MAKALAH DISTRIBUSI PROBABILITAS

Disusun Oleh
Kelompok 5 :
Vity Trasili Kilis
Elsaday Politon
Utari Makasihi
Christabel Sasauw
Viliana Mangolo

POLITEKNIK KESEHATAN KEMENKES MANADO

JURUSAN KEPERAWATAN
2023
PENGANTAR PROBABILITAS

Probabilitas adalah besarnya kesempatan (kemungkinan) suatu peristiwa akan terjadi.

Berdasarkan pengertian probabilitas tersebut, terdapat hal-hal yang penting yaitu besarnya
kesempatan dan peristiwa akan terjadi. Besarnya Kesempatan dari suatu peristiwa akan
terjadi adalah antara 0 sampai dengan 1. Jika suatu peristiwa memiliki kesempatan akan
terjadi 0, maka peristiwa tersebut pasti tidak akan terjadi. Jika suatu peristiwa memiliki
kesempatan akan terjadi 1, maka peristiwa tersebut pasti akan terjadi. Dengan demikian dapat
disimpulkan bahwa semakin kecil probabilitas suatu peristiwa (probabilitas semakin
mendekati 0), semakin kecil kesempatan peristiwa tersebut akan terjadi. Sebaliknya, semakin
besar probabilitas suatu peristiwa (probabilitas semakin mendekati 1), semakin besar
kesempatan peristiwa tersebut akan terjadi.

Berikut ini merupakan beberapa definisi dan teorema mengenai teori probabilitas,
diantaranya: Untuk suatu percobaan dengan S sebagai ruang sampel dan
𝐴, 𝐴1,𝐴1, … mewakili kejadian yang mungkin terjadi. Fungsi yang berhubungan dengan nilai
riil P(A) dengan setiap kejadian A disebut fungsi peluang dan P(A) disebut peluang dari A
jika syarat berikut terpenuhi:
𝑃(𝐴) ≥ 0, untuk setiap A,
𝑃(𝑆) = 1
∞ ∞
𝑃 (⋃ 𝐴i) = ∑ 𝑃(𝐴i)
i=1 i=1
Untuk 𝐴1,𝐴1, … adalah kejadian saling mutually exclusive satu sama lain, sedemikian sehingga
𝑃(𝐴1 𝖴 𝐴2 𝖴 𝐴3 𝖴 … ) = 𝑃(𝐴1 ) + 𝑃(𝐴2)+𝑃(𝐴3) + ⋯

Jika suatu percobaan mempunyai N hasil percobaan yang berbeda, dan masing-
masing mempunyai kemungkinan yang sama untuk terjadi, dan jika tepat n diantara hasil
percobaan itu menyusun kejadian A, maka probabilitas kejadian A adalah
𝑚
𝑃 (𝐴) =
𝑁
Distribusi probabilitas dapat diterapkan dalam banyak hal seperti pada kehidupan
sehari-hari, kegiatan bisnis maupun pada dunia industri. Distribusi probabilitas berguna untuk
menganalisis suatu kejadian dan memberikan keuntungan serta manfaat dalam
pengaplikasiannya. Misalnya, pada suatu proses pelayanan di suatu Bank dapat menguji
apakah dengan disediakan empat teller, nasabah akan menunggu lama atau kapasitas yang
berlebih akan membuat boros tempat. Permasalahan ini dapat diselesaikan dengan distribusi
probabilitas yang akan membantu Bank dalam membuat keputusan dalam menyediakan
teller.
Distribusi probabilitas merupakan suatu daftar atau kumpulan dari probabilitas-
probabilitas peristiwa yang mungkin terjadi. Distribusi peluang yang demikian saling
berhubungan dengan semua nilai-nilai yang mungkin terjadi dan berasal dari variabel
random. Variabel random adalah variabel yang nilainya merupakan suatu bilangan yang
ditentukan oleh terjadinya suatu percobaaan. Fungsi distribusi probabilitas umumnya
dibedakan menjadi distribusi probabilitas diskrit dan Kontinu. Di dalam distribusi
probabilitas diskrit dan Kontinu terdapat beberapa macam distribusi.

VARIABEL RANDOM
Variable random adalah penggambaran hasil-hasil percobaan sebagai nilai- nilai
numerik secara sederhana, sehingga variable random dapat didefinisikan sebagai deskripsi
numerik dari hasil percobaan. Variable random dapat berarti juga variable numerik yang nilai
spesifiknya tidak dapat diprediksi dengan pasti sebelum dilakukan eksperimen.

Karena nilai variable random sangat tergantung pada hasil eksperimen, sehingga
kadang disebut juga dengan variable terikat (dependence variabel). Nilai variable random
berhubungan dengan kejadian yang didefinisikan sebagai ruang sampel, tetapi kejadian yang
berbeda kemungkinan akan menghasilkan variable random yang sama. Contohnya: data tahan
beton, kecepatan angin dan sebagainya.

Gambar diatas menyatakan variabel random sebagai fungsi yang memetakan setiap
anggota dari ruang sampel (S) ke bilangan riil. Anggota dari ruang sampel (S) disebut dengan
elemen (e) dan fungsi yang memetakan anggota e ke bilangan riil (x) dinotasikan dengan X.
Hasil dari pemetaannya berupa bilangan riil (x) untuk setiap anggota ruang sampel (S) yang
dinotasikan dengan x=X(e).

Variabel random dibedakan menjadi dua yaitu variabel random diskrit dan variabel random
kontinu. Berikut definisi mengenai kedua jenis variable random tersebut:
Variabel Random Diskrit
Variable acak diskrit adalah variable acak yang tidak mengambil seluruh nilai yang
ada dalam sebuah interval atau variable yang hanya memiliki nilai tertentu. Nilainya
merupakan bilangan bulat dan asli, tidak berbentuk pecahan. Variable acak diskrit jika
digambarkan pada sebuah garis interval akan berupa sederetan titik-titik yang terpisah.
Berdasarkan karakteristiknya, variabel random diskrit adalah variabel random yang dapat
dihitung (countable).

