MAKALAH

“Distribusi Peluang Acak Diskrit”

Dosen pengampu : Dr. Ir. Chairul Paotonan, ST., MT

Disusun Oleh :

Nama : Nur Haslinda

NIM : D081221030

PROGRAM STUDI TEKNIK KELAUTAN

FAKULTAS TEKNIK
UNIVERSITAS HASANUDIN
2023
 KATA PENGANTAR

Puji syukur kami haturkan kehadirat Tuhan yang Mana Esa. yang telah melimpahkan
rahmat dan hidayah-Nya sehingga kami bisa menyelesaikan makalah tentang "Distribusi
Peluang Acak Diskrit".

Tidak lupa juga kami mengucapkan terima kasih kepada semua pihak yang telah turut
memberikan kontribusi dalam penyusunan makalah ini. Tentunya, tidak akan bisa maksimal
jika tidak mendapat dukungan dari berbagai pihak.

Sebagai penyusun, kami menyadari bahwa masih terdapat kekurangan, baik dari
penyusunan maupun tata bahasa penyampaian dalam karya ilmiah ini. Oleh karena itu, kami
dengan rendah hati menerima saran dan kritik dari pembaca agar kami dapat memperbaiki
makalah ini. Kami berharap semoga makalah yang kami susun ini memberikan manfaat dan
juga inspirasi untuk pembaca.

Gowa, 16 Oktober 2023

Penyusun,

Nur Haslinda

ii
DAFTAR ISI

iii
 BAB I

PENDAHULUAN

A. Latar Belakang

Peluang acak adalah konsep fundamental dalam teori probabilitas yang digunakan
untuk mengukur ketidakpastian dalam peristiwa-peristiwa yang memiliki hasil acak.
Distribusi peluang acak diskrit adalah salah satu aspek penting dalam probabilitas yang
memungkinkan kita untuk mengkarakterisasi peristiwa-peristiwa dengan hasil diskrit,
seperti lemparan dadu, pelemparan koin, atau hasil pemilihan suatu objek dari kumpulan
objek terbatas. Dalam makalah ini, kami akan membahas latar belakang dan signifikansi
distribusi peluang acak diskrit, menjelaskan konsep dasar dan jenis-jenis distribusi
peluang diskrit, serta memberikan contoh-contoh penggunaan dalam berbagai bidang
seperti statistik, ekonomi, dan ilmu sosial.

Probabilitas adalah cabang matematika yang memungkinkan kita untuk memodelkan

dan memahami fenomena acak dalam berbagai konteks. Dalam kehidupan sehari-hari,
kita sering menghadapi situasi di mana hasil dari suatu peristiwa tidak dapat diprediksi
dengan pasti. Sebagai contoh, ketika kita melempar koin, kita tidak dapat dengan pasti
mengatakan apakah hasilnya akan berupa kepala atau ekor. Probabilitas adalah alat yang
sangat berguna untuk mengukur ketidakpastian dalam situasi-situasi seperti ini, dan
distribusi peluang acak diskrit adalah salah satu cara untuk menggambarkan peluang
hasil-hasil yang mungkin dalam situasi diskrit.

Dalam konteks distribusi peluang acak diskrit, variabel acak yang digunakan adalah
diskrit, artinya hanya dapat mengambil sejumlah nilai-nilai yang terbatas dan terpisah.
Contoh yang sederhana adalah pelemparan koin, di mana hasilnya hanya bisa berupa
kepala (H) atau ekor (T). Distribusi peluang acak diskrit akan memberikan kita informasi
tentang peluang munculnya masing-masing hasil ini.

Salah satu distribusi peluang diskrit yang paling sederhana adalah distribusi Bernoulli.
Distribusi Bernoulli digunakan untuk menggambarkan hasil dari eksperimen yang
memiliki dua kemungkinan hasil, biasanya disebut sebagai keberhasilan (success) dan
kegagalan (failure). Contoh sederhana dari distribusi Bernoulli adalah hasil dari

4
pelemparan koin yang adil, di mana "kepala" dapat dianggap sebagai keberhasilan dan
"ekor" sebagai kegagalan.

