PROBABILITAS DAN DISTRIBUSI

PROBABILITAS DAN DISTRIBUSI TEORITIS
6
OBJEKTIF :
1. Mahasiswa dapat mengetahui konsep dasar probabilitas
2. Mahasiswa dapat mengetahui distribusi probabilitas
3. Mahasiswa dapat mengetahui distribusi probabilitas diskrit
4. Mahasiswa dapat mengetahui distribusi probabilitas kontinu
6.1 Konsep Dasar Probabilitas

Di dalam kehidupan sehari-hari kita sering menggunakan ungkapan
“Kemungkinan besar kecil suatu kejadian akan terjadi”. Suatu kejadian disebut
acak (random event) kalau terjadinya kejadian tersebut tak dapat diketahui
sebelumnya dengan pasti. Probabilitas ialah suatu nilai untuk mengukur tingkat
kemungkinan terjadinya suatu kejadian acak.
Probabilitas bisa objektif (objective probability) bisa juga subjektif
(subjective probability). Probabilitas objektif ialah probabilitas yang didasarkan
atas data/fakta atau hal-hal yang sudah terjadi. Misalnya ada 100 buah barang,
yang rusak ada 15 barang, maka probabilitas untuk memperoleh barang rusak
sebesar 0,15 (15/100).
Probabilitas subjektif ialah probabilitas yang didasarkan atas pendapat
seseorang secara individual. Oleh karena sifatnya yang subjektif (sangat
dipengaruhi oleh sifat individualistis) maka probabilitas untuk hal/kejadian yang
sama akan berbeda kalau ada lebih dari satu orang yang menghitungnya.
Cara menghitung probabilitas:
X
P(A) =
n
Integrated Laboratory Universitas Gunadarma-Statistika 1 1

BAB 6. PROBABILITAS DAN DISTRIBUSI TEORITIS
Dengan 0 ≤ P(A) ≤ 1
Keterangan:
P(A) = Probabilitas bahwa kejadian A terjadi
X = Banyaknya elemen sub set yang membentuk kejadian A
n = Banyaknya elemen set
Contoh :
Ada 100 buah barang dibungkus rapih
Dari 100 buah barang tersebut 15 buah rusak
A = Kejadian memperoleh barang rusak
Kalau Anda mengambil sebuah, secara acak, berapa probabilitasnya bahwa barang
tersebut rusak?
Penyelesaian:
n = 100 (elemet set)
X = 15 (elemen sub-set, pembentuk kejadian A)
X 15
P(A) = = = 𝟎, 𝟏𝟓
n 100
 Kalau X = 0, semua barang dalam keadaan bagus, tidak ada yang rusak.
o
P(A) = = 0, A disebut impossible event (kejadian yang tak mungkin terjadi).
n
 Kalau X = n = 100, semua barang dalam keadaan rusak.

n 100
P(A) = = = 1, A disebut sure or certain event (kejadian yang pasti akan
n 100
terjadi).
̅) = 1 – P(A), A
0 ≤ P(A) ≤ 1  P(A ̅ = bukan A, artinya rentang probabilitas paling
kecil 0, paling besar 1, tak pernah negatif.
Contoh :
Anda mengambil suatu kartu dari suatu set kartu bridge, berapa probabilitasnya
bahwa kartu tersebut AS?

Penyelesaian:
N = 52, X = 4 (ada 4 buah AS)
X 4 1
P(AS) = = =
n 52 13
Contoh :
Ada 1000 orang karyawan suatu perusahaan. Ada 150 orang karyawan yang
membeli saham di bursa efek. Kalau Anda bertemu dengan salah satu seorang
karyawan tersebut, berapa probabilitasnya bahwa karyawan tersebut membeli
saham di bursa efek?
Penyelesaian:
n = 1000, X = 150
A = kejadian karyawan akan membeli saham
X 150
P(A) = = = 0,15 (15%) , probabilitas bahwa karyawan akan membeli
n 1000
saham adalah 15%.
(Supranto dan Limakrisna, 2010. Page 66-73)
Dalam konsep peluang dikenal juga istilah permutasi dan kombinasi.

Keduanya digunakan untuk menentukan mencari peluang atau probabilitas dari
suatu kejadian.
a. Permutasi
Banyak susunan atau urutan berbeda yang dapat dibentuk oleh k objek yang
diambil dari sekumpulan n objek yang berbeda dinamakan banyak permutasi k
objek dari n objek (dengan memperdulikan urutannya; dinyatakan dengan
lambang𝑃𝑘𝑛 , dihitung dengan rumus:

Keterangan:
P = Permutasi
n = Jumlah kejadian yang dapat dipilih
k = Jumlah kejadian yang harus dipilih
Contoh :
Banyak bilangan tiga digit yang dapat dibentuk dengan menggunakan angka-
angka 1, 2, 3, 4, 5 adalah:
 Tanpa pengulangan:
5!
𝑃35 = (
5−3)!
5!
=
2!
5432!
=
2!
= 60
 Dengan pengulangan: 5 . 5 . 5 = 125
b. Kombinasi
Banyak kombinasi k objek yang diambil dari n objek yang berbeda (tanpa
memperdulikan urutannya; dinyatakan dengan lambang 𝐶𝑘𝑛 adalah:
Keterangan :
C = Kombinasi
n = Jumlah kejadian yang dapat dipilih
k = Jumlah kejadian yang harus dipilih
Contoh :
Misalkan dimiliki lima bola dengan warna berbeda-beda. Jika diambil tiga bola
dari kumpulan lima bola itu, banyak kombinasi yang mungkin adalah:
5!
𝐶35 = 3!2!
= 10

6.2 Distribusi Probabilitas

Distribusi probabilitas menunjukkan kemungkinan hasil dari suatu
eksperimen dan probabilitas dari masing-masing hasil tersebut.
Karakteristik distribusi probabilitas:
1. Probabilitas hasil tertentu berkisar 0 dan 1.
2. Hasil tersebut merupakan peristiwa yang khusus.
3. Data menyeluruh, sehingga jumlah probabilitas dari berbagai peristiwa
atau kejadian adalah sama dengan 1.
(Lind, Marchal, and Wathen (2012), Page: 187)
6.2.1 Distribusi Probabilitas Diskrit