Contoh dari variable acak diskrit adalah banyaknya pemunculan sisi muka atau angka
dalam eksperimen pelemparan sebuah koin logam dan jumlah anak dalam sebuah keluarga
dalam eksperimen pendataan kependudukan.
Variabel Random Kontinu
Variabel random kontinu adalah variabel random yang mengambil seluruh nilai yang
ada dalam sebuah interval atau variable yang dapat memiliki nilai-nilai pada suatu interval
tertentu. Nilai dari variable random ini dapat merupakan bilangan bulat maupun pecahan.
Variable acak kontinu jika digambarkan ada sebuah garis interval, akan berupa sederatan titik
yang bersambung membentuk suatu garis lurus. Variabel random kontinu dapat diperoleh
dari hasil pengukuran.

Contoh dari variable acak kontinu adalah usia penduduk suatu daerah dan hasil
pengukuran ketinggian gunung-gunung di suatu daerah.

Distribusi Probabilitas

Variabel random merupakan parameter penting dalam sebuah distribusi probabilitas.

Variabel random adalah variabel yang nilainya ditentukan dari sebuah hasil percobaan.
Variabel random dinyatakan dengan huruf besar, misalnya X, sedangkan nilainya dinyatakan
dengan huruf kecil misalnya x. Sebagai contoh, pada pelemparan dua koin, huruf Y
menyatakan jumlah gambar yang muncul maka nilainya adalah y = 0, 1 dan 2. Dari setiap
nilai variabel random yang memungkinkan akan memiliki probabilitas masing-masing yang
disebut distribusi probabilitas.
 Bagan 1 Klasifikasi Distribusi Probabilitas
Distribusi Probabilitas Diskrit
Distribusi probabilitas diskrit adalah suatu daftar atau distribusi di mana variabel
randomnya mengasumsikan masing-masing nilainya dengan probabilitas tertentu. Variabel
diskrit memiliki jumlah nilai kemungkinan yang terbatas atau jumlah yang tak terhingga
dari nilai-nilai yang dapat dihitung. Kata “dihitung” berarti bahwa variabel random tersebut
dapat dicacah dengah menggunakan angka 1, 2, 3, dst. Misalnya, jumlah panggilan telepon
yang diterima setelah siaran TV mengudara adalah contoh variabel diskrit, karena bisa
dihitung.
Berikut adalah rangkuman dari penjelasan untuk setiap distribusi probabilitas diskrit:
NO JENIS PENGERTIAN CONTOH
1 Distribusi Sebuah eksperimen binomial terdiri Probabilitas
Binomial dari percobaan yang berulang, ditemukannya polutan
dengan masing- masing organik oleh BPOM
kemungkinan outcome dari beberapa sampel
dikategorikan sukses atau gagal produk air mineral
dalam kemasan
2 Distribusi Distribusi probabilitas variabel Pengujian kualitas
Hipergeometrik random hipergeometrik x, yaitu permukaan kaleng
banyaknya sukses dalam ampel minuman dengan
random berukuran n yang diambil pengambilan random
dari populasi N (di mana di dalam tanpa pengembalian
N terkandung k sukses dan N-k sampai produk
gagal). Distribusi hipergeometrik dinyatakan dalam
didasarkan atas sampling yang keadaan baik atau
dilakukan tanpa rusak.
pengembalian.
3 Distribusi Eksperimen binomial menjadi Tim Reseacrh and
Multinomial eksperimen multinomial jika pada Development dari
masing-masing percobaan sebuah perusahaan
mempunyai lebih dari dua hasil mengadakan kuesioner
kemungkinan outcome, di mana untuk mengukur
masing-masing percobaan identik tingkat kepuasan
dan independen. pelanggan terhadap
produk dari perusahaan
tersebut. Peluang
jawaban kuesioner
terdiri dari sangat puas,
puas,
cukup puas, dan
kurang puas.
4 Distribusi Bila usaha yang saling bebas dan Peluang banyak sumur
Geometrik dilakukan berulang kali yang dibor sampai
menghasilkan sukses dengan sumur yang dibor dapat
peluang p, gagal dengan peluang q mengeluarkan minyak.
= 1 – p. Maka distribusi peluang
variabel random x, yaitu
banyaknya usaha sampai terjadinya
sukses
pertama.
5 Distribusi Banyaknya x percobaan yang Probabilitas jumlah
Binomial dibutuhkan untuk menghasilkan k inspeksi yang dilakukan
Negatif sukses disebut variabel random pada 20 part of product
(Pascal) binomial negatif, dan distribusinya sampai ditemukan 3 part
disebut distribusi binomial negatif. yang harus di rework.
Distribusi pascal digunakan untuk
mengetahui bahwa sukses ke-k
terjadi pada usaha ke-x.
NO JENIS PENGERTIAN CONTOH
6 Distribusi Poisson Distribusi poisson adalah Jumlah telepon masuk
distribusi yang menghasilkan yang diterima dalam
nilai numerik dari variabel waktu satu jam di suatu
random x pada selang waktu kantor atau banyaknya
yang tertentu atau daerah kesalahan pengetikan
tertentu. per halaman oleh
seorang
sekretaris baru.
7 Distribusi Variabel random x berdistribusi Mata dadu dari sebuah
Uniform Diskrit diskrit uniform jika setiap n berada dadu terdiri dari angka 1
pada range, misal x1, x2, - 6. Jika dadu dilempar
..., xn di mana probabilitas sama. sekali dan x adalah mata
dadu pertama yang
muncul, x adalah
distribusi uniform
dengan probabilitas 1/6
untuk tiap nilai R =
{1, 2, ..., 6}.

