IV.

DISTRIBUSI PENTING
DALAM STATISTIKA
Tim Statistika
Jurusan Peternakan
Fakultas Pertanian
Universitas Lampung
 Definisi
Distribusi probabilitas adalah fungsi matematis yang memberikan
probabilitas terjadinya kemungkinan hasil yang berbeda dalam suatu
eksperimen. Dalam istilah yang lebih teknis, distribusi probabilitas
adalah deskripsi dari fenomena acak dalam hal probabilitas kejadian.
Misalnya, jika variabel acak X digunakan untuk menunjukkan hasil
lemparan koin (toss), maka distribusi probabilitas X akan
menghasilkan nilai 0,5 untuk X = kepala, dan 0,5 untuk X = ekor.
Distribusi probabilitas secara umum dibagi menjadi dua, yaitu
distribusi probabilitas diskret (seperti lemparan koin atau dadu)
dan distribusi probabilitas yang berkesinambungan atau
kontinyu (misalnya bilangan real, bobot sapi).
Distribusi
Probabilitas

Discrete Continue

4. Distribusi Chi-square 1.Distribusi Normal

1.Distribusi Binomial 2. Distribusi t
2.Distribusi Poisson 5. Distribusi Eksponensial
3. Distribusi F
 Distribusi Binomial (Binomial distribution)

Distribusi binomial digunakan ketika ada dua hasil percobaan yang saling eksklusif.
Distribusi binomial cocok untuk percobaan berulang, masing-masing dengan hasil
dikotomi seperti kegagalan-sukses, sakit-sehat, kepala-ekor, dan lain-lain

Bila ada n percobaan, maka cara untuk mendapatkan banyaknya k

keberhasilan dari n yang diberikan oleh koefisien binomial sebagai berikut.

𝑛!
,
𝑘! (𝑛 − 𝑘)!

dimana n! = n.(ni-1) ... 1 dan 0! = 1 (Samuels & Witmer, 2003). Probabilitas

binomial banyaknya k keberhasilan dari n terdiri dari perkalian dari koefisien ini
dengan probabilitas keberhasilan k dan probabilitas kegagalan n - k.
Misalkan p adalah probabilitas keberhasilan dalam percobaan tunggal dan X
(secara acak) variabel yang menunjukkan jumlah keberhasilan. Maka
probabilitas P dari peristiwa (X = k) dimana keberhasilan k yang terjadi di luar
n percobaan dapat dinyatakan sebagai
𝑛!
𝑃(𝑋 = 𝑘) = 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 , untuk k = 0,…,n.
𝑘!(𝑛−𝑘)!
Contoh. Jika suami istri keduanya carrier (pembawa gen) untuk albino
menikah (Aa x Aa, alel a adalah resesif untuk albino), maka masing-
masing anak memiliki probabilitas 3/4 menjadi normal dan 1/4
menjadi albino. Berapa probabilitas lahirnya anak albino dari tiga
anak pertama yang lahir? Untuk menjawab pertanyaan ini kita
mengambil n = 3, k = 1, dan p = 0,25 kedalam Persamaan.
> ((3*2*1)/((1)*(2*1)))*(0.25^1*0.75^2) ##Solusi 1 (sesuai
formula diatas)
[1] 0.421875
> 3*0.25*0.75^2 ##Solusi 2 (menggunakan rumus segi tiga
pascal, (a+b)3)
[1] 0.421875
> choose(3,1)*0.25^1*0.75^2 ##Solusi 3
[1] 0.421875
> dbinom(1, size=3, prob=0.25) ##Solusi 4
[1] 0.421875
 Distribusi Poisson
Distribusi Poisson adalah distribusi probabilitas kejadian peristiwa
independen dalam suatu interval. Apabila X merupakan variabel
diskret yang mengikuti distribusi peluang dan jika λ adalah kejadian
rata-rata per interval, maka probabilitas memiliki k kejadian dalam
interval yang diberikan adalah:

λ𝑘 𝑒 −λ
𝑃 𝑋=𝑘 = 𝑢𝑛𝑡𝑢𝑘 𝑘 = 0, 1, 2, … 𝑛 dimana λ=np
𝑘!
 Density

0.00 0.05 0.10 0.15

5
10

Outcome
15
20
25
 0.3
Density

0.2

0.1

0.0

0 5 10 15 20 25
Outcome
Contoh 1. Jika rata-rata ada dua belas mobil yang melintasi jembatan per
menit, berapa kemungkinan terdapat enam belas atau lebih mobil yang
melintasi jembatan dalam satu menit tertentu?
Peluang terdapatnya enam belas atau kurang mobil yang melintasi
jembatan dalam satu menit tertentu diberikan oleh fungsi ppois sebagai
berikut.