Jika sebuah variabel X bisa menyandang sebuah himpunan nilai-nilai diskrit X1, X2,
…, XK dengan probabilitas masing-masing adalah p1, p2, …, pk di mana p1 + p2 + …
+ pk = 1, maka kita katakan bahwa distribusi probabilitas diskrit untuk X telah
terdefinisikan. Fungsi p(X), yang masing-masing memiliki nilai p1, p2, …, pk untuk X
= X1, X2, …, XK disebut sebagai fungsi probabilitas atau fungsi frekuensi dari X.
Karena X dapat mengandung nilai-nilai tertentu untuk probabilitas-probabilitas
yang diberikan, maka variabel ini sering disebut sebagai variabel acak diskrit.
Variabel acak dikenal juga dengan nama variabel peluang atau variabel stokastik.
Contoh :
Misalkan dilakukan pelemparan sepasang dadu yang adil dan X
menyatakan jumlah dari angka dadu yang diperoleh, maka distribusi
probabilitasnya ditunjukkan pada Tabel 6.1 berikut ini:
Tabel 6.1 Distribusi Probabilitas X

X 2 3 4 5 6 7 8 9 10 11 12
p(X) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
Dari tabel dapat dilihat bahwa probabilitas untuk memperoleh jumlah 5

adalah 4/36 = 1/9. Jadi dalam 900 kali pelemparan dadu yang diperoleh,
diperkirakan bahwa 100 kali pelemparan akan menghasilkan jumlah angka yang
sama dengan 5.

Perhatikan bahwa hal ini merupakan analogi terhadap distribusi frekuensi

relatif, dengan probabilitas menggantikan frekuensi relatif. Jadi kita dapat
menganggap distribusi probabilitas sebagai bentuk terbatas teoretis atau ideal
dari distribusi frekuensi relatif untuk jumlah pengamatan yang sangat besar. Atas
alasan ini, kita dapat menganggap distribusi probabilitas sebagai distribusi
populasi, sementara distribusi frekuensi relatif adalah distribusi dari sampel-
sampel yang diambil dari populasi ini.
Dengan mengakumulasikan probabilitas-probabilitas, kita akan mendapatkan

distribusi probabilitas kumulatif yang analog dengan distribusi frekuensi relatif
kumulatif. Fungsi yang berasosiasi dengan distribusi ini kadangdisebut fungsi
distribusi. (Spiegel dan Stephens, 2004, Page 106).
Distribusi diskrit diantaranya terdiri dari teori teoritis yaitu distribusi
binomial, distribusi hipergeometrik, dan distribusi poisson.
6.2.1.1 Distribusi Binomial

Distribusi binomial dapat dianggap sebagai hasil percobaan yang diulang-
ulang, yang memenuhi syarat sebagai ‘Bernoulli Trials’.
Sifat-sifat Bernoulli Trials :
1. Tiap percobaan (trial) menghasilkan salah satu dari dua kemungkinan, yang
dinamakan sukses (S) dan tidak sukses / gagal (T).
2. Pada tiap percobaan, probabilitas sukses selalu tetap dan dinyatakan
sebagai:
p = P (S)
Probabilitas tidak sukses dinyatakan sebagai:
q = P (T) = 1 − p
sehingga:
p+q=1
3. Percobaan-percobaan independen satu dengan yang lain: Hasil suatu
percobaan tidak dipengaruhi oleh hasil pada percobaan-percobaan
sebelumnya.

Contoh :
Misalkan dilakukan Bernoulli Trials sebanyak n kali, dengan probabilitas
sukses p pada tiap percobaan. Variabel random X menyatakan banyak sukses
dalam n kali percobaan tersebut, maka distribusi probabilitas X dikatakan
berdistribusi binomial dengan n kali percobaan dan probabilitas sukses p.
Misalkan dilakukan n = 4 kali percobaan, maka semua hasil yang mungkin
adalah sebagai berikut:
TTTT TTTS SSTT SSST SSSS

TTST STST SSTS
TSTT STTS STSS
STTT TSST TSSS
TSTS
TTSS
Distribusi probabilitasnya diperlihatkan pada Tabel 6.2 berikut:
Tabel 6.2 Contoh Distribusi Binomial dengan n = 4
Nilai X Banyak hasil : 𝑪𝒏 Prob.tiap hasil : px qn-x
𝒙
0 𝐶4 = 1 P0 q4 = q4
0
1 𝐶4 = 4 P1 q3 = p q3
1
2 𝐶4 = 6 P2 q2
2
3 𝐶4 = 4 P3 q1 = p3 q
3
4 𝐶4 = 1 P4 q0 = P4
4
Maka diperoleh distribusi probabilitas distribusi binomial:
P (X = 𝑥) = 𝐶𝑛 px qn-x ; x = 0, 1, …, n ; q = 1 – p
Beberapa contoh grafik distribusi binomial dapat dilihat pada Gambar 6.1.

