DISTRIBUSI

PROBABILITAS
Selamat Parmin,S.Kep.,Ns.,M.Kep
 PENGERTIAN

 Setiap peristiwa akan mempunyai peluangnya masing-masing, dan

peluang terjadinya peristiwa itu akan mempunyai penyebaran yang
mengikuti suatu pola tertentu yang di sebut dengan distribusi.
 Distribusi probabilitas untuk suatu variabel acak menggambarkan
bagaimana peluang terditribusi untuk setiap nilai variabel acak.
 Distribusi Probabilitas merupakan sebuah daftar dari keseluruhan
hasil suatu percobaan kejadian yang disertai dengan nilai
probabilitas masing-masing hasil (event)
JENIS VARIABEL PERISTIWA

 Distribusi propabilitas  Variabel peristiwa

 Terdapat tiga jenis variabel peristiwa:
1. Variabel Acak (Random)
2. Variabel Acak Diskret
3. Variabel Acak Kontinu
 VARIABEL ACAK (RANDOM)

 Variabel acak merupakan hasil ukuran dari percobaan yang bersifat

acak.
 Contoh:
1. Melempar uang ke udara akan menghasilkan Gambar (G) atau
Angka (A).
Bila melempar uang dua kali, gambar bisa muncul 2 kali, 1 kali
atau 0 (tidak muncul)
Percobaan melempar uang ke udara = percobaan acak
Nilai hasil yang muncul gambar seperti 2, 1, dan 0 = variabel
acak
VARIABEL ACAK DISKRET

 Variabel Acak Diskret merupakan ukuran hasil dari percobaan

yang bersifat acak dan mempunyai nilai tertentu yang terpisah
dalam suatu interval
 Merupakan hasil dari perhitungan dan biasanya berupa bilangan
bulat
 Misalnya: jumlah mobil, jumlah buah, jumlah sepatu, dsb.
VARIABEL ACAK KONTINU

 Variabel Acak Kontinu  mempunyai nilai yang menempati

seluruh interval hasil percobaan
 Merupakan hasil dari pengukuran dan bisa berupa bilangan
bulat atau pecahan
 Misalnya: berat badan, tinggi badan, panjang jalan, lebar sungai,
dsb.
KLASIFIKASI

 Distribusi probabilitas diskrit

 Distribusi binomial, Poisson
 Distribusi probabilias kontinu
 Distribusi normal, Chi-kuadrat
 DISTRIBUSI BINOMIAL

 Disamping percobaan tunggal, suatu percobaan mungkin dilakukan

secara berulangkali (berulang-ulang).
 Tiap-tiap ulangan dalam percobaan dilakukan secara terpisah, yakni
peristiwa dalam suatu percobaan tidak akan mempengaruhi hasil
percobaan berikutnya.
 Apabila masing-masing percobaan hanya mempunyai 2
kemungkinan peristiwa, misalnya sukses dan gagal, ya atau tidak,
diterima atau ditolak dan probabilitas peristiwa tetap sama selama
percobaan.
 Karena hanya dua kejadian, maka dikenal dengan Binomial
 Percobaan yang diulang tersebut disebut “Percobaan Bernoulli”.
 DISTRIBUSI BINOMIAL
 Ciri-ciri Percobaan Bernoulli:
1. Setiap percobaan (kegiatan) hanya
menghasilkan 2 dua kejadian
DISTRIBUSI BINOMIAL

2. Probabilitas sebuah kejadian baik sukses

maupun gagal tetap bernilai sama

Probabilitas jual saham = 0,8

Probabilias beli saham = 0,2

Probabilitas lahir laki-laki = 0,6

Probabilitas lahir perempuan = 0,4
DISTRIBUSI BINOMIAL

3. Percobaan bersifat indenpenden

Hasil suatu percobaan tidak mempengaruhi hasil
percobaan lainnya
Bila seorang ibu melahirkan bayi perempuan,
maka tidak akan mempengaruhi kelahiran bayi
bagi ibu lainnya
4. Data yang dikumpulkan merupakan hasil
perhitungan
Percobaan Bernoulli merupakan variabel diskret
 DISTRIBUSI BINOMIAL
 Pembentukan Distribusi Binomial
Untuk membentuk suatu distribusi binomial
diperlukan dua hal:
1. Banyaknya/jumlah percobaan/kegiatan
2. Probabilitas suatu kejadian baik sukses maupun
gagal
DISTRIBUSI BINOMIAL