NO VARIABEL PERSAMAAN
1 x = banyaknya peristiwa Fungsi massa 𝑛 probabilitas:
sukses 𝑥 𝑛−𝑥
p = probabilitas peristiwa (
𝑝 (𝑥 ) = { 𝑥 ) 𝑝 𝑞 , 𝑥 = 0, 1, 2, … , 𝑛
sukses Fungsi distribusi kumulatif:
n = banyaknya 0, 𝑥<0
𝑥
percobaan ƒ(𝑥) = {
q = 1 – p = probabilitas ∑ 𝑝(i) , 𝑥≥0
peristiwa gagal i=0
2 N = total populasi atau Fungsi massa probabilitas:
sampel
(𝑘 𝑁−𝑘
𝑥 )( 𝑛−𝑥 )
, 𝑥 = 0,1, … , min(𝑛, 𝐷)
n = jumlah percobaan atau 𝑝(𝑥) = { (𝑁)
jumlah sampel yang dipilih 𝑛
k = jumlah kejadian 0, 𝑜𝑡ℎ𝑒𝑟
sukses dalam n Fungsi distribusi kumulatif:
0, 𝑥<0
𝑥
ƒ(𝑥) = {
∑ 𝑝(i) , 𝑥≥0
i=0
3 x = banyaknya peristiwa Fungsi distribusi kumulatif:
sukses ƒ(𝑥1, 𝑥2, … , 𝑥𝑘; 𝑝1, 𝑝2, … , 𝑝𝑘, 𝑛)
𝑛 𝑥1 𝑥2 𝑥𝑘
n = banyaknya
percobaan = ( ) 𝑝1 𝑝2 … 𝑝𝑘
𝑥 1, 𝑥 2, … , 𝑥𝑘
p = probabilitas peristiwa
sukses
q = 1 – p = probabilitas
peristiwa gagal
NO VARIABEL PERSAMAAN
4 p = probabilitas peristiwa Fungsi massa probabilitas:
sukses 𝑝(1 − 𝑝)𝑥−1, 𝑥 = 1, 2, … , ∞
q = 1 – p = probabilitas 𝑝 (𝑥 ) = { 0, 𝑜𝑡ℎ𝑒𝑟
peristiwa gagal Fungsi distribusi kumulatif:
0, 𝑥 < 1
x = jumlah ƒ(𝑥) = { 𝑥
1 − (1 − 𝑝) , 𝑥≥1
trial/percobaan sampai
terjadinya sukses
pertama
5 p = peluang sukses q Fungsi massa probabilitas:
= 1 – p = peluang 𝑥−1
( ) 𝑝𝑟(1 − 𝑝)𝑥−𝑟, 𝑥 = 𝑟, 𝑟 + 1, … , ∞
gagal 𝑝(𝑥) = { 𝑟 − 1
x = jumlah percobaan 𝑥, 𝑥≥0
yang diperlukan untuk Fungsi distribusi kumulatif:
memperoleh keluaran 0, 𝑥<0
𝑥
ƒ(𝑥) = {
∑ 𝑝(i) , 𝑥≥0
i=0
6 λ = rata-rata jumlah Fungsi massa probabilitas:
kejadian dalam setiap 𝑒− 𝜆𝑥
unit ukuran ( ), 𝑥 = 0, 1, 2, … , ∞
e = 2,71828 𝑝(𝑥) = { 𝑥!
0, 𝑜𝑡ℎ𝑒𝑟
Fungsi distribusi kumulatif:
0, 𝑥<0
𝑥
ƒ(𝑥) = {
∑ 𝑝(i) , 𝑥≥0
i=0
7 n = jumlah sampel Fungsi massa probabilitas:
1
, 𝑥 = 𝑎, 𝑎 + 1, … , 𝑏
𝑝 (𝑥 ) = { (𝑏 − 𝑎 ) + 1
0, 𝑜𝑡ℎ𝑒𝑟
Fungsi distribusi kumulatif:
0, 𝑥 <
𝑎 (𝑥 − 𝑎) +
1
ƒ(𝑥) = { , 𝑎≤𝑥<𝑏
(𝑏 − 𝑎) + 1
1, 𝑥≥𝑏

Distribusi Binomial
Distribusi Binomial adalah suatu distribusi probabilitas yang dapat digunakan
bilamana suatu proses sampling dapat diasumsikan sesuai dengan proses Bernoulli. Misalnya,
dalam perlemparan sekeping uang logam sebanyak 5 kali, hasil setiap ulangan mungkin
muncul sisi gambar atau sisi angka. Begitu pula, bila kartu diambil berturut-turut, kita dapat
memberi label “berhasil” bila kartu yang terambil adalah kartu merah atau “gagal” bila yang
terambil adalah kartu hitam. Ulangan-ulangan tersebut bersifat bebas dan peluang
keberhasilan setiap ulangan tetap sama, yaitu sebesar ½.
Syarat Distribusi Binomial:

1) Jumlah percobaan merupakan bilangan bulat. Contoh melambungkan koin 2 kali,

tidak mungkin 2½ kali.
2) Setiap eksperimen mempunyai dua outcome (hasil). Contoh: sukses atau gagal,
laki-laki atau perempuan, sehat atau sakit.
3) Peluang sukses sama setiap ekperimen. Contoh: Jika pada lambungan pertama
peluang keluar mata H/sukses adalah ½, pada lambungan seterusnya juga ½. Jika
sebuah dadu, yang diharapkan adalah keluar mata lima, maka dikatakan peluang
sukses adalah 1/6, sedangkan peluang gagal adalah 5/6. Untuk itu peluang sukses
dilambangkan p, sedangkan peluang gagal adalah (1-p) atau biasa juga
dilambangkan q, di mana q = 1-p.

Distribusi Binomial dapat diterapkan pada peristiwa yang memiliki ciri-ciri

percobaan Binomial sebagai berikut:

1) Setiap percobaan hanya mempunyai 2 (dua) kemungkinan hasil: sukses (hasil yang
dikehendaki) dan gagal (hasil yang tidak dikehendaki).
2) Setiap percobaan bersifat independen (dengan pengembalian).
3) Probabilitas sukses setiap percobaan harus sama, dinyatakan dengan p. Sedangkan
probabilitas gagal dinyatakan dengan q, dan jumlah p dan q harus sama dengan satu.
4) Jumlah percobaan, dinyatakan dengan n, harus tertentu jumlahnya.

