TEORI PELUANG

“DISTRIBUSI PROBABILITAS DISKRIT”

OLEH :
1. ALFIDORINO FLAPIANUS BUKIT (4233230026)
2. APRILIA CRISTINA SIANTURI (4233530004)
3. ASRI CAHYATI SITORUS PANE (4232530003)
4. BALI SAHPUTRI BR TARIGAN (4233530012)
DOSEN PENGAMPU : HANNA DEWI MARINA HUTABARAT S.Si.,M.Si

MATEMATIKA
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI MEDAN
2023
 KATA PENGANTAR
Puji dan Syukur kami ucapkan kepada Tuhan Yang Maha Esa atas berkat dan karunia-
Nya yang telah dilimpahkan-Nya kepada kami, sehingga kami dapat menyelesaikan tugas
Distribusi Probabilitas Diskrit untuk memenuhi salah satu tugas mata kuliah Teori Peluang
dapat selesai dengan tepat waktu.
Tujuan dari materi ini adalah untuk memahami Distribusi Bernoulli, Distribusi
Binomial, Distribusi Poisson. Ucapan terimakasih kami ucapkan kepada Ibu Hanna Dewi
Marina Hutabarat S.Si.,M.Si., selaku dosen pengampu mata kuliah Teori Peluang yang telah
membimbing kami dalam menyelesaikan tugas ini, dan terutama kepada Tuhan Yang Maha
Esa yang memberikan kami kesehatan.
Kami menyadari bahwa Makalah yang kami buat ini masih banyak terdapat kesalahan
dan kekurangan, Maka dari itu kami selaku penulis mengharapkan saran dan kritik dari
pembaca yang sifatnya membangun guna menyempurnakan tugas ini. Atas perhatian nya
kami ucapkan Terima Kasih.

Medan, 12 November 2023

Kelompok 1

2
 DAFTAR ISI
KATA PENGANTAR..........................................................................................................2
DAFTAR ISI........................................................................................................................3
BAB I PENDAHULUAN...................................................................................................4
1.1 Latar Belakang.....................................................................................................4
1.2 Tujuan Distribusi Probabilitas Diskrit.................................................................4
1.3 Manfaat Distribusi Probabilitas Diskrit...............................................................4
BAB II PEMBAHASAN.....................................................................................................5
2.1 Distribusi Bernoulli.............................................................................................5
2.2 Distribusi Binomial..............................................................................................6
2.3 Distribusi Poisson................................................................................................8
BAB III PENUTUP.............................................................................................................11
DAFTAR PUSTAKA..........................................................................................................12

3
 BAB I
PENDAHULUAN
1.1 Latar Belakang
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.
1.2 Tujuan Distribusi Probabilitas Diskrit
Distribusi probabilitas akan menggambarkan banyak peristiwa berbeda yang terkait dengan
ketidakpastian fenomena atau peristiwa berbeda tersebut. Oleh karena itu, distribusi
probabilitas ini dapat digunakan melalui eksperimen untuk menentukan ruang sampling dan
berbagai probabilitas dari suatu peristiwa tertentu.
1.3 Manfaat Distribusi Probabilitas Diskrit
Mengetahui Discrete Probability Distributions atau Probability Mass Function adalah suatu
fungsi matematika yang digunakan jika variabel yang dianalisis memiliki sejumlah
kemungkinan hasil yang berbeda-beda, dimana nilainya berbentuk data diskrit..

