BAB 6

DISTRIBUSI PROBABILITAS DISKRET

Bab 2 hingga bab 4 yang kita pelajari membahas statistika deskriptif dan fokus pada penjelasan
mengenai sesuatu yang telah terjadi. Diawali Bab 5 kita menelaah mengenai sesuatu yang
mungkin akan terjadi, bagian ini disebut dengan statistika inferensial. Tujuannya adalah menarik
kesimpulan mengenai populasi berdasarkan sejumlah pengamatan (yang disebut sampel), yang
dipilih dari populasi tersebut.
Dalam bab ini kita membahas tentang rata-rata, variansi dan standar deviasi dari distribusi
probabilitas, serta distribusi probabilitas yang sering terjadi, yaitu: Binomial dan Poisson.
Pengertian Distribusi Probabilitas
Distribusi probabilitas adalah daftar seluruh hasil percobaan dan probabilitas dari setiap hasil
yang bersangkutan.
Ciri-ciri Distribusi Probabilitas
1. Probabilitas dari sebuah hasil adalah antara 0 dan 1
2. Hasilnya merupakan kejadian yang saling lepas (mutually exclusive)
3. Daftarnya lengkap, oleh karena itu penjumlahan probabilitas dari berbagai kejadian = 1
Variabel acak melaporkan hasil tertentu dari suatu percobaan, sedangkan distribusi probabilitas
melaporkan semua hasil yang mungkin terjadi dan juga probabilitas dari hasil-hasil tersebut.
Distribusi diskret merupakan hasil dari penghitungan sesuatu, misalnya:
• Jumlah mahasiswa yang memperoleh nilai A di kelas ini
• Jumlah bangku dalam satu kelas
• Jumlah karyawan yang absen pada hari Senin
Distribusi kontinu merupakan hasil dari pengukuran sesuatu, misalnya:
• Berat badan masing-masing mahasiswa di kelas A
• Jumlah uang saku mahasiswa kelas A
• Jarak antara rumah masing-masing mahasiswa dengan kampus
Rata-rata, Variansi dan Standar Deviasi dari Distribusi Probabilitas Diskret
Rata-rata distribusi probabilitas ditulis dengan lambang µ (baca: miu), sedangkan standar deviasi
ditulis dengan lambang σ (baca: sigma).
Rumus untuk menghitung rata-rata distribusi probabilitas adalah:
𝜇 = 𝛴 𝑥. 𝑃(𝑥)
dimana:
x adalah kemungkinan hasil dari suatu percobaan
𝑃(𝑥) adalah probabilitas dari nilai x
Langkah-langkah perhitungannya adalah:
1. Kalikan setiap nilai x dengan probabilitas kemunculannya
2. Jumlahkan tiap hasil perkaliannya
Rumus untuk menghitung variansi pada distribusi probabilitas adalah:
𝜎 2 = 𝛴 (𝑥 − 𝜇)2 . 𝑃(𝑥)
Langkah-langkah perhitungannya adalah:
1. Kurangkan rata-rata dari setiap nilai x, dan kuadratkan hasilnya
2. Kalikan masing-masing kuadrat selisih dengan probabilitasnya
3. Jumlahkan tiap hasil perkaliannya
Standar deviasi (σ) diperoleh dengan mengakarkan variansi (σ2), sehingga rumusnya:

