A.

Kegiatan Pembelajaran Ke 9
1. - Pengertian Probabilitas
Distribusi Probabilitas
Distribusi Probabilitas Variabel Acak Diskrit
Distribusi Variabel Acak Kontinu akan sekelompok data
Distribusi Teoritis,
Distribusi Binomial, Distribusi Poisson, Distribusi Hipergeometrik, Distribusi
Multinomial, Distribusi Normal

2. Tujuan Materi Pembelajaran

- Mahasiswa mampu memahami dan menjelaskan pengertian Variabel Acak,
- Mampu memahami dan menentukan nilai Probabilitas
- Mampu menentukan Distribusi Probabilitas
- Mampu Distribusi Probabilitas Variabel Acak Diskrit dan Distribusi Variabel
Acak Kontinu akan sekelompok data
- Mampu memahami Distribusi Teoritis, dan menentukan beberapa distribusi
probabilitas, seperti Distribusi Binomial, Distribusi Poisson, Distribusi
Hipergeometrik, Distribusi Multinomial, Distribusi Normalitas.

3. Materi Pembelajaran
Probabilitas Dan Distribusi Probabilitas
A. Probabilitas

Probabilitas merupakan cabang dari matematika, kalau matematika berhubungun dengan

perhitungan yang bersifat pasti. Maka probabilitas berhubungan dengan perhitungan yang
sifatnya didasarkan pada kemungkinan atau peluang. Jadi, jika matematika berhubungan
dengan peristiwa-peristiwa yang deterministic, maka probabilitas berhubungan dengan
peristiwa-peristiwa yang non-deteministik, yang berarti tidak dapat ditentukan sebelumnya
secara pasti.
Probabilitas sangat bermanfaat bagi pengambilan keputusan yang tepat, karena dalam
kehidupan sehari-hari tidak terlepas dari suatu kejadian atau peristiwa yang mungkin bisa
terjadi atau tidak mungkin terjadi, pasti terjadi, atau sama sekali tidak akan terjadi, sehingga
dalam hal ini perlu mengetahui berapa besar probabilitas atau peluang dan harapan akan suatu
peristiwa (event) akan terjadi.
Secara matematika probabilitas di definisikan sebagai frekuensi kumulatif (dalam
angka), Peluang yang paling rendah nilainya adalah nol (0) dan peluang yang paling tinggi
nilainya adalah 1 (satu).
Probabilitas suatu kejadian akan bernilai nol apabila suatu peristiwa yang kejadiannya
tidak mungkin akan terjadi, misalnya suatu peristiwa :
1. Besok hari matahari akan terbit dari arah selatan. Secara logika ini tidak akan mungkin
terjadi, maka probabilitasnya bernilai nol.
2. Seorang kakek-kakek melahirkan bayi,
3. Matahari esok akan terbit dari arah selatan, dan sebagainya..
Sedangkan suatu peristiwa yang kejadiannya pasti akan terjadi, maka akan mempunyai
probabilitas bernilai 1 (satu). Sebagai contohnya :
1) Setiap makhluk yang hidup didunia ini akan mengalami kematian.
2) Setiap barang dan jasa pasti mengalami perubahan seiring dengan waktu yang berlalu.
dsb

Nilai probabilitas juga bisa dihitung dalam bentuk persentase (%). dan yang paling perlu
diamati dan dihitung adalah peristiwa-peristiwa dari suatu kejadian yang akan terjadi nilainya
menunjukkan hasil probabilitas antara 0 dan 1, seperti :
1) Probabilitas pasien akan sembuh setelah minum obat;
2) Probabilitas setiap 50 komputer akan rusak setiap bulannya;
3) Probabilitas akan muncul mata dadu 1 dari pelemparan sebuah dadu, dan lainnya
Probabilitas suatu peristiwa yang akan terjadi merupakan perbandingan antara jumlah
banyaknya peristiwa kejadian yang akan terjadi dibandingkan dengan jumlah semua
kemungkinan-kemungkinan kejadian yang akan terjadi.