Rumus Distribusi Binomial

𝑛!
𝑏(𝑥; 𝑛; 𝑝) = 𝐶𝑛p𝑥q𝑛−𝑥 = p𝑥q𝑛−𝑥
𝑥
𝑥! (𝑛 − 𝑥)!
Keterangan:
x = 0,1,2, 3…, n
n = banyaknya ulangan
x = banyaknya keberhasilan dalam variabel random x p =
peluang berhasil dalam setiap ulangan
q = peluang gagal, dimana q = 1-p dalam setiap ulangan

Contoh Soal

Berdasarkan data biro perjalanan PT UEU, yang khusus menangani perjalanan wisata turis
manca negara, 20% dari turis menyatakan sangat puas berkunjung ke Indonesia, 40%
menyatakan puas, 25% menyatakan biasa saja dan sisanya menyatakan kurang puas. Apabila
kita bertemu dengan 5 orang dari peserta wisata turis manca negara yang pernah berkunjung
ke Indonesia, berapakah probabilitas:
a) Paling banyak 2 di antaranya menyatakan sangat puas.
b) Paling sedikit 1 di antaranya menyatakan kurang puas
c) Tepat 2 diantaranya menyatakan biasa saja
d) Ada 2 sampai 4 yang menyatakan puas.
Jawab:

Diketahui n = 5;

Ditanyatakan:

a) Paling banyak 2 di antaranya menyatakan5!sangat puas (p(x) ≤ 2). p=0,20;

𝑏(0; 5; 0.20) = 𝐶50.2000.805−0 = 0.2000.805−0
0
0! (5 − 0)!
= 0.32768 5!
𝑏(1; 5; 0.20) = 𝐶50.2010.805−1 = 0.2010.805−1
1
1! (5 − 1)!
= 0.40960 5!
𝑏(2; 5; 0.20) = 𝐶50.2020.805−2 = 0.2020.805−2
2
2! (5 − 2)!
= 0.20480
𝑏(𝑥; 𝑛; 𝑝) = 𝑏(0; 5; 0.20) + 𝑏(1; 5; 0.20) + 𝑏(2; 5; 0.20)
= 0.32768 + 0.40960 + 0.20480
= 0.94208
Maka hasil p(x) ≤ 2 = 0.94208
b) Paling sedikit 1 diantaranya menyatakan 5! kurang puas (p(x) ≥ 1). p=0,15;
𝑏(1; 5; 0.15) = 𝐶 0.15 0.80 =
5 1 5−1
0.1510.805−1
1
1! (5 − 1)!
= 0.3915 5!
𝑏(2; 5; 0.15) = 𝐶50.1520.805−2 = 0.1520.805−2
2
2! (5 − 2)!
= 0.1382 5!
𝑏(3; 5; 0.15) = 𝐶50.1530.805−3 = 0.1530.805−3
3
3! (5 − 3)!
= 0.0244 5!
𝑏(4; 5; 0.15) = 𝐶50.1540.805−4 = 0.1540.805−4
4
4! (5 − 4)!
= 0.002 5!
𝑏(5; 5; 0.15) = 𝐶50.1550.805−5 = 0.1550.805−5
5
5! (5 − 5)!
= 0.0001
jadi: p(x) ≥ 1

= 𝑏(1; 5; 0.15) + 𝑏(2; 5; 0.15) + 𝑏(3; 5; 0.15) + 𝑏(4; 5; 0.15)

+ 𝑏(5; 5; 0.15)
= 0,3915 + 0,1382 + 0,0244 + 0,002 + 0,0001
= 0.5562
Atau
b (x ≥1; 5, 0,15) = 1 – b (x = 0)
5!
= 1 − 𝐶50.1500.855−0 =
0.1550.855−0
0
0! (5 − 0)!
= 1 − 0.4437
= 0.5563
 c) Tepat 2 diantaranya menyatakan biasa saja (p(x)=2). p=0,25
5!
𝑏(2; 5; 0.25) = 𝐶50.2520.755−2 = 0.2550.755−2
2
2! (5 − 2)!
= 0.2637
d) Ada 2 sampai 4 yang menyatakan puas (x ≤ 2 x ≤ 4). P=0,40;
5!
𝑏(2; 5; 0.40) = 𝐶50.2520.405−2 = 0.2550.405−2
2
2! (5 − 2)!
= 0.3456
5!
𝑏(3; 5; 0.40) = 𝐶50.2530.405−3 = 0.2550.405−3
3
3! (5 − 3)!
= 0.2304
5!
𝑏(4; 5; 0.40) = 𝐶50.2540.405−4 = 0.2550.405−4
4
4! (5 − 4)!
= 0.0768

Jadi (x ≤ 2 x ≤ 4) = b (2; 5;0.40) + b (3; 5, 0.40) + b (4; 5, 0.40) = 0.3456 + 0.2304

+ 0.0768 = 0.6528.
Analisis masing – masing point:

a. Sebanyak paling banyak 2 dari 5 orang dengan jumlah 0.94208 atau 94,28% yang
menyatakan sangat puas adalah sangat besar.
b) Paling sedikit 1 dari 5 orang (berarti semuanya) dengan jumlah 0,5563 atau 55,63% yang
menyatakan kurang puas dapat dikatakan cukup besar (karena lebih
dari 50%).
c) Tepat 2 dari 5 orang yang menyatakan biasa saja dengan jumlah 0,2637 atau 26,37%
adalah kecil (karena dibawah 50%).
d) Ada 2 sampai 4 yang menyatakan puas dengan jumlah 0,6528% atau 65,28% dapat
dikatakan cukup besar.
Analisis keseluruhan:

a) Persentase
Jika diambil persentase terbesar tanpa memperhatikan jumlah X, maka
persentase
terbesar ada di point pertama (a) yaitu 94,28% yang menyatakan sangat puas.
Hal
tersebut menandakan banyak turis manca negara yang sangat menyukai Indonesia.
b) Nilai x
Jika dilihat dari jumlah x, maka perlu diperhatikan point kedua (b). Jumlah x
 adalah paling sedikit 1 dari 5 orang (berarti x>=1) yaitu 55,63% yang menyatakan kurang
puas. Hal tersebut berarti kelima (semua) turis manca negara kurang puas terhadap
kunjungannya ke Indonesia.

