DISTRIBUSI PROBABILITAS

Distribusi Probabilitas

Distribusi Probabilitas adalah suatu distribusi yang mengambarkan

peluang dari sekumpulan variat sebagai pengganti frekuensinya.
Probabilitas kumulatif adalah probalitas dari suatu variabel acak yang
mempunyai nilai sama atau kurang dari suatu nilai tertentu.

Misalnya nilai variat tersebut = x, maka Probabilitas kumulatif adalah

P(Xx), maka =1– P (X x), Fungsi distribusi peluang pada umumnya
dibedakan atas distribusi peluang diskrit dan distribusi peluang
kontinu.
 DATA DISKRIT DAN DATA KONTINU
Data diskret
Data diskret biasanya dihasilkan oleh
enumerase atau penghitungan,
sehingga tidak dapat dijumpai bilangan
pecahan. Data diskrit merupaka data
yang paling sederhana karena disusun
berdasarkan jenis atau kategori. Data
yang dapat dijelaskan dengan variable
diskrit disebut sebagai data diskrit. .
Contohnya adalah jumlah N anak dari
sebua keluarga, yang nilainya bisa salah
satu diantara 0, 1, 2,3,… tetapi tidak
mungkin 2,5 atau 3,845. Contoh yang
lain juga adalah warna kulit, suku
bangsa, bahasa daerah, agama dan
sebagainya
Data kontinu
Pengukuran (measurement) biasanya
menghasilkan data kontinun dan data yang
dapat dijelaskan melalui variable kontinu
disebut sebagai data kontinu. Contohnya
adalah tinggi H dari seseorang, yang bias saja
62 inci, 63,8 inci. Atau 68,526 inci(tergantung
akurasi pengukurannya). Contoh yang lainnya
adalah seperti temperature yang tercatat
setiap setengah jam dibiro cuaca, usia
pemakaian tabung televise yang diproduksi
oleh sebuah pabrik, panjang dari 1000 baut
yang diproduksi oleh sebuah pabrik dan lain
lain. Data kontinu terdiri atas tiga macam data
yaitu: data ordinal, data interval dan data
rasio.
Distribusi Binomial 1. Setiap percobaan hanya
memiliki dua peristiwa,
seperti ya-tidak, sukses-
Distribusi Binomial atau gagal.
distribusi Bernoulli (ditemukan
oleh James Bernoulli) adalah
suatu distribusi teoritis yang
menggunakan variabel random 2. Probabilitas suatu Ciri-ciri 4. Jumlah atau
banyaknya percobaan
yang merupakan
diskrit yang terdiri dari dua
kejadian yang berkomplemen,
peristiwa adalah tetap,
tidak berubah untuk
setiap percobaan.
distribusi komponen percobaan
binomial harus
seperti sukses-gagal, ya-tidak,
baik-cacat, kepalaekor dll.
Binomial tertentu.

3. Percobaannya bersifat
independen, artinya
peristiwa dari suatu
percobaan tidak
mempengaruhi atau
dipengaruhi peristiwa
dalam percobaan lainnya.
 Rumus Distribusi Binomial
a). Rumus binomial suatu peristiwa b). Probabilitas binomial kumulatif
Probabilitas suatu peristiwa dapat dihitung Probabilitas binomial kumulatif adalah
dengan mengalikan kombinasi susunan dengan probabilitas dari peristiwa binomial lebih dari satu
probabilitas salah satu susunan. Berdasarkan sukses. Probabilitas binomial kumulatif dapat
hal tersebut, secara umum rumus dari dihitung dengan menggunakan rumus :
probabilitas binomial suatu peristiwa dituliskan.
Contoh :
Sebuah dadu dilemparkan keatas
sebanyak 4 kali. Tentukan probabilitas A B C
dari
Karena dadu memiliki 6 Mata dadu genap ada 3, Muncul mata dadu 2
peristiwa berikut : sisi, yaitu 1, 2, 3, 4, 5, 6, yaitu 2,4, dan 6, atau 6 sebanyak 4 kali,
a). Mata dadu 5 muncul 1 kali sehingga setiap sisi sehingga : sehngga :
b). Mata dadu genap muncul 2 kali memiliki p = 3/6 = 1/2; q = 1/2; n p = 2/6; q = 2/3; n = 4; x
c). Mata dadu 2 atau 6 muncul probabilitas 1/6. Jadi, = 4; x = 2 =4
probabilitas untuk mata P(X=2) = C2 P(X=4) = C 4
sebanyak 4 kali. 1 adalah 1/6, sehigga :
4.p2.q2 4.p4.q0 .p .q
p=1/6; q=5/6; n=4; x=1
(muncul 1 kali ) = 6(1/2)2(1/2)2 = 1(2/6)4(2/3)0
P(X=1) = C1 = 0,375 = 0,0123
JAWAB 4.p1.q3
= 4(1/6)1(5/6)3
= 0,386
 Distribusi Poisson
Distribusi Poisson
Distibusi Poisson merupakan distribusi probabilitas untuk variabel diskrit
acak yang mempunyai nilai 0,1, 2, 3 dst. Distribusi Poisson adalah
distribusi nilai-nilai bagi suatu variabel random X (X diskrit), yaitu
banyaknya hasil percobaan yang terjadi dalam suatu interval waktu
tertentu atau disuatu daerah tertentu. fungsi distribusi probabilitas diskrit
yang sangat penting dalam beberapa aplikasi praktis.