Contoh 1:
3 orang mahasiswa baru ingin membuka rekening tabungan. Di depan kampus terdapat 2 bank
yang berdekatan, yaitu BSM, BM. Ketiga mahasiswa tersebut bebas memilih bank yang akan
dijadikannya untuk membuka rekening tabungan.
Kemungkinan-kemungkinan bank yang akan dipilih ketiga mahasiswa tersebut adalah sebagai
berikut:
N = {(BSM, BSM, BSM), (BSM, BSM, BM), (BSM, BM, BSM), (BM, BSM, BSM),
(BSM, BM, BM), (BM, BSM, BM), (BM, BM, BSM), (BM, BM, BM)}
Maka ada 8 kemungkinan-kemungkinan yang akan dipih ketiga mahasiswa tersebut.

Jika, x = kejadian yang akan diharapkan terjadi

x = memilih BSM
maka Probabilitas kejadian yang diharapkan terjadi adalah P(x),

Banyaknya kemungkinan−kemungkinan yang memilih BSM

P(x) =
Kemungkinan−kemungkinan yang mungkin dipilih ketiga mahasiswa

Untuk x = memilih BSM = 0, artinya ketiga mahasiswa tersebut tidak ada yang
memilih BSM
Maka, P(x=0)=
( BM , BM , BM ) 1
=
( BSM , BSM , BSM ) , ( BSM , BSM , BM ) , ( BSM , BM , BSM ) , ( BM , BSM , BSM ) , 8
( BSM , BM , BM ) ,( BM , BSM , BM ),( BM , BM , BSM ),( BM , BM , BM )
Artinya peluang ketiga mahasiwa tersebut tidak ada yang memilih untuk menabung di
BSM adalah 1/8.

Begitu juga selanjutnya:

P(x=1) =
( BSM , BM , BM ) , ( BM , BSM , BM ) ,(BM , BM , BSM ) 3
=
( BSM , BSM , BSM ) , ( BSM , BSM , BM ) , ( BSM , BM , BSM ) , ( BM , BSM , BSM ) , 8
( BSM , BM , BM ) ,(BM , BSM , BM ),( BM , BM , BSM ),( BM , BM , BM )
Artinya peluang ketiga mahasiswa hanya 1 (satu) orang yang memilih menabung di
BSM adalah 3/8.
 P(x=2) =
( BSM , BSM , BM ) , ( BSM , BM , BSM ) ,(BM , BSM , BSM ) 3
=¿
( BSM , BSM , BSM ) , ( BSM , BSM , BM ) , ( BSM , BM , BSM ) , ( BM , BSM , BSM ) , 8
( BSM , BM , BM ) ,(BM , BSM , BM ),( BM , BM , BSM ),( BM , BM , BM )
Artinya peluang ketiga mahasiswa yang menabung di BSM hanya 2 orang.
1
P(x=3) =
8

Contoh 2:
Apabila diketahui 12% dari mahasiswa yang tidak menunjukkan bukti SPP saat ujian
semester. Berapakah probabilitas untuk seorang mahasiswa dapat menunjukkan bukti SPP
pada saat ujian semester.
Jawab:
Jika x = tidak menunjukkan bukti SPP
P(x) = Probabilitas tidak menunjukkan bukti SPP = 12% = 0,12
y = menunjukkan bukti SPP
P(y) = 1 – P(x) , Karena P(x) + P(y) = 1
Total peluang seluruh kejadian = 1
P(y) = 1 – 0,12
= 0,88
= 88%
Maka peluang untuk seorang mahasiswa dapat menunjukkan bukti setoran SPP adalah
sebesar 88%.

Dalam situasi peristiwa suatu kejadian yang terjadi lebih bervariasi, maka
probabilitas lebih mudah diperoleh dengan menggunakan aturan-aturan yang khusus,
misalnya berupa probabilitas kombinasi dan formulasi.

B. Distribusi Probabilitas
Distribusi Probabilitas merupakan daftar dari semua kejadian yang mungkin terjadi
dengan hasil-hasil probabilitas. Bahasan pada distribusi probabilitas adalah penyusunan
distribusi frekuensi yang berdasarkan teori peluang. Oleh karena itu, disebut distribusi frekuensi
teoritis atau distribusi peluang atau distribusi probabilitas.
Karena distribusi frekuensi probabilitas disusun berdasarkan teori peluang maka
pengetahuan tentang distribusi teoritis menjadi sangat penting untuk membuat estimasi atau
meramalkan variasi-variasi yang mungkin dapat timbul pada suatu keadaan yang tidak pasti.
Perhatikan Contoh.1 diatas, jika hasil-hasil perhitungan probabilitas tersebut
ditampilkan dalam bentuk table, maka table berikut merupakan table distribusi probabilitas.