4
 BAB II
PEMBAHASAN
2.1 Distribusi Bernoulli
Percobaan Bernoulli merupakan suatu eksperimen acak, dimana hanya ada dua
kemungkinan hasil, yaitu “berhasil” atau “gagal” dengan probabilitas berhasilnya adalah θ
dan probabilitas gagal adalah 1 − θ. Misalkan kita menandai kejadian “berhasil” sebagai S,
sedangkan kejadian “gagal” sebagai F. Kita dapat mendefin- isikan sebuah variabel random
dari ruang sampel {S, F} ke dalam bilangan riil sebagai
X (F) = 0 dan X (S) = 1
Fungsi kepadatan probabilitas dari variabel random ini adalah
ƒ(0) = P[X = 0] = 1 − θ
ƒ(1) = P[X = 1] = θ
dengan θ menunjukkan probabilitas untuk berhasil.
Definisi Distribusi Bernoulli
Suatu variabel random X memiliki distribusi Bernoulli dan dikatakan sebagai variabel
random Bernoulli jika dan hanya jika fungsi kepadatan probabilitasnya adalah sebagai
berikut:
ƒ(x) = θ x. (1−θ)1− x
untuk x = 0, 1. Kita dapat tuliskan variabel random Bernoulli sebagai
X ∼ BER(θ)
Adapun sifat-sifat dari distribusi Bernoulli adalah sebagai berikut:
i Mean distribusi Bernoulli : E[X] = θ
ii Varians distribusi Bernoulli : Var[X] = θ (1 − θ)
iii Fungsi pembangkit momen distribusi Bernoulli : Mx (t) = (1 − θ) + θe t
Contoh :
1. Hitunglah probabilitas dari munculnya mata dadu yang lebih besar atau sama dengan 5
dalam sebuah percobaan pelemparan sebuah dadu 6 sisi.
Pembahasan:
Pada sebuah percobaan pelemparan dadu 6 sisi, diketahui bahwa ruang sampel adalah {1, 2,
3, 4, 5, 6}. Pada kasus ini, kita akan kelompokkan elemen-elemen dari ruang sampel ke
dalam dua grup, yaitu {1, 2, 3, 4} dan {5, 6}. Apabila mata dadu yang keluar berasal dari
kelompok {1, 2, 3, 4}, maka dikatakan bahwa kejadian tersebut adalah gagal, sedangkan
apabila mata dadu yang keluar berasal dari kelompok {5, 6}, maka dikatakan bahwa kejadian
tersebut adalah berhasil. Jadi, jelas bahwa percobaan ini termasuk ke dalam percobaan
Bernoulli dengan

5
 4 2
P[X = 0] = P[gagal] = dan P[X = 1] = P[berhasil] =
6 6
Dengan demikian, probabilitas dari munculnya mata dadu yang lebih besar atau
2
sama dengan 5 adalah .
6

Contoh:
2. Sebuah dadu dilantunkan 1 kali. Jika diasumsikan sukses ketika muncul mata dadu genap.
Tentukan peluang sukses dari hasil lantunan sebuah dadu.
Pembahasan:
Hasil lantunan sebuah dadu T = {1, 2, 3, 4, 5, 6}
Misal A adalah kejadian munculnya mata dadu genap A = {2, 4, 6} maka:
3
P (A) = =θ
6

( )( )
1 1−1
3 3 3
P (X = 1) ¿ 1− =
6 6 6

2.2 Distribusi Binomial

Definisi Distribusi Binomial

Distribusi binomial adalah distribusi probabilitas diskrit jumlah keberhasilan dalam n
percobaan ya/tidak (berhasil/gagal) yang saling bebas, dimana setiap hasil percobaan
memiliki probabilitas p. Eksperimen berhasil/gagal juga disebut percobaan bernoulli. Ketika
n = 1, distribusi binomial adalah distribusi bernoulli. Distribusi binomial merupakan dasar
dari uji binomial dalam uji signifikansi statistik.
Distribusi Binomial digunakan untuk data diskrit (bukan data kontinu) yang
dihasilkan dari eksperimen Bernouli, mengacu kepada matematikawan JacobBernouli.
Peristiwa pelemparan mata uang (koin) yang dilakukan beberapa kali adalah contoh dari
proses bernouli, dan hasil (outcomes) dari tiap-tiap pengocokan dapat dinyatakan sebagai
distribusi probabilitas binomial. Kejadian sukses atau gagal calon pegawai dalam
psikotest merupakan contoh lain dari proses Bernouli. Sebaliknya distribusi frekuensi
hidupnya lampu neon di pabrik anda harus diukur dengan skala kontinu dan bukan
dianggap sebagai distribusi binomial.