Contoh 2

Seorang kepala produksi mengatakan bahwa terdapat 20% produk rusak. Jika ternyata produk
telah didistribusikan ke retailer, dan ternyata telah dibeli oleh consumer sebanyak 8 unit.
Hitunglah:
a. Hitung semua probabilitas untuk menghitung barang yang tidak rusak (X)
b. Butlah probabilitas kumulatif
c. Berapa probabilitasnya dari 8-unit yang telah terbeli consumer terdapat 5 barang yang
rusak.
Jawab:
8!
a. 𝑝 (3) = 𝑃(X = 3) = (0,8)3(0,2)5
𝑟 3!(8−3)!
= 56 (0,8)3(0,2)5

= 0,009175
(𝑝𝑟𝑜𝑏𝑎𝑏i𝑙i𝑡𝑎𝑠 𝑢𝑛𝑡𝑢𝑘 𝑚𝑒𝑚𝑝𝑒𝑟𝑜𝑙𝑒ℎ 3 𝑝𝑟𝑜𝑑𝑢𝑘 𝑡i𝑑𝑎𝑘 𝑟𝑢𝑠𝑎𝑘)

b. Berikut table distribusi probabilitas binomial dan kumulatifnya (p=0,8; n=8)

x n-x 𝑝𝑟(𝑥) F(x) = P(X≤x)
0 8 0,0000 0,0000
1 7 0,0001 0,0001
2 6 0,0011 0,0012
3 5 0,0092 0,0104
4 4 0,0459 0,0563
5 3 0,1468 0,2031
6 2 0,2936 0,4967
7 1 0,3355 0,8322
8 0 0,1678 1,0000

c. Diketahui = n-x = 5; X = 3
P(X=3) = 𝑝𝑟(3) = 0,009175 ≈ 0,0092

Distribusi Poisson
Distribusi poisson disebut juga distribusi peristiwa yang jarang terjadi, ditemukan
oleh S.D. Poisson (1781–1841), seorang ahli matematika berkebangsaan Perancis. Distribusi
Poisson termasuk distribusi teoritis yang memakai variabel random diskrit. Distribusi poisson
adalah distribusi peluang random poisson X, yang menyatakan banyaknya sukses yang terjadi
dalam suatu selang waktu atu daerah tertentu.

Distribusi poisson adalah pengembangan dari distribusi binomial yang mampu

mengkakulasikan distribusi probabilitas dengan kemungkinan sukses (p) sangat kecil dan
jumlah eksperimen (n) sangat besar (misal 100 atau lebih). Karena
distribusi poisson biasanya melibatkan jumlah n yang besar, dengan p kecil, distribusi ini
biasanya digunakan untuk menghitung nilai probabilitas suatu kejadian dalam suatu selang
waktu dan daerah tertentu. Contoh: Banyaknya bakteri dalam air yang bersih, Banyaknya
presiden yang meninggal karena kecelakaan lalulintas, Banyaknya dering telepon dalam satu
jam di suatu kantor.
Distribusi Poisson memiliki ciri-ciri sebagai berikut:

 Banyaknya hasil percobaan yang terjadi dalam suatu interval waktu atau suatu daerah
tertentu tidak tergantung pada banyaknya hasil percobaan yang terjadi pada interval
waktu atau daerah lain yang terpisah.
 Probabilitas terjadinya hasil percobaan selama suatu interval waktu yang singkat atau
dalam suatu daerah yang kecil, sebanding dengan panjang interval waktu atau besarnya
daerah tersebut dan tidak bergantung pada banyaknya hasil percobaan yang terjadi di luar
interval waktu atau daerah tersebut.

Distribusi poisson banyak digunakan dalam hal berikut:

 Menghitung probabilitas terjadinya peristiwa menurut satuan waktu, ruang atau isi,
luas, panjang tertentu, seperti menghitung probabilitas dari:
o Banyaknya penggunaan telepon per menit atau banyaknya mobil yang lewat
selama 5 menit di suatu ruas jalan.
o Banyaknya bakteri dalam satu tetes atau 1-liter air,
o Banyaknya kesalahan ketik per halaman sebuah buku
o Banyaknya kecelakaan mobil di jalan tol selama minggu pertama bulan
Oktober.
Rumus untuk menyelesaikan distribusi Poisson adalah sebagai berikut:
𝜆𝑥 𝑒−ℎ
𝑃(X = 𝑥) =
𝑥!
Dimana 𝜆 = rata-rata distribusi (Lambda)

X = 0, 1, 2, 3, … (menuju tak hingga) e

= konstanta 2,71828
Contoh:

Seorang yang akan menjual mobil mewahnya memasang iklan pada suatu surat kabar
yang dapat mencapai 100.000 pembaca. Dengan anggapan nilai probabilitas bahwa seorang
yang membaca iklan tersebut berminat akan membeli mobilnya sebesar p = 1/50.000. Jika
dari 100.000 pembaca ada dua orang yang berminat membeli mobil tersebut (p = 0,00002)
dan X = banyaknya pembaca yang berminat pada mobil tersebut, berapakah P(X = 0), P(X =
1), P(X = 2), P(X = 3), P(X
= 4), ,,,,?

Persoalan ini sebetulnya dapat dipecahkan dengan menggunakan fungsi Binomial, karena
persoalannya hanya mencari probabilitas x “sukses” dari n = 100.000 eksperimen dimana
probabilitas sukses p = 1/50.000. Akan tetapi karena n besar (n>30) fungsi Poisson dapat
digunakan sebagai suatu pendekatan yang lebih sederhana.
Apabila = rata-rata distribusi = E(X) = np =100000 = 2
50000

(secara rata-rata dapat diharapkan 2 (dua) orang pembaca yang menanyakan keadaan mobil),
Perhitungan ini dapat juga dilihat pada tabel Poisson, dimana x = 0, 1, 2, …, 9. Misalnya kita
ingin melihat distribusi probabilitas bahwa 5 orang pembaca berminat pada mobil tersebut
P(5) dengan atau rata-rata distribusi = 2, perhatikan potongan tabel Poisson berikut:

x 1,0 2,0 3,0 4,0 5,0 6,0

0 0,3679 0,1353 0,0498 0,0183 0,0067 0,0025
1 0,3679 0,2707 0,1494 0,0733 0,0337 0,0149
2 0,1839 0,2707 0,2240 0,1465 0,0842 0,0446
3 0,0613 0,1804 0,2240 0,1954 0,1404 0,0892
4 0,0153 0,0902 0,1680 0,1954 0,1755 0,1339
5 0,0031 0,0361 0,1008 0,1563 0,1755 0,1606
6 0,0005 0,0120 0,0504 0,1042 0,1462 0,1606

Perhatikan kolom 2, dengan = 2,0, telusuri ke bawah sampai ke baris x = 5. Disana kita
akan menemukan angka 0,0361. Artinya probabilitas 5 orang berminat dari 100.000
pembaca adalah 0,0361, probabilitas 6 orang berminat adalah 0,0120, dan seterusnya.
Distribusi Probabilitas Kontinu
Distribusi Probabilitas Kontinu adalah daftar atau sebaran probabilitas dari setiap nilai
variabel random Kontinu. Variabel random Kontinu adalah variabel random dengan interval
(baik terbatas maupun tidak terbatas) dalam suatu jarak dari bilangan nyata
(Montgomery,2011). Variabel random Kontinu meliputi nilai yang dapat diukur daripada
dihitung. Contohnya adalah tinggi badan, berat badan, suhu, dan waktu. Distribusi
Probabilitas Kontinu dapat digambarkan dengan fungsi kepadatan probabilitas f(x) yang
mempunyai nilai-nilai dalam variabel Kontinu. Seperti pada gambar dibawah ini, daerah
dibawah kurva a sampai b merupakan distribusi probabilitas Kontinu yang nilainya berada
pada interval dua buah angka a dan b yang termasuk dalam variabel x atau variabel Kontinu.