 Distribusi probabilitas binomial dapat dinyatakan

sebagai berikut:
DISTRIBUSI BINOMIAL

 Dimana:

P(r) = Nilai probabilitas binomial

p = Probabilitas sukses suatu kejadian dalam
setiap percobaan
r = Banyaknya peristiwa sukses suatu kejadian
untuk keseluruhan percobaan
n = Jumlah total percobaan
q = Probabilitas gagal suatu kjadian yang
diperoleh dari q = 1 – p
! = Lambang faktorial
DISTRIBUSI POISSON

 Distribusi ini berguna bila p, probabilitas sukses dalam suatu

percobaan sangat kecil dan n, banyaknya percobaan sangat
besar.
 Distribusi probabilitas Poisson mendekati distribusi probabilitas
binomial bila: n ≥ 50 dan p ≤ 0,1.
 Sebagai contoh emiten di BEJ ada 330 (n), probabilitas harga
saham naik dalam kondisi krisis misalnya hanya 0,1 (p), maka
berapa probabilitas 5 perusahaan harga sahamnya meningkat?
DISTRIBUSI POISSON
 DISTRIBUSI POISSON
 Distribusi probabilitas poisson dapat dinyatakan sebagai berikut:
DISTRIBUSI POISSON

 Di mana:
P(r) : Nilai probabilitas distribusi Poisson
μ : Rata-rata hitung dari jumlah nilai sukses, μ = np
e : Bilangan konstan = 2,7183
r : Jumlah nilai sukses
 DISTRIBUSI NORMAL
PENDAHULUAN
 Ada 3 Jenis Kemiringan, yaitu:
1. Distribusi miring ke kiri
 Pada distribusi ini, nilai rata-rata hitung
lebih kecil dari median dan median lebih
kecil dari modus.
 Kurva tidak simetris sebab puncaknya ada
di bagian kanan, tetapi ada sedikit data
yang menyebar ke kiri.
 Rata-rata Hitung < Median < Modus
Kurva Distribusi Miring Ke Kiri
DISTRIBUSI NORMAL
PENDAHULUAN
2. Distribusi miring ke kanan
 Pada distribusi ini, nilai modus lebih kecil
dari median dan median lebih kecil dari
nilai rata-rata hitung.
 Kurva juga tidak simetris sebab puncaknya
ada dibagian kiri, sementara ada sedikit
data yang menyebar ke kanan.
 Rata-rata Hitung > Median > Modus
Kurva Distribusi Miring Ke Kanan
DISTRIBUSI NORMAL
PENDAHULUAN
3. Distribusi simetri
 Pada distribusi ini nilai rata-rata sama atau
mendekati median dan modus.
 Kurvanya simetris dengan puncak
distribusi ada dibagian tengah.
 Distribusi ini disebut dengan distribusi
normal.
 Rata-rata Hitung = Median = Modus
Kurva Distribusi Simetri
DISTRIBUSI NORMAL
PENGERTIAN
 Distribusi Normal adalah salah satu distribusi teoritis dari
variabel random kontinu.
 Distribusi ini sering disebut DISTRIBUSI GAUSS, sesuai dengan
nama pengembangnya KARL GAUSS, pada abad 18 seorang ahli
matematika dan astronomi.
DISTRIBUSI NORMAL
PENGERTIAN
 Apabila suatu percobaan menggunakan variabel acak secara
kontinu dan nilai yang tidak terbatas  distribusi normal
 Sekumpulan nilai data akan terdistribusi secara normal
(membentuk kurva yang simetris) apabila rata-rata nilai
variabel sama dengan median dan sama dengan modus nilai
data tersebut
 DISTRIBUSI NORMAL