𝜎 = √𝜎 2
Contoh: (lihat buku hal 205-206)
John Ragsdale menjual mobil baru kepada Pelican Ford, penjualan mobil terbanyak biasanya pada
hari Sabtu. John membuat distribusi probabilitas jumlah mobil yang diperkirakan akan terjual
pada suatu Sabtu, seperti tabel di bawah ini:
Jumlah mobil terjual Probabilitas
(x) P(x)
0 0,10
1 0,20
2 0,30
3 0,30
4 0,10
Total 1,00
Ditanya:
1. Distribusi jenis apakah ini?
2. Pada suatu Sabtu, berapa banyak mobil yang diperkirakan dapat terjual?
3. Berapa variansi dan standar deviasi dari distribusinya
Penyelesaian:
1. Distribusi probabilitas diskret, karena data jumlah mobil yang terjual merupakan hasil
penghitungan
2. Rata-rata atau perkiraan jumlah mobil yang dapat terjual dapat dihitung sebagai berikut:
Jumlah mobil terjual Probabilitas
(x) P(x) x. P(x)
0 0,10 0,00
1 0,20 0,20
2 0,30 0,60
3 0,30 0,90
4 0,10 0,40
Total 1,00 2,10
𝜇 = 𝛴 𝑥. 𝑃(𝑥)
𝜇 = 2,10 (pembulatan sampai 2 angka di belakang koma)
Jadi rata-rata atau perkiraan jumlah mobil yang dapat terjual sebanyak 2,10 mobil per hari.
 Tentunya tidak mungkin menjual 2,10 mobil secara pasti pada suatu Sabtu, bagaimana
menafsirkan nilai rata-rata 2,10? Perkiraan nilai tersebut digunakan untuk memperkirakan nilai
rata-rata hitung jumlah mobil yang terjual pada hari Sabtu dalam jangka panjang. Jika John
bekerja selama 50 hari Sabtu, maka total mobil yang terjual sebanyak 50 x (2,1 mobil) = 105
mobil.
3. Untuk menghitung variansinya digunakan tabel berikut:
Jumlah mobil terjual Probabilitas
(x) P(x) (x - µ) (x - µ)2 (x - µ)2. P(x)
0 0,10 -2,10 4,41 0,4410
1 0,20 -1,10 1,21 0,2420
2 0,30 -0,10 0,01 0,0030
3 0,30 0,90 0,81 0,2430
4 0,10 1,90 3,61 0,3610
Total 1,00 -- -- 1,2900

𝜎 2 = 𝛴 (𝑥 − 𝜇)2 . 𝑃(𝑥)
𝜎 2 = 1,2900 (pembulatan sampai 4 angka di belakang koma, karena bentuknya kuadrat)
Standar deviasi merupakan akar dari variansi, sehingga dapat dihitung sebagai berikut:
𝜎 = √𝜎 2
𝜎 = √1,2900
𝜎 = 1,1358, dibulatkan menjadi 1,14 (pembulatan sampai 2 angka di belakang koma)
Jadi variansi dari distribusinya = 1,2900 mobil dan standar deviasi dari distribusi = 1,14 mobil
Bagaimana menafsirkan standar deviasi 1,14 mobil? Biasanya kita menggunakan standar
deviasi ini untuk menghitung koefisien variasi, yaitu dengan menggunakan angka rata-rata
2,10 mobil dan standar deviasi 1,14 mobil.

Untuk menjawab pertanyaan 2 dan 3, saudara juga bisa membuat satu tabel saja seperti
berikut ini:
Jumlah mobil terjual Probabilitas
(x) P(x) x. P(x) (x - µ)2. P(x)
0 0,10 0,00 0,4410
1 0,20 0,20 0,2420
2 0,30 0,60 0,0030
3 0,30 0,90 0,2430
4 0,10 0,40 0,3610
Total 1,00 2,10 1,2900

2. 𝝁 = 𝜮 𝒙. 𝑷(𝒙)
𝜇 = 2,10 (pembulatan sampai 2 angka di belakang koma)
 Jadi rata-rata atau perkiraan jumlah mobil yang dapat terjual sebanyak 2,10 mobil per hari.