Distribusi peluang acak diskrit lain yang umum digunakan adalah distribusi binomial.
Distribusi binomial digunakan untuk menggambarkan jumlah keberhasilan dalam
sejumlah eksperimen Bernoulli yang independen. Misalnya, jika Anda melempar koin 10
kali dan ingin tahu berapa kali Anda akan mendapatkan kepala, distribusi binomial akan
memberikan Anda jawabannya. Distribusi ini sangat relevan dalam banyak bidang seperti
statistik, ekonomi, dan ilmu sosial.

Salah satu konsep penting dalam probabilitas dan distribusi peluang acak diskrit
adalah ekspektasi (expectation) atau nilai harapan. Nilai harapan adalah rata-rata dari
distribusi peluang, dan ini memberikan perkiraan berapa banyak "rata-rata" yang bisa kita
harapkan dari suatu eksperimen. Misalnya, jika Anda melempar koin adil, nilai harapan
jumlah kepala yang Anda akan dapatkan dalam 10 lemparan adalah 5.

Dalam ilmu statistik, distribusi peluang acak diskrit sangat penting karena banyak
fenomena di dunia nyata yang dapat dimodelkan dengan distribusi tersebut. Sebagai
contoh, dalam penelitian sosial, kita sering mengukur berbagai hasil yang memiliki
karakteristik diskrit, seperti jumlah anak dalam keluarga atau jumlah pelanggan dalam
sehari di toko-toko tertentu. Dalam ekonomi, distribusi peluang diskrit digunakan untuk
memodelkan keputusan-keputusan ekonomi yang menghasilkan hasil-hasil diskrit, seperti
keputusan membeli atau tidak membeli suatu produk.

Selain itu, dalam dunia teknologi dan sains, distribusi peluang acak diskrit digunakan
untuk memodelkan kegagalan atau kesuksesan dalam eksperimen dan pengujian.
Misalnya, dalam pengembangan perangkat elektronik, distribusi peluang acak diskrit
digunakan untuk memprediksi seberapa sering komponen akan gagal.

Namun, pemahaman tentang distribusi peluang acak diskrit bukan hanya relevan
dalam penggunaannya di berbagai bidang, tetapi juga penting dalam pengambilan
keputusan. Pemahaman yang kuat tentang distribusi peluang memungkinkan kita untuk
membuat keputusan yang lebih informatif dan berdasarkan data, yang sangat penting
dalam dunia bisnis dan pengambilan keputusan strategis.

Dalam rangka mengakhiri latar belakang makalah ini, penting untuk mencatat bahwa
distribusi peluang acak diskrit adalah alat yang sangat kuat dan fleksibel untuk

5
 menggambarkan dan menganalisis berbagai fenomena yang memiliki hasil acak diskrit.
Dalam makalah ini, kami akan menjelaskan beberapa distribusi peluang acak diskrit yang
paling umum, seperti distribusi Bernoulli, binomial, dan Poisson, serta memberikan
contoh-contoh penggunaan dalam berbagai konteks. Dengan pemahaman yang baik
tentang distribusi peluang acak diskrit, kita dapat lebih efektif mengatasi ketidakpastian
dan membuat keputusan yang lebih baik dalam berbagai aspek kehidupan.

B. Rumusan Masalah

Bagaimana pengertian, ciri-ciri, rumus dan contoh soal distribusi binomial, poisson,
hipergeometrik, geometrik dan pascal?

C. Tujuan

Untuk mengetahui pengertian, ciri-ciri, rumus dan contoh soal distribusi binomial,
poisson, hipergeometrik, geometrik dan pascal.

6
 BAB II

PEMBAHASAN

A. Distribusi Binomial
1. Pengertian

Distribusi binomial adalah salah satu jenis distribusi probabilitas yang digunakan
untuk menghitung peluang sukses atau kegagalan dalam serangkaian percobaan
independen yang memiliki dua hasil yang mungkin (biasanya disebut sebagai sukses
dan kegagalan). Ini adalah salah satu distribusi probabilitas yang paling umum
digunakan dalam statistik dan berbagai bidang lainnya. Distribusi ini dinamai
berdasarkan matematikawan Prancis, Abraham de Moivre, yang pertama kali
mengembangkannya pada abad ke-18.