Gambar 2 Fungsi Kepadatan Probabilitas Variabel Random Kontinu Probabilitas

daerah interval a dan b adalah sebagai berikut.
 𝑏
𝑃(𝑎 < 𝑥 < 𝑏) = ∫ ƒ(𝑥)
𝑎

Berikut adalah rangkuman dari penjelasan untuk setiap distribusi probabilitas

Kontinu:

NO JENIS PENGERTIAN CONTOH

1 Distribusi Salah satu distribusi yang sering Distibusi normal
Normal digunakan untuk distribusi variabel banyak dicontohkan
random. Variabel random yang dalam kehidupan
mempunyai rata-rata dan variansi sehari-hari maupun di
yang berbeda dapat digambarkan dunia industri.
dengan distribusi normal. Distribusi Misalnnya pada industri
normal memiliki kurva berbentuk sepatu rata-rata panjang
lonceng yang simetris yang sepatu yang dibuat oleh
ditentukan oleh operator berdistribusi
rata-rata yang dituliskan di tengah normal.
kurva dan variansi untuk
menentukan lebarnya kurva.
2 Distribusi Sebuah distribusi probabilitas Probabilitas volume
Uniform yang minuman kaleng
mempunyai probabilitas yang sama dimana pengisian
untuk semua kemungkinan variabel minuman dilakukan
random yang muncul dengan mesin dalam
sebuah industri
softdrink.
3 Distribusi Distribusi probabilitas yang waktu selisih operator
Eksponensial digunakan untuk mengukur waktu menerima antara 2
antara dua kejadian sukses atau jarak panggilan atau waktu
satu interval proses poisson. kedatangan pelanggan
dalam sistem
4 Distribusi Sebuah generalisasi dari distribusi Probabilitas kesalahan
Erlang eksponensial adalah lama waktu (error) laser ketiga dalam
yang dibutuhkan sampai r kejadian mesin sitogenik lebih dari
terjadi dalam proses Poisson. 50000 jam.
Disaat X dalam hal ini
menunjukkan waktu yang
dibutuhkan sampai kejadian ke r
dalam proses Poisson, maka
probabilitas kepadatan ini
didefinisikan sebagai distribusi
Erlang
5 Distribusi Distribusi gamma merupakan teori Diaplikasikan untuk
Gamma yang mendasari distribusi erlang mengukur waktu untuk
dan eksponensial,, r pada distribusi menyelesaikan pekerjaan
ini dapat bernilai non integer. dan sering digunakan
dalam teori antrian.
NO JENIS PENGERTIAN CONTOH
6 Distribusi Distribusi beta merupakan sebuah Digunakan untuk
Beta penjabaran dari distribusi mengetahui keandalan
uniform suatu mesin
7 Distribusi Distribusi Weibull sering digunakan Menentukan waktu
Weibull untuk menghitung waktu yang lifetime dari
dicapai sampai terjadinya kerusakan penggunaan roller
suatu sistem fisik. bearing secara
mekanis sampai
struktur bahan rusak
(gagal)

8 Distribusi Variabel dalam sistem terkadang Menguji umur pakai

Lognormal mengikuti distribusi eksponensial suatu alat
dengan variabel X adalah exp(W).
Saat W ditranformasikan
menggunakan logaritma dan menjadi
distribusi normal, maka distribusi
dari variabel X ini
disebut distribusi lognormal.
9 Distribusi Misalkan X1, X2,.....,Xn Untuk menguji dua
Student (t) merupakan sampel random dari rata-rata dengan
suatu distribusi normal dengan sampel kecil (n<30)
rata-rata dan standar deviasi yang
tidak diketahui. Variabel random
berdistribusi t dengan
derajat kebebasan n-1
10 Distribusi F Distribusi F digunakan apabila Untuk menguji variansi
terdapat 2 buah populasi yang 2 populasi dan dapat
berdistribusi normal dan menguji rata-rata pada
independen dimana rata-rata variansi 3 atau lebih
populasi dan variansinya tidak populasi (ANOVA)
diketahui.
11 Distribusi Chi Seperti pada distribusi t, distribusi Digunakan untuk uji
Square chi-square mempunyai satu Goodness of fit.
(X2) parameter, yaitu derajat kebebasan (menguji suatu data
(df). Derajat kebebasannya dapat apakah sesuai dengan
dihitung menggunakan formula distribusi tertentu)
yang berbeda dari pengujian yang
berbeda. Bentuk kurva distribusi
chi-square berbentuk skewness
positif dari df yang terkecil
sampai df yang paling besar.
NO VARIABEL PERSAMAAN
1 e = 2,71828 Fungsi Kepadatan Probabilitas:
π = 3,14159 1 −(𝑥− )2
ƒ(𝑥) = 𝑒 2𝜎2
µ = rata-rata populasi σ √2𝜋𝜎
= standar deviasi
x = rata-rata sampel Variabel X diterjemahkan ke variabel random Z
dengan rata-rata 0 dan variansi 1:
𝑥−𝜇
𝑍= 𝜎
2 Terdapat batas interval a Fungsi Kepadatan Probabilitas
dan b dimana proporsi 1
probabilitas sepanjang ƒ(𝑥) = {𝑏 − 𝑎 𝑎 ≤ 𝑥 ≤ 𝑏
interval (a,b) adalah sama 0 𝑜𝑡ℎ𝑒𝑟
Fungsi Distribusi Kumulatif
0 𝑥 <
𝑎 (𝑥 − 𝑎)
ƒ(𝑥) = { 𝑎 ≤ 𝑥
< 𝑏 (𝑏 − 𝑎)
1 𝑥≥𝑏
3 x = interval rata-rata λ Fungsi Kepadatan
− 𝑥
Probabilitas
= parameter skala e = 𝜆 𝑒 𝑥 ≥0
ƒ(𝑥) = {
2,71828 0 𝑜𝑡ℎ𝑒𝑟
Fungsi Distribusi Kumulatif
0 𝑥<0
ƒ(𝑥) = ,
1−𝑒 𝑥≥0 −𝑥𝛽

