MAKALAH

PROBABILITAS DAN STATISTIKA

DISTRIBUSI PELUANG

Oleh:

SARMAN CHISARA
E1E120050

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK
UNIVERSITAS HALU OLEO
KENDARI
2022
 KATA PENGANTAR

Puji dan syukur alhamdulillah atas kehadirat Tuhan Yang Maha Esa karena atas berkat,
rahmat, hidayah, dan inayah-Nya, sehingga penyusun dapat menyelesaikan makalah ini yang
berjudul “DISTRIBUSI PELUANG” .
Proses penyusunan makalah ini tidak lepas dari bantuan dan bimbingan beberapa pihak,
baik secara langsung maupun tidak langsung. Oleh karena itu, dalam kesempatan ini
penyusun mengucapkan terima kasih kepada bapak JUMADIL NANGI, S.KOM. M.T.,
selaku dosen pengampu mata kuliah Probabilitas dan Statistika.
Penyusun menyadari bahwa makalah ini masih jauh dari kata sempurna baik isi
maupun bahasa yang digunakan, maka penyusun meminta maaf apabila ada kesalahan. Oleh
sebab itu, kritik dan saran yang sifatnya membangun untuk penyusun khususnya dan
pembaca umumnya, sangat diharapkan demi kesempurnaan laporan ini.

Kendari, 7 Januari 2022

Penyusun

ii
 DAFTAR ISI

KATA PENGANTAR .................................................................................................ii

DAFTAR ISI ...............................................................................................................iii
BAB I PENDAHULUAN ............................................................................................ 5
1.1 Latar Belakang ................................................................................................. 5
1.2 Rumusan Masalah ............................................................................................ 7
1.3 Tujuan Penulisan.............................................................................................. 7
1.4 Manfaat Penulisan............................................................................................ 7
BAB II PEMBAHASAN ............................................................................................. 8
2.1 Pengertian Distribusi Peluang......................................................................... 8
2.2 Variabel Acak dan Distribusi Peluang ........................................................... 9
2.3 Macam-Macam Distribusi ............................................................................. 14
2.3.1 Distribusi Binomial ............................................................................... 14
2.3.2 Distrubusi Poisson................................................................................. 16
2.3.3 Distribusi Multinom ............................................................................. 17
2.3.4 Distribusi Hipergeometrik ................................................................... 18
2.3.5 Distribusi Normal ................................................................................. 20
2.3.6 Distrubusi Student................................................................................ 21
2.3.7 Distribusi Multinom ............................................................................. 22
2.3.8 Distribusi Hipergeometrik ................................................................... 24
BAB III PENUTUP ................................................................................................... 26
3.1 Kesimpulan ..................................................................................................... 26
3.2 Saran ................................................................................................................ 26
DAFTAR PUSTAKA ................................................................................................ 27

iii
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Statistika merupakan ilmu pengetahuan yang berhubungan dengan teknik
pengumpulan, pengolahan, atau penganalisisan dan penarikan kesimpulan berdasarkan
kumpulan data dan penganalisisan yang dilakukan (Sudjana, 1996). Perkembangan ilmu
statistika, dapat dikatakan tidak pernah berhenti. Pembaharuan selalu ada untuk melengkapi
teori-teori ataupun metode-metode yang telah ada. Hal itu ditujukan untuk memudahkan
dalam pemecahan setiap masalah yang ada. Hasil dari percobaan atau pengolahan data
digambarkan sebagai nilai-nilai numerik yang disebut dengan variabel acak. Ada dua jenis
variabel acak, yaitu variabel acak diskrit dan variabel acak kontinu. Jika himpunan hasil dari
variabel acak berhingga atau dapat dihitung, maka variabel tersebut disebut sebagai variabel
acak diskrit. Sedangkan jika semua hasil yang mungkin dari variabel acak merupakan nilai
dalam suatu interval, maka disebut sebagai variabel acak kontinu (Bain & Engelhardt, 1992).
Dalam statistika, dikenal juga distribusi peluang.

Distribusi probabilitas adalah fungsi matematika yang menggambarkan kemungkinan

terjadinya berbagai kejadian setelah melakukan percobaan. Distribusi probabilitas
dipergunakan untuk menentukan bagaimana nilai peluang didistribusikan pada data (Otaya,
2016). Oleh karena itu dalam makalah ini akan membahas tentang distribusi probabilitas dan
jenis-jenis dari distribusi probabiitas dan cara penggunaanya. Distribusi probabilitas bisa
dikatakan bagian daripada fungsi matematika yang memberikan probabilitas kemunculan
berbagai kemungkinan hasil untuk suatu eksperimen. Oleh karena itulah distribusi
probabilitas juga dapat diartikan sebagai fungsi statistik yang mendeskripsikan semua
kemungkinan nilai dan kemungkinan yang dapat diambil pada variabel acak dalam rentang
tertentu.