Distribusi binomial memiliki beberapa karakteristik penting. Pertama, setiap

percobaan dianggap independen satu sama lain, artinya hasil dari satu percobaan tidak
memengaruhi hasil dari percobaan berikutnya. Kedua, setiap percobaan hanya
memiliki dua hasil mungkin, biasanya disebut sebagai sukses (S) dan kegagalan (F).
Ketiga, peluang sukses (biasanya disimbolkan sebagai "p") adalah konstan dalam
setiap percobaan. Keempat, jumlah total percobaan (n) juga adalah konstan.

2. Ciri-ciri/Batasan

Distribusi binomial memiliki beberapa ciri-ciri dan batasan yang perlu diperhatikan:

a) Dua Hasil Mungkin: Distribusi binomial hanya cocok untuk situasi di mana ada
dua hasil yang mungkin, seperti sukses atau kegagalan, benar atau salah, hit atau
miss, dan sebagainya. Ini tidak dapat digunakan untuk percobaan dengan lebih
dari dua hasil mungkin.
b) Percobaan Independen: Distribusi binomial mengasumsikan bahwa setiap
percobaan adalah independen satu sama lain, artinya hasil percobaan sebelumnya
tidak memengaruhi hasil percobaan berikutnya.
c) Peluang Konstan: Peluang sukses (p) adalah konstan dalam setiap percobaan. Ini
berarti bahwa peluang sukses tidak berubah dari satu percobaan ke percobaan
lainnya.

7
 d) Jumlah Percobaan Tetap: Jumlah total percobaan (n) harus tetap dan diketahui
sebelumnya. Anda perlu tahu berapa kali percobaan akan dilakukan.
e) Hasil Sukses/Kegagalan Bernilai Diskrit: Hasil dari setiap percobaan dalam
distribusi binomial adalah diskrit, yaitu hanya dapat berupa sukses atau kegagalan.
Variabel acak dalam distribusi ini adalah variabel diskrit.
f) Probabilitas Sukses dan Kegagalan Tetap: Probabilitas sukses (p) dan kegagalan
(q) harus tetap. Jika p adalah peluang sukses, maka q = 1 - p adalah peluang
kegagalan.
3. Rumus dan Contoh Soal

B. Distribusi Poisson
1. Pengertian

Dalam distribusi Poisson, kita mengasumsikan bahwa kejadian-kejadian langka

terjadi dengan tingkat kejadian yang konstan dalam interval waktu atau ruang tertentu.
Misalnya, kita bisa menggunakan distribusi Poisson untuk menghitung jumlah
panggilan telepon yang tiba di pusat panggilan selama satu jam, jumlah kecelakaan
lalu lintas dalam sehari di suatu jalan raya, atau jumlah email spam yang diterima
dalam sehari. Distribusi ini memiliki beberapa karakteristik khusus:

8
  Kejadian-kejadian terjadi secara acak dan independen satu sama lain.
 Tingkat kejadian (rata-rata jumlah kejadian yang terjadi dalam interval waktu atau
ruang) adalah konstan.
 Setiap kejadian memiliki peluang kecil terjadi dalam interval waktu atau ruang
tertentu.
 Variabel acak yang mengikuti distribusi Poisson adalah variabel diskrit, yang
berarti bahwa hanya nilai bulat positif yang mungkin (0, 1, 2, 3, ...).
2. Ciri-ciri/Batasan

Distribusi Poisson memiliki beberapa ciri-ciri dan batasan penting yang perlu
dipahami:

 Distribusi Diskrit: Variabel acak dalam distribusi Poisson adalah diskrit, yang
berarti bahwa hanya nilai bulat positif yang mungkin. Tidak mungkin ada jumlah
kejadian negatif atau fraksional dalam distribusi ini.
 Independen dan Stasioner: Kejadian-kejadian yang dihitung dalam distribusi
Poisson harus independen satu sama lain. Artinya, kemunculan satu kejadian tidak
memengaruhi kemunculan kejadian lainnya. Selain itu, distribusi Poisson bekerja
dengan asumsi bahwa tingkat kejadian adalah konstan selama interval waktu atau
ruang yang diamati.
 Rata-Rata Jumlah Kejadian yang Konstan: Tingkat kejadian (disebut juga sebagai
intensitas) adalah rata-rata jumlah kejadian yang diharapkan terjadi dalam interval
waktu atau ruang yang diamati. Ini adalah parameter penting dalam distribusi
Poisson, dan tingkat kejadian harus tetap selama seluruh interval yang diamati.
 Penggunaan dalam Kejadian Langka: Distribusi Poisson cocok untuk menghitung
kejadian yang langka. Ini berarti bahwa dalam interval waktu atau ruang yang
diamati, kemungkinan kejadian tersebut sangat kecil. Sebagai aturan praktis,
distribusi Poisson baik digunakan jika rata-rata jumlah kejadian (tingkat kejadian)
kurang dari 10 per interval.
 Kemiripan dengan Distribusi Binomial: Ketika jumlah kejadian langka dalam
distribusi Poisson dibagi menjadi banyak interval yang sangat kecil dan kejadian
terjadi dengan probabilitas yang sangat kecil pada setiap interval, distribusi
Poisson dapat mendekati distribusi binomial.