Gambar 6.1
Contoh Beberapa Grafik Distribusi Binomial dengan n = 5 dan Berbagai Nilai p
Contoh Soal :
Sepasang suami istri yang baru menikah merencanakan untuk
memperoleh empat orang anak. Jika rencananya mungkin terlaksana dan
diketahui probabilitas untuk memperoleh anak laki-laki dalam tiap kelahiran
adalah 0.51, maka:
a. Probabilitas untuk memperoleh empat orang anak laki-laki:
P (X = 4) = 𝐶44p4
= (1)(0.514) = 0.0677
b. Probabilitas untuk memperoleh tiga orang anak laki-laki:
P (X = 3) = 𝐶43p3q
= (4)(0.513)(0.49) = 0.2600
c. Probabilitas untuk memperoleh dua orang anak laki-laki:
P (X = 2) = 𝐶42p2q2
= (6)(0.512)(0.492) = 0.3747
d. Probabilitas untuk memperoleh paling sedikit dua orang anak laki-laki:
P (X ≥ 2) = P (X = 2) + P (X = 3) + P (X = 4)
= 0.3747 + 0.2600 + 0.0677 = 0.7024
LANGKAH-LANGKAH PENYELESAIAN DENGAN SOFTWARE:

a. P (X = 4)
1. Tekan icon R Commander pada desktop,

2. Pilih menu Distribution, Discrete Distributions, Binomial Distribution,

lalu Binomial Probabilitie
3. Isi nilai n pada kotak Binomial Trials = 4, kemudian input Probabilities

of Success dengan nilai probabilitas berhasil (Probabilities of Success =
0.51) kemudian tekan tombol OK.
4. Maka Output Window muncul probabilitas untuk memperoleh empat

orang anak laki-laki adalah 0.06765201 atau 0.0677 (dibulatkan).
b. P (X = 3)


lalu Binomial Probabilitie

4. Maka Output Window muncul probabilitas untuk memperoleh tiga

c. P (X = 2)

lalu Binomial Probabilities

4. Maka Output Window muncul probabilitas untuk memperoleh dua

d. P (X ≥ 2) atau P (X > 1)
lalu Binomial Tail Probabilities

3. Masukkan variabel value (s) = 1, input binomial trial = 4, input

probabilities of success = 0.51 serta pilih upper tail kemudian tekan
tombol OK.
4. Maka nilai probabilitas paling sedikit memperoleh 2 dua orang anak

laki-laki adalah 0.702348 atau 0.7024 (dibulatkan).
(Harlan, 2004, Page 106-108)

6.2.1.2 Distribusi Hipergeometrik

Pengambilan sampel dapat dilakukan dengan atau tanpa pengembalian.
Pada sampling (pengambilan sampel) dengan pengembalian (with replacement),
tiap anggota sampel yang terpilih dikembalikan ke dalam himpunan calon anggota
sampel untuk pemilihan anggota sampel berikutnya, sehingga tiap anggota
populasi dapat terpilih lebih daripada satu kali (ataupun tidak terpilih) untuk
menjadi anggota sampel.
Pada sampling tanpa pengembalian (without replacement), tiap anggota
sampel yang terpilih dikeluarkan dari himpunan calon anggota sampel untuk
pemilihan anggota sampel berikutnya, sehingga tiap anggota populasi hanya
mungkin terpilih satu kali (ataupun tidak terpilih) untuk menjadi anggota
sampel.
Pengambilan sampel dengan pengembalian dari populasi yang memiliki
karakteristik yang bersifat biner (dikotomi) akan menghasilkan distribusi
binomial, sedangkan pengambilan sampel tanpa pengembalian dari populasi
yang memiliki karakteristik biner menghasilkan distribusi hipergeometrik.
Contoh 1:
Sebuah kotak berisi 6 bola merah (M) dan bola hitam (H). Dari kotak
tersebut, dikeluarkan sebuah bola secara acak tiga kali berturut-turut. Probabilitas
untuk mendapatkan bola merah atau hitam pada tiap kali pengambilan, baik pada
sampling dengan ataupun tanpa pengembalian diperlihatkan pada Gambar 6.3.
Pada sampling dengan pengembalian, komposisi isi kotak selalu tetap 6
bola merah dan 4 bola hitam, probabilitas untuk mendapatkan bola merah selalu
berupa P(M) = 6/10 dan probabilitas untuk mendapatkan bola hitam selalu tetap
berupa P(H) = 4/10. Probabilitas untuk mendapatkan x bola merah (ataupun n-x
bola hitam) pada n kali pengambilan sampel dengan pengembalian dapat dihitung
dengan menggunakan distribusi binomial.
Pada sampling tanpa pengembalian, probabilitas untuk mendapatkan bola
merah (atau bola hitam) pada tiap kali pengambilan akan selalu berubah, karena

komposisi isi kotak akan selalu berubah sesuai dengan hasil yang diperoleh pada
pengambilan sebelumnya. Probabilitas untuk mendapatkan x bola merah (atau n-

x bola hitam) pada n kali pengambilan sampel tanpa pengembalian dapat dihitung
dengan menggunakan distribusi hipergeometrik.
Gambar 6.2. Skema Probabilitas hasil tiap percobaan pada sampling dengan
atau tanpa pengembalian
Contoh 2:
Misalkan sebuah kotak berisi 50 tabung elektronik, 10 diantaranya rusak dan 40
baik.
a N-a N
10 40 50
a. Diambil sampel n = 3 tube (tanpa pengembalian; n < a):

X menyatakan jumlah tube yang rusak dalam sampel: X = {0, 1, 2, 3};
yaitu: X = {0, 1, … n}
b. Diambil sampel n = 15 (n > a): X = {0, 1, …, 10}; yaitu: X {0, 1, …, a}

Untuk soal a :
𝐶010 𝐶340 𝐶110 𝐶240

P (X =0) P (X =1)
𝐶350 𝐶350
𝐶210 𝐶140 𝐶110 𝐶240

P (X =2) P (X =3)
𝐶350 𝐶350
Untuk soal b :
𝐶010 𝐶15
40 𝐶110 𝐶240
P (X =0) 50 P (X =1) 50
𝐶15 𝐶15
𝐶210 𝐶13
40 10 𝐶140
𝐶13 2
P (X =2) 50 P (X =3) 50
𝐶15 𝐶15
dan seterusnya.
Secara umum distribusi probabilitas hipergeometrik dapat dinyatakan

sebagai:
Keterangan:

x = Jumlah sukses dalam sampel, untuk x = 0, 1, 2, 3, …, n

(nilai yang ditanyakan dalam probabilitas)
N = Jumlah kejadian dalam populasi
a = Jumlah sukses dalam populasi
n = Jumlah kejadian dalam sampel
(Harlan, 2004. Page 111-115)
Contoh Soal:
Perusahaan mainan “PlayTime” mempekerjakan 50 orang di Departemen
Perakitan. 40 karyawan tergabung dalam serikat pekerja dan 10 lainnya tidak. Jika
5 karyawan dipilih secara acak untuk membentuk komite untuk bertemu dengan
manajemen mengenai waktu mulai shift. Berapakah probabilitas bahwa 4 dari 5
yang dipilih untuk komite menjadi anggota serikat pekerja?
Penyelesaian:
Diketahui : X = 4, N = 50, a = 40, n = 5

Jadi, probabilitas memilih 5 pekerja perakitan secara acak dari 50 pekerja serta
mendapatkan 4 dari 5 anggota serikat pekerja yaitu 0,431.