Peluang atau yang sering disebut sebagai probabilitas dapat dipandang sebagai cara untuk
mengungkapkan ukuran ketidakpastian/ ketidakyakinan/ kemungkinan suatu peristiwa terjadi atau
tidak terjadi. Untuk menyatakan suatu ketidakpastian atau kepastian diperlukan permodelan matematis
yang secara teoritis dinyatakan dengan sebaran atau distribusi. Nilai probabilitas suatu kejadian dalam
suatu percobaan tersebar diantara 0 dan 1 atau antara 0% dan 100%. Jika probabilitas/peluang suatu

5
kejadian A terjadi dilambangkan dengan notasi P(A) maka, probabilitas [bukan A] atau komplemen
A, atau probabilitas suatu kejadian A tidak akan terjadi, adalah 1-P(A).

Secara sederhana peluang suatu kejadian terjadi atau tidak dapat direpresentasikan pada
tabel berikut.
Peristiwa Tidak
Tipe Refresentasi Peristiwa Terjadi
Terjadi
Presentasi 100% 0%
Bilangan Bulat 1 0
Notasi Peluang P [A] 1-P[A]

Pada aplikasi di kehidupan sehari-hari, peluang distribusi berguna untuk menganalisis

terjadinya suatu kejadian, jika kejadian bersifat berhingga maka objek sebarannya berbeda
dengan kejadian yang tak berhingga. Objek dari sebaran peluang adalah variable acak dimana
objek ini merupakan suatu fungsi yang mengaitkan suatu bilangan real pada setiap unsur
dalam ruang sampel. Jenis-jenis sebaran perlu dipahami sebagai dasar penentuan uji
kebolehjadian. Dan dalam hubungannya dengan pengujian objek percobaan, pemilihan
sebaran akan mempermudah penghitungan peluang. Ditinjau dari objek kajian peluang
distribusi akan dikenal istilah peubah acak yang diklasifikasikan dalam kelompok besar yaitu
peubah acak diskrit dan kontinyu, dimana masing-masing peubah memiliki beberapa jenis
distribusi.

6
1.2 Rumusan Masalah

Berdasarkan latar belakang masalah di atas, penulis merumuskan masalah

sebagai berikut:
1. Apakah distribusi peluang Itu?
2. Apakah variaseb acak?
3. Apa saja macam-macam distribusi peluang?

1.3 Tujuan Penulisan

Adapun tujuan dari penulisan laporan ini adalah sebagai berikut:

1. Untuk mengetahui definisi distribusi peluang.
2. Untuk mengetahui variabel acak pada peluang.
3. Untuk mengetahui apa saja macam-macam distribusi peluang.

1.4 Manfaat Penulisan

Adapun manfaat dari penulisan laporan ini adalah sebagai berikut:

1. Bagi penulis, dapat menambah pengetahuan dan wawasan tentang
Distribusi Peluang.
2. Bagi masyarakat, sebagai informasi kepada masyarakat tentang Distribusi
Peluang.

7
 BAB II

PEMBAHASAN

2.1 Pengertian Distribusi Peluang

Distribusi peluang merupakan alat bagi seorang peneliti untuk menentukan apa yang
dapat peneliti harapkan, apabila asumsi-asumsi yang dibuat oleh peneliti benar. Distribusi
peluang memungkinkan para pembuat keputusan untuk memperoleh dasar logika yang kuat di
dalam keputusan, dan sangat berguna sebagai dasar pembuatan ramalan berdasarkan
informasi yang terbatas atau pertimbangan-pertimbangan teoritis, serta berguna pula untuk
menghitung probabilitas terjadinya suatu kejadian. Setiap kejadian yang dapat dinyatakan
sebagai perubahan nilai suatu variabel, umumnya mengikuti suatu distribusi peluang tertentu
dan apabila sudah diketahui jenis distribusinya, maka peneliti akan dengan mudah dapat
mengetahui besarnya nilai probabilitas terjadinya kejadian tersebut.
Untuk memahami distribusi probabilitas, sangat penting memahami juga variabel,
variabel random dan beberapa istilah yang berkaitan.

1. Variabel adalah suatu simbol (A, B, x, y) yang dapat mengambil nilainilai

tertentu.

2. Jika nilai variabel tersebut merupakan hasil dari suatu percobaan statistika maka
variabel tersebut dinamakan variabel random.

Secara umum, para ahli statistika menggunakan huruf besar untuk merepresentasikan
variabel random dan huruf kecil untuk merepresentasikan nilainya, sebagai contoh:

a. X merepresentasikan variabel random X.

b. Pr (X) merepresentasikan probabilitas dari X.

c. Pr (X = x) menunjukkan probabilitas variabel random X bernilai tertentu x.

Sebagai contoh, Pr (X =1) menunjukkan probabilitas random variabel X sama
dengan 1.

Dengan mengambil contoh akan membuat jelas hubungan antara variabel random dan
distribusi probabilitas. Misalkan Anda melempar satu koin dua kali. Percobaan statistika

8
sederhana ini mempunyai 4 hasil yang mungkin terjadi, yaitu MM, MB, BM, dan BB.
Sekarang, kita ambil variabel X merepresentasikan banyaknya Muka yang muncul dari
percobaan. Variabel X dapat bernilai 0, 1 atau pada contoh ini, X adalah variabel random
karena nilainya ditentukan oleh hasil percobaan statistik. Suatu distribusi probabilitas adalah
suatu tabel atau persamaan yang menghubungkan setiap hasil yang mungkin dari suatu
percobaan statistika denganprobabilitasnya. Sekarang pikirkan kembali percobaan melempar
koin yang digambarkan di atas. Tabel di bawah ini merupakan contoh dari distribusi
probabilitas banyaknya muka yang muncul.