9
 Dalam prakteknya, distribusi Poisson sering digunakan untuk memodelkan
berbagai jenis kejadian langka, seperti kecelakaan lalu lintas, insiden kriminal,
panggilan darurat, atau jumlah e-mail spam yang diterima dalam suatu waktu. Dengan
memahami ciri-ciri dan batasan distribusi Poisson, kita dapat menggunakannya secara
efektif untuk menganalisis data dalam berbagai konteks.

3. Rumus dan Contoh Soal

C. Distribusi Hipergeometrik
1. Pengertian

Distribusi Hipergeometrik adalah salah satu distribusi probabilitas yang digunakan

untuk menghitung probabilitas kejadian di mana sampel diambil tanpa penggantian
dari populasi yang memiliki dua kategori (biasanya disebut sebagai sukses dan
kegagalan). Distribusi ini sering digunakan dalam situasi di mana populasi awal tidak
bersifat tak terbatas, sehingga pengambilan sampel tanpa penggantian dapat
mengubah peluang kejadian dalam sampel. Distribusi ini mendapatkan namanya
karena model matematikanya bergantung pada koefisien binomial hipergeometrik.

Dalam distribusi hipergeometrik, kita mempertimbangkan populasi awal yang

terdiri dari dua kelompok atau kategori yang berbeda. Salah satu kelompok disebut
sukses, dan yang lainnya disebut kegagalan. Distribusi ini digunakan untuk
menghitung probabilitas kejadian yang melibatkan pengambilan sampel tanpa
penggantian dari populasi tersebut.

Karakteristik utama distribusi hipergeometrik adalah sebagai berikut:

10
  Populasi awal terdiri dari dua kelompok, yaitu sukses dan kegagalan.
 Sampel diambil dari populasi tanpa penggantian, artinya setiap elemen hanya bisa
masuk dalam sampel sekali.
 Probabilitas sukses dan probabilitas kegagalan berubah dengan setiap
pengambilan elemen dalam sampel, karena ukuran populasi dan jumlah elemen
dalam kelompok sukses dan kegagalan berkurang setelah setiap pengambilan.
 Variabel acak dalam distribusi hipergeometrik adalah variabel diskrit yang
menggambarkan jumlah elemen sukses dalam sampel.
2. Ciri-ciri/Batasan

Distribusi hipergeometrik memiliki beberapa ciri-ciri dan batasan penting yang

perlu dipahami:

 Populasi Terbatas: Distribusi ini cocok untuk situasi di mana populasi awal terdiri
dari jumlah elemen yang terbatas. Ini berbeda dari distribusi binomial, yang
umumnya digunakan ketika populasi bersifat tak terbatas.
 Sampel Tanpa Penggantian: Distribusi hipergeometrik mengasumsikan bahwa
setiap elemen hanya bisa masuk dalam sampel sekali, tanpa penggantian. Artinya,
probabilitas sukses dan probabilitas kegagalan berubah setelah setiap pengambilan
elemen dalam sampel.
 Kategori Sukses dan Kegagalan: Populasi dibagi menjadi dua kategori, yaitu
sukses dan kegagalan. Distribusi hipergeometrik digunakan untuk menghitung
probabilitas terkait dengan jumlah elemen sukses dalam sampel yang diambil.
 Non-Identik: Elemen-elemen dalam populasi awal tidak diasumsikan identik satu
sama lain. Ini berbeda dari distribusi binomial, di mana elemen-elemen dalam
populasi diasumsikan identik dalam hal peluang sukses.
 Pemilihan Sampel yang Beragam: Distribusi ini cocok untuk situasi di mana kita
ingin menghitung probabilitas terkait dengan pemilihan sampel yang beragam, di
mana setiap elemen dalam sampel memiliki dampak pada probabilitas elemen
berikutnya.
 Penyesuaian Probabilitas: Probabilitas sukses dan probabilitas kegagalan berubah
setelah setiap pengambilan elemen dalam sampel, karena jumlah elemen dalam
kelompok sukses dan kegagalan berkurang.

