)² = 328.1875
Var(y) = .1(-30 – 6.55)² + .25(5 – 6.55)² + .50(4 – 6.55)² + .15(2 – 6.55)² = 61.9475

Standar Deviasi Saham Reksadana = σ x =√ 328.1875=18.1159 %

Standar Deviasi Saham Obligasi = σ x =√ 61.9475=7.8707 %

Hasil standar deviasi pengembalian saham reksadana yang lebih besar dibandingkan
standar deviasi pengembalian saham obligasi mengartikan bahwa berinvestasi pada saham
reksadana lebih beresiko dibandingkan dengan berinvestasi pada saham obligasi.
Penerapan Aplikasi Keuangan (Investasi Pada Dua Saham)
Nilai yang Diharapkan, Varians, Deviasi Standar untuk Tiga Alternatif
Tabel 5.12
Investasi

Alternatif Investasi Return (%) of Return of Return (%)

100% Saham Reksadana 9.25 328.1875 18.1159

100% Saham Obligasi 6.55 61.9475 7.8707
Portfolio (25% saham dana 7.90 29.865 5.4650
75% saham obligasi)

Tabel di atas menunjukkan tiga alternatif pilihan investasi, alternatif pertama dan
kedua berinvestasi pada satu saham secara penuh dan alternatif ketiga dengan berinvestasi
pada dua saham (diversifikasi) dengan investasi 25% di saham reksadana dan 75% di saham
obligasi.
Berbeda dengan contoh aplikasi keuangan sebelumnya yang hanya menghitung
pengembalian pada satu saham saja, dalam contoh ini akan ditunjukkan perhitungan
pengembalian yang diharapkan dan resiko pengembalian investasi pada kombinasi dua
variabel acak sekaligus yaitu pengembalian saham reksadana (x) dan pengembalian saham
obligasi (y) sebagai berikut.

9
Rumus nilai yang diharapkan dari kombinasi dua variabel acak (x) dan (y)

Dengan menggunakan rumus tersebut maka :

¿ E ( . 25 x +.75 y )=.25 E ( x ) + .57 E ( y ) ¿ .25 ( 9.25 ) +.75 ( 6.55 )=7.225

Kemudian, untuk menghitung varians dari kombinasi dua variabel acak (x) dan (y) yaitu :

Dengan menggunakan rumus tersebut maka :

¿ Var ( .25 x +.75 y )=( .25 ) Var ( x ) +¿ + 2(.25)(.75) σ xy

2

= .0625(328.1875) + (.5625)(61.9475) + (.375)(-135.3375)

= 4.6056
Eksperimen terdiri dari urutan n percobaan yang identik
Standar deviasi kombinasi
Kemungkinan dua hasilinvestasi saham
pada setiap reksadana
percobaan, dan obligasi
misalnya kegagalan √ 4.6056=2.1461
= σ x =dan keberhasilan
Kemungkinan probabilitas keberhasilan dilambangkan dengan p dan probabilitas
Berdasarkan
kegagalan hasil perhitungan
dilambangkan dengan 1 –nilai
p danpengembalian
bersifat tetapyang diharapkankedan
dari percobaan standar
percobaan
deviasi
Uji di atas,
coba menunjukkan
bersifat bahwa dengan melakukan kombinasi investasi pada dua saham
independen
sekaligus yaitu saham reksadana dan saham obligasi diperoleh persentase pengembalian
sebesar 7.225 persen. Adapun hasil standar deviasi diperoleh sebesar 2.1461 yang berarti
bahwa resiko investasi adalah 2.1461.
1.5 Distribusi Probabilitas Binomial
Distribusi probabilitas binomial merupakan distribusi probabilitas diskrit yang
menunjukkan jumlah keberhasilan dalam n percobaan. Hal ini berkaitan erat dengan
percobaan binomial yang memiliki empat syarat atau sifat sebagai berikut.

E ( a x +by )=aE ( x ) + b E ( y ) Jika hanya

(5.8)
memenuhi
persyaratan 2,3

2
Var ( a x+ by )=a Var ( x ) b ² Var ( y )+ 2 ab σ x y (5.9)

10
dan 4 maka disebut sebagai proses Bernoulli. Namun, jika persyaratan 1 juga terpenuhi maka
dapat disebut sebagai eksperimen binomial. Dapat dilihat dalam contoh berikut.