2.2 Variabel Acak dan Distribusi Peluang

Untuk mudahnya ambil contoh peristiwa tentang seorang ibu yang melahirkan. Kita
tahu hanya ada dua kemungkinan jenis kelamin dari peristiwa ini yakni Laki-laki (L) atau
Perempuan (P). Jika peluangnya masing-masing untuk melahirkan L dan P adalah ½ , maka
kita dapat menyusun ruang sample dari peristiwa ini sebagai berikut :

S = {L, P}

Untuk dua orang anak :

S = {LL, LP, PL, PP}

Untuk tiga orang anak :

S = {LLL, LLP, LPL,PLL, LPP, PLP, PPL, PPP}

Untuk empat orang anak, bisa dibuat tabel sebagai berikut :

Tabel 2. 1 Tabel Untuk Empat Orang Anak

Jumlah L Susunan Titik Sampel Peluang L

0 PPPP 1 1/16 = 0,0625
1 4 4/16 = 0,25

9
 2 LPPP, PLPP, PPLP, 6 6/16 = 0,375
3 PPPL,LLPP,LPLP, 4 4/16 = 0,25
4 LPPL, PLLP, PLPL, 1 1/16 = 0,0625
PPLL LLLP, LLPL,
LPLL, PLLL,
LLLL

Jumlah 16 1,00

Misalkan jumlah anak laki-laki yang lahir kita sebut sebagai variabel X. Dari Tabel 1. di
atas dapat dilihat bahwa setiap nilai X (=0, 1, 2, 3, 4) mempunyai hubungan dengan sebuah
nilai peluang. Maka variabel X yang demikian disebut sebagai variabel acak. Variabel acak
biasanya dinotasikan dengan huruf kapital, sedangkan nilai-nilainya dituliskan dengan huruf
kecil. Sebagai contoh, pengukuran tinggi badan buruh merupakan variabel acak X. Maka
tinggi hasil pengukuran dinyatakan sebagai x1, x1, …, xn. dimana indeks 1, 2, …, n menyatakan
orang ke-i yang diukur tingginya.
Jika tabel di atas disusun kembali dalam notasi variabel acak, maka akan diperoleh tabel
yang memperlihatkan distribusi peluang variabel X seperti berikut
X P(X)
0 0,0625
1 0,25
2 0,375
3 0,25
4 0,0625
1,000

Sebuah distribusi peluang dikatakan sudah terbentuk, jika semua peluang dari setiap
variabel acak berjumlah satu. Dengan terbentuknya distribusi peluang seperti tabel di atas,
maka notasi baru untuk penulisan peluang kini dapat dituliskan menjadi P(X=0) = 0,0625 ;
P(X=1) = 0,25 dan seterusnya.
Variabel acak dapat diklasifikasikan ke dalam variabel acak diskrit dan variabel
acak kontinu. Variabel acak diskrit berhubungan dengan hasil sebuah

10
peristiwa yang ruang sampelnya terhingga dan terhitung. Sedangkan distribusi peluangnya
disebut distribusi peluang variabel acak diskrit. Umumnya variabel diskrit berhubungan
dengan pencacahan terhadap suatu objek atau indvidu. Contoh lihat tabel 1 di atas. Kita tidak
mungkin mengatakan jumlah laki-laki = ½. atau ¼ .

Beberapa contoh variabel diskrit :

1. Jumlah kesalahan pengetikan

2. Jumlah kendaraan yang melewati persimpangan jalan
3. Jumlah kecelakaan per minggu
Variabel acak kontinu didefinisikan sebagai suatu variabel yang nilai-nilainya berada
dalam ruang sample takterhingga. Variabel ini bisa mempunyai sebuah harga dimana harga-
harga x dibatasi oleh - <X< . Variabel acak kontinu dapat diilustrasikan sebagai titik-titik
dalam sebuah garis.

Pengukuran fisik seperti waktu atau panjang merupakan contoh yang paling mudah
dipahami untuk variabel acak kontinu ini. Misalkan para buruh di sebuah wilayah akan diukur
tinggi badannya. Jika kita menggunakan meteran dengan ketelitian sentimeter, maka tinggi
setiap orang bisa kita anggap sebagai titik dalam meteran tersebut. Dengan demikian setiap
ukuran X akan berhubungan titik-titik yang jumlahnya sangat banyak atau takterhingga.

Contoh distribusi peluang yang dibahas di atas adalah distribusi peluang yang diturunkan
melalaui pendekatan teoritis atau logis. Akan tetapi distribusi peluang juga dapat diturunkan
dari pengalaman empiris di lapangan. Secara praktis, distribusi peluang semacam ini bisa
diambil dari frekuensi relatif seperti contoh berikut.