3. 𝜎 2 = 𝛴 (𝑥 − 𝜇)2 . 𝑃(𝑥)
𝜎 2 = 1,2900 (pembulatan sampai 4 angka di belakang koma, karena bentuknya kuadrat)
Standar deviasi merupakan akar dari variansi, sehingga dapat dihitung sebagai berikut:
𝜎 = √𝜎 2
𝜎 = √1,2900
𝜎 = 1,1358, dibulatkan menjadi 1,14 (pembulatan sampai 2 angka di belakang koma)
Jadi variansi dari distribusinya = 1,2900 mobil dan standar deviasi dari distribusi = 1,14 mobil

Rumus koefisien variasi (biasa disingkat CV):

𝜎
𝐶𝑉 =
𝜇

Sehingga dari data di atas dapat dihitung CV sebagai berikut:

𝜎
𝐶𝑉 =
𝜇
1,14
𝐶𝑉 =
2,10
𝐶𝑉 = 0,5429, dibulatkan menjadi 0,54
Semakin kecil nilai CV, maka akan semakin baik/semakin stabil penjualan mobil yang dilakukan
karena variabilitasnya semakin sedikit.
Misalnya seorang penjual lain bernama Rita Kirsch juga menjual rata-rata 2,10 mobil, dengan
standar deviasi penjualannya 1,91 mobil. Manakah yang lebih stabil penjualannya, John Ragsdale
atau Rita Kirsch? Untuk mengetahui hal ini, maka kita hitung dulu CV dari penjualan Rita Kirsch
sebagai berikut:
𝜎
𝐶𝑉 =
𝜇
1,91
𝐶𝑉 =
2,10
𝐶𝑉 = 0,9095, dibulatkan menjadi 0,91
Karena CV Rita Kirsch lebih besar dari pada CV John Ragsdale (yaitu 0,91 > 0,54), maka dapat
disimpulkan bahwa penjualan John Ragsdale lebih stabil daripada penjualan Rita Kirsch,meskipun
rata-rata penjualan jumlahnya sama 2,10 mobil.
DISTRIBUSI PROBABILITAS BINOMIAL
Ciri-ciri distribusi probabilitas Binomial:
1. Merupakan distribusi probabilitas diskret (jadi datanya merupakan hasil penghitungan)
2. Hanya ada 2 kemungkinan hasil yang saling lepas, yaitu sukses dan gagal (sukses artinya
yang sedang dibicarakan/dibahas). Jadi apabila yang sedang dibicarakan adalah mahasiswa
yang gagal ujian, maka yang dimaksud sukses adalah yang gagal ujian
3. Probabilitas sukses/keberhasilan dan probabilitas kegagalan nilainya tetap sama dari satu
percobaan ke percobaan lainnya
4. Masing-masing percobaan adalah saling bebas artinya percobaan satu dengan yang lainnya
tidak saling mempengaruhi
Ciri Tambahan, yaitu n kecil, tetapi π besar (ciri ini biasanya untuk membedakan dengan
distribusi probabilias Poisson)
Rumus-rumus:
1. Nilai probabilitas Binomial
P(x) = nCx.πx.(1– π)n-x
Dimana:
P(x) melambangkan probabilitas untuk suatu nilai x (dalam desimal, selalu 4 angka di
belakang koma)
C melambangkan kombinasi
n merupakan jumlah percobaan
x merupakan jumlah keberhasilan
π merupakan probabilitas suatu keberhasilan pada tiap percobaan
2. Rata-rata Distribusi Probabilitas Binomial (µ)
µ = n.π
3. Variansi Distribusi Probabilitas Binomial (𝜎 2 )
σ2 = n.π.(1– π)

Contoh: (lihat buku hal 210)