Untuk menyelesaikan persoalan distribusi Hipergeometrik, dapat digunakan
program R. Langkah-langkahnya sebagai berikut :
1. Tekan icon R Commander pada desktop, kemudian pilih menu Distributions,
Discrete Distributions, Hypergeometrik Distribution, Hypergeometrik
Probabilities.
2. Masukkan nilai m (The Number Of White Balls in The Urn – jumlah sukses
dalam populasi = nilai a dalam soal) = 40
Masukkan nilai n (The Number Of Black Balls in The Urn - jumlah gagal dalam
populasi atau = lawan dari nilai m) = 10
Masukkan nilai k (The Number Of Balls Drawn From The Urn - Jumlah kejadian
dalam sampel ) = 5, karena banyaknya nilai yang diambil dari percobaan
adalah 5, kemudian tekan tombol OK.

3. Maka akan tampil seperti berikut :
Karena yang ditanya adalah nilai X = 4, maka lihat output Pr yang ke-4, yaitu
0,431.
(Contoh Soal diambil dari Lind, Marchal, and Wathen (2012), Page: 205)
6.2.1.3 Distribusi Poisson

Distribusi probabilitas poisson (dibaca: pwa-song’) menggambarkan
berapa banyak peristiwa terjadi selama interval tertentu. Interval dapat berupa
waktu, jarak, luas, atau volume.
Distribusi didasarkan pada dua asumsi. Asumsi pertama adalah bahwa
probabilitas sebanding dengan panjang interval. Asumsi kedua adalah bahwa
intervalnya independen. Dengan kata lain, semakin panjang intervalnya, semakin
besar probabilitasnya, dan jumlah kemunculan dalam satu interval tidak

mempengaruhi interval lainnya. Distribusi ini juga merupakan bentuk pembatas

dari distribusi binomial Ketika probabilitas keberhasilan sangat kecil dan n besar.
Hal ini sering disebut sebagai “hukum peristiwa yang tidak mungkin’, yang berarti
bahwa probabilitas, π, dari suatu kejadian tertentu yang terjadi cukup kecil.
Distribusi probabilitas poisson dapat dirumuskan:
X −µ
P(x) = µ e
x!
Keterangan:
e = 2,71828 (bilangan pokok log naturalis)
µ = Rata-rata keberhasilan dalam interval tertentu (µ = np)
x = Banyaknya unsur berhasil dalam sampel
P(x) = probabilitas untuk nilai x tertentu
(Lind, Marchal, and Wathen (2012), Page: 207-208)
Contoh Soal:
10% dari alat perkakas yang diproduksi dalam suatu proses produksi adalah
perkakas yang cacat. Carilah probabilitas bahwa dalam 10 sampel perkakas yang
dipilih secara acak, tepat 2 diantaranya merupakan perkakas yang cacat.
Penyelesaian:
n = 10; p = 10% = 0,1; µ = np = (10)(0,1) = 1; x = 2
µXe−µ
P(x) =
x!
(1)2(e−1)
P(2) = = 0,1839
2!


1. Tekan icon R Commander pada desktop, kemudian akan muncul tampilan
seperti gambar di bawah ini.
2. Pilih menu Distributions, Discreate Distribution, Poisson Distribution, Poisson

Probabilities
3. Kemudian masukan Mean = 1 ( didapat dari n*p ) = 10*10%

Contoh soal diambil dari: (Spiegel dan Stephens, 2004. Page 142).
6.2.2 Distribusi Probabilitas Kontinu

Distribusi probabilitas kontinu biasanya dihasilkan dari pengukuran
sesuatu, seperti jarak dari asrama ke ruang kelas, bobot individu, atau jumlah
bonus yang diperoleh oleh CEO. Misalkan kita memilih lima siswa dan mencari
jarak, dalam mil, yang mereka tempuh untuk menghadiri kelas sebagai berikut:
12,2; 8,9; 6,7; 3,6; dan 14,6. Saat memeriksa distribusi kontinu, biasanya tertarik
pada informasi seperti persentase siswa yang menempuh perjalanan kurang dari
10 mil atau persentase yang menempuh perjalanan lebih dari 8 mil. Dengan kata
lain, untuk distribusi kontinu, kita mungkin ingin mengetahui persentase
pengamatan yang terjadi dalam rentang tertentu. Penting untuk menyadari

bahwa variabel acak kontinu memiliki jumlah nilai yang tak terbatas dalam rentang
tertentu.
Distribusi kontinu terdiri dari distribusi uniform, distribusi normal, dan
distribusi eksponensial.
6.2.2.1 Distribusi Uniform

Distribusi probabilitas uniform merupakan distribusi paling sederhana
untuk variabel acak kontinu. Distribusi ini ditentukan oleh nilai minimum dan
maksimum. Berikut ini adalah contoh disribusi uniform:
 Waktu terbang dengan pesawat komersial dari Orlando, Florida ke Atlanta,
Georgia berkisar antara 60 menit hingga 120 menit. Variable acaknya
adalah waktu penerbangan dalam interval ini. Variabel yang diminati,
waktu terbang dalam menit, kontinu dalam selang waktu 60 menit hingga
120 menit.
 Relawan di Perpustakaan Umum Grand Strand menyiapkan formulir pajak
pendapatan federal. Waktu untuk menyiapkan formulir 1040-EZ mengikuti
distribusi uniform selama interval antara 10 menit dan 30 menit. Variabel
acak adalah jumlah menit untuk menyelesaikan formulir, dan dapat
mengasumsikan nilai antara 10 dan 30.
Distribusi uniform ditunjukkan pada Gambar 6.3. Bentuk sebarannya

adalah persegi panjang dan memiliki nilai minimum a dan maksimum b. Perhatikan
juga pada Gambar 6.3 ketinggian distribusi adalah konstan atau seragam untuk
semua nilai antara a dan b.