Pelemparan Koin 8
Gambar 5.2
Percobaan
Kedua contoh di atas merupakan contoh
Properti 1 : Eksperimen terdiri dari n = 8 eksperimen binomial dimana masing-masing
percobaan identik
memiliki 4 sifat atau syarat dari eksperimen
binomial yaitu terdiri dari n percobaan
Properti 2 : Percobaan menghasilkan dua
kemungkinan, sukses (S) atau gagal (G) identik, terdapat 2 kemungkinan hasil
(keberhasilan dan kegagalan), probabilitas
Percobaan keberhasilan dilambangkan dengan p dan
probabilitas kegagalan sebagai 1-p serta uji
S1 G
2 3G 4S 5S 6G 7S 8S
Hasil
coba bersifat independen.

Contoh Penerapan Pada Toko Pakaian Martin

Dalam contoh kedua ini, akan dipaparkan mengenai keputusan pembelian dari 3
pelanggan yang memasuki toko pakaian Martin. Berdasarkan pengalaman masa lalu, manajer
toko memperkirakan probabilitas pembelian oleh satu pelanggan adalah 0,30. Dengan
perkiraan probabilitas sebesar 0,30 tersebut maka probabilitas tidak melakukan pembelian
adalah 0,70 karena 1-p. Persoalan di sini adalah berapakah probabilitas dua dari tiga
pelanggan yang melakukan pembelian? Untuk mengetahui jawaban atas pertanyaan tersebut
dapat dijawab dengan penggunaan diagram pohon dan persamaan yang dipaparkan sebagai
berikut.

Penyelesaian dengan Diagram Pohon Penyelesaian dengan Persamaan

( nx)= x ! ( n−x
n!
)!
(5.10)

dimana
n! = n(n – 1)(n – 2) ..... (2)
(1)
dengan arti
0! = 1

Sehingga diperoleh :
( 3 ) ( 2 ) (1 ) 6
x ()()
n=3= 3!
= = =3
2 2 ! ( 3−2 ) ! ( 2 ) ( 1 )( 1 ) 2
Berdasarkan penggunaan diagram pohon dan persamaan di atas untuk menyelesaikan
persoalan dapat diketahui bahwa dari tiga hasil eksperimen menghasilkan tiga keberhasilan
dimana dalam diagram pohon ditunjukkan dengan (S, S, S), (S, F, S) dan (F, S, S). Seperti
keterangan pada persoalan di awal bahwa probabilitas pembelian pada satu pelanggan
yaitu .30 dan probabilitas tidak melakukan pembelian .70 maka dengan menggunakan rumus

11
pp(1-p) menghasilkan
(.30)(.30)(.70) = (.30)²(.70) = .063.
Untuk lebih memudahkan
dalam pemahaman ini, maka
digunakan fungsi (5.12) probabilitas
binomial yang ditunjukkan
dimana x = jumlah keberhasilan
sebagai berikut.
p = kemungkinan sukses dalam satu percobaan
n = jumlah percobaan
f(x) = probabilitas keberhasilan x dalam n
percobaan

( nx) =
n!
x ! ( n−x ) !

Penyelesaian lain yang praktis dan mudah digunakan adalah dengan tabel probabilitas
binomial. Namun, untuk dapat menggunakan tabel ini, harus ditentukan nilai n, p dan x.
Penggunaan tabel binomial ditunjukkan sebagai berikut.

1.6 Distribusi Probabilitas

Poisson
f ( x) = ( nx ) p ( 1− p )
x ( n−x )

12
 Distribusi probabilitas poisson merupakan distribusi probabilitas yang menunjukkan
probabilitas x kemunculan suatu peristiwa selama interval waktu atau ruang tertentu.
Misalnya variabel acaknya yaitu jumlah kedatangan mobil di tempat pencucian mobil dalam
satu jam atau jumlah perbaikan yang dibutuhkan dalam 10 mil jalan raya. Distribusi
probabilitas poisson memiliki sifat-sifat sebagai berikut.

Adapun fungsi probabilitas poisson ditunjukkan oleh persamaan berikut :

dimana f(x) = kemungkinan kejadian x dalam satu interval

μ = nilai yang diharapkan atau jumlah rata-rata kejadian dalam
suatu interval
ⅇ = 2.71.28
Probabilitas terjadinya sama untuk dua interval dengan panjang yang sama
Banyaknya percobaan yang terjadi dalam satu selang waktu atau interval tidak
tergantung pada banyaknya hasil percobaan yang terjadi pada selang waktu/interval
atau daerah lainnya