Tabel.1 Tabel Distribusi Probabilitas 3 Mahasiswa Yang Mungkin Ingin

Membuka Rekening di BSM atau BM
x = Memilih BSM P(x) = Memilih BSM
0 1
/8
1 3
/8
2 3
/8
3 1
/8
∑P(x) 1

Dan jika data pada tabel diatas disajikan dalam bentuk diagram batang histogram akan
dapat dilihat seperti berikut:

Gambar.1 Diagram Histogram Distribusi Probabilitas 3 Mahasiswa Yang Mungkin

Ingin Membuka Rekening di BSM atau BM
0.4
0.35
0.3
0.25
0.2
0.15 x = Memilih BSM
0.1
0.05
0
0 1 2 3

Dari grafik tersebut diatas, maka ini merupakan suatu contoh dari distribusi
probabilitas diskrit yang sangat penting dalam distribusi teoritis.
Distribusi Probabilitas, bisa dalam bentuk diskrit atau kontinu. Sebelum membahas
distribusi probabilitas dikrit, dan kontinu, perlu dipahami perbedaan mendasar antara
kedua jenis probabilitas tersebut. Dalam konteks variabel random, ada dua jenis variabel
random, yaitu diskrit dan kontinu. Variabel random diskrit mengacu pada titik – titik
tertentu dalam suatu interval (terbatas). Sedangkan variabel random kontinu mengacu
pada keseluruhan titik pada suatu interval (tak terbatas), artinya nilai variabel random
kontinu bisa mengisi titik manapun dalam suatu interval.

1. Distibusi Probabilitas Diskrit

Distribusi proababilitas diskrit adalah daftar dari semua nilai variabel random diskrit
dengan probabilitas terjadinya setiap kejadian. Ada beberapa jenis proababilitas diskrit,
yaitu;

A. Distribusi Probabilitas Binomial

Distribusi probabilitas binomial ditemukan oleh seorang ahli matematika
berkebangsaan Swiss bernama Jacob Bernauli (1654-1705), Distribusi Probabilitas
binomial sesuai seperti namanya, bi berarti dua, probabilitas yang hanya berbentuk dua
saja jawabannya, seperti , benar dan salah, laki-laki dan perempuan, dan sebagainya,
Oleh karena itu distribusi binomial ini dikenal juga sebagai distribusi bernauli. Distribusi
ini menggambarkan data yang dihasilkan dari percobaan Bernaulli. Karakteristik dari
percobaan Bernaulli adalah:
 Setiap percobaan hanya menghasilkan dua peristiwa, seperti: peristiwa kejadian
gagal dan sukses, ya atau tidak, baik atau cacat.
 Probabilitas munculnya suatu peristiwa adalah konstan.
 Semua percobaan bersifat independen secara statistic, artinya peristiwa dari suatu
percobaan tidak me1mpengaruhi atau dipengaruhi peristiwa dalam percobaan lain.
Percobaan Bernaulli ini disebut dengan Distribusi Binomial, dengan bentuk umum
distribusi binomial adalah:
n! x n−x
P ( x /n , p )= p q
x ! ( n−x ) !
 Keterangan :
p = probabilitas kejadian sukses
q = probabilitas kejadian gagal = 1 - p
n = jumlah percobaan yang dilakukan
x = jumlah kejadian sukses yang diinginkan yang merupakan variabel
random
p, q, n merupakan parameter
! = Faktorial ; n! = n.(n-1). (n-2),…, (n-n+1)
Rata – rata dan standar deviasi dari distribusi binomial adalah:
 Rata – rata yaitu µ = n.p
 Deviasi Standar yaitu σ = √ npq

Contoh 3 :
Perusahaan Inkwode menyatakan bahwa, alasan karyawan tidak masuk kerja dapat
dikategorikan menjadi sembilan, salah satunya adalah karena hujan. Diambil secara
random 4 buah surat izin tidak masuk kerja. Berapa probabilitas bahwa 3 diantara surat
izin tersebut adalah karena alasan hujan?
Jawab:
Jika x = kejadian sukses,
x = izin karena sakit,
p = probabilitas izin karena hujan adalah = 1/9,
1 8
q = probabilitas izin karena tidak hujan, yaitu q=1–p=1- = ,
9 9
untuk n = 4 dan x = izin karena hujan = 3, maka:
n! x n−x
P ( x /n , p )= p .q
x ! ( n−x ) !

