DISTRIBUSI

PROBABILITAS
DISTRIBUSI PROBABILITAS DISKRIT
• DISTRIBUSI BINOMIAL & MULTINOMIAL
• DISTRIBUSI HIPERGEOMETRIS
DISTRIBUSI POISSON & PASCAL
DISTRIBUSI PROBABILITAS KONTINU
• DISTRIBUSI NORMAL
DISTRIBUSI
PROBABILITAS
DISTRIBUSI PROBABILITAS DISKRIT
• DISTRIBUSI BINOMIAL & MULTINOMIAL
• DISTRIBUSI HIPERGEOMETRIS
DISTRIBUSI POISSON & PASCAL
DISTRIBUSI PROBABILITAS TEORITIS
◼ Distribusi Kemungkinan Teoritis adalah distribusi
(tingkat penyebaran) dari suatu kejadian yang dapat
diharapkan berdasarkan pertimbangan-pertimbangan
teoritis.

◼ Misalnya masalah probabilitas untuk mendapatkan

kesempatan menang atau kalah didalam suatu undian.
◼ Distribusi probabilitas disebut juga:
 Distrubusi frekuensi teoritis, atau
 Distribusi peluang

◼ Distribusi Probabilitas terdiri atas:

1. Distribusi deskrit
a) Distribusi Binomial
b) Distribusi Multinomial
c) Distribusi hipergeometrik
d) Distribusi Poisson
e) Distribusi Pascal
2. Distribusi kontinu
◼ Distribusi Normal
◼ Distribusi probabilitas disusun berdasarkan atas teori
peluang
Dasar penyusunan Distribusi Probabilitas
1. Distribusi Probabilitas Berdasarkan Teori
Contoh:
Probabilitas jenis kelamin bayi yang dilahirkan 2 kali ber-turut2, ada 4
kemungkinan:
 Kelahiran pertama pria, kelahiran kedua pria
 Kelahiran pertama pria, kedua wanita
 Kelahiran pertama wanita, kedua pria
 Kelahiran pertama wanita, kedua wanita
◼ Tabel probabilitas jenis kelamin dua kelahiran ber-turut2
Kelahiran 1 Kelahiran 2 Jumlah kelahiran Wanita Probabilitas

Pria Pria 0 0,5x0,5=0,25

Pria Wanita 1 0,5x0,5=0,25
Wanita Pria 1 0,5x0,5=0,25
Wanita Wanita 2 0,5x0,5=0,25
 Tabel di atas dapat disusun seperti berikut:

fw fp Probabilitas
0 2 0,25
1 1 0,50
2 0 0,25

◼ Grafik probabilitas jenis kelamin dua kelahiran ber-turut2:

P
0,50

0,25

0,00
fw
2. Distribusi Probabilitas berdasarkan subyektif
 Didasarkan atas pertimbangan pribadi
 Misalnya, pernyataan seorang Dokter Puskesmas, sbb.:
Senin Selasa Rabu Kamis
Jumlah kunjungan : 40 45 50 55
Probabilitas (dalam %): 10 30 50 20

 Grafik Distribusi Probabilitas kunjungan ke Puskesmas

P

0,5

0,4

0,3

0,2

0,1

0,0
40 45 50 55 Jumlah kunjungan
3. Distribusi Probabilitas berdasarkan pengalaman
 Didasarkan atas pengalaman pribadi atau catatan masa lampau
 Misalnya, pada tahun 2000 jumlah penderita penyakit, sbb.:

Jenis Penyakit Jumlah Probabilitas (%)

Muntaber: 1000 60
Penyakit kulit: 700 10
Penyakit mata 800 30

 Grafik Distribusi Probabilitas kunjungan ke Puskesmas

P

0,6

0,4

0,2

0,0
700 800 1000 Jumlah penderita
VARIABEL RANDOM (ACAK)
◼ Yaitu variabel yang menghasilkan nilai yang selalu berbeda
pada setiap peristiwa (trial) dan perubahan tsb tidak dapat
diperkirakan.
◼ Terbagi menjadi:
1. Variabel Random Deskrit: variasi tidak banyak
2. Variabel Random Kontinu: variasi banyak sekali
NILAI HARAPAN (EXPECTED VALUE)