Tabel 2. 2 . Distribusi peluang permintaan

Permintaan (unit) P
(permintaan)
100.000 0,10
200.000 0,25

11
 300.000 0,40
400.000 0,15
500.000 0,10
1,00
Sumber : hipotetis

Dari tabel di atas paling tidak seorang manajer produksi pabrik kendaraan dapat
menentukan perkiraan awal mengenai penjualan mobil model baru katakanlah “ada peluang
sebesar 40% untuk menjual 300.000 unit mobil model baru”. Meski ini merupakan peluang
subjektif, paling tidak si manajer mempunyai gambaran berapa besar kemungkinan terjualnya
mobil model baru tersebut. Pertanyaannya adalah bagaimana sisa persentase yang 60% lagi.
Dengan mempertimbangkan faktor-faktor ekonomi, pesaing, rencana dan survei pasar maka
peluang tingkat penjualan lainnya dapat ditaksir untuk melengkapi distribusi peluang
permintaan seperti yang ditunjukkan pada Tabel 2 di atas. Distribusi ini memberikan
gambaran yang lebih lengkap mengenai permintaan dibandingkan dengan hanya mengetahui
satu nilai peluang saja.
Data permintaan dalam Tabel 2 dapat digabungkan dengan informasi lain untuk
membentuk distribusi peluang laba. Jika setiap mobil yang terjual memberikan kontribusi
sebesar $500 dan biaya tambahan adalah $125 juta, maka distribusi perolehan laba dapat
dibuat seperti yang tersaji pada Tabel 7.3. berikut.

Tabel 2. 3 Distribusi peluang laba dari kendaraan model baru

Juta dolar
P (profit)
Kontribusi* Biaya tetap Profit**
50 125 -75 0.10
100 125 -25 0.25

150 125 25 0.40

200 125 75 0.15

250 125 125 0.10

12
 *Kontribusi = permintaan  $500 ; **Profit = kontribusi – biaya tetap
Dari tabel di atas tampak bahwa peluang perusahaan akan mengalami kerugian adalah
sebesar 0,35 sehingga perusahaan tentunya akan memutuskan untuk tidak memasarkannya
meski pada awalnya tampak peluang untuk menjual
300.000 unit mobil sebesar 0,40 (laba $25 juta) cukup menjanjikan.
Kita masih memerlukan sebuah taksiran tunggal lagi untuk permintaan mobil di atas.
Sebagai contoh diperlukan proses perhitungan untuk menentukan anggaran modal, biaya
sticker, dan kontrak jumlah dengan dealer dalam satu nilai dari permintaan yang diharapkan.
Umumnya, ukuran terbaik untuk distribusi peluang adalah apa yang disebut sebagai nilai
harapan. Nilai ini pada dasarnya berhubungan dengan nilai rata-rata distribusi frekuensi di
mana perhitungannya hampir sama seperti yang pernah dikemukakan dalam bab
sebelumnya. Nilai harapan atas permintaan mobil dalam contoh di atas, dapat dihitung
dengan menggunakan rumus :

Nilai harapan : E( X ) =  X • P( X ) … (1)

Nilai harapan di atas sebenarnya merupakan nilai rata-rata dari sebuah distribusi
peluang. Untuk data dalam tabel 2, maka nilai harapan permintaan atau rata-rata permintaan
dapat dihitung sebagaimana yang disajikan dalam tabel 4. berikut ini.

Tabel 2. 4 Perhitungan nilai harapan

Permintaan (unit) P(permintaan) X.P(X)

100.000 0,10 10.000
200.000 0,25 50.000
300.000 0,40 120.000
400.000 0,15 60.000
500.000 0,10 50.000
E(X) = 290.000

13
 Dari tabel di atas tampak nilai harapan untuk permintaan mobil model baru adalah
$290.000. Nilai ini ternyata tidak jauh berbeda dengan perkiraan awal yaitu
$300.000 dan masih dalam toleransi yang dapat dibuat seseorang untuk tujuan praktis.Kalau
begitu, mengapa kita harus bersusah-susah membuat distribusi peluang yang demikian?
Jawabannya bukan pada masalah perkiraan tunggal atau nilai harapan, akan tetapi bagaimana
kita menggunakan data terbaik dan selengkap mungkin. Dalam hal ini terlihat bahwa distribusi
peluang memberikan gambaran yang lebih baik tentang laba-rugi , meskipun tidak selamanya
ini cocok untuk perhitungan lainnya.
Suatu hal yang perlu diperhatikan bahwa peluang dari permintaan mobil bersifat unik
dan tergantung dari kondisi yang ada seperti merek, karakteristik mobil itu sendiri, kondisi
ekonomi, harga bahan bakar dan lain sebagainya. Untuk kasus seperti ini, maka cara yang
dapat dilakukan adalah dengan membuat distribusi peluang secara subjektif. Meskipun
demikian, sebenarnya banyak peristiwa-peristiwa yang mengikuti pola peluang-peluang
tertentu yang dapat dijelaskan melalui pendekatan distribusi peluang secara teoritik. Sesuai
dengan perkembangan ilmu statistika, banyak distribusi peluang teoritik yang ditemukan dan
dikembangkan. Namun dalam buku ini hanya di bahas tiga macam distribusi peluang yang
banyak digunakan dalam pengambilan keputusan manajerial.