 Ada dua alasan mengapa distribusi normal sering digunakan

dalam analisa statistik, yaitu:
1. Distribusi normal memiliki kemampuan yang dapat diterapkan
pada banyak situasi, terutama untuk membuat kesimpulan
dari sampel yang digunakan.
2. Distribusi normal sangat baik digunakan dalam analisis
tentang fenomena yang menggunakan data kontinu, seperti:
ukuran berat, tinggi rendahnya skor IQ, panjang, jumlah curah
hujan, banyaknya botol dalam satu kerat dsb.
DISTRIBUSI NORMAL
SIFAT-SIFAT DISTRIBUSI NORMAL
1. Distribusi normal memiliki kurva berbentuk lonceng yang
simetris.
2. Dua parameter yang menentukan distribusi normal adalah
rataan / ekspektasi (μ) dan standar deviasi (σ).
3. Grafik simetri terhadap garis tegak x = 
DISTRIBUSI NORMAL
SIFAT-SIFAT DISTRIBUSI NORMAL
4. Grafik selalu berada diatas sumbu X atau f(x)>0
5. Mempunyai satu nilai modus
6. Grafiknya mendekati sumbu X, tetapi tidak akan memotong
sumbu X, sumbu X merupakan garis batas (asimtot)
7. Luas daerah di bawah kurva f (x) dan diatas sumbu X sama
dengan 1, yaitu:
P (- ∞ < x < + ∞) = 1
DISTRIBUSI NORMAL

 Untuk setiap distribusi populasi dari suatu variabel acak yang

mengikut sebuah distribusi normal, maka:
 Jarak  1  menampung 68% data
 Jarak  2  menampung 95% data
 Jarak  3  menampung 99% data
DISTRIBUSI NORMAL
GAMBAR HUBUNGAN ANTARA
LUASAN DAN N(,2)
 DISTRIBUSI NORMAL
 Rumus Distribusi Normal:

2
1  x μ 
1   
Dimana : f(x)  e 2 σ 

Χ = nilai data σ 2π
Π = 3,14
σ = simpangan baku/SD
μ = rata-rata x
e = 2,71828
DISTRIBUSI NORMAL

 Untuk mengubah distribusi normal menjadi

distribusi normal standard digunakan nilai z
(standard units).
 Bentuk rumusnya adalah :
x μ Dimana :
Z Z = variabel normal standard
σ
X = nilai variabel random
μ = rata-rata variabel random
 = simpangan baku variabel
random
DISTRIBUSI NORMAL
PENGGUNAAN KURVA NORMAL
STANDARD
 Karena seluruh luas kurva adalah 1 dan kurva
simetris terhadap μ = 0 maka luas dari garis
tegak pada titik nol ke kiri ataupun ke kanan
adalah 0,5 dan diartikan P( z > 0) = 0,5.
PENDEKATAN KURVA NORMAL
UNTUK DISTRIBUSI BINOMIAL
 Bila n-percobaan semakin besar dan memiliki sifat yang
independen dari satu percobaan ke percobaan lainnya, maka
dengan pendekatan distribusi normal binomial dapat digunakan
untuk menghitung nilai-nilai probabilitas terhadap berbagai
macam peristiwa yang mungkin dapat terjadi.
 PENDEKATAN KURVA NORMAL
UNTUK DISTRIBUSI BINOMIAL
 Jadi bila kita memiliki sebanyak n-percobaan
dengan probabilitas tiap-tiap percobaan yang
sukses sebanyak p, maka kita dapat menghitung
besarnya nilai mean (µ), variance (2) dan
standard deviasi () sebagai berikut:
 µ=n.p
 ² = n . p (1 - p) atau ² = n . p . q


σ  n  p .  1  p 
atau σ  npq
 SAMPLING
PENGERTIAN
 POPULASI DAN SAMPEL
 Populasi (N) adalah totalitas dari semua obyek atau individu
yang memiliki karakteristik tertentu yang akan diteliti
 Sampel (n) adalah bagian populasi yang diambil melalui cara-
cara tertentu yang juga memiliki karakteristik tertentu yang
dianggap bisa mewakili populasi.