◼ Digunakan sebagai dasar untuk mempelajari distribusi

probabilitas. Misalnya di bidang kesehatan dapat digunakan
untuk memperkirakan pelayanan kesehatan di masa yad.
◼ Dihitung dengan memperkalikan variabel acak dengan
probabilitasnya
◼ Contoh: Kepala Puskesmas ingin memprediksi jumlah kunjungan,
maka dibuat perkiraan berdasarkan data kunjungan beberapa waktu
sebelumnya. Untuk itu diambil jumlah kunjungan selama 100 hari,
kemudian ditentukan probabilitasnya lalu dihitung nilai ekspektasinya,
sebgaimana Tabel di bawah ini. Berdasarkan Tabel di sebelah, nilai
ekspektasi kunjungan Puskesmas adalah 52 – 53 orang.
Tabel Nilai Ekspektasi Jumlah Kunjungan Poliklinik per Hari
NILAI VARIABEL ACAK PROBABILITAS NILAI EKSPEKTASI
1 2 1x2
40 0,01 0,40
41 0,02 0,82
42 0,03 1,26
43 0,05 2,15
44 0,06 2,64
45 0,07 3,15
46 0,09 4,14
47 0,10 4,70
48 0,12 5,76
49 0,11 5,39
50 0,09 4,50
51 0,08 4,08
52 0,06 3,12
53 0,05 2,65
54 0,04 2,16
55 0,02 1,10
1,00 52,65
DISTRIBUSI BINOMIAL
◼ Distribusi Binomial adalah distribusi kemungkinan teoritis
(diskrit),
◼ Ciri-cirinya sebagai berikut :
 Probabilitasnya independent ( saling bebas )
 Hasil percobaan mempunyai dua "outcomes" nilai yang
mungkin terjadi, misalnya dalam hal ini adalah :
◼ sukses, dan

◼ gagal
◼ Rumus nilai kemungkinan (P) adalah:
P(sukses) = P(x/n,p)

n C r .p(1 - p )
n −r
=

p(1 - p )
n! n −r
=
r ! (n - r )!
Karena p + q = 1 atau q = 1 – p
maka formulasi di atas dapat ditulis:

n C r .p(q )
n −r
P(sukses) =
 Jumlah percobaan biasanya tertentu ( n )

Rata-rata : X = n.p
Standar deviasi: δ = n.p.q

Keterangan:
n : banyaknya sampel atau peristiwa (trial)
r : banyaknya sukses/gagal yang diinginkan
p : probabilitas sukses
q : probabilitas gagal → ( 1 – p )
Contoh:
◼ Sampel Kecil (mudah dihitung)
Kita ingin mengetahui besarnya probabilitas kelahiran 2 bayi laki-laki
dari 3 kelahiran.
Penyelesaian:
p = 0,5 q=0,5 n=3 x=2

3!
P
n x = ------------ x (0,5) 2(0,5)3-2 = 0,375

2!(3-2)!
Kesimpulan: probabilitas untuk memperoleh 2 bayi laki-laki dari 3
kelahiran adalah 0,375 atau 37,5%
◼ Sampel Besar (sulit dihitung sehingga digunakan Tabel):
Misalnya, suatu percobaan binomial dilakukan dengan n =15, proba-
bilitas yang diinginkan p = 0,3 dan r = 8

Penyelesaian:

 Dari Tabel Binomial (Appendiks Tabel 3, bukunya Eko Budiarto)

cari nilai n = 15 dan p = 30 yang terletak pada baris.
 Lalu cari besarnya r yang diinginkan = 8 yang terletak dalam
kolom.
 Hasilnya diperoleh 0,500 yang artinya bahwa probabilitas untuk r
= 8 atau lebih adalah 0,500
DISTRIBUSI MULTINOMIAL

Distribusi ini merupakan perluasan dari distribusi

binomial dengan ciri-cirinya sebagai berikut :
 Peristiwanya independent
 Setiap percobaan tunggal mempunyai hasil kejadian
lebih dari 2 (dua) dan semuanya disebut sukses.
 Peluang terjadinya setiap "outcomes" disebut p1, p2
....pn sehingga P(n)= 1
 Biasanya dalam hal ini jumlah percobaan tertentu.
Rumus distribusi Multinomial :

p(k 1 , k 2 , ....k n ) =
n! k1 k2 kn
p1 p 2 ...........p n
k 1! k 2 !....k n !

di mana:
p : Probabilitas
k : Kejadian yang mungkin
Contoh
Seorang dokter melakukan pengobatan sebanyak 6 kali terhadap
penderita infark jantung dengan hasil sembuh sempurna, sembuh
dengan gejala sisa, dan meninggal. Berapa besar probabilitas dari 6
kali pengobatan tsb untuk menghasilkan 2 orang sembuh sempurna,
2 orang sembuh dengan gejala sisa, dan 2 orang meninggal.