Gambar 6.3 Distribusi Uniform
Rata-rata distribusi uniform terletak di tengah interval antara nilai

minimum dan maksimum. Dapat dihitung sebagai berikut:
a+b
µ=
2
Standar deviasi menggambarkan dispersi distribusi. Dalam distribusi
uniform, standar deviasi juga terkait dengan interval antara nilai maksimum dan
minimum.
(b − a)2
σ=√
12
Persamaan untuk distribusi uniform adalah sebagai berikut:

1
P(x) = jika a ≤ x ≤ b
b−a
0 lainnya
Distribusi probabilitas berguna untuk membuat pernyataan probabilitas

mengenai nilai-nilai variabel acak. Untuk distribusi yang menggambarkan variabel
acak kontinu, area dalam distribusi mewakili probabilitas. Dalam distribusi
uniform, bentuk persegi memungkinkan kita untuk menerapkan rumus luas untuk
persegi panjang. Ingatlah bahwa kita menemukan luas persegi panjang dengan
mengalikan panjangnya dengan tingginya. Untuk distribusi uniform, tinggi persegi
panjang adalah P(x), yaitu 1/(b – a). Panjang atau alas distribusi adalah b – a. Jadi,

jika mengkalikan tinggi sebaran dengan seluruh jangkauannya untuk mencari luas,
hasilnya selalu 1,00. Dengan kata lain, luas total dalam distribusi probabilitas
kontinu adalah sama dengan 1,00. Secara umum:
1
Luas = (tinggi)(alas) = (b − a) = 1,00
(b − a)
Jadi jika distribusi uniform berkisar antara 10 hingga 15, tingginya adalah
0,20, diperoleh dari 1/(15 – 10). Alasnya adalah 5, diperoleh dari 15 – 10. Luas
totalnya adalah:
1
Luas = (tinggi)(alas) = (15 − 10) = 1,00
(15 − 10)
Contoh:
Southwest Arizona State University menyediakan layanan bus kepada mahasiswa
saat mereka berada di kampus. Sebuah bus tiba di North Main Street dan College
Drive setiap 30 menit antara pukul 6 pagi dan 11 malam selama hari kerja.
Mahasiswa tiba di halte bus pada waktu yang acak. Waktu yang dibutuhkan
seorang mahasiswa untuk menunggu terdistribusi secara merata dari 0 sampai 30
menit.
1. Gambarlah grafik dari distribusi ini.
2. Tunjukkan bahwa luas distribusi uniform ini adalah 1,00.
3. Berapa lama seorang mahasiswa "biasanya" harus menunggu? Dengan kata
lain, apa yang dimaksud dengan waktu tunggu rata-rata? Berapa standar
deviasi waktu tunggu?
4. Berapa probabilitas seorang mahasiswa menunggu lebih dari 25 menit?
5. Berapa probabilitas seorang mahasiswa akan menunggu antara 10 dan 20
menit?
Penyelesaian:
Dalam hal ini, variabel acaknya adalah lamanya waktu seorang mahasiswa harus
menunggu. Waktu diukur pada skala kontinu, dan waktu tunggu dapat berkisar
dari 0 menit hingga 30 menit.

1. Grafik distribusi uniform ditunjukkan pada gambar di bawah ini. Garis

horizontal ditarik pada ketinggian 0,0333, diperoleh dari 1/(30–0). Jangkauan
distribusi ini adalah 30 menit.
2. Waktu mahasiswa harus menunggu bus terdistribusi secara merata selama

selang waktu dari 0 menit sampai 30 menit, jadi dalam hal ini a adalah 0 dan
b adalah 30.
1
Luas = (tinggi)(alas) = (30 − 0) = 1,00
(30 − 0)
3. Untuk mencari mean atau rata-rata:
0 + 30a+b
µ= = 15 =
2 2
Rata-rata distribusi adalah 15 menit, jadi waktu tunggu yang biasa untuk
layanan bus adalah 15 menit.
Untuk menghitung standar deviasi waktu tunggu:
(b − a)2 (30 − 0)2

σ=√ =√ = 8,66
12 12
Standar deviasi distribusi adalah 8,66 menit. Ini mengukur variasi waktu
tunggu mahasiswa.
4. Luas dalam distribusi untuk interval 25 hingga 30 mewakili probabilitas
khusus. Dari rumus:
1
P(25 < waktu tunggu < 30) = (tinggi)(alas) = (30 − 25) = 0,1667
(30 − 0)
Jadi, probabilitas seorang mahasiswa menunggu antara 25 hingga 30 menit
adalah 0,1667. Kesimpulan ini diilustrasikan oleh grafik berikut.


 Tekan icon R Commander pada desktop, kemudian akan muncul tampilan
 Pilih menu Distributions, Continuous Distribution, Uniform Distribution,

Uniform Probabilities.

 Kemudian masukan Variable value(s) = 25, Minimum = 0, Maximum = 30.