Rumus distribusi peluang Binomial:

Keterangan :
p = probabilitas sukses = 1 – q.
Dimana,
q = probabilitas gagal

6
 n = jumlah total percobaan
x = jumlah sukses dari n kali percobaan. Dimana x = 1, 2, 3, ..., n

Suatu variabel random X memiliki distribusi Binomial dan dikatakan sebagai variabel
random Binomial jika dan hanya jika fungsi kepadatan probabilitasnya adalah sebagai berikut

ƒ (x) = ( nx)θ (1−θ)

x n− x

untuk x = 0, 1, · · · , n, dan 0 < θ < 1.

Kita dapat tuliskan variabel random Binomial sebagai X ∼ BIN(n, θ)
Contoh :
1. Sebuah pesawat kecil memiliki 30 tempat duduk. Probabilitas bahwa seorang penumpang
tidak datang pada suatu penerbangan adalah 0,1, yang mana diketahui saling bebas.
Perusahaan menerapkan kebijakan untuk menjual 32 tiket. Berapa probabilitas bahwa akan
datang lebih banyak penumpang daripada kursi penerbangan yang tersedia?
Pembahasan:
X ialah jumlah penumpang yang datang pada suatu penerbangan.
X ∼ BIN (n = 32, θ = 0, 1)
P[X > 30] = P[X = 31] + P[X = 32]

P[X = 31] = (3221) (1−0 ,1) (0 ,1)

31 1

= 32(0 , 9)3 1 ¿ 0, 1)
= 0, 1220865
≅ 0, 1221

P[X = 32] = (3232) (1−0 ,1) 32 0

(0 , 1)

= 32( 0 , 9 )32

= 0, 0343368
≅ 0, 0343
P[X > 30] = 0, 1221 + 0, 0343

2. Jika X adalah banyaknya angka “6” yang muncul pada pelemparan sebuah dadu 6 sisi
sebanyak 72 kali, maka dapatkan ekspektasi dari X 2 !
Pembahasan:

7
 1
X memiliki distribusi Binomial dengan n = 72, dan θ = . Artinya, E[X] = nθ = 12 dan
6
Var(X) = nθ(1 − θ) = 10. Dengan demikian diperoleh E[ X 2 ] = V ar(X) + E[ X ¿ ¿2 = 10 + 122 =
154.

3. Misalkan seorang peserta pertandingan memanah mempunyai kemampuan tepat mengenai

sasaran adalah 65% dan mengambil n = 5 percobaan memanah sasaran. Misalkan X
menunjukkan banyaknya percobaan tepat memanah sasaran dimana X mempunyai distribusi
binomial. Hitunglah P[X > E[X]]
Pembahasan:
Diketahui X ∼ Bin(n = 5, θ = 0,65)
E[X] = n. θ = 5(0,65) = 3,25
P(X > E[X])= P[X > 3,25]
= P[X=4]+P[X=5]

= ( 54)(0 , 65) (0,35) + (55) (0 , 65) (0 , 3 5)

4 5 0

= 0,428415
≅ 0,428
2.3 Distribusi Poisson
Definisi Distribusi Poisson
Pada bagian ini, kita mendefinisikan distribusi diskrit yang banyak digunakan untuk
memodelkan banyak situasi kehidupan nyata. Pertama, kita mendefinisikan distribusi ini dan
kemudian kita menyajikan beberapa sifat pentingnya.
Variabel acak X dikatakan memiliki distribusi Poisson jika fungsi kepadatan probabilitasnya
diberikan oleh
^
E x
e á
f ( x )= x=0 ,1 , 2 , … , ∞.
x!
Dimana 0< λ<∞ adalah parameter. Kita menunjukkan variabel acak distribusi Poisson dengan
X POI ( λ ) .