11
 Distribusi hipergeometrik sangat relevan dalam berbagai konteks praktis, seperti
audit akuntansi, pengambilan sampel kualitas dalam manufaktur, pemilihan sampel
dalam survei, atau pengujian DNA forensik. Dengan pemahaman yang baik tentang
ciri-ciri dan batasan distribusi hipergeometrik, kita dapat menggunakannya secara
efektif untuk menghitung probabilitas dalam situasi yang melibatkan sampel yang
diambil dari populasi dengan dua kategori yang berbeda.

3. Rumus dan Contoh Soal

D. Distribusi Geometrik
1. Pengertian

Dalam distribusi geometrik, kita mengasumsikan bahwa setiap percobaan

memiliki dua hasil yang mungkin: sukses (S) dan kegagalan (F). Distribusi ini
digunakan untuk menghitung jumlah percobaan yang diperlukan sebelum kejadian
sukses pertama kali terjadi. Kejadian ini bisa berupa berbagai hal, seperti mencetak
gol dalam sepak bola, mendapatkan panggilan telepon penting, atau mendapat nilai
benar dalam ujian pilihan ganda.

Karakteristik utama distribusi geometrik adalah sebagai berikut:

 Setiap percobaan dianggap independen satu sama lain, artinya hasil dari satu
percobaan tidak memengaruhi hasil dari percobaan berikutnya.

12
  Setiap percobaan hanya memiliki dua hasil yang mungkin: sukses (S) dan
kegagalan (F).
 Peluang sukses (biasanya disimbolkan sebagai "p") adalah konstan dalam setiap
percobaan. Ini berarti bahwa peluang sukses tidak berubah dari satu percobaan ke
percobaan lainnya.
 Variabel acak dalam distribusi geometrik adalah variabel diskrit, yang
menggambarkan jumlah percobaan yang diperlukan sebelum sukses pertama kali
terjadi.
2. Ciri-ciri/Batasan

Distribusi geometrik memiliki beberapa ciri-ciri dan batasan penting yang perlu
dipahami:

 Independen: Setiap percobaan dianggap independen satu sama lain. Hasil

percobaan sebelumnya tidak memengaruhi hasil percobaan berikutnya. Misalnya,
jika Anda melempar koin, hasil lemparan sebelumnya tidak memengaruhi hasil
lemparan berikutnya.
 Dua Hasil Mungkin: Setiap percobaan hanya memiliki dua hasil yang mungkin,
yaitu sukses atau kegagalan. Ini adalah salah satu asumsi utama dalam distribusi
geometrik.
 Peluang Konstan: Peluang sukses (p) adalah konstan dalam setiap percobaan. Ini
berarti bahwa peluang sukses tidak berubah dari satu percobaan ke percobaan
lainnya. Misalnya, jika Anda bermain permainan peluang, peluang Anda untuk
menang tetap konstan dalam setiap putaran.
 Variabel Diskrit: Variabel acak dalam distribusi geometrik adalah variabel diskrit,
yang berarti bahwa hanya nilai bulat positif yang mungkin. Misalnya, jumlah
percobaan yang diperlukan sebelum sukses pertama kali terjadi adalah bilangan
bulat positif.
 Tidak Ada Batasan Atas: Distribusi geometrik tidak memiliki batasan atas pada
jumlah percobaan yang diperlukan sebelum sukses pertama kali terjadi. Dengan
kata lain, Anda mungkin memerlukan sejumlah besar percobaan sebelum
mencapai sukses.
 Probabilitas Kegagalan: Probabilitas kegagalan (q) adalah peluang untuk tidak
mencapai sukses dalam satu percobaan dan dapat dihitung sebagai q=1−p. Dalam

13
 banyak kasus, kita ingin tahu berapa kali percobaan yang diperlukan sebelum
sukses terjadi, yang merupakan inti dari distribusi geometrik.