Lalu pilih Upper tail karena dalam soal yang ditanyakan “lebih dari 25
menit”. Apabila dalam soal dinyatakan “kurang dari” maka pilih “Lower
tail”. Kemudian klik OK.
 Maka didapat hasilnya yaitu sebagai berikut:

5. Luas dalam distribusi untuk interval 10 hingga 20 mewakili probabilitas

khusus. Dari rumus:
1
P(10 < waktu tunggu < 20) = (tinggi)(alas) = (20 − 10) = 0,3333
(30 − 0)
Jadi, probabilitas seorang mahasiswa menunggu antara 10 hingga 20 menit
adalah 0,3333. Kesimpulan ini diilustrasikan oleh grafik berikut.
6.2.2.2 Distribusi Normal

Satu dari beberapa contoh paling penting dari distribusi probabilitas
kontinu adalah distribusi normal, kurva normal, atau distribusi Gauss. (Spiegel dan
Stephens, 2004. Page 129).
Distribusi ini didefinisikan oleh persamaan:
(X−μ) 2
1 −[ ]
P(x) = e 2σ2
σ√2π
dimana:
μ = mean
σ = standar deviasi
π = 3,14
e = 2,718
X = nilai variabel acak kontinu
Disini tidak perlu membuat perhitungan apa pun dari rumus di atas.
Distribusi probabilitas normal memiliki karakteristik utama sebagai berikut:
 Berbentuk lonceng (bell-shaped) dan memiliki satu puncak di pusat

distribusi. Rata-rata aritmatika, median, dan modus sama dan terletak di
pusat distribusi. Luas total di bawah kurva adalah 1,00. Setengah area di

bawah kurva normal berada di sebelah kanan titik pusat ini dan setengah
lainnya di sebelah kirinya.
 Simetris (symmetrical) mengenai rata-rata. Jika kita memotong kurva
normal secara vertikal pada nilai tengah, kedua bagian akan menjadi
bayangan cermin.
 Tepat di kedua arah dari nilai pusat. Yaitu, distribusinya asimtotik
(asymptotic): Kurva semakin dekat dan dekat dengan sumbu X tetapi tidak
pernah benar-benar menyentuhnya. Dengan kata lain, ekor kurva
memanjang tanpa batas di kedua arah.
 Lokasi distribusi normal ditentukan oleh rata-rata (µ). Dispersi atau
penyebaran distribusi ditentukan oleh standar deviasi (σ).
Gambar 6.4 Karakteristik Distribusi Normal
6.2.2.3 Distribusi Normal Standar

Banyaknya distribusi normal tidak terbatas, masing-masing memiliki
perbedaan mean (µ), standar deviasi (σ), atau keduanya. Meskipun dimungkinkan
untuk menyediakan tabel probabilitas untuk distribusi diskrit seperti binomial dan
poisson, menyediakan tabel untuk jumlah tak terbatas dari distribusi normal tidak
memungkinkan. Untungnya, satu anggota keluarga dapat digunakan untuk
menentukan probabilitas untuk semua distribusi probabilitas normal. Ini disebut
distribusi probabilitas normal standar, dan distribusi ini unik karena memiliki rata-
rata 0 dan standar deviasi 1.

Setiap distribusi probabilitas normal dapat diubah menjadi distribusi

probabilitas normal standar dengan mengurangkan mean dari setiap pengamatan
dan membagi perbedaannya dengan standar deviasi. Hasilnya disebut nilai z atau
skor z.
X−μ
z=
σ
dimana:
X = nilai pengamatan
µ = mean atau rata-rata
σ = standar deviasi
Nilai z menyatakan jarak atau perbedaan antara nilai tertentu dari X dan
rata-rata aritmatika dalam satuan standar deviasi. Setelah pengamatan
terdistribusi normal distandarisasi, nilai z terdistribusi normal dengan rata-rata 0
dan standar deviasi 1. Jadi distribusi z memiliki semua karakteristik dari setiap
distribusi probabilitas normal.
Contoh:
Pendapatan mingguan shift mandor di industri kaca mengikuti distribusi
probabilitas normal dengan rata-rata $1.000 dan standar deviasi $100. Berapa
nilai z untuk pendapatan (X) dari seorang shift mandor yang berpenghasilan:
a. Antara $790 dan $1000 ?

b. Kurang dari $790?
Penyelesaian:
a. Nilai z untuk X = $790 adalah:
X−μ $790 − $1.000
z= = = −2,10
σ $100
Lihat gambar tabel di bawah ini. Margin kiri baris 2.1 dan ke kolom 0,00.
Nilainya adalah 0,4821. Jadi, area di bawah kurva normal standar yang
sesuai dengan nilai z = 2,10 adalah 0,4821. Namun, karena distribusi

normalnya simetris, area antara 0 dan nilai z negatif sama dengan area
antara 0 dan nilai z positif. Kemungkinan menemukan mandor yang
berpenghasilan antara $790 dan $1.000 adalah 0,4821. Dalam notasi
probabilitas, dituliskan P($790 < penghasilan mingguan < $1000) = 0,4821.
Ini berarti bahwa 48,21% mandor memiliki pendapatan mingguan antara

$790 dan $1.000.
b. Mean membagi kurva normal menjadi dua bagian yang identik. Area di
sebelah kiri rata-rata adalah 0,5000, dan area di sebelah kanan juga 0,5000.
Karena daerah kurva antara $790 dan $1.000 adalah 0,4821, maka luas di
bawah $790 adalah 0,0179, didapat dari 0,5000 – 0,4821. Dalam notasi
probabilitas, dituliskan P(pendapatan mingguan < $790) = 0,0179.
Selanjutnya, kita dapat mengantisipasi bahwa 1,79% mandor
menghasilkan pendapatan kurang dari $790 per minggu.


 Pilih menu Distributions, Continuous Distribution, Normal Distribution,

Normal Probabilities.
 Kemudian masukan Variable value(s) = 790, Mean = 1000, Standard

Deviation = 100. Lalu pilih Lower tail karena dalam soal yang ditanyakan
“kurang dari $790”. Apabila dalam soal dinyatakan “lebih dari” maka pilih
“Upper tail”. Kemudian klik OK.