8
Contoh
1. Fungsi bernilai real ditentukan oleh
^ x
E
e á
f ( x )= x=0 ,1 , 2 , … , ∞.
x!
Dimana 0< λ<∞ adalah parameter. fungsi kepadatan probabilitasnya adalah?
Jawab : Mudah untuk menentukan f (x)≥ 0 . Kita tahu bahwa :
∞

∑ f ( x )=1
0

Yakni
∞ ∞ −λ x
∑ f ( x )=∑ e x !λ
0 x=0

∞
e− λ λ x
¿ e− λ ∑
x=0 x!
−λ λ
¿ e e =1

Teorema jika X POI ( λ ) ,maka

E ( X )=λ

Var ( X)=λ

9
 t

M ( t )=e λ(e −1 )
Bukti : Pertama, kita temukan fungsi pembangkit momen (MGF) dari X
∞
M ( t )=∑ e tx f ( x )
x=0

∞
e− λ λ x
¿ ∑ etx
x=0 x!
∞
λx
¿ e− λ ∑ e tx
x=0 x!
∞ t x
( e λ)
¿e ∑−λ

x=0 x!
t

¿ e− λ e λe
t

¿ e λ(e −1)
Dengan menurunkan M ' (t) maka didapatkan nilai E( X ) adalah
t

M ' (t)=λ e t e λ(e −1)

Ketika t=0 maka
E( X )=M ' (0)=λ
Demikian juga

M ' ' ( t )=λ e t e λ (e −1) +( λet )2 e λ(e −1)

t t

Sehingga diperoleh varians dari X adalah

2
Var ( X )=E (X ¿¿ 2)−( E ( X ) ) =λ 2+ λ− λ2 ¿

2. Misalkan hasil suatu studi, bahwa 1 dari 1000 orang yang melewati tangga gedung lama
akan jatuh. Jika ada 100 orang yang melewati tangga tersebut, berapakah peluang yang akan
jatuh sebanyak 2 orang?
Pembahasan:
n = 100
p = 1 orang/1000 orang
= 0,001
λ = n.p
= 100*0,001
= 0,1

10
Maka X mempunyai distribusi Poisson, yaitu:
2 −0 , 1
(0 , 1) e
P(X = 2) = = 0,0045
2!

BAB III
PENUTUP
KESIMPULAN
Pengantar teori peluang memberikan pemahaman dasar tentang konsep probabilitas dan
cara mengukur dan menghitung probabilitas dalam berbagai situasi. Dalam teori peluang, kita
mempelajari konsep seperti ruang sampel, peristiwa, peluang, distribusi probabilitas, dan
statistik probabilitas. Penting untuk memahami teori peluang karena digunakan dalam
berbagai bidang, termasuk statistik, ilmu data, dan kecerdasan buatan. R Studio adalah
lingkungan pengembangan terintegrasi (IDE) yang digunakan untuk pemrograman statistik
dan analisis data menggunakan bahasa pemrograman R. R Studio menyediakan berbagai alat
dan fitur yang memudahkan pengguna dalam mengimpor, mengelola, dan menganalisis data
dalam R. Dengan R Studio, kita dapat membuat visualisasi data yang menarik, menerapkan
model statistik, dan melakukan analisis data yang kompleks.
Sehingga dengan pemahaman tentang teori peluang, kita dapat menerapkan dan
menguji model statistik yang kuat menggunakan R Studio. Kombinasi antara teori peluang
dan R Studio memungkinkan kita untuk melakukan analisis data yang lebih mendalam,
membuat keputusan berdasarkan bukti statistik, dan menghasilkan wawasan yang berharga
dari data.

11
 DAFTAR PUSTAKA
Syaifudin & Choiruddin.,(2021).Pengantar Teori Probabilitas dan Statistika.Bengkulu:
Penerbit Elmarkazi
Lubis.R.,(2020).Jenis - jenis Distribusi Probabilitas. Jurnal Statistika dan Probabilitas.
2(1)1-4

12