Terdapat lima penerbangan harian dari Pittsburgh melalui maskapai Amerika Serikat menuju
Bradford regional airport di Badford, Pennsylvania. Anggaplah probabilitas bahwa penerbangan
manapun yang datang terlambat adalah 0,20. Berapakah probabilitas tidak satupun dari
penerbangan yang terlambat hari ini? Berapa probabilitas bahwa satu dari penerbangan-
penerbangan tersebut terlambat hari ini? Berapa probabilitas bahwa paling sedikit satu dari
penerbangan-penerbangan tersebut terlambat hari ini?
Penyelesaian soal:
Keberhasilan (kejadian yang sukses) adalah: penerbangan yang datang terlambat, π = 0,20; dan
n = 5 penerbangan
Ditanya:
a. probabilitas tidak satupun dari penerbangan yang terlambat hari ini atau P(x = 0)
b. probabilitas satu dari penerbangan-penerbangan tersebut terlambat hari ini atau P(x = 1)
c. probabilitas paling sedikit satu dari penerbangan-penerbangan tersebut terlambat hari ini atau
P(x ≥ 1)
Jawab:
Rumus: P(x) = nCx.πx.(1– π)n-x
a. P(x=0) = 5C0.(0,20)0.(1– 0,20)5-0
P(x=0) = 0,32768, dibulatkan menjadi 0,3277
Jadi probabilitas tidak satupun dari penerbangan yang terlambat hari ini adalah 0,3277
b. P(x=1) = 5C1.(0,20)1.(1– 0,20)5-1
P(x=1) = 0,4096
Jadi probabilitas tidak satupun dari penerbangan yang terlambat hari ini adalah 0,4096
c. Pertanyaan ini termasuk probabilitas binomial kumulatif, karena nilai x ≥ 1 yang dimaksud
adalah x =1, 2, 3, 4, 5. Padahal dengan n = 5, berarti kita bisa menghitung probabilitas semua
hasil yang mungkin, yaitu x = 0, 1, 2, 3, 4, 5, dengan nilai total probabilitas sebesar 1. Dengan
demikian kita dapat menghitung nilai P(x ≥ 1) dengan rumus:
P(x ≥ 1) = 1 – P(x=0)
P(x ≥ 1) = 1 – 0,3277
P(x ≥ 1) = 0,6723
Jadi probabilitas paling sedikit satu dari penerbangan-penerbangan tersebut terlambat hari ini
sebesar 0,6723

CARA LAIN:
Karena yang dimaksud adalah x =1, 2, 3, 4, 5, maka saudara juga dapat menghitung dengan
menjumlahkan mulai P(x = 1) sampai dengan P(x = 5), sebagai berikut:
P(x=1) = 5C1.(0,20)1.(1– 0,20)5-1 = 0,4096
P(x=2) = 5C2.(0,20)2.(1– 0,20)5-2 = 0,2048
P(x=3) = 5C3.(0,20)3.(1– 0,20)5-3 = 0,0512
P(x=4) = 5C4.(0,20)4.(1– 0,20)5-4 = 0,0064
P(x=5) = 5C5.(0,20)5.(1– 0,20)5-5 = 0,0003 +
P(x ≥ 1) = 0,6723
Jadi probabilitas paling sedikit satu dari penerbangan-penerbangan tersebut terlambat hari ini
sebesar 0,6723
DISTRIBUSI PROBABILITAS POISSON
Distribusi ini menjelaskan berapa kali suatu kejadian muncul dalam rentang tertentu; rentang yang
dimaksud dapat berupa waktu, jarak, luas atau volume. Dengan demikian distribusi ini merupakan
distribusi probabilitas diskret, karena dibentuk dengan cara menghitung, yaitu menghitung berapa
kali suatu kejadian muncul dalam rentang tertentu.
Distribusi probabilitas Poisson ini didasarkan pada 2 asumsi, yaitu:
1. Probabilitas sebanding dengan panjangnya rentang, jadi makin panjang rentang, maka akan
semakin besar probabilitasnya
2. Rentang-rentangnya saling bebas, artinya banyaknya kejadian dalam satu rentang tidak
mempengaruhi rentang-rentang lainnya
Distribusi ini juga merupakan bentuk distribusi binomial yang terbatas, ketika probabilitas
keberhasilan sangat kecil dan jumlah percobaan sangat besar atau dengan kata lain: π sangat kecil,
tetapi n sangat besar (ciri inilah yang membedakan dengan distribusi probabilias Binomial)