Mean: 𝜇 = 𝛽
Variansi: σ2 = β2
4 λ = parameter skala r Fungsi kepadatan probabilitas∷
r𝑥 r−1 𝑒− 𝑥
= kejadian sukses ƒ(𝑥) =
lebih dari (𝑟−1)!
sama dengan 1 x Untuk x > 0 dan r = 1,2,..
= waktu sampai Fungsi Distribusi Kumulatif :
kejadian r 0 𝑥≤0
𝑟−1 − 𝑥 𝑘
e = 2,71828 𝐹(𝑥) = { 𝑒 (𝜆𝑥)
1−∑ 𝑥>0
𝑘=0 𝑘!

5 r = parameter bentuk λ Fungsi∞Gamma

= parameter skala Γ(r) = ∫ 𝑥𝑟−1𝑒−𝑥𝑑𝑥, untuk r > 0
0
Fungsi Kepadatan Probabilitas
r 𝑥r−1 𝑒
− 𝑥
ƒ(𝑥) = untuk x > 0
(𝑟)
Fungsi Distribusi Kumulatif
0 𝑥≤0
𝑥
𝐹(𝑥) = {
∫ ƒ(i)𝑑i 𝑥 > 0
0
6 Parameter bentuk α dan β Fungsi Kepadatan Probabilitas
( 𝛽)
ƒ(𝑥) = 𝑥 −1(1 − 𝑥)𝛽−1
( ) (𝛽)
untuk x ε [0,1]
Fungsi Distribusi Kumulatif
NO VARIABEL PERSAMAAN
0 𝑥≤0
𝑥
𝐹(𝑥) = {
∫ ƒ(i)𝑑i 𝑥 > 0
0

7 𝛽 = parameter bentuk Fungsi Kepadatan Probabilitas:

𝛽 𝑥 𝑥
distribusi ƒ(𝑥) = ð ( )𝛽−1 exp(− )𝛽ðð
𝛿 = Parameter skala untuk x>0
yang menunjukkan
umur penggunaan
suatu alat

8 θ = rata-rata Fungsi Kepadatan Probabilitas

ω2 = variansi 1 (𝑙𝑛 𝑥 − )2
ƒ(𝑥) = exp *− +
𝑥𝜔√2𝜋 2𝜔2
Untuk 0 < 𝑥 < ∞

9 µ = rata-rata populasi s x̄ − 𝜇
𝑇𝑛 =
= standar deviasi 𝑠/√𝑛
x¯ = rata-rata sampel n Fungsi Kepadatan Probabilitas:
= jumlah sampel 𝑘+1
k = derajat kebebasan 𝑟* 2 + 1
ƒ(𝑥) = .
(𝑘+1)/2
𝑘 𝑥2
√𝜇𝑘𝑟 ( ) [( ) + 1]
2 𝑘
Untuk −∞ < 𝑥 < ∞
10 W dan Y = variabel W/𝑢
𝐹=
random chi-square u 𝑌/𝑣
dan v = derajat Fungsi kepadatan probabilitas:
𝑢 𝑢
kebebasan
𝑢+𝑣 𝑢 ( )( )−1
2𝑥 2
𝑟(
2 ) ( 𝑣)
ƒ(𝑥) = 𝑢+𝑣
𝑢 𝑣 𝑢
𝑟 ( ) 𝑟 ( ) *( ) 𝑥 + 1+ 2

𝑣 𝑢 𝑣
𝑢𝑛𝑡𝑢𝑘 0 < 𝑥 < ∞
11 e = 2,71828 Parameter α=ν/2 dan β=2
v = derajat kebebasan
Fungsi Kepadatan Probabilitas
2−𝛼𝑥𝛼−1𝑒−𝑥/2
𝑥>0
ƒ(𝑥) = { Г(𝛼)
0 𝑜𝑡ℎ𝑒𝑟

Fungsi Distribusi Kumulatif

0 𝑥≤0
𝑥
𝐹(𝑥) = {
∫ ƒ(i)𝑑i 𝑥 > 0
0
Mean: µ=ν
Variansi: σ2= 2ν
Distribusi Normal
Di antara sekian banyak distribusi, barangkali distribusi normal merupakan distribusi
yang secara luas banyak digunakan dalam berbagai penerapan. Distribusi normal merupakan
distribusi kontinu yang mensyaratkan variabel yang diukur harus kontinu misalnya tinggi
badan, berat badan, dan sebagainya.
Karakteristik Distribusi Kurva Normal:

1) Kurva berbentuk genta ( 𝜇 = Md = Mo)

2) Kurva berbentuk simetris
3) Kurva normal berbentuk asimptotis
4) Kurva mencapai puncak pada saat X=
5) Luas daerah di bawah kurva adalah 1; ½ di sisi kanan nilai tengah dan ½ di sisi
kiri.

Pentingnya Distribusi Normal Dalam Statistika

Salah satu distribusi probabilitas dengan variabel random kontinu adalah distribusi normal.
Ada 2 peran yang penting dari distribusi normal:

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.

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.
1. Grafiknya selalu berada di atas sumbu x
2. Bentuknya simetris pada x = µ
3. Mempunyai satu buah modus, yaitu pada x = µ
4. Luas grafiknya sama dengan satu unit persegi, dengan rincian
 o Kira-kira 68% luasnya berada di antara daerah µ – σ dan µ + σ
o Kira-kira 95% luasnya berada di antara daerah µ – 2σ dan µ + 2σ
o Kira-kira 99% luasnya berada di antara daerah µ – 3σ dan µ + 3σ

CIRI-CIRI DISTRIBUSI NORMAL

Distribusi normal mempunyai beberapa sifat dan ciri, yaitu:

 Disusun dari variable random kontinu

 Kurva distribusi normal mempunyai satu puncak (uni-modal)
 Kurva berbentuk simetris dan menyerupai lonceng hingga mean, median dan modus
terletak pada satu titik.
 Kurva normal dibentuk dengan N yang tak terhingga.
 Peristiwa yang dimiliki tetap independen.
 Ekor kurva mendekati absis pada penyimpangan 3 SD ke kanan dan ke kiri dari rata-
rata dan ekor grafik dapat dikembangkan sampai tak terhingga tanpa menyentuh
sumbu absis.