Dalam distribusi probabilitas Poisson, x merupakan variabel acak diskrit yang menunjukkan
jumlah kemunculan
dalam x −μ
μ ⅇ interval.
f ( x )=
Karena x! variabel acak
diskrit maka tidak ada
batas yang dinyatakan
dalam jumlah
kemunculan dan f(x)
berlaku untuk x= 0,
1, 2, ….. tanpa batas. Untuk memudahkan pemahaman mengenai distribusi probabilitas
poisson maka akan dipaparkan dalam contoh di bawah ini.
Misalnya dilakukan pengamatan terhadap jumlah pasien yang tiba di IGD selama 15
menit pada shift pagi. Dalam hal ini, dapat diasumsikan bahwa kemungkinan kedatangan
pasien sama untuk dua periode waktu yang sama panjangnya dan datang tidaknya pasien
dalam waktu apapun tidak dipengaruhi oleh kedatangan pasien lain dalam periode atau waktu
yang berbeda. Jika diibaratkan asumsi tersebut terpenuhi & berdasarkan data historis rumah
sakit menunjukkan jumlah rata-rata pasien yang datang dalam periode waktu 15 menit
berjumlah 10, maka fungsi probabilitasnya yaitu :
x −10
10 ⅇ
f ( x )=
x!
13
 Dimana variabel acak x = jumlah kedatangan pasien selama 15 menit. Jika misalnya
ingin mengetahui probabilitas 5 kedatangan dalam 15 menit, maka x = 5 sehingga diperoleh
hasil yaitu :

⁵ −10
10 ⅇ
f ( 5 )= =.0378
5!

Distribusi poisson juga memberikan tabel yang dapat dapat memudahkan dalam
penyelesaian persoalan probabilitas untuk nilai tertentu x dan μ dengan syarat kedua nilai
tersebut telah diketahui. Dengan menggunakan contoh di atas, maka akan ditampilkan tabel
distribusi poisson yang menunjukkan kesamaan hasil yaitu .0378. Dapat dilihat sebagai
berikut.

TABLE
Dengan5.15 Nilai yang Dipilih dari Tabel Probabilitas Poisson
penggunaan contoh
Contoh : μ = 10, x = 5; f(5) = .0378
m
x 9.1 9.2 9.3 9.4 9.5 9.6 9.7 9.8 9.9 10
0 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0000
1 .0010 .0009 .0009 .0008 .0007 .0007 .0006 .0005 .0005 .0005
2 .0046 .0043 .0040 .0037 .0034 .0031 .0029 .0027 .0025 .0023
3 .0140 .0131 .0123 .0115 .0107 .0100 .0093 .0087 .0081 .0076
4 .0319 .0302 .0285 .0269 .0254 .0240 .0226 .0213 .0201 .0189

5 .0581 .0555 .0530 .0506 .0483 .0460 .0439 .0418 .0398 .0378
6 .0881 .0851 .0822 .0793 .0764 .0736 .0709 .0682 .0656 .0631
7 .1145 .1118 .1091 .1064 .1037 .1010 .0982 .0955 .0928 .0901
8 .1302 .1286 .1269 .1251 .1232 .1212 .1191 .1170 .1148 .1126
9 .1317 .1315 .1311 .1306 .1300 .1293 .1284 .1274 .1263 .1251

bahwa salah satu sifat atau ciri yang dimiliki oleh distribusi ini adalah rata-rata dari distribusi
dan varians distribusinya memiliki kesamaan. Sehingga varians kedatangan pasien selama 15
menit adalah σ 2=10 dan standar deviasinya adalah σ =√ 10=3.16 .

Jika pada penjelasan sebelumnya membahas tentang contoh distribusi probabilitas

poisson yang melibatkan waktu, maka dalam contoh ini akan dibahas mengenai contoh yang
melibatkan interval panjang atau jarak. Misalnya telah terjadi kerusakan besar pada jalan raya
tingkat dua per mil. Karena pengamat tertarik untuk melakukan pengamatan terhadap
probabilitas tidak adanya kerusakan jalan raya di sepanjang tiga mil maka dalam hal ini, μ =
(2 tingkat kerusakan/mil)(3 mil) = 6 mewaikil jumlah kerusakan utama pada tiga bagian jalan
raya. Dengan menggunakan persamaan (5.15) di atas maka diperoleh hasil yaitu :

60 ⅇ−6
f ( 0 )= =.0025
0!

Berdasarkan hasil .0025 tersebut menunjukkan probabilitas kemungkinan tidak adanya

kerusakan yang besar pada jalan pada tiga mil bagian jalan raya.