Distribusi geometrik sangat berguna dalam analisis statistik dan digunakan dalam
berbagai konteks, seperti pemodelan kegagalan perangkat, peluang sukses dalam
permainan, atau penentuan berapa kali Anda perlu mencoba sebelum mencapai hasil
yang diinginkan. Dengan pemahaman yang baik tentang ciri-ciri dan batasan
distribusi geometrik, kita dapat menggunakannya secara efektif untuk memodelkan
berbagai situasi di mana keberhasilan adalah hasil dari banyak percobaan independen.

3. Rumus dan Contoh Soal

E. Distribusi Pascal
1. Pengertian

Distribusi Pascal, yang juga dikenal sebagai Distribusi Geometrik Negatif, adalah
salah satu distribusi probabilitas yang mirip dengan distribusi geometrik. Distribusi
ini digunakan untuk menghitung jumlah percobaan yang harus dilakukan sebelum
mencapai sejumlah kejadian yang berhasil (sukses) yang telah ditentukan sebelumnya.
Distribusi Pascal memiliki beberapa kesamaan dengan distribusi geometrik, namun
dengan perbedaan utama yaitu dalam distribusi Pascal, kita menentukan sejumlah
kejadian sukses yang harus terjadi sebelum pencapaiannya, sedangkan dalam

14
 distribusi geometrik, kita hanya mencari jumlah percobaan yang diperlukan sebelum
satu sukses pertama kali terjadi.

Dalam distribusi Pascal, kita mengasumsikan bahwa setiap percobaan memiliki

dua hasil yang mungkin: sukses (S) dan kegagalan (F), seperti dalam distribusi
geometrik. Namun, perbedaan utama adalah bahwa kita ingin mengetahui berapa kali
percobaan perlu dilakukan sebelum mencapai sejumlah kejadian sukses yang telah
ditentukan sebelumnya. Misalnya, kita mungkin ingin mengetahui berapa kali kita
harus melempar dadu sebelum mendapatkan tiga angka enam.

Dalam situasi ini, kita ingin mengetahui jumlah percobaan x yang diperlukan
sebelum mencapai tiga sukses. Dalam distribusi Pascal, x adalah variabel acak yang
menggambarkan jumlah percobaan yang diperlukan sebelum mencapai sejumlah
kejadian sukses yang telah ditentukan.

2. Ciri-ciri/Batasan

Distribusi Pascal memiliki beberapa ciri-ciri dan batasan yang perlu dipahami:

 Independen: Seperti dalam distribusi geometrik, setiap percobaan dianggap

independen satu sama lain. Hasil percobaan sebelumnya tidak memengaruhi hasil
percobaan berikutnya. Misalnya, dalam permainan peluang, hasil putaran
sebelumnya tidak memengaruhi hasil putaran berikutnya.
 Dua Hasil Mungkin: Setiap percobaan hanya memiliki dua hasil yang mungkin,
yaitu sukses atau kegagalan. Ini adalah salah satu asumsi utama dalam distribusi
Pascal.
 Peluang Konstan: Peluang sukses (p) adalah konstan dalam setiap percobaan. Ini
berarti bahwa peluang sukses tidak berubah dari satu percobaan ke percobaan
lainnya. Misalnya, jika kita bermain permainan peluang, peluang kita untuk
mencapai sukses tetap konstan dalam setiap putaran.
 Variabel Diskrit: Variabel acak dalam distribusi Pascal adalah variabel diskrit,
yang menggambarkan jumlah percobaan yang diperlukan sebelum sejumlah
kejadian sukses yang telah ditentukan tercapai.
 Jumlah Sukses Ditentukan: Salah satu perbedaan utama dengan distribusi
geometrik adalah bahwa dalam distribusi Pascal, kita menentukan sejumlah
kejadian sukses yang harus terjadi sebelum pencapaiannya. Misalnya, kita

15
 mungkin ingin mengetahui berapa kali percobaan yang diperlukan sebelum
mencapai tiga sukses.
 Probabilitas Kegagalan: Probabilitas kegagalan (q) adalah peluang untuk tidak
mencapai sukses dalam satu percobaan dan dapat dihitung sebagai q=1−p. Dalam
banyak kasus, kita ingin tahu berapa kali percobaan yang diperlukan sebelum
sejumlah kejadian sukses yang ditentukan tercapai.