CIRI-CIRI DISTRIBUSI POISSON

Percobaan Poisson memiliki ciri-ciri berikut :
Hasil percobaan pada suatu selang waktu dan tempat tidak tergantung dari hasil
percobaan di selang waktu dan tempat yang lain yang terpisah
Peluang terjadinya suatu hasil percobaan sebanding dengan panjang selang
waktu dan luas tempat percobaan terjadi. Hal ini berlaku hanya untuk selang
waktu yang singkat dan luas daerah yang sempit Peluang bahwa lebih dari satu
hasil percobaan akan terjadi pada satu selang waktu dan luasan tempat yang
sama diabaikan
 PENGGUNAAN DISTRIBUSI POISSON
a. Menghitung Probabilitas • Kemungkinan kesalahan pemasukan data atau kemungkinan cek ditolak oleh
terjadinya peristiwa bank.
menurut satuan waktu, • Jumlah pelanggan yang harus antri pada pelayanan rumah sakit, restaurant cepat
ruang atau isi, luas, panjang saji atau antrian yang panjang bila ke ancol.
tertentu, seperti menghitung • jumlah salah cetak dalam suatu halaman ketik
probabilitas dari: • Semua contoh ini merupakan beberapa hal yang menggambarkan tentang suatu
distribusi Poisson.

b. Menghitung distribusi
binomial apabila nilai n • Jumlah rata-rata benda di daerah S T adalah sebanding terhadap ukuran S, yaitu
besar (n ≥ 30) dan p kecil
ECount(S)= λ S. Di sini melambangkan ukuran S, yaitu panjang, luas, volume,
(p<0,1).
dan lain lain. Parameter λ > 0 menggambarkankan intensitas proses.
Jika kita menghitung • Menghitung di daerah terpisah adalah bebas.
sejumlah benda acak dalam • Kesempatan untuk mengamati lebih dari satu benda di dalam suatu daerah kecil
suatu daerah tertentu T, adalah sangat kecil, yaitu P(Count(S)2) menjadi kecil ketika ukuran menjadi
maka proses penghitungan kecil.
ini dilakukan sebagai
berikut :
RUMUS DISTRIBUSI POISSON
Rumus Poisson dapat digunakan untuk menghitung probabilitas dari jumlah
kedatangan, misalnya : probabilitas jumlah kedatangan nasabah pada suatu bank pada
jam kantor. Distribusi Poisson ini digunakan untuk menghitung probabilitas menurut
satuan waktu.

Rumus Probabilitas Poisson Suatu Peristiwa

Probabilitas suatu peristiwa yang berdistribusi Poisson dirumuskan:
P(X) = (µ^x . e^µ) / x!
Keterangan:
P(x) = Nilai probabilitas distribusi poisson
µ = Rata-rata hitung dan jumlah nilai sukses, dimana µ = n . P
e = Bilangan konstan = 2,71828
X = Jumlah nilai sukses
P = Probabilitas sukses suatu kejadian
! = lambang faktorial
Soal 1
Jumlah emiten di BEJ ada 150 perusahaan. Probabilitas perusahaan memberikan deviden pada
tahun 2002 hanya 0,1. apabila BEJ meminta laporan dari emiten sebanyak 5 perusahaan, berapa
probabilitas 5 perusahaan tersebut adalah perusahaan yang membagikan deviden?
Jawab:
n = 150, X = 5, dan p = 0,1 (ini merupakan cirri distribusi Poisson, n > 50 dan p kecil yaitu )
µ = n . p = 150 x 0,1 = 15
Jadi probabilitas 5 perusahaan sample membagikan deviden hanya 0,002 atau 0,2%
 DISTRIBUSI HIPERGEOMETRIS