14
1.7 Distribusi Probabilitas Hipergeometrik
Distribusi probabilitas hipergeometrik merupakan distribusi probabilitas yang
menunjukkan probabilitas x keberhasilan dalam n percobaan dimana r didefinisikan sebagai
jumlah elemen dalam populasi ukuran N yang dianggap sebagai kesuksesan dan N – r adalah
jumlah elemen dalam populasi yang dianggap sebagai kegagalan.
Distribusi probabilitas hipergeometrik berkaitan dengan distribusi probabilitas
binomial. Namun kedua distribusi probabilitas ini memiliki perbedaan dimana jika
probabilitas binomial memiliki sifat uji coba yang independen (bebas) dan memiliki dua hasil
kemungkinan yaitu keberhasilan dan kegagalan sedangkan probabilitas hipergeometrik
sebaliknya dimana tidak independen dan kemungkinan keberhasilan yang berubah-ubah.
Adapun fungsi probabilitas hipergeometrik ditunjukkan dalam persamaan berikut.

(5.16)

dimana :

x = jumlah kesuksesan
n = jumlah percobaan
f(x) = probabilitas keberhasilan x dalam n percobaan

r = jumlah elemen
( )( )
r N −r
N = jumlah elemen dalam populasi
x n−x
f ( xdalam
)= populasi yang sukses
( Nn )
Dalam
probabilitas

hipergeometrik, x merupakan variabel acak diskrit dan fungsi probabilitas (x) yang diberikan
oleh persamaan (5.16) biasanya berlaku untuk nilai x = 0, 1, 2, ... n. Namun nilai x jumlah
keberhasilan yang diamati kurang dari sama dengan banyaknya keberhasilan dalam populasi
(x ≤ r) dan julah kegagalan yang diamati kurang dari atau sama dengan jumlah kegagalan
dalam populasi (n - x ≤ N – r). Jika kedua kondisi tersebut tidak berlaku untuk satu atau lebih
nilai x, maka f(x) = 0 sesuai untuk menunjukkan bahwa probabilitas dari nilai x ini adalah 0.
Untuk dapat memahami distribusi hipergeometrik akan dipaparkan contoh mengenai hal ini
sebagai berikut.
Misalnya dilakukan pengamatan terhadap aplikasi kontrol kualitas sekring listrik yang
diproduksi oleh Ontario Electric yang dikemas dalam kotak berisi masing-masing 12 unit.
Lalu seorang inspektur memilih secara acak tiga dari 12 sekring sebuah kotak untuk

15
pengujian. Jika kotak berisi lima sekring rusak, berapa probabilitas salah satu dari tiga
sekring yang rusak?
Berdasarkan contoh yang telah diberikan di atas, maka n = 3 dan N = 12 serta r = 5
sekering yang rusak di dalam kotak, kemungkinan menemukan x = 1 sekering yang rusak
adalah :

f (1)=
( )( ) = 1 ! 4 ! 2 !5 ! ) = ( 5 ) ( 21 ) =.4773
5 7
1 2 ( 5!
)( 7!

(123 ) ( 3!129!! ) 220

Adapun cara termudah untuk menjawab pertanyaan ini adalah pertama-tama
menghitung probabilitas bahwa inspektur tidak menemukan sekering yang rusak. Probabilitas
x = 0 adalah

( 0 )( 3 ) ( 0 !5 ! )( 3 ! 4 ! ) ( 1 ) (35 )
5 7 5! 7!
f ( 0 )= = = =.1591
( 3 ) ( 3! 9! )
12 12 ! 220

Dengan probabilitas nol sekering yang rusak atau f (0) = 0,1591, dapat disimpulkan
bahwa probabilitas tersebut untuk menemukan setidaknya 1 sekering yang rusak harus 1
- .1591 = .8409. Jadi, kemungkinan besar inspektur akan menemukan setidaknya 1 sekering
yang rusak. Sedangkan rata-rata dan varians
dari distribusi hipergeometrik adalah
sebagai berikut.
E ( x )=µ=n
r
N ( )
(5.17)
Var ( x ) =σ 2=n ( Nr )(1− Nr )( NN −n
−1 )

(5.18)

Dalam contoh sebelumnya n = 3, r = 5, dan N = 12. Jadi, mean dan varians untuk
jumlah sekring yang rusak adalah :

( Nr )=3( 125 )=1.25

µ=n

σ =n ( )( 1− )(
N N−1 ) ( 12 )( 12 )( 12−1 )
2 r r N −n 5 5 12−3
=3 1− =.60
N

Dan standar deviasinya adalah √ .60=.77

16
17