 METODE SAMPLING
Adalah cara pengumpulan data yang hanya mengambil sebagian
elemen populasi atau karakteristik yang ada dalam populasi.
SAMPLING
PENGERTIAN
 ALASAN DIPILIHNYA SAMPLING:
1. Obyek penelitian yang homogen
2. Obyek penelitian yang mudah rusak
3. Penghematan biaya dan waktu
4. Masalah ketelitian
5. Ukuran populasi
6. Faktor ekonomis
 SAMPLING
TEKNIK PENELITIAN JUMLAH
SAMPEL
1. Pengumpulan sampel dengan pengembalian
 Jika anggota yang telah diambil untuk dijadikan sampel
disatukan kembali dengan anggota populasi lainnya sehingga
masih ada kesempatan untuk dipilih kembali.
 Rumus : KS = Nn
 Contoh:
Untuk populasi berukuran 4 dengan anggota-anggotanya A, B,
C, D dan sampel yang diambil berukuran 2, maka sampel untuk
42 = 16 buah.
SAMPLING
TEKNIK PENELITIAN JUMLAH
SAMPEL
 Sampel 1 : AA
 Sampel 2 : AB
 Sampel 3 : AC
 Sampel 4 : DB
 Sampel 5 : DC
 Sampel 6 : DD
 dst.
SAMPLING
TEKNIK PENELITIAN JUMLAH
SAMPEL
2. Pengambilan sampel tanda pengembalian
 Jika anggota populasi yang telah diambil
untuk dijadikan sampel tidak disatukan
dengan anggota populasi lainnya.
 Rumus kombinasi sampelnya adalah:

N N!
KS : Cn 
n!  N  n!
SAMPLING
TEKNIK PENELITIAN JUMLAH
SAMPEL
 Contoh:
Untuk populasi berukuran 5 dengan
anggota-anggotanya A, B, C, D, E dan
sampel yang diambil berukuran 2, maka
kombinasi sampelnya adalah:
5 5!
KS : C 2   10 sampel
2! 5  2!
DISTRIBUSI SAMPLING
TEKNIK PENELITIAN JUMLAH
SAMPEL
 Sampel 1  Sampel 7
: :
AB BE
 Sampel 2  Sampel 8
: :
AC CD
 Sampel 3  Sampel 9
: :
DISTRIBUSI SAMPLING

 Distribusi sampling adalah distribusi dari besaran-besaran

statistik, seperti rata-rata, simpangan baku, proporsi yang
mungkin muncul dari sampel.
DISTRIBUSI SAMPLING
JENIS
1. Distribusi sampel rata-rata
 Adalah distribusi dari besaran rata-rata
yang muncul dari sampel.
 Contoh:
Sebuah populasi berukuran 6 yang
anggotanya 2, 3, 5, 6, 8, 9 dan sampelnya
berukuran 2 tanpa pengembalian, maka
distribusi sampel rata-ratanya adalah:
DISTRIBUSI SAMPLING
JENIS
 Pembahasan:
N 6!
Cn 
2! 6  2!

6  5  4  3  2 1
  15
 2  1 4  3  2 1
DISTRIBUSI SAMPLING
JENIS
 Pada distribusi sampel rata-rata berlaku hal-
hal berikut ini:
a. Pemilihan sampel dari populasi terbatas
1. Untuk pengambilan sampel tanpa
pengembalian
 Distribusi sampel rata-rata akan
sama dengan rata-rata populasinya:

μ x  μ  Dimana : μ x 
 fx  fx

f N
DISTRIBUSI SAMPLING
JENIS
 Standart error:
σNn
σx 
n N1
DISTRIBUSI SAMPLING
JENIS
2. Untuk pengembalian sampel dengan
pengembalian
 Distribusi sampel rata-rata akan
sama dengan rata-rata populasinya:
μx  μ

 Standard-errornya:
σ
σx 
n
DISTRIBUSI SAMPLING
JENIS
2. Distribusi sampling proporsi
 Proporsi dari populasi dinyatakan dengan:
x
P
N
 Proporsi dari sampel dinyatakan dengan :
x
P
n
DISTRIBUSI SAMPLING
JENIS
 Distribusi sampling proporsi:
Adalah distribusi dari proporsi (persentase) yang diperoleh
dari semua sampel sama besar yang mungkin dari satu
populasi. 
TERIMA KASIH