Distribusi hipergeometrik adalah distribusi teoretis yang menggunakan

variabel acak diskrit dengan 2 kejadian yangberkomplemen, seperti
distribusi binomial. Distribusi Hipergeometrik Dipergunakan untuk
memecahkan masalahpenarikan sampel tanpa pengembalian.Distribusi
peluang peubah acak hipergeometrik X, yaitu banyaknya suksesdalam
sampel acak ukuran n yang diambil dari N benda yang mengandung k
bernama sukses dan N-k gagal.
Perhitungan umum
Misalkan ada sebuah populasi berukuran N yangdiantaranya terdapat
buah termasuk kategori tertentu(sukses). Dari populasi tersebut diambil sebuah sampelacak
berukuran n. Berapa peluang dalam sampel tersebutter dapat x buah termasuk kategori tertentu
tersebut Untuk menjawabnya dapat diperoleh dari distribusi hipergeometrik yang berbentuk :

Keterangan :
N= populasi
k= sampel
n= jumlah yang diambil
Untuk p(x) = 0,1,2,......k x= jumlah yang diharapkan
 DISTRIBUSI KONTINU
Definisi Distribusi Kontinu
 Distribusi kontinu adalah fungsi
kepadatan peluang bagi variabel
acak kontinu X bila luas daerah di
bawah kurva dan di atas sumbu-x
(bidang cartesius) sama dengan 1,
dan bila luas daerah dibawah kurva
antara x = a dan x = b menyatakan
peluang X antara a dan b.
 Terdapat beberapa distribusi
kontinu antara lain distribusi
eksponensial, distribusi normal,
distribusi gamma, distribusi beta
dan distribusi Weibull. Salah satu
distribusi yang akan dibahas pada
materi ini adalah distribusi normal.
Kurva Normal
 Distribusi kontinu yang paling penting di bidang
statistika adalah distribusi normal.
 Grafiknya yang disebut kurva normal adalah
kurva yang berbentuk lonceng.
 Distribusi normal sering disebut distribusi
Gauss, untuk menghormati Gauss (1777-1855)
yang juga berhasil mendapatkan persamaannya
dari studi mengenai galat dalam pengukuran
yang berulang-ulang terhadap benda yang
sama.
 Suatu variabel acak kontinu X yang memiliki
sebaran seperti lonceng disebut variabel acak
normal.
 Persamaan matematik bagi distrbusi normal ini
bergantung pada dua parameter yaitu μ dan σ
yang merupakan rata-rata dan simpangan
bakunya.
 Rumus Distribusi Binomial
Kurva Normal

Rumus Kurva Normal

Bila X adalah suatu variabel acak normal dengan rata - rata µ

dan variansi  2 (simpangan baku s ), maka persamaan kurva
normalnya adalah :
1  x μ  2
1   
f x,;μ,;   P(X  x)  e 2 σ 
; -  x  
2
2πσ
 KURVA NORMAL BERDASARKAN NILAI μ dan σ

1  2 dan  1   2 1  2 dan  1   2

1  2 dan  1   2
 SIFAT-SIFAT KURVA NORMAL

 Modusnya, yaitu titik pada sumbu mendatar yang

membuat fungsi mencapai maksimum terjadi pada 𝑥 = 𝜇;
 Kurvanya simetris terhadap suatu garis tegak yang melalui
rata-rata μ;
 Kurva ini mendekati sumbu mendatar secara asimtotik
dalam kedua arah bila semakin menjauhi rata-ratanya;
 Luas daerah yang terletah diantara kurva tetapi di atas
sumbu mendatar sama dengan 1
 LUAS DI BAWAH KURVA NORMAL
Luas Daerah P (x1 < X< x2) Rumus Kurva Normal