Rumus-rumus:
1. Nilai probabilitas Poisson
µ𝑥 . 𝑒 −µ
𝑃(𝑥) =
𝑥!
Dimana:
P(x) melambangkan probabilitas untuk suatu nilai x (dalam desimal, selalu 4 angka di
belakang koma)
µ adalah nilai rata-rata dari kejadian sukses pada suatu rentang
e adalah konstanta (dapat dicari nilainya dengan kalkulator)
x merupakan jumlah keberhasilan
2. Rata-rata Distribusi Probabilitas Poisson (µ)

µ = n.π

π merupakan probabilitas suatu keberhasilan pada tiap percobaan

n adalah rentang
3. Variansi Distribusi Probabilitas Poisson (𝜎 2 )
Nilai variansi pada distribusi probabilitas Poisson juga sama dengan rata-ratanya, rumus:

σ2 = n.π
Contoh: (lihat buku hal 224)
Coastal Insurance Company menanggung asuransi tanah di sepanjang pantai Virginia, California
Utara dan Selatan, dan pesisir Georgia. Perusahaan memperkirakan bahwa probabilitas dari badai
jenis III (angin ribut dengan kecepatan lebih dari 110 mil per jam) atau serangan lebih besar di
wilayah pesisir tertentu (sebagai contoh: Pulau St. Simons, Georgia) pada tahun berapa pun adalah
0,05. Jika baru-baru ini seseorang mengambil hipotek 30 tahun untuk membeli tanah di St. Simons,
berapa kemungkinan pemilik tanah akan mengalami satu kali badai selama periode hipotek,
berapa kemungkinan pemilik tanah akan mengalami sedikitnya satu kali badai selama periode
hipotek?
Penyelesaian:
Keberhasilan (kejadian sukses) adalah: pemilik tanah mengalami badai selama periode hipotek;
π = 0,05; n = 30 tahun
Ditanya:
a. Berapa kemungkinan pemilik tanah akan mengalami satu kali badai selama periode hipotek
atau P(x=1)
b. Berapa kemungkinan pemilik tanah akan mengalami sedikitnya satu kali badai selama
periode hipotek atau P(x ≥ 1)

Jawab:
Karena π sangat kecil, tetapi n sangat besar maka kita menggunakan distribusi probabilitas
Poisson untuk menyelesaikannya. Dengan demikian dibutuhkan nilai µ yang dapat dihitung
sebagai berikut:
µ = n. π
µ = (30). (0,05)
µ = 1,5
Rumus:
µ𝑥 . 𝑒 −µ
𝑃(𝑥) =
𝑥!
a.
1,51 . 𝑒 −1,5
𝑃(𝑥 = 1) =
1!
𝑃(𝑥 = 1) = 0,3347
Jadi kemungkinan pemilik tanah akan mengalami satu kali badai selama periode hipotek
adalah sebesar 0,3347

b. Karena x ≥ 1, berarti x = 1, 2, 3, …, 30, dan kita tidak mungkin menghitung nilai probabilitas
untuk x = 1 hingga nilai probabilitas untuk x = 30 karena terlalu banyak dan membutuhkan
banyak waktu. Akan tetapi kita tahu, bahwa dengan n = 30, berarti kita bisa menghitung
probabilitas semua hasil yang mungkin, yaitu untuk nilai x = 0, 1, 2, 3, …, 30, dengan nilai
total probabilitas sebesar 1. Dengan demikian kita dapat menghitung nilai P(x ≥ 1) dengan
rumus: P(x ≥ 1) = 1 – P(x=0), oleh karena itu kita hitung dulu probabilitas untuk nilai x = 0,
sebagai berikut:
1,50 . 𝑒 −1,5
𝑃(𝑥 = 0) =
0!
𝑃(𝑥 = 0) = 0,2231

Selanjutnya kita hitung nilai P(x ≥ 1):

P(x ≥ 1) = 1 – P(x=0)
P(x ≥ 1) = 1 – 0,2231
P(x ≥ 1) = 0,7769
Jadi kemungkinan pemilik tanah akan mengalami sedikitnya satu kali badai selama periode
hipotek adalah sebesar 0,7769