( )( )
3 4−3
4! 1 8
P ( x=3 )=
3 ! ( 4−3 ) ! 9 9
4 8
¿ .
729 9
 32
= Artinya dari 4 buah surat izin tidak masuk kerja, kemungkinan 3
656
buah surat yang mengatakn izin karena hujan, peluangnya = 0,049.

Selain memakai rumus binomial, permasalahan ini juga dapat dikerjakan dengan
memakai tabel binomial
Beberapa karakteristik bentuk distribusi binomial yaitu:
Jika p makin mendekati 0, distribusi binomial makin miring/ condong ke kanan.
Jika p = 0,5, distribusi binomial akan simteris.
Jika p makin mendekati 1, distribusi binomial makin miring/condong ke kiri.
Jika p konstan dan n bertambah/ makin besar, distribusi binomial akan mendekati
simetris (normal).

B. Distribusi Probabilitas Hipergeometris

Distribusi binomial sangat sering digunakan dalam konteks pengambilan sampel. Yang
perlu diingat adalah, distribusi binomial mensyaratkan independensi dan probabilitas
konstan. Apabila syarat tersebut tidak terpenuhi, dapat digunakan proababilitas
hipergeometris. Dalam hal ini, apabila persyaratan distribusi binomial tidak terpenuhi,
rumus binomial masih bisa digunakan jika ukuran sampel n tidak lebih dari 5% dari
elemen N atau n ≤ 0,05N.

Distribusi Probabilitas Hipergeometris dapat dinyatakan dalam bentuk:

X N −X
C x C n−x
P( x )= N
Cn

Keterangan :
N = jumlah populasi
n = jumlah sampel
X = kejadian sukses dalam populasi
x = kejadian sukses dalam sampel
 Contoh 4:
Pak Hasbi ingin memastikan bahwa produksi lampu hias di pabriknya memiliki
mutu yang baik, artinya jumlah produk yang cacat relatif kecil. Sebelum dikirim ke
toko-toko retail, Pak Hasbi memeriksa salah satu kotak yang siap untuk kirim. Satu
kotak berisikan 100 lampu, 90 diantaranya kondisi baik dan 10 cacat. Kemudian
dilakukan sampling dengan mengambil 6 lampu untuk setiap kotaknya. Berapa
probabilitas jumlah lampu kondisi baik sebanyak empat buah?
Jawab:
Jika x = kondisi lampu baik, Jumlah lampu baik dalam populasi 90 buah
p = Peluang kondisi lampu baik = 90/100 = 0,9
N = Jumlah populasi 100 , n = Jumlah sampel = 6
C nx C Nn−x
−x
Untuk kondisi lampu baik 4 buah , maka x=4=¿ P ( x=4 )=
Cnn
90 100−90
C 4 C 6−4
P( x=4)= 100
C6

P( 4)=
( 4 ! 86 ! 2 !8 ! )
90 !
)( 10!

100 !
6 !94 !
P ( 4 )=0,0965
Artinya peluang lampu tidak cacat dalam satu kotak sebanyak 4 buah adalah 0.0965.

Contoh 5:
Panti Asuhan “AMAL” terdapat 60 anggota panti untuk semua umur, dan 5 diantara nya adalah
anak balita. Bila diambil sampel sebesar 10 orang anggota panti secara acak sederhana, maka
berapa besarnya probabilitas untuk mendapatkan 2 orang yang balita
Jawab;.
jika N = jumlah populasi anggota panti = 60, n = jumlah sampel = 10, .
X = anak balita 5, untuk mendapatkan anak balita 2, maka x = 2,
x N−x
C n C n− x
Untuk x=2=¿ P( x=2)= n
Cn
 5 60−5
C 2 C 10−2
Maka P( x=2)= 60
C 10

P(2)=
( 2 ! 3! 8 ! 47 ! )
5!
)( 55!