Penyelesaian:
Misalnya: sembuh sempurna = A
sembuh dengan gejala sisa = B
meninggal = C
maka PA = PB = PC = 1/3
n = 6 dan k1 = k2 = k3 = 2
6P2 = 6! / 2!2!2! x (1/3) (1/3) (1/3) = 0,123
2 2 2
DISTRIBUSI HIPERGEOMETRIK
◼ Distribusi Hipergeometrik adalah suatu bentuk
distribusi yang diperoleh dari hasil percobaan
dengan pengambilan sekaligus secara acak
(random) dan tanpa pengembalian.
◼ Digunakan untuk mengetahui besarnya peluang
yang terjadi pada sampel bila kejadian serupa
pada populasi diketahui
◼ Kondisi-kondisi distribusi hypergeometrik :
N − X T C n−x XT C x
p(x/N, X T , n) =
N Cn
◼ Misalnya pada populasi N terdapat X kejadian dan kita
ingin mengetahui probabilitas kejadian sebanyak x pada
sampel sebesar n maka digunakan distribusi hipergeome-
tris, dengan rumus:
X! (N-X)
------------- x -------------------------
x! (X-x)! (n-x)!([(N-X)-(n-x)]!
P(x) = -----------------------------------------------
N!
--------------
n! (N-n)!
Contoh
Pada bangsal penyakit dalam suatu RS terdapat 60 orang penderita
dan 5 di antaranya menderita hepatitis. Bila kita mengambil sampel
sebesar 10 orang penderita secara acak sederhana maka berapa
besarnya probabilitas untuk mendapatkan 2 orang dengan hepatitis?

Penyelesaian:

N = 60, X = 5, n = 10, x =2

5! / 2!(5-2)! x 55! / 8!(55-8)!

P(X) = -------------------------------------- = 0,16 = 16%
60! / 10!(60-10)!
DISTRIBUSI POISSON
◼ Distribusi ini ditemukan oleh Poisson, sedangkan
aplikasi atau pemakaiannya sama saja dengan distribusi
binomial. Hanya saja pada distribusi Poisson ini ada
suatu persyaratan yaitu jika probabilitasnya (p)  0,01
dan (n)  50 .
◼ Rata-ratanya ( ) = n.p
◼ Standar deviasi δ = n.p.q
◼ Rumus distribusi Poisson:
Katerangan:
-
 eX P(X) = probabilitas terjadinya event
P(X = x) = x! = x faktorial
 = rata-rata terjadinya event per
x! periode tertentu
e = 2,71828
e-  = dapat dilihat pada Tabel 4 (Poisson)
Contoh
Diketahui bahwa di suatu daerah terdapat 1,5% anak balita yang
menderita kurang gizi. Kita ambil sampel sebanyak 300 anak.
Berapa probabilitas untuk memperoleh anak dengan gizi kurang?

Peyelesaian: n = 300 p = 1,5% = 0,015  = n.p

Misalkan, x adalah jumlah anak dengan gizi kurang pada 300 anak
maka
 = 0,015 x 300 = 4,5
Bila tidak terdapat anak dengan gizi kurang adalah
P(0) = (4,5)0 x e-4,5 = 0,0111
dan probabilitas yang diperoleh anak dengan gizi kurang adalah
1 – 0,0111 = 0,9889
Pendekatan Distribusi Binomial ke Distribusi Poisson

◼ Pemakaian rumus distribusi binomial sangat melelahkan

◼ Bila n cukup besar dgn probabilitas yang sangat kecil, yaitu
n > 20 dan probabilitas < 0,05
◼ Pendekatan binomial ke Poisson dilakukan dgn mengganti
rata-rata  menjadi np.
◼ Rumus Poisson menjadi:
(np)x(e-np)
P(X) = ---------------
x!
DISTRIBUSI PASCAL
◼ Disebut juga distribusi binomial negatif karena dasar distribusi Pascal
adalah distribusi binomial
◼ Digunakan untuk mengetahui pada trial ke berapa untuk mendapat-
kan hasil yang kesekian dalam suatu percobaan Bernoulli. Bila kita
ingin mendapatkan hasil yang ke r pada kegiatan dengan x trial
maka Probabilitas x untuk mendapatkan r sukses dapat dihitung dgn
rumus Pascal:
(n-1)!
P(x=r) = ------------------------- x pr x qr
(r-1)![(x-1)!-(r-1)!]
Contoh
Misalkan, kita melakukan pemeriksaan massal terhadap penduduk
suatu daerah yang mempunyai peluang untuk terkena penyakit TBC
sebesar 0,10. Bila terdapat 50 orang yang expose to risk terhadap
TBC maka berapakah probabilitas pemeriksaan pada orang ke-10
yang merupakan orang ke-5 yang terkena TBC?

Penyelesaian:

P(x=5) = [ 9! /4!(9-4)!] x (0,1)5 x (0,9)5

= 126 x 0,00001 x 0,59049
= 0,00074