FEB UNDIP · Statistika Bisnis I

Statistika Bisnis I

Pertemuan 7 · Variabel Acak Diskrit, Nilai Harapan, dan Variansi

Mengubah ketidakpastian menjadi angka: menyusun distribusi probabilitas, menghitung rata-rata jangka panjang E(X), dan mengukur risiko lewat variansi.

RPS Minggu 6 · Sub-CPMK 3 · 2 × 50 menit

Selamat datang di Pertemuan 7, salah satu pertemuan yang mengubah cara Anda melihat ketidakpastian dalam bisnis. Sampai sekarang Anda sudah belajar probabilitas — peluang sebuah kejadian terjadi — tetapi hari ini kita melangkah lebih jauh: kita menempelkan angka pada setiap kemungkinan hasil, lalu meringkasnya menjadi dua bilangan yang sangat kuat, yaitu nilai harapan dan variansi. Bayangkan Anda seorang manajer yang harus memutuskan apakah membuka cabang baru, sementara hasilnya bisa untung besar, impas, atau rugi; Anda tidak tahu pasti mana yang terjadi, tetapi setelah pertemuan ini Anda bisa menghitung "rata-rata hasil yang diharapkan" dan "seberapa berisiko" keputusan itu. Itulah inti statistika bisnis: mengubah ketidakpastian yang menakutkan menjadi angka yang bisa dibandingkan dan diputuskan secara rasional — siapkan kalkulator Anda, karena pertemuan ini menuntut Anda berhitung, bukan sekadar mencatat definisi.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menjelaskan konsep variabel acak diskrit dan menghitung nilai ekspektasi serta variansi (Sub-CPMK 3).

Capaian 1 — Konsep

Variabel Acak

Membedakan variabel acak diskrit vs kontinu dan menyusun distribusi probabilitasnya dari kasus bisnis nyata.

Capaian 2 — Keabsahan

ΣP

= 1

Memeriksa dua sifat wajib: 0 ≤ P(x) ≤ 1 dan ΣP(x) = 1 sebelum menghitung apa pun.

Capaian 3 — Ukuran

E,σ

Ekspektasi & Risiko

Menghitung E(X), Var(X), dan standar deviasi dari distribusi probabilitas diskrit.

Capaian 4 — Aplikasi

EMV

Keputusan & Poisson

Menerapkan EMV untuk keputusan bisnis dan Poisson untuk kejadian per satuan waktu.

Empat capaian ini adalah penjabaran Sub-CPMK ketiga kita: menjelaskan konsep variabel acak diskrit dan menghitung nilai ekspektasi serta variansi. Capaian pertama adalah fondasi konseptual — Anda harus bisa mengenali kapan sebuah besaran bersifat diskrit (bisa dicacah satu-satu) dan kapan kontinu (bisa diukur sepersekian), lalu menuliskannya sebagai distribusi probabilitas. Capaian kedua adalah pemeriksaan keabsahan; banyak mahasiswa lupa bahwa distribusi yang sah harus memenuhi dua syarat sederhana, dan kelalaian ini sering jadi sumber kesalahan. Capaian ketiga adalah inti kuantitatif hari ini: menghitung nilai harapan sebagai rata-rata jangka panjang, dan variansi sebagai ukuran risiko. Capaian keempat membawa semuanya ke dunia nyata — keputusan ekspansi usaha lewat EMV, dan jumlah kejadian seperti komplain atau klaim asuransi lewat Poisson.

Berapa "Rata-rata" Angka Lemparan Dadu?

Sebuah dadu adil punya enam mata: 1, 2, 3, 4, 5, 6 — masing-masing peluangnya 1/6. Kalau dilempar ribuan kali, berapa rata-rata angka yang muncul?

Tebakan Naluri

atau 4?

Sebagian orang menebak "3" atau angka sembarang. Tapi jawabannya bukan bilangan bulat yang ada di dadu.

Jawaban Pasti

3,5

E(X) = 3,5

Padahal angka 3,5 tidak pernah muncul di dadu mana pun! Inilah kejutan pertama hari ini.

Pelajaran inti: Nilai harapan adalah rata-rata jangka panjang, bukan hasil yang pasti terjadi. Hari ini kita belajar menghitung angka semacam ini untuk keputusan bisnis sungguhan — ekspansi usaha, investasi saham, dan risiko operasional.

Saya selalu membuka topik ini dengan pertanyaan sederhana tentang dadu, karena jawabannya mengejutkan dan langsung menanamkan ide inti hari ini. Coba pikirkan: kalau Anda melempar dadu adil ribuan kali lalu merata-ratakan semua angka yang muncul, berapa hasilnya? Jawabannya tiga koma lima, dan inilah yang membuat banyak orang heran — tiga koma lima tidak pernah muncul di dadu mana pun, karena dadu hanya punya angka bulat satu sampai enam. Pelajaran pentingnya adalah bahwa nilai harapan bukanlah ramalan tentang hasil satu lemparan tunggal, melainkan rata-rata yang akan Anda dekati jika percobaan diulang sangat banyak kali. Inilah cara berpikir yang dipakai perusahaan asuransi, kasino, dan investor saham: mereka tidak peduli pada satu kejadian, tetapi pada rata-rata jangka panjang dari ribuan kejadian serupa.