60 !
10 ! 50 !
= 0,16,

yang berarti bahwa peluang untuk mendapatkan 2 anak balita dari 10 anak panti yang
diambil secara acak, untuk semua anggota anak panti adalah 0,16

C. Distribusi Probabilitas Poisson

Distribusi Poison pertama kali ditemukan oleh seorang ahli matematika berkebangsaan
Prancis, yang bernama Simeon Denis Poison (1781-1849). Distribusi Poison sering
digunakan pada penelitian operasional untuk menentukan probabilitas peristiwa yang
jarang terjadi dalam periode pendek.
Dalam Distribusi Poisson jika jumlah percobaan yang dilakukan cukup besar. dan
probabilitas sukses sangat kecil, yaitu mendekati nol. Distribusi Poisson merupakan
pengembangan dari percobaan distribusi binomial, yang jumlah percobaan n ≥ 30, dan
p ≤ 0,01 sehingga jika di gunakan Distribusi Binomial sangat sulit dalam
perhitungannya. Misalnya: Banyaknya telpon berdering pada operator; Rata – rata
kedatangan pasien berobat yang antri di rumah sakit; Jumlah kecelakaan lalu lintas
yang terjadi dalam satu bulan, dan lain sebagainya.
Distribusi Poisson ditentukan oleh satu parameter µ yang merupakan nilai rata – rata,
dan juga varians σ2. Apabila diketahui nilai x mempunyai distribusi Poisson dengan rata
– rata µ, maka dapat menghitung probabilitas terjadinya kejadian sukses tanpa harus
mengetahui n (jumlah sampel) dan p (peluang kejadian sukses).
Distribusi Poisson dapat dinyatakan secara matematika adalah:
 −µ x
e µ
P( x )=
x!

Keterangan:
P(x) = Probabilitas terjadinya x
e = bilangan Napierian = 2,71828
x = kejadian sukses
µ = rata – rata jumlah kejadian µ= np = n.p
n = banyaknya percobaan
! = fakultit = factorial

Contoh 6
Ikbar bekerja sebagai analisis di perusahaan jasa Tol “Tanjung Morawa”, berdasarkan
dari data yang di terima, bahwa dari 1000 mobil yang masuk melalui Tol Tanjung
Morawa, ada 1 mobil yang mengalami kerusakan ban. Jika ada 10.000 mobil yang
masuk Tol Tanjung Morawa, maka berapakah probabilitas bahwa ada 8 mobil yang
mengalami kerusakan ban?
Jawab:
Jika x = mobil yang mengalami kerusakan ban
p = peluang mobil yang mengalami kerusakan ban = 1/1000 = 0,001
n = 10.000 dan µ = n.p = (10.000)(0,001)= 10.
Maka
−λ x
℮ .λ
P ( x=8 )=
n!
108 e−10
P( x=8)= =0,1126
8!
Artinya dari 10.00 mobil yang masuk jalan Tol Tanjung Morawa, peluang ada 8 mobil
yang mnegalami kerusakan ban adalah 0,1126.

2. Distribusi Probabilitas Kontinue

Ada beberapa jenis Distribusi Probabilitas Kontinue, seperti Distribusi Eksponensional,

Distribusi Nomal, dan lainnya.
 Dalam hal ini Distribusi Probabilitas Kontinu akan di fokuskan kepada Distribusi
Normal. Karena, Distribusi Normal sangat diperlukan, khususnya dalam Statistika
Inferensia.

A. Distribusi Normal
Distribusi Normal diawali oleh kemajuan yang pesat dalam pengukuran-
pengukuran data pada abad ke 19. Pada waktu itu, para ahli matematika dihadapkan
pada suatu tantangan mengenai fenomena variabilitas pengamatan yang artinya bila
seorang mengadakan pengukuran berulang-ulang maka hasilnya akan berbeda-beda.
Yang menjadi pertanyaan adalah nilai manakah yang dianggap paling tepat dari semua
hasil pengukuran tersebut. Sehingga berdasarkan kesepakatan maka nilai rata-rata
dianggap paling tepat dan semua penyimpangan dari rata-rata, dan dianggap suatu
kesalahan atau error.
Abraham de Moivre adalah yang pertama kali memperkenalkan distribusi normal ini
dan kemudian dipopulerkan oleh Carl Fredreich Gauss. Sehingga nama lain distribusi
ini adalah Distribusi Gauss. Gauss mengamati hasil dari percobaan yang dlakukan
berulang-ulang, dan dia menemukan hasil yang paling sering adalah nilai rata-rata.
Penyimpangan baik ke kanan (positif) atau ke kiri (negative) yang dari rata-ratanya,
terjadinya semakin sedikit. Sehingga bila disusun maka akan terbentuk Distribusi yang
Simetris.