Contoh Soal:

Diketahui suatu distribusi normal dengan 𝜇= 50 dan 𝜎= 10. Carilah probabilitas bahwa X
mendapat nilai 45 dan 62!
K−𝜇
nilai 𝑍 =
𝜎

Jawab:

Dicari nilai Z yang berpadaan dengan 𝑥1 = 45 dan 𝑥2 = 62 adalah

45−50
𝑧 = = −0,5 dan 𝑧
62−50
1 10 2 = 10
= 1,2

Jadi 𝑃(45 < 𝑥 < 62) = 𝑃(−0,5 < 𝑍 < 1,2)

= 𝑃(𝑧 < 1,2) + 𝑃(𝑧 < 0,5)

= 0,3849 + 0,1915 = 0.5764
Fungsi Massa Probabilitas
Misalkan terdapat suatu pembebanan yang diletakan pada titik-titik diskrit (tertentu) di
sebuah balok yang panjang dan tipis. Pembebanan tersebut dideskripsikan sebagai suatu
fungsi yang menjelaskan bahwa massa (pembebanan) berada di tiap-tiap titik diskrit tersebut.
Hampir sama seperti variabel random diskrit, distribusinya dapat di deskripsikan dengan
fungsi tersebut yang menjelaskan bahwa probabilitasnya berada pada tiap-tiap nilai variabel
random X.

Gambar 2 Loading at discrete points in a long thin beam

Untuk variabel random diskrit dengan nilai kemungkinan x1, x2, . . . . , xn fungsi
probabilitas massanya adalah
1. F(x1) ≥ 0
2. ∑𝑛i=1 ƒ(𝑥i) = 1
3. ƒ(𝑥i) = 𝑃(X = 𝑥i)
Fungsi Kepadatan Probabilitas
Fungsi kepadatan pada umumnya digunakan di dunia keteknikan untuk
mendeskripsikan sistem fisik. Sebagai contoh, mengingat kepadatan pada suatu balok yang
panjang dan tipis dimana untuk setiap titik x di sepanjang balok, kepadatannya dapat
dideskripsikan sebagai sebuah fungsi (gram/cm). Interval antara pembebanan yang besar
berhubungan dengan nilai fungsi yang besar pula. Total pembebanan antara poin a dan b
ditentukan sebagai suatu integral dari fungsi kepadatan dari a ke b.
Dibawah interval pada fungsi kepadatan ini, dapat dengan mudah ditafsirkan sebagai
jumlah dari keseluruhan pembebanan di interval tersebut. Hampir sama, Fungsi kepadatan
probabilitas f(x) dapat digunakan unutk mendeskripsikan distribusi probabilitas dari variabel
random Kontinu X. Jika interval memiliki nilai dari X, probabilitasnya besar dan itu
berhubungan dengan nilai fungsi f(x) yang besar pula. Probabilitas X diantara a dan b
ditentukan dari integral dari F(x) dari a ke b.

Gambar 3 Fungsi Kepadatan pada Balok

Untuk variabel random Kontinu dari X, fungsi kepadatan probabilitasnya adalah 1.
F(x1) ≥ 0
∞
2. ∫−∞ ƒ(𝑥)𝑑𝑥 = 1
𝑏
3. P (a ≤ X ≤ b) = ∫ ƒ(𝑥)𝑑𝑥 = area dibawah f(x) untuk semua nilai a dan b
𝑎

Fungsi Distribusi Kumulatif untuk Variabel Random Diskrit

Terkadang akan sangat berguna ntuk menggunakan probabilitas kumulatif dimana
probabilitas tersebut dapat digunakan untuk menemukan fungsi massa probabilitas (PMF)
dari suatu variabel random. Maka dari itu menggunakan probabilitas kumulatif ini merupakan
suatu metode alternatif untu mendeskripsikan distribusi probabilitas dari suatu variabel
random.
Fungsi probabilitas kumulatif dari variabel random diskrit X ini dapat dinotasikan sebagai
berikut:
F(x) = P(X ≤ x) = ∑𝑥1 ≤𝑥 ƒ(𝑥i)
Untuk variabel random diskrit X, F(x) memenuhi ketentuan berikut
1. F(x) = P(X ≤ x) = ∑𝑥1 ≤𝑥 ƒ(𝑥i)
2. 0 ≤ F(x) ≤ 1
3. bila x ≤ y, kemudian F(x) ≤ F(y)
 Gambar 4 Fungsi Distribusi Kumulatif untuk Variabel Random Diskrit
Fungsi Distribusi Kumulatif untuk Variabel Random Kontinu
Metode alternatif untuk mendeskripsikan suatu varuiabel random diskrit ternyata juga
dapat digunakan untuk variabel random Kontinu. Fungsi distribusi kumulatif dari variabel
random Kontinu X adalah
∞
F (x) = P( X ≤ x ) = ∫−∞ ƒ(𝑢)𝑑𝑢 for −∞ < 𝑥 < ∞.

Menjabarkan definisi dari f(x) ke segala lini memungkinkan kita untuk mendefinisikan
distribusi probabilitas kumulatif untuk semua bilangan real/nyata.

Gambar 5 Fungsi Distribusi Kumulatif untuk Variabel Random Kontinu

Diagram Alir Dan Prosedur

Berikut ini merupakan diagram alir dan prosedur pada implementasi distribusi
probabilitas, yaitu sebagai berikut:
 Bagan 2 Diagram Alir
Keterangan:
Gambar Nama Keterangan
Menunjukkan arah aliran dari satu proses ke
Garis Alir proses berikutnya

Terminal Menunjukkan Awal atau akhir sebuah proses

Proses / Menyatakan kegiatan yang akan terjadi dalam

Langkah diagram alir
Gambar Nama Keterangan

Masukan / Digunakan untuk mewakili data masuk atau data

Keluaran keluar.

Digunakan untuk mewakili luaran berupa

Dokumen
dokumen