Blok 1 dari 4

Variabel Acak & Distribusi Probabilitas

Apa itu variabel acak, bedanya diskrit dan kontinu, lalu cara menulis dan memeriksa distribusi probabilitas yang sah.

Apa Itu Variabel Acak (Random Variable)?

Definisi: Variabel acak adalah aturan yang memberikan satu angka untuk setiap hasil yang mungkin dari sebuah percobaan acak. Biasanya dilambangkan huruf besar X; nilai spesifiknya huruf kecil x.

Contoh Bisnis

Variabel Acak

X = jumlah produk terjual per hari
X = banyak nasabah antre di teller
X = jumlah komplain ke call center

Bukan Variabel Acak

≠

Bukan Angka

"Warna mobil" atau "nama pelanggan" — bukan angka. Variabel acak selalu menghasilkan bilangan, bukan kategori atau nama.

Mari mulai dari definisi yang sering terdengar abstrak tetapi sebenarnya sangat intuitif: variabel acak adalah aturan yang mengubah hasil sebuah percobaan acak menjadi sebuah angka. Bayangkan Anda melempar dua koin; hasilnya bisa gambar-gambar, gambar-angka, angka-gambar, atau angka-angka. Sekarang definisikan X sebagai banyaknya gambar yang muncul, maka X bisa bernilai nol, satu, atau dua — Anda baru saja menerjemahkan hasil percobaan menjadi angka, dan itulah variabel acak. Dalam bisnis, variabel acak ada di mana-mana: jumlah barang terjual hari ini, banyaknya nasabah yang datang, atau jumlah komplain yang masuk — semuanya angka yang belum pasti sampai harinya tiba. Perhatikan satu hal penting: variabel acak selalu menghasilkan angka; "warna mobil" atau "nama pelanggan" bukan variabel acak karena bukan bilangan.

Dua Jenis Variabel Acak: Diskrit vs Kontinu

Aspek	Diskrit	Kontinu
Cara mendapat nilai	Dicacah (dihitung satu-satu)	Diukur (bisa sepersekian)
Nilai yang mungkin	Terpisah-pisah: 0, 1, 2, …	Tak terhitung dalam suatu rentang
Contoh bisnis	Jumlah unit terjual, banyak komplain, jumlah cacat produk	Berat produk, waktu antre, suhu, nilai kurs rupiah

Hari ini fokus kita variabel acak DISKRIT — yang dicacah. Variabel kontinu (waktu, berat, kurs) dipelajari di pertemuan berikutnya.

Awas miskonsepsi: Diskrit bisa tak terhingga banyaknya nilai (mis. Poisson: 0, 1, 2, 3, …). Pembedanya bukan "banyak vs sedikit", tetapi dicacah vs diukur.

Sekarang kita bedakan dua jenis variabel acak, dan perbedaan ini menentukan rumus mana yang Anda pakai. Variabel acak diskrit adalah yang nilainya Anda dapatkan dengan mencacah — menghitung satu, dua, tiga — seperti jumlah unit terjual, banyaknya komplain, atau jumlah produk cacat dalam satu batch. Variabel acak kontinu adalah yang nilainya Anda dapatkan dengan mengukur, sehingga bisa berupa pecahan sehalus apa pun, seperti berat produk, lama waktu antre nasabah, suhu ruang penyimpanan, atau nilai tukar rupiah. Cara cepat membedakannya: tanyakan "apakah ini saya cacah atau saya ukur?". Satu kesalahpahaman yang harus saya luruskan sekarang adalah anggapan bahwa diskrit selalu sedikit dan kontinu selalu banyak — itu keliru; variabel diskrit bisa punya tak terhingga banyak nilai, seperti distribusi Poisson yang nilainya nol, satu, dua, tiga, dan seterusnya tanpa batas atas, tetapi tetap diskrit karena dicacah, bukan diukur.

Distribusi Probabilitas Diskrit

Distribusi probabilitas = daftar lengkap semua nilai x yang mungkin beserta peluangnya P(x). Ini seperti "kartu identitas" lengkap sebuah variabel acak.

x (jumlah gambar, 2 koin)	0	1	2	Σ
P(x)	1/4 = 0,25	2/4 = 0,50	1/4 = 0,25	1,00 ✓

Sifat 1: 0 ≤ P(x) ≤ 1 untuk setiap nilai x
Sifat 2: Σ P(x) = 1 (total seluruh peluang = tepat 1)

Setiap distribusi yang sah wajib memenuhi keduanya. Peluang tak boleh negatif atau >1, dan totalnya harus pas 1