A. Pentingnya Distribusi Normal dalam Statistika

Satu-satunya Distribusi Probabilitas dengan Variabel Random Kontinu adalah Distribusi

Normal. Ada 2 peran yang penting dari Distribusi Normal : 1) Memiliki beberapa sifat
yang mungkin untuk digunakan sebagai patokan dalam mengambil suatu kesimpulan
berdasarkan hasil sampel yang diperoleh. Pengukuran sampel digunakan untuk
menafsirkan parameter populasi. 2). Distribusi normal sangat sesuai dengan distribusi
empiris, sehingga dapat dikatakan bahwa semua kejadian alami akan membentuk
distribusi ini. Karena alasan inilah sehingga distribusi ini dikenal sebagai Distribusi
Normal dan grafiknya dikenal sebagai Kurva Normal atau Kurva Gauss.
Suatu kelompok data dikatakan ber Distribusi Normal, apabila;
1. Kurva memiliki titik puncak dan sumbu simetris dengan bentuk seperti lonceng.
2. Dengan distribusi yang simetris tersebut, distribusi normal memiliki nilai median, mean
dan modus yang sama (Me = μ = Mo)
3. Kedua ekor (ujung) kurva memanjang tak terbatas dan tidak pernah menyentuh sumbu
horizontal yaitu asyimtoot datar.
4. Luas daerah di bawah kurva normal adalah satu.
Distribusi Normal juga dikenal dengan Distribusi Gauss karena penemunya adalah Karl
Gauss.

B. Area Dan Parameter Pada Distribusi Probabilitas Normal

Area dibawah kurva normal menunjukkan probabilitas dimana total area untuk kurva
normal adalah 1 (satu), untuk berapapun nilai µ dan σ. Pada distribusi normal,
probabilitas untuk suatu interval digambarkan dalam suatu luas wilayah.
Gambar 2. Distribusi Probabilitas Normal

Distribusi Kontinu berbeda dengan Distribusi Diskrit, di mana Distribusi Diskrit

memiliki probabilitas nilai setiap variabel yang ditunjukkan oleh panjang garis tegak
lurus di atasnya. Sehingga jumlah panjang garis tegak lurus di atasnya harus sama
dengan satu. Sebagai contoh adalah distribusi proababilitas diskrit pada gambar 3 di
bawah.

Gambar 3: distribusi Proababilitas Diskrit

 0.4
0.35
0.3
0.25
0.2
x
0.15
0.1
0.05
0
0 1 2 3

Distribusi Normal dar variabel random x (-∞ < x < ∞) seperti pada gambar 1 memiliki
Fungsi Kepadatan yang dapat dirumuskan sebagai berikut:
2
−( x− µ)
1 2σ
2

f ( x)= 2
e
2µσ

Dengan rata – rata µ dan varian σ. Fungsi Kepadatan Distribusi Normal harus
memenuhi syarat bahwa :
∞
P(−∞< x < ∞)= ∫ f ( x ) dx=1
−∞

Distribusi normal variabel random x biasanya dinotasikan dengan X ~ N(µ,σ 2).

Jenis-jenis distribusi probabilitas normal

1. µ dan σ berbeda
Kurva normal mempunyai µ = Md = Mo yang sama, namun σ berbeda. Semakin besar σ,
maka kurva akan semakin pendek dan semakin tinggi nilai σ, maka akan semakin runcing. Oleh
sebab itu, σ yang tinggi cenderung menjadi platykurtik dan σ rendah menjadi leptokurtik.
2. µ berbeda dan σ sama
Bentuk distribusi probabilitas dan kurva normal dengan µ berbeda dan σ sama
mempunyai jarak antara kurva yang berbeda, namun bentuk kurva tetap sama. Hal ini
disebabkan kemampuan antar populasi berbeda namun setiap populasi mempunyai keragaman
yang sama.
3. µ berbeda dan σ berbeda.
Kurva yang demikian memiliki titik pusat yang berbeda pada sumbu mendatarnya dan
bentuk kurva berbeda karena memiliki standar deviasi yang berbeda.