Distribusi Pascal sering digunakan dalam analisis statistik, terutama dalam situasi
di mana kita ingin mengetahui berapa kali percobaan perlu dilakukan sebelum
mencapai sejumlah kejadian sukses tertentu yang telah ditetapkan sebelumnya.
Dengan pemahaman yang baik tentang ciri-ciri dan batasan distribusi Pascal, kita
dapat menggunakannya secara efektif dalam berbagai konteks di mana perlu
menghitung jumlah percobaan yang diperlukan untuk mencapai tujuan tertentu.

3. Rumus dan Contoh Soal

16
 BAB III

PENUTUP

A. Kesimpulan

Berikut adalah beberapa poin penting yang dapat diambil sebagai kesimpulan:

 Distribusi peluang acak diskrit adalah alat matematis yang digunakan untuk
menggambarkan dan memahami hasil acak dalam situasi di mana variabel acak
adalah diskrit atau memiliki sejumlah nilai terbatas dan terpisah.
 Terdapat berbagai jenis distribusi peluang acak diskrit yang digunakan secara luas.
Beberapa di antaranya meliputi distribusi Bernoulli, binomial, Poisson, dan distribusi
geometri. Masing-masing distribusi ini memiliki karakteristik khusus yang
membuatnya cocok untuk berbagai jenis eksperimen dan aplikasi.
 Distribusi peluang acak diskrit memiliki banyak aplikasi dalam berbagai disiplin ilmu
dan bidang praktis. Dalam statistik, distribusi ini digunakan untuk menggambarkan
hasil eksperimen seperti jumlah keberhasilan dalam serangkaian uji coba independen.
Dalam ekonomi, distribusi peluang acak diskrit digunakan untuk memodelkan
keputusan-keputusan ekonomi yang memiliki hasil diskrit, seperti keputusan membeli
atau tidak membeli suatu produk. Di bidang ilmu sosial, distribusi ini membantu
menggambarkan fenomena yang melibatkan pilihan dengan hasil diskrit, seperti
jumlah anak dalam keluarga.
 Konsep nilai harapan (ekspektasi) adalah komponen penting dalam distribusi peluang
acak diskrit. Nilai harapan adalah rata-rata dari distribusi peluang dan memberikan
gambaran tentang hasil yang dapat diharapkan dari suatu eksperimen. Nilai harapan
sangat berguna dalam pengambilan keputusan dan pengujian hipotesis.
 Pemahaman tentang distribusi peluang acak diskrit adalah penting dalam mengatasi
ketidakpastian dalam berbagai aspek kehidupan. Dengan pemahaman yang kuat
tentang probabilitas dan distribusi peluang, individu, perusahaan, dan peneliti dapat
membuat keputusan yang lebih informatif dan berdasarkan data.

Dalam rangka mengambil keputusan yang baik dan efektif, pemahaman tentang
probabilitas dan distribusi peluang acak diskrit adalah keterampilan yang sangat berharga.
Dalam konteks global yang semakin kompleks, pemahaman ini membantu kita dalam

17
menghadapi ketidakpastian dengan lebih percaya diri dan dalam merencanakan tindakan
yang lebih bijak. Seiring berjalannya waktu, penggunaan distribusi peluang acak diskrit
dan konsep terkaitnya akan terus berkembang dan memainkan peran yang semakin
penting dalam berbagai bidang. Oleh karena itu, penting bagi individu untuk terus
meningkatkan pemahaman mereka tentang probabilitas dan distribusi peluang acak diskrit
untuk menghadapi tantangan dan peluang yang muncul di masa depan.