> ppois(16, lambda=12) # lower tail

[1] 0.89870899
Oleh karena itu, probabilitas terdapatnya enam belas atau lebih mobil yang
melintasi jembatan dalam satu menit berada di ekor dari kurva distribusi
poisson.

> ppois(16, lambda=12, lower=FALSE) # upper tail

[1] 0.10129101
Jadi jika ada dua belas mobil yang melintasi jembatan rata-rata per menit,
kemungkinan terdapatnya enam belas atau lebih mobil yang melintasi
jembatan pada menit tertentu adalah 10,1%.
 Distribusi normal
Distribusi normal atau disebut Gaussian Distribution atau disebut juga
bell curve yakni mirip dengan bel adalah distribusi yang penting dalam
statistika karena merupakan dasar asumsi untuk analisis statistik.
Distribusi normal didefinisikan sebagai fungsi kepadatan probabilitas
seperti berikut ini, di mana μ adalah mean populasi dan σ2 adalah
varians.
1 −(𝑥−𝜇)2 /2𝜎 2
f(x)= 𝑒
𝜎 2𝜋
 Sebagai contoh, perhatikan area di bawah kurva normal standar yang ditunjukkan pada
Gambar dibawah ini.

Jika total area di bawah kurva sama dengan 1, maka daerah yang diarsir pada area di bawah kurva di sebelah
kiri x = 0 akan sama dengan 0,5, dan bentuknya simetris dengan sisanya (0,5 bagian) di sebelah kanan x = 0.
Pada program R perintah yang disebut pnorm ("p" untuk "probabilitas") dapat digunakan untuk
menggambarkan besarnya probabilitas area di bawah kurva.
> pnorm(0, mean=0, sd=1)
[1] 0.5
>
 Sebagai contoh kedua, misalnya kita ingin menghitung area di bawah kurva
normal standar (mean = 0, standar deviasi = 1) yaitu di sebelah kiri nilai x sampai
sebelah kanan mean sebesar 1 standar deviasi, maka dapat digambarkan seperti
Gambar dibawah ini.

Dalam hal ini total area dibawah kurva dari x=1 ke kiri adalah sebagai berikut.
> pnorm(1, mean=0, sd=1)
[1] 0.8413447
>
Hasil ini menunjukkan bahwa jika kita menggambar angka secara acak dari
distribusi normal standar, besarnya probabilitas bahwa kita menarik angka
yang kurang dari atau sama dengan 1 adalah 0,8413447.
Sebenarnya soal diatas bisa dijawab dengan rumus berikut:
𝑋−𝜇
𝑍=
𝜎
1−0
𝑍= =1
1
Kita cari nilai Z=1 pada tabel Z, yaitu nilai Z = 1,0 (baris)+ 0,00 (kolom) =
0.8413 . Pada program R untuk mencari probabilitas pada tabel Z adalah
sebagai berikut.
> pnorm(1)
[1] 0.8413447
> pnorm(1, mean=0, sd=1)##sama saja
[1] 0.8413447
 Contoh 1. Berapa luas daerah dibawah kurva antara x=-1 sampai x=1, seperti
digambarkan pada Gambar dibawah ini?

> pnorm(1,mean=0,sd=1)-pnorm(-1,mean=0,sd=1)
[1] 0.6826895
>
 Contoh 2. Berapa nilai x jika luas daerah dibawah kurva 0,95, seperti
ditunjukkan pada Gambar dibawah ini?

0.95

> qnorm(0.95,mean=0,sd=1)
[1] 1.644854
Contoh 4. Misalkan nilai ujian pada ujian masuk perguruan tinggi
sesuai dengan distribusi normal. Selanjutnya, nilai ujian rata-rata
adalah 72, dan standar deviasi adalah 15,2. Berapa persentase
siswa yang mendapatkan nilai 84 atau lebih dalam ujian tersebut?

> pnorm(q=84, mean=72,

sd=15.2, lower.tail=FALSE)
[1] 0.2149176
>
Contoh 5. Diasumsikan bahwa nilai ujian ujian masuk perguruan tinggi sesuai dengan
distribusi normal. Berdasarkan hasil ujian masuk, nilai tes rata-rata adalah 74, dan
standar deviasi adalah 15,4. Berapa persentase calon mahasiswa yang mempunyai nilai
80 atau lebih dalam ujian dan berapa yang mendapat nilai dibawah 60 serta antara 65-
75?
> pnorm(80, mean=74, sd=15.4, lower.tail=FALSE)
[1] 0.3484123
> pnorm(60, mean=74, sd=15.4, lower.tail=TRUE)
[1] 0.1816511
> pnorm(60, mean=74, sd=15.4)#defaultnya lower.tail=TRUE
[1] 0.1816511
> pnorm(75, mean=74, sd=15.4)-pnorm(65, mean=74, sd=15.4)
[1] 0.2464168
>