 DISTRIBUSI PROBABILITAS NORMAL BAKU

Distribusi probabilitas normal baku adalah probabilitas acak normal dengan nilai tengah
0 dan simpangan baku 1.
X−μ
Rumusnya : Z=
σ
Z = Skor nilai normal baku
X = Nilai suatu pengamatan
µ = Mean
σ = Standar deviasi

Jika nilai X berada diantara X1 dan X2 mempunyai nilai padanan sama dengan luas
daerah dibawah kurva Z antara Z1 dan Z2 dan dinyatakan dengan P(X1<X<X2) = (Z1<Z<Z2)
Contoh :
Sebanyak 20 perusahaan termasuk dalam harga saham pilihan pada tahun 2016. Harga
saham ke -20 perusahaan tersebut berkisar antara Rp.1030 – Rp 6500 perlembarnya.
Berapa probabilitas harga saham antara Rp. 3.314 sampai Rp.5.005 per lembar ?
( Diketahui µ = 3.314 dan σ = 1.610)

Penyelesaian :
X−μ
Z=
σ
3.314−3.314
Z=
1.610

Z1 =0
5.005−3.314
Z=
1.610
Z2 =1,05
Luas di bawah kurva normalnya P ¿
 PENDEKATAN NORMAL TERHADAP BINOMIAL
1) Pengaruh Jumlah n
Suatu distribusi probabilitas binomial dengan semakin besarnya nilai n, maka akan
semakin mendekati nilai distribusi normal. Dengan menggunakan pola pendekatan normal
terhadap binomial, maka akan lebih efisien. Jika dibayangkan berapa banyak probabilitas
binomial, apabila n=80 atau bahkan lebih besar. Oleh sebab itu, apabila n cukup besar dengan
nilai µ = n.p atau µ = n.(1-p) > 5, maka pendekatan normal dapat dilakukan untuk distribusi
binomial. Definisi dari pendekatan normal terhadap binomial dapat dinyatakan sebagai berikut :
Dalil pendekatan normal terhadap binomial. Bila nilai X adalah distribusi acak binomial
dengan nilai tengah µ = n.p dan standar deviasi σ = ∑ n. p.q maka nilai Z untuk distribusi
normal adalah :
X−n . p
Z=
√n . p . q
dimana n menuju tak hingga ( ¿ dan nilai p mendekati 0,5.

2) Faktor Koreksi Kontinuitas

Koreksi kontinuitas adalah nilai koreksi kontinuitas adalah sebesar 0,5 yang dikurangkan
dan ditambahkan pada data yang diamati.
Ada 3 syarat yang diperlukan faktor koreksi selain syarat binomial :
a. hanya terdapat dua peristiwa
b. Peristiwa bersifat independen
c. Besarnya probabilitas sukses dan gagal sama setiap percobaan
d. Data merupakan hasil perhitungan
Apabila telah memenuhi syarat binomial, maka digunakan faktor koreksi yang besarnya 0,5.
Faktor koreksi ini diperlukan untuk mentransformasi dari binomial menuju normal yang
merupakan variabel acak kontinu.

Contoh :
H. Ibrahim bin Abdul Wahab merupakan pedagang buah di Tangerang. Setiap hari ia
membeli 300 kg buah di Pasar Induk Kramat Jati, Jakarta Timur. Probabilitas buah tersebut
 laku di jual 80% dan 20% kemungkinan tidak laku dan busuk. Berapa probabilitas buah
sebanyak 250 kg laku dan tidak busuk?

Penyelesaian:
n = 300
probabilitas laku p = 0,8 dan q = 1-0,8 = 0,2
µ = n.p = 300 x 0,8 = 240
σ =√ n . p . q=√ 300 x 0,8 x 0,2=6,93
Diketahui X = 250 dan dikurangi factor koreksi kontinuitas 0,5 , sehingga 250 – 0,5 = 249,5.
Dengan demikian, nilai Z menjadi :
X−n . p
Z=
√n . p . q
249,5−240
Z= =1,37 dan P ( Z <1,37 ) =0,4147
6,93

Jadi, probabilitas buah yang laku adalah 0,5 + 0,4147 = 0,9147 atau harapan bahwa buah
laku adalah 91,47 %.