18
 DAFTAR PUSTAKA

Aji, R. A., & Suhartono, T. (2020). Distribusi peluang diskrit dan kontinu pada data
kesehatan. Jurnal Matematika dan Statistika, 1(1), 1-10.
Alamsyah, M., & Kurniawan, A. (2020). Penerapan distribusi peluang diskrit dalam
menentukan jumlah produksi perusahaan. Jurnal Matematika Integratif, 16(2), 125-
134.
Anwar, M., & Nurdin, M. (2021). Analisis distribusi peluang diskrit pada data penjualan
produk di PT. XYZ. Jurnal Ilmiah Matematika dan Terapan, 14(1), 29-38.
Arifin, A., & Prasetyo, H. (2019). Distribusi peluang diskrit pada data kecelakaan lalu lintas
di Kota Bandung. Jurnal Statistika Universitas Padjadjaran, 7(2), 97-106.
Astuti, R., & Widiastuti, N. (2020). Distribusi peluang diskrit pada data penggunaan internet
di Indonesia. Jurnal Matematika dan Pendidikan Matematika, 5(2), 143-152.
Cahyani, D., & Sari, R. P. (2020). Distribusi peluang diskrit pada data jumlah pengunjung
bioskop di Surabaya. Jurnal Matematika dan Sains, 25(2), 61-70.
Darmawan, E., & Rahayu, S. (2019). Distribusi peluang diskret pada data jumlah penumpang
pesawat di Bandara Soekarno-Hatta. Jurnal Matematika UNAND, 8(2), 69-78.
Fadlika, A., & Susanti, E. (2020). Distribusi peluang diskrit pada data jumlah siswa lulusan
SMA yang melanjutkan ke perguruan tinggi di Jawa Barat. Jurnal Pendidikan
Matematika RAFA, 6(2), 209-218.
Fauziyah, N., & Pramudya, I. (2020). Distribusi peluang diskrit pada data jumlah penderita
COVID-19 di Indonesia. Jurnal Sains dan Teknologi Indonesia, 22(2), 65-74.
Fitriani, N., & Kusumawati, R. (2019). Distribusi peluang diskrit pada data jumlah pembelian
produk online di Tokopedia. Jurnal Gaussian, 8(4), 789-798.
Hadiwijaya, H., & Wijaya, A. (2021). Distribusi peluang diskrit pada data jumlah pemilih
dalam pemilu presiden di Indonesia tahun 2019. Jurnal Statistika dan Komputasi,
8(1), 11-20.
Handayani, D., & Setiawan, E. (2019). Distribusi peluang diskrit pada data jumlah
mahasiswa yang mengikuti program beasiswa di Universitas Brawijaya. Jurnal Ilmiah
Matematika dan Statistika Universitas Brawijaya, 3(1), 17-26.
Indriani, R., & Pratiwi, D. (2020). Distribusi peluang diskrit pada data jumlah pengguna
media sosial di Indonesia tahun 2019. Jurnal Matematika MANTIK, 6(3), 291-300.
Kurniawan, R., & Wulandari, R. (2020). Distribusi peluang diskrit pada data jumlah
penjualan buku di Gramedia tahun 2019. Jurnal Matematika dan Aplikasinya, 18(2),
131-140.
Lestari, D., & Nuraini, N. (2021). Distribusi peluang diskrit pada data jumlah peminjam buku
di perpustakaan Universitas Gadjah Mada. Jurnal Matematika dan Pembelajarannya,
9(1), 1-10.

19
Mardiyati, S., & Prasetyo, A. (2020). Distribusi peluang diskrit pada data jumlah siswa yang
lulus ujian nasional di SMA Negeri 1 Malang. Jurnal Pendidikan Matematika Solusi,
8(1), 79-88.
Ningsih, S., & Widiyanto, W. (2019). Distribusi peluang diskrit pada data jumlah kejadian
kebakaran di Kota Semarang. Jurnal Matematika dan Statistika Universitas
Diponegoro, 6(2), 45-54.
Prasetya, A., & Kurniawan, D. (2020). Distribusi peluang diskrit pada data jumlah penonton
film Indonesia di bioskop tahun 2019. Jurnal Matematika dan Pendidikan Matematika
UNY, 5(2), 113-122.
Putri, R., & Sari, D. (2021). Distribusi peluang diskrit pada data jumlah pengangguran di
Indonesia tahun 2020. Jurnal Statistika dan Matematika Terapan, 4(1), 27-36.
Wijaya, H., & Rahmawati, R. (2019). Distribusi peluang diskrit pada data jumlah penduduk
miskin di Indonesia tahun 2018. Jurnal Matematika dan Pendidikan Matematika UIN
Malang, 4(2), 163-172.

20