Kurva sembarang distribusi normal atau fungsi kepadatan

dibuat sedemikian rupa sehingga luas daerah dibawah
kurva tersebut dibatasi oleh x  x1 dan x = x 2 sama dengan
peluang atau probabilitas bahwa variabel acak X mengambil
nilai antara x  x1 dan x = x 2 .
Jadi kurva normal pada Gambar dinyatakan oleh luas derah
yang diarsir dengan persamaan :
x2
f x1  x 2    f(x;  ,  )dx
x1

x2 1  x μ  2
1   


2 σ 
 e dx
2
x1 2πσ
 LUAS DI BAWAH KURVA NORMAL
Luas Daerah P (x1<X<X2) Nilai Peluang pada Kurva Normal
Kurva Normal tersebut Mempunyai Nilai Peluang
yang berbeda, karena dalam menentukan nilai
peluang pada sebuah kurva normal tidak hanya
tergantung terhadap nilai x 1 dan x 2 saja, namu juga
ditentukan oleh nilai Mean (  ) dan Varians  2 .
Walaupun pada Gambar di samping nilai x 1 dan x 2
sama untuk kedua kurva, namun nilai peluangnya
berbeda karena nilai Mean (  ) dan Varians  2 
berbeda
 Menghitung Nilai Peluang di Bawah Kurva Normal
Menghitung Nilai Peluan pada Kurva Normal

Perhitunga n Nilai Peluang di Bawah kurva Normal

dapat dilakukan dengan mentransformasikan sembarang
variabel random acak normal X menjadi nilai variabel
acak normal Z dengan   0 dan  2  1 dengan rumus :
X 
Z (Persamaan Transforma si)

Hasil Transforma si Distribusi Variabel acak normal
disebut Distribusi Normal Baku
Luas Daerah P (x1<X<X2) Menghitung Nilai Peluang pada Kurva Normal

Jika variabel acak X terletak antara x  x 1 dan x  x 2

maka variabel acak normal Z terletak antara z  z 1
dan z  z 2
x1   x 
z1  dan z 2  2
 
Luas daerah di bawah vari abel acak X terletak antara
x  x 1 dan x  x 2 sama dengan Luas daerah di bawah
variabel acak normal Z terletak antara z  z 1 dan z  z 2
P x1  X  x 2   P z1  Z  z 2 
Untuk :
P z1  Z  z 2   P Z  z 2   P Z  z1 
P Z  z   1  P Z  z 
Nilai z 1 dan z 2 dapat dilihat pada Tabel Z
TABEL DISTRIBUSI NORMAL BAKU
Contoh
Diketahui distribusi normal dengan  50 dan   10,
Hitunglah peluang bahwa X terletak antara 45 dan 62
Jawab
x1   x2  
z1  dan z 2 
 
45  50 62  50
z1   -0,5 dan z2   1,2
10 10
Px1  X  x2   Pz1  Z  z2 
P45  X  62  P 0,5  Z  1,2
 PZ  1,2  Z  0,5
 0,8849  0,3085
 0,5764
Contoh
Diketahui distribusi normal dengan  300 dan   50,
Hitunglah peluang bahwa X bernilai lebih dari 362
Jawab
x
z

362  300
z  1,24
50
P X  x   PZ  z 
P X  362  PZ  1,24
 1  PZ  1,24
 1  0,8925
 0,1075
Contoh

Sebuah AKI mempunyai umur rata - rata 3 tahun dengan

simpangan baku 0,5 tahun. Jika umur AKI berdistribusi
normal, Hitunglah peluang bahwa AKI mencapai umur
kurang dari 2,3 tahun
x
z

2,3  3
z  1,4
0,5
P X  x   PZ  z 
P X  2,3  PZ  1,4 
 0,0808
Contoh

Diketahui distribusi normal dengan   40 dan   6,

Hitunglah nilai x untuk luas daerah di bawah 38%.
Jawab :
Luas daerah 38% atau 0,38, maka luar daerah di bawah
38% (sebelah kiri x) maka digunakan :
P(Z  z)  0,38  z  -0,31 (Lihat Tabel Z)
x
z  x  z  

x  6 -0 ,31  40
x  38,14
Contoh

Diketahui distribusi normal dengan   40 dan   6,

Hitunglah nilai x untuk luas daerah di atas 5%.
Jawab :
Luas daerah 5% atau 0,05, maka luas daerah di atas
5% (sebelah kanan x), P(Z  z)  0,05 sehingga :
P(Z  z)  1  P ( Z  z )
P( Z  z )  1  P(Z  z)
 1 - 0,05
P( Z  z )  0,95  z  1,64
Selamat Belajar