2.3 Macam-Macam Distribusi

2.3.1 Distribusi Binomial

Distribusi peluang binomial merupakan salah satu distribusi peluang diskrit yang banyak
menjelaskan mengenai proses bisnis dan fenomena fisika. Untuk menggunakan distribusi
binomial ada empat kondisi yang harus dipenuhi :
1. Proses atau peristiwa harus dapat didefinisikan hanya memiliki dua dan hanya dua
peristiwa yang saling eksklusif dan lengkap
2. Peluang terjadinya sebuah peristiwa harus sama untuk setiap percobaan dan tidak
boleh berubah-ubah karena waktu dan jumlah percobaan
3. Setiap percobaan harus independen dengan percobaan yang lain. Artinya sebuah
percobaan tidak dapat mempengaruhi percobaan lain.

14
 4. Jumlah percobaan harus bersifat diskrit
Untuk memperjelas kondisi di atas mari kita ambil contoh percobaan pelemparan sebuah
dadu. Kita tahu bahwa setiap dadu dilempar akan menghasilkan satu dari enam peristiwa. Dari
peristiwa ini kita sebenarnya bisa mendefinisikan hasil yang akan terjadi ke dalam dua
peristiwa yang saling eksklusif misalnya peristiwa “munculnya angka empat” atau “angka
bukan empat”. Jelas bahwa peristiwa-peristiwa ini merupakan peristiwa yang saling eksklusif
dan lengkap karena “munculnya angka empat” dan “bukan angka empat” akan tercakup
dalam pelemparan sebuah dadu.
Jika dadu yang dilempar adalah dadu yang fair maka peluang munculnya angka dalam
setiap percobaan tidak akan berubah-ubah, karena meskipun kita melemparkannya sebanyak
10.000 kali tetap saja peluang munculnya angka empat adalah 1/6.
Dadu tidak memiliki memori, artinya dadu ini tidak mengingat apa yang telah terjadi
sebelumnya. Peluang munculnya angka empat pada pelemparan dadu pertama kali adalah 1/6,
demikian pula dengan pelemparan yang kedua dan seterusnya peluangnya adalah tetap 1/6.
Peluang ini tidak dipengaruhi oleh peristiwa sebelumnya atau dalam istilah teori peluang,
peristiwa ini saling independen antara yang satu dengan lainnya.
Misalkan kita melakukan sebuah percobaan pelemparan mata uang atau dadu secara
berulang-ulang sebanyak n kali. Dalam setiap pelemparan mata uang atau dadu kita selalu
memiliki peluang p untuk terjadinya sebuah peristiwa katakanlah munculnya “kepala” pada
mata uang atau munculnya “angka “4 pada pelemparan dadu. Dalam percobaan Bernoulli
(orang yang pertama kali melakukan percobaan independensi satu peristiwa dengan peristiwa
lain) peluang ini dikatakan pula sebagai peluang sukses dari sebuah peristiwa. Sebaliknya kita
dapat menentukan peluang tidak pernah terjadinya suatu peristiwa dalam setiap percobaan
atau gagal yaitu q = 1 -
p. Nilai n dan p yang tidak akan pernah berubah dari satu pelemparan ke pelemparan
lain ini, disebut sebagai parameter dari distribusi binomial.

15
 Dalam percobaan binomial, peluang terjadinya peristiwa sukses tepat sebanyak x kali
dari n percobaan dapat didekati oleh fungsi peluang :

f (x) = P( X = x) = ( )p
n
x
x
q n− x =
n!
p x qn− x
x!(n −x)!
…(2)

di mana penjelasaannya: n!= n  (n −1)  (n − 2) ...1, dan ( ) adalah koefisien binomial

n
x

(lihat lampiran dalam bab ini)

Rumus (2) di atas merupakan rumus untuk menghitung peluang terjadinya peristiwa
sukses tepat sebanyak x kali dari n buah percobaan.

2.3.2 Distrubusi Poisson

Di dunia nyata banyak peristiwa terjadi secara acak dengan perkataan lain jarang sekali
kita dapat memprediksi secara tepat kapan sebuah peristiwa akan terjadi atau berapa banyak
peristiwa akan terjadi secara bersamaan. Misalnya saja peristiwa terjadinya kecelakaan di
jalan tol, kegagalan dalam proses produksi berteknologi tinggi seperti mobil, pesanan melalui
telepon, atau kecelakaan pesawat ulang alik. Contoh lain yang dapat menggambarkan situasi
ini secara tepat adalah peluruhan zat radioaktif. Tidak ada seorang pun yang dapat
memperkirakan kapan atom akan luruh berikutnya atau kapan peristiwanya akan terjadi.
Peristiwa- peristiwa yang terjadi secara acak dan langka dalam dimensi waktu dan ruang
seperti ini, dalam jangka pendek memang sangat sulit untuk diprediksi. Namun yang
mengejutkan, untuk jangka waktu yang panjang peristiwa-peristiwa ini mempunyai kesamaan
bahwa kesemuanya dapat diprediksi secara akurat. Salah satu distribusi peluang yang dapat
menjelaskan secara tepat peristiwa-peristiwa seperti adalah apa yang dikenal sebagai
distribusi Poisson.