4. Soal Latihan
1) Bunga tidak belajar sama sekali untuk menghadapi ujian statistika. Soalnya dalam bentuk
pilihan ganda yang terdiri dari 6 pertanyaan. Setiap pertanyaan tersedia tiga jawaban (A, B,
dan C), dan hanya ada satu jawaban yang benar diantara ketiga jawaban tersebut. Dia
memutuskan untuk melempar dadu kecil di kantongnya untuk menjawab pertanyaan
tersebut. Jika yang muncul adalah sisi 1 atau 2, dia memutuskan untuk menjawab A. jika
yang muncul adalah sisi 3 atau 4, dia memutuskan menjawab B. jika yang muncul adalah
sisi 5 atau 6, dia memutuskan untuk menjawab C. Berapa proababilitas:
a. Tiga jawaban Bunga yang benar?
b. Tidak ada jawaban yang benar

2) Diketahui bahwa daerah “PANNNAM” terdapat 1,5% anak balita yang menderita gizi
kurang. Jika di ambil sampel sebanyak 300 anak balita. Berapa probabilitas untuk
mendapatkan anak dalam keadaan gizi kurang?
3) PT. Bangun Abadi merupakan produsen aksesoris telepon genggam melakukan survey
terhadap warna yang disukai orang Indonesia. Hasil survey tahun 2016 menyatakan bahwa
70% suka warna merah dan 30% suka warna biru. Dari 1000 penduduk yang diambil acak
pada tahun 2017 , berapakah probabilitas lebih dari 675 0rang yang masih menyukai warna
merah ?

5. Kunci jawaban
1) n = 6 , Jika x = jawaban benar

p = probabilitas jawaban benar setiap soal, p = 1/3

1 2
q = probabilitas jawaban salah setiap soal, q = 1- =
3 3

6!
a. P ( x=3 )= ( 1/3)3 (2/3)3
3 ! ( 6−3 ) !
p ( x=3 )=20 ( 1/27 )( 8/27)
p ( x=3 )=160 /729
p ( x=3 )=0,2195
Jawaban benar 3 soal dari 6 soal proababilitasnya adalah 0,2195.
6! 0 3
b. p ( x=0 )= (1/3) (2/3)
0 ! ( 6−0 ) !
p ( x=0 )=1 ( 1 ) (64 /729)
p ( x=0 )=64/ 729
p ( x=0 )=0,0878
Artinya peluang tidak satupun jawaban benar dari 6 soal adalah 0,0878

2) x = anak dengan gizi kurang,

 p(x) = 1,5%,
n = 300 anak
rata-rata dengan anak yang gizi kurang = λ = 1,5% x 300 = 4,5

jika x = 0, artinya tidak terdapat anak dengan gizi kurang :

℮− λ . λ x
P ( x=0 )=
n!

P(0) = ( e-4,5 x(4,5)0 ) /300!

= 0,0111 , artinya peluang anak yg tdk ada kurang gizi adalah 0,0111
Maka probabilitas diperoleh anak dengan gizi kurang adalah = 1-0,0111= 0,9889

3) n = 1000, maka probabilitas merah (p) = 0,7 dan q = 1- 0,7 = 0,3.

µ = n.p = 1000 x 0,7 = 700
σ =√ n . p . q=√ 1000 x 0,7 x 0,3=14,5

Diketahui X = 675 dan dikurangi faktor koreksi kontinuitas 0,5 , sehingga 675 – 0,5 = 674,5.
Dengan demikian, nilai Z menjadi :
X−n . p
Z=
√n . p . q
674,5−700
Z= =−1,76 Jadi, P ( X >675 ) =P ( Z>−1,76 )
14,5
P (−1,76< Z< 0 )=0,4608 dan P ( Z >0 )=0,5000
Jadi, P ( Z >−0,03 ) =0,9608
Atau, probabilitas dari 1.000 orang yang di survey lebih dari 675 diantaranya masih
menyukai warna merah pada tahun 2017 sebesar 96,08%.