6.2.2.4 Distribusi Eksponensial

Distribusi probabilitas kontinu selanjutnya yang dibahas adalah distribusi
eksponensial. Distribusi probabilitas kontinu ini biasanya menggambarkan waktu
antara peristiwa secara berurutan. Tindakan terjadi secara independen dengan
laju konstan per satuan waktu atau panjang. Karena waktu tidak pernah negatif,
variabel acak eksponensial selalu positif. Distribusi eksponensial biasanya
menggambarkan situasi seperti:

 Waktu layanan dalam suatu sistem (misalnya, berapa lama waktu yang
dibutuhkan untuk melayani pelanggan).
 Waktu antara "hits" di situs web.
 Masa pakai komponen listrik.
 Waktu sampai panggilan telepon berikutnya tiba di pusat layanan
pelanggan.
Distribusi probabilitas eksponensial adalah condong positif. Itu berbeda

dari distribusi uniform dan normal, yang keduanya simetris. Selain itu, distribusi
dijelaskan oleh hanya satu parameter, yang akan kita identifikasi sebagai 𝜆. 𝜆
sering disebut sebagai parameter "laju". Gambar berikut menunjukkan perubahan
bentuk distribusi eksponensial saat kita memvariasikan nilai 𝜆 dari 1/3 menjadi 1
hingga 2. Perhatikan bahwa semakin kita mengecilkan 𝜆, bentuk distribusi berubah
menjadi "kurang condong".
Gambar 6.5
Ciri lain dari distribusi eksponensial adalah hubungannya yang erat dengan
distribusi poisson. Poisson adalah distribusi probabilitas diskrit dan juga memiliki
parameter tunggal (µ). Untuk menjelaskan hubungan antara poisson dan distribusi
eksponensial, misalkan tingkat kedatangan pelanggan di restoran keluarga selama
jam makan malam adalah 6 per jam. Kami menggunakan distribusi poisson untuk
menemukan probabilitas pada jam makan malam tertentu bahwa 2 pelanggan
tiba, atau 7 tiba, dan seterusnya. Jadi kita memiliki distribusi poisson dengan rata-

rata 6. Tetapi misalkan, daripada mempelajari jumlah pelanggan yang datang

dalam satu jam, kita ingin mempelajari waktu antara kedatangan mereka. Waktu
antara kedatangan adalah distribusi kontinu, karena waktu diukur sebagai variabel
acak kontinu. Jika pelanggan tiba dengan tarif 6 per jam, maka secara logis waktu
rata-rata atau tipikal antara kedatangan adalah 1/6 jam, atau 10 menit. Disini
harus berhati-hati untuk konsisten dengan unit, jadi dituliskan saja 1/6 jam. Jadi
secara umum, jika kita mengetahui pelanggan tiba dengan tarif tertentu per jam,
yang kita sebut µ, maka kita dapat mengharapkan waktu rata-rata antara
kedatangan menjadi 1/µ. Parameter laju 𝜆 sama dengan 1/µ. Jadi dalam contoh
kedatangan restoran, 𝜆 = 1/6.
Grafik distribusi eksponensial dimulai pada nilai 𝜆 ketika nilai variabel acak
(X) adalah 0. Distribusi menurun secara konstan saat kita bergerak ke kanan
dengan meningkatnya nilai X.
P(x) = 𝜆e-𝜆x
Rata-rata dan standar deviasi dari distribusi eksponensial keduanya sama dengan
1/𝜆.
Dengan distribusi kontinu, kami tidak membahas probabilitas bahwa nilai
yang berbeda akan terjadi. Sebaliknya, luas atau daerah di bawah grafik distribusi
probabilitas antara dua nilai tertentu memberikan probabilitas variabel acak
dalam interval tersebut. Area di bawah fungsi kerapatan eksponensial ditemukan
dengan rumus sederhana dan perhitungan yang diperlukan dapat diselesaikan
dengan kalkulator genggam yang memiliki kunci ex. Probabilitas memperoleh nilai
kedatangan kurang dari nilai x tertentu adalah:
P(waktu kedatangan < x) = 1 – e-𝜆x

Contoh:
Pesanan resep tiba di situs web apotek menurut distribusi probabilitas
eksponensial dengan rata-rata satu setiap 20 detik. Temukan probabilitas pesanan
berikutnya tiba dalam waktu
a. kurang dari 5 detik
b. lebih dari 40 detik
c. antara 5 dan 40 detik.
Penyelesaian:
a. Pertama, tentukan parameter laju 𝜆 adalah 1/20. Untuk mencari probabilitas,
kitamasukkan 1/20 untuk 𝜆 dan 5 untuk x.
1
P(waktu kedatangan < 5) = 1 – e−20(5) = 1 – e-0,25 = 1 – 0,7788 = 0,2212
Jadi dapat disimpulkan ada kemungkinan 22% pesanan berikutnya

akantiba dalam waktu kurang dari lima detik.

 Pilih menu Distributions, Continuous Distribution, Exponential Distribution,

Exponential Probabilities.
 Kemudian masukan Variable value(s) = 5, Rate = 1/20 = 0,05. Lalu pilih

Lower tail karena dalam soal yang ditanyakan “kurang dari 5 detik”. Apabila
dalam soal dinyatakan “lebih dari” maka pilih “Upper tail”. Kemudian klik
OK.

b. Untuk menemukan probabilitas pesanan berikutnya akan tiba dalamwaktu

lebih dari 40 detik:
1. Tentukan probabilitas pesanan diterima dalam waktu kurang dari 40 detik.
1
P(waktu kedatangan < 40) = 1 – e−20(40) = 1 – 0,1353 = 0,8647
2. Tentukan probabilitas pesanan diterima lebih dari 40 detik
P(waktu kedatangan > 40) = 1 – P(waktu kedatangan < 40) = 1 – 0,8647 =
0,1353.
Dapat disimpulkan bahwa kemungkinan 40 detik atau lebih sebelum pesanan
berikutnya diterima di apotek adalah 13,5%.