Distribusi Poisson merupakan distribusi peluang diskrit yang cukup memegang peranan
penting dalam ilmu manajemen. Distribusi ini ditemukan oleh S.D. Poisson di awal abad ke
19. Seperti distribusi binomial, distribusi Poisson juga termasuk ke dalam proses Bernoulli,
akan tetapi tidak ada konsep yang membedakan secara jelas dalam

16
 percobaan Poisson. Olehkarenanya syarat-syarat untuk menggunakan distribusi ini tidak
berbeda jauh dengan distribusi binomial, di antaranya :

1. Proses yang diamati harus berbentuk “dua-peristiwa” atau proses Bernoulli

2. Harus ada bilangan rata-rata dari peristiwa tertentu per pengamatan/pengukuran
baik waktu maupun ruang, yang tidak berubah selama terjadinya proses
3. Proses haruslah bersifat kontinu artinya tidak ada percobaan tunggal

2.3.3 Distribusi Multinom

Percobaan binomial yang telah kita bahas sebelumnya merupakan suatu percobaan yang
menghasilkan dua kemungkinan hasil yakni 'sukses' dan 'gagal'. Percobaan binomial ini akan
menjadi percobaan multinomial bila tiap percobaan dapat memberikan lebih dari 2 hasil yang
mungkin.

Dengan demikian, pembagian hasil pabrik menjadi 'ringan', 'berat' atau 'masih dapat
diterima' (ada tiga hasil yang mungkin) dan pencatatan kecelakaan di suatu simpang jalan
menurut hari dalam seminggu (ada 7 hasil yang mungkin) merupakan contoh percobaan
multinomial. Penarikan suatu kartu dari sekotak kartu bridge dengan pengembalian juga
merupakan percobaan multinomial bila yang menjadi perhatian adalah keempat warna kartu
(4 hasil yang mungkin).

Umumnya, bila suatu percobaan dapat menghasilkan kk hasil yang mungkin

E1,E2,…,EkE1,E2,…,Ek denganpeluang p1,p2,…,pkp1,p2,…,pk maka distribusi multinomial
akan memberikan peluang bahwa E1E1 terjadi sebanyak x1x1 kali, E2E2 sebanyak x2x2 kali
,…,Ek,…,Ek sebanyak xkxk kali dalam nn percobaan bebas dengan

Distribusi peluang gabungan seperti ini akan dinyatakan

dengan f(x1,x2,…,xk;p1,p2,…,pk,n)f(x1,x2,…,xk;p1,p2,…,pk,n) dengan
p1+p2+⋯+pk=1p1+p2+⋯+pk=1.

17
 Merupakan perluasan dari distribusi Binomial.. Jika dalam eksperimen ini dilakukan
sebanyak N kali, maka peluang akan terdapat x1 peristiwa E1, x2 peristiwa E2 , ..., xk peristiwa
Ek dapat ditentukan oleh menggunakan distribusi multinom sebagai berikut :
N!
p(x , x ,..., x ) = 1x 2x ...kx
1 2 k

1 2 k x !x !...x !
1 2 k

... (4)

2.3.4 Distribusi Hipergeometrik

Ciri-ciri percobaan hipergeometri :

4. Sampel acak berukuran n diambil dari populasi berukuran N

5. k dari N objek dikategorikan sebagai sukses dan N – k
dikategorikan gagal.
Misalkan ada sebuah populasi berukuran N yang diantaranya terdapat k buah termasuk
kategori tertentu (sukses). Dari populasi tersebut diambil sebuah sampel acak berukuran n.
Berapa peluang dalam sampel tersebut terdapat x buah termasuk kategori tertentu tersebut?

Untuk menjawabnya dapat diperoleh dari distribusi hipergeometrik yang berbentuk :

 k  N −k 
P( X = x) = p(x) =  
x n− x 
N
N
 n ... (5)

Dengan x = 0, 1, ..., n

Contoh 8 :

Sekelompok mahasiswa terdiri dari 50 orang dan 3 diantaranya lahir pada

tanggal 17 Agustus. Dari kelompok tersebut dipilih 5 orang secara acak.
Berapakah peluang bahwa diantara 5 orang tersebut :

18
a. tidak terdapat yang lahir pada tanggal 17 Agustus
b. terdapat tidak lebih dari 1 orang yang lahir pada tanggal 17 Agustus
Jawab :

a. Misal X adalah banyak mahasiswa di antara n = 5 yang lahir pada tanggal

17 Agustus Dari persoalan diatas dapat kita katakan : N = 50, D= 3. Maka
peluang kelima mahasiswa tidak lahir pada tanggal 17 Agustus adalah :

 k 
 N −k 
P( X = x) = p(x) =  x  n−x 

 n

 3 
 
50−3

 0  5 
P( X = 0) = p(0) = = 0,724
 

5

b. Tidak lebih dari 1 orang yang lahir tanggal 17 Agustus mengandung arti bahwa
nilai-nilai x hanya 0 dan 1. Dari soal a) kita sudah hitung p(0), jadi tinggal
menghitung p(1) yaitu :

 3  50−3 
  
 1  4 
P( X = 1) = p(1) = = 0,253
 50
5

Jadi peluang dari kelima mahasiswa paling banyak 1 mahasiswa lahir pada
tanggal 17 Agustus adalah 0,724 + 0,253 = 0,977.