 Pilih menu Distributions, Continuous Distribution, Exponential Distribution,

Exponential Probabilities.
 Kemudian masukan Variable value(s) = 40, Rate = 1/20 = 0,05. Lalu pilih
Upper tail karena dalam soal yang ditanyakan “lebih dari 40 detik”. Apabila
dalam soal dinyatakan “kurang dari” maka pilih “Lower tail”. Kemudian klik
OK.

c. Untuk menentukan probabilitas bahwa akan memakan waktu lebih dari 5detik
tetapi kurang dari 40 detik untuk pesanan berikutnya tiba yaitu dirumuskan:
P(5 ≤ x ≤ 40) = P(waktu kedatangan ≤ 40) – P(waktu kedatangan ≤ 5)
1 1
P(5 ≤ x ≤ 40) = (1 – e−20(40)) – (1 – e−20(5)) = 0,8647 – 0,2212 = 0,6435
Dapat disimpulkan bahwa 64% dari waktu, waktu antar pesanan akan
berkisar 5detik dan 40 detik. (Lind, Marchal, and Wathen (2012), Page: 223-
249).

DAFTAR PUSTAKA
Harlan, Johan. 2004. Metode Statistika 1. Jakarta: Gunadarma.
Lind, D. A., Marchal, W. G., & Wathen, S. A. 2012. Statistical Techniques in Business
& Economics. New York: McGraw-Hill.
Spiegel, Murray R., dan Stephens, Larry J. 2004. Statistik. Edisi ketiga. Jakarta: PT
Erlangga.
Supranto, J., dan Limakrisna, Nandan. 2010. Statistika Ekonomi & Bisnis. Jakarta:
Mitra Wacana Media.

PROBABILITAS DAN DISTRIBUSI

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

PROBABILITAS DAN DISTRIBUSI

Diunggah oleh

Hak Cipta:

Format Tersedia

PROBABILITAS DAN DISTRIBUSI TEORITIS

6.1 Konsep Dasar Probabilitas

Integrated Laboratory Universitas Gunadarma-Statistika 1 1

 Kalau X = n = 100, semua barang dalam keadaan rusak.

kecil 0, paling besar 1, tak pernah negatif.

Integrated Laboratory Universitas Gunadarma-Statistika 1 2

saham adalah 15%.

(Supranto dan Limakrisna, 2010. Page 66-73)

Dalam konsep peluang dikenal juga istilah permutasi dan kombinasi.

Integrated Laboratory Universitas Gunadarma-Statistika 1 3

Integrated Laboratory Universitas Gunadarma-Statistika 1 4

6.2 Distribusi Probabilitas

6.2.1 Distribusi Probabilitas Diskrit

Tabel 6.1 Distribusi Probabilitas X

Dari tabel dapat dilihat bahwa probabilitas untuk memperoleh jumlah 5

Integrated Laboratory Universitas Gunadarma-Statistika 1 5

Perhatikan bahwa hal ini merupakan analogi terhadap distribusi frekuensi

Dengan mengakumulasikan probabilitas-probabilitas, kita akan mendapatkan

6.2.1.1 Distribusi Binomial

Integrated Laboratory Universitas Gunadarma-Statistika 1 6

TTTT TTTS SSTT SSST SSSS

Maka diperoleh distribusi probabilitas distribusi binomial:

Integrated Laboratory Universitas Gunadarma-Statistika 1 7

LANGKAH-LANGKAH PENYELESAIAN DENGAN SOFTWARE:

Integrated Laboratory Universitas Gunadarma-Statistika 1 8

2. Pilih menu Distribution, Discrete Distributions, Binomial Distribution,

3. Isi nilai n pada kotak Binomial Trials = 4, kemudian input Probabilities

4. Maka Output Window muncul probabilitas untuk memperoleh empat

Integrated Laboratory Universitas Gunadarma-Statistika 1 9

2. Pilih menu Distribution, Discrete Distributions, Binomial Distribution,

3. Isi nilai n pada kotak Binomial Trials = 4, kemudian input Probabilities

4. Maka Output Window muncul probabilitas untuk memperoleh tiga

Integrated Laboratory Universitas Gunadarma-Statistika 1 10

lalu Binomial Probabilities

3. Isi nilai n pada kotak Binomial Trials = 4, kemudian input Probabilities

4. Maka Output Window muncul probabilitas untuk memperoleh dua

Integrated Laboratory Universitas Gunadarma-Statistika 1 11

3. Masukkan variabel value (s) = 1, input binomial trial = 4, input

4. Maka nilai probabilitas paling sedikit memperoleh 2 dua orang anak

(Harlan, 2004, Page 106-108)

Integrated Laboratory Universitas Gunadarma-Statistika 1 12

6.2.1.2 Distribusi Hipergeometrik

Integrated Laboratory Universitas Gunadarma-Statistika 1 13

pengambilan sebelumnya. Probabilitas untuk mendapatkan x bola merah (atau n-

a. Diambil sampel n = 3 tube (tanpa pengembalian; n < a):

Integrated Laboratory Universitas Gunadarma-Statistika 1 14

𝐶010 𝐶340 𝐶110 𝐶240

𝐶210 𝐶140 𝐶110 𝐶240

Secara umum distribusi probabilitas hipergeometrik dapat dinyatakan

Integrated Laboratory Universitas Gunadarma-Statistika 1 15

x = Jumlah sukses dalam sampel, untuk x = 0, 1, 2, 3, …, n

(Harlan, 2004. Page 111-115)

Diketahui : X = 4, N = 50, a = 40, n = 5

Integrated Laboratory Universitas Gunadarma-Statistika 1 16

LANGKAH-LANGKAH PENYELESAIAN DENGAN SOFTWARE:

Integrated Laboratory Universitas Gunadarma-Statistika 1 17

3. Maka akan tampil seperti berikut :

6.2.1.3 Distribusi Poisson

Integrated Laboratory Universitas Gunadarma-Statistika 1 18

mempengaruhi interval lainnya. Distribusi ini juga merupakan bentuk pembatas

(Lind, Marchal, and Wathen (2012), Page: 207-208)

Integrated Laboratory Universitas Gunadarma-Statistika 1 19

LANGKAH-LANGKAH PENYELESAIAN DENGAN SOFTWARE:

3. Kemudian masukan Mean = 1 ( didapat dari np ) = 1010%