19
Parameter Distribusi Hipergeometrik :

2.3.5 Distribusi Normal

Distribusi normal, disebut pula distribusi Gauss, merupakan distribusi probabilitas yang
paling banyak digunakan dalam berbagai analisis statistika. Data populasi akan berdistribusi
normal jika rata-rata nilainya sama dengan modus dan sama dengan mediannya. Artinya
sebagian nilai mengumpul pada tengah, sedangkan frekuensi nilai yang rendah dan tinggi
menunjukkan kondisi yang semakin mengecil dan seimbang. Oleh karena penurunan
frekuensi nilai rendah dan tinggi seimbang maka penurunan garis kurva ke kanan dan kekiri
akan seimbang. Distribusi normal baku adalah distribusi normal yang memiliki rata-rata nol
dan simpangan baku satu. Distribusi ini juga dijuluki kurva lonceng (bell curve) karena grafik
fungsi probabilitasnya mirip dengan bentuk lonceng

Fungsi kerapatan probabilitas dari distribusi normal diberikan dalam rumus

berikut:

f(x)= fungsi densitas peluang normal

π= 3,1416, nilai konstan yang bila ditulis hingga 4 desimal .

20
e = 2,7183, bilangan konstan, bila ditulis hingga 4 desimal

μ=parameter, rata-ratauntuk distribusi.

σ=parameter, simpangan baku untuk distribusi.
untuk-∞ < x<∞, maka dikatakan bahwa variabel acak X berdistribusi normal
Sifat-sifat distribusi normal:
1. Grafiknya selalu ada di atas sumbu datar x.
2. Nilai rata-rata = modus = median
3. bentuknya simetrik terhadap sumbu x = µ.
4. Mempunyai satu modus, jadi kurva unimodal, tercapai pada 0 , 3989 x =
µ sebesar
5. Ujung grafiknya hanya mendekati sumbu x atau tidak akan bersinggungan
maupun berpotongan dengan sumbu x (berasimtut dengan sumbu x).
6. Luas daerah grafik selalu sama dengan satu unit persegi.

2.3.6 Distrubusi Student

Distribusi student pertama kali diterbitkan pada tahun 1908 dalam suatu makalah oleh
W. S. Gosset. Pada waktu itu, Gosset bekerja pada perusahaan bir Irlandia yang melarang
penerbitan penelitian oleh karyawannya. Untuk mengelakkan larangan ini dia menerbitkan
karyanya secara rahasia dibawah nama‘Student’ Karena itulah Distribusi t biasanya disebut
Distribusi Student . Hasil uji statistiknya kemudian dibandingkan dengan nilai yang ada pada
tabel untuk kemudian menerima atau menolak hipotesis nol (Ho) yang dikemukakan.
Distribusi t digunakan untuk sampel dengan syarat :
1. Sampel diambil secara acak dari suatu populasi berukuran kecil n < 30
2. Variabel penelitian tidak lebih dari satu/ tunggal
3. Hipotesis nol bernilai besar
Selain untuk kegunaan bersyarat, distribusi ini dapat digunakan untuk varian
homogen/ heterogen penentuan nilai tabel dilihat dari

21
besarnya tingkat signifikan dan besarnya derajat kebebasan (dk).

Fungsi lain dari distribusi ini adalah

1. Untuk memperkirakan interval rata-rata
2. Menguji hipotesis rata-rata suatu sampel menunjukkan
batas penerimaan suatu hipotesis
3. Menguji suatu pernyataan apakah sudah layak dipercaya
Fungsi densitas

Dimana t yang memenuhi - ∞ < t < ∞ dan K merupakan bilangan tetap yang besarnya
bergantung pada n. (n-1) merupakan derajat kebebasan.

Bentuk grafiknya seperti grafik distribusi normal baku, simetrik terhadap t = 0, untuk
harga n 30 distribusi t mendekati distribusi normal baku sehingga disarankan untuk
menggunakan distribusi normal.

2.3.7 Distribusi Multinom

Metode chi-kuadrat χ2 merupakan metode distribusi dengan variabel acak kontinu untuk
mengadakan pendekatan pembuktian adanya hubungan/ perbedaan antara frekuensi hasil
observasi (fo) dengan frekuensi yang diharapkan (fe) Persamaannya:
f(u) = K . u e ½ v – 1 - ½ u
u = 2 untuk memudahkan menulis, u > 0, v = derajat kebebasan,

22
 K = bilangan tetap yang tergantung pada v , sedemikian sehingga luas daerah di bawah
kurva sama dengan satu satuan luas dan e = 2,7183.
Manfaat dari distribusi chi-kuadrat, yaitu antara lain :
1. Untuk menguji apakah frekuensi yang diamati berbeda secara signifikan dengan
frekuensi
2. Teoritis atau frekuensi yang diharapkan.
3. Untuk menguji kebebasan (independensi antar faktor dari data dalam daftar
kontingensi
4. Untuk menguji apakah data sampel mempunyai distribusi yang mendekati
distribusi
5. Teoritis tertentu atau distribusi hipotesis tertentu (distribusi populasi), seperti
distribusi
6. Binomial, distribusi poisson, dan distribusi normal.
Grafik distribusi chi kuadrat umumnya merupakan kurva positif, yaitu miring ke kanan.
Kemiringan ini makin berkurang jika dk= v makin besar.

Distribusi Chi-Kuadrat memiliki sifat sebagai berikut:

1. Seluruh nilainya positif
2. Tidak simetris
3. Bentuk distribusi tergantung pada derajat kebebasannya
4. Mean dari distribusi c adalah derajat kebebasannya ( n )p;

Beberapa sifat yang terkait dengan distribusi Chi-Kuadrat adalah

1. Bila merupakan variabel acak yang masing-masing berdistribusi normal

23
 dengan mean dan variansi dan seluruh variabel acak tersebut bebas satu sama lain,
maka variabel acak dengan mempunyai distribusi Chi- Kuadrat dengan derajat
kebebasan .
2. Bila sampel acak sebanyak n dari suatu populasi berdistribusi normal dengan
mean dan variansi diambil, dan pada setiap sampel tersebut dihitung variansi ,
maka variabel acak memiliki distribusi Chi-Kuadrat dengan derajat kebebasan .

2.3.8 Distribusi Hipergeometrik

Ditemukan oleh seorang ahli statistik yang bernama R.A. Fisher pada tahun 1920.
Distribusi F disebut juga distribusi ANOVA ( Analysis of Varians ) adalah prosedur statistika
untuk mengkaji (mendeterminasi) apakah rata-rata hitung (mean) dari 3 (tiga) populasi atau
lebih, sama atau tidak. Digunakan untuk menguji rata - rata atau nilai tengah dari tiga atau
lebih populasi secara sekaligus, apakah rata-rata atau nilai tengah tersebut sama atau tidak
sama. Distribusi F ini juga mempunyai variabel acak yang kontinu.
Fungsi destinasinya:

F > 0, K = bilangan tetap yang harganya bergantung pada v1 dan v2 sedemikian hingga
luas dibawah kurva sama dengan satu. v1= dk pembilang dan v2= dk penyebut. Jadi distribusi
F memiliki dua buah derajat kebebasan.
Grafik distribusi F tidak simetrik dan umumnya sedikit positif, untuk mengetahui harga
F untuk peluang 0,01 dan 0,05 dengan derajat kebebasan v1danv2 dapat dilihat dari daftar I.
untuk melihat nilai F dengan 0,99 dan 0,95 digunakan hubungan

24
 Kurva distribusi F tidak hanya bergantung pada kedua parameter v1 dan v2 tetapi juga
pada urutan keduanya ditulis. Untuk suatu distribusi peluang gabungan peubah acak Udan V
dengan derajat kebebasan v1dan v2 memiliki distribusi

Derajat kebebasan yang berkaitan dengan peubah acak pada pembilang F selalu ditulis
terlebih dahulu, diikuti oleh derajat kebebasan yang berhubungan dengan peubah acak yang
muncul pada penyebut. Jika kedua bilangan ditentukan maka kurva menjadi tertentu.

25
 BAB III

PENUTUP

3.1 Kesimpulan

Setiap kejadian yang dapat dinyatakan sebagai perubahan nilai suatu variabel, umumnya
mengikuti suatu distribusi peluang tertentu dan apabila sudah diketahui jenis distribusinya,
maka peneliti akan dengan mudah dapat mengetahui besarnya nilai probabilitas terjadinya
kejadian tersebut.
Variabel acak dapat diklasifikasikan ke dalam variabel acak diskrit dan variabel acak
kontinu. Variabel acak diskrit berhubungan dengan hasil sebuah peristiwa yang ruang
sampelnya terhingga dan terhitung. Sedangkan distribusi peluangnya disebut distribusi
peluang variabel acak diskrit. Umumnya variabel diskrit berhubungan dengan pencacahan
terhadap suatu objek atau indvidu.

Distribusi normal, disebut pula distribusi Gauss, adalah distribusi probabilitas yang
paling banyak digunakan dalam berbagai analisis statistika. Distribusi normal baku adalah
distribusi normal yang memiliki rata-rata nol dan simpangan baku satu. Distribusi ini juga
dijuluki kurva lonceng (bell curve) karena grafik fungsi kepekatan probabilitasnya mirip
dengan bentuk lonceng.

3.2 Saran
Adapun dengan adanya makalah ini, diharapkan pembaca dapat lebih memahami
tentang “Distribusi Peluang” dan dapat menerapkannya dalam kehidupan sehari-hari.

26
 DAFTAR PUSTAKA

Hendy, d. (2019). Distribusi Probabilitas : Peubah Acak Kontinu. Jakarta: Universitas Esa
Unggul.

Spiegel, Murray R.2004. Statistik (Schaum’s Easy Outline of Theory and Problems of
Statistics).Jakarta:Erlangga
Sugiono.2008. Statistik untuk Penelitian .Bandung : AlfaBeta
Yuan, K., dan Bentler, P. M. 2009. A Unified Approach to Multigroup Structural Equation
Modeling with Nonstandard Samples. Dalam Marcoulides, G. A., dan Schumacker, R.
E., (Eds.)., New Developments and Techniques in Structural Equation Modeling. New
Jersey: Lawrence Erlbaum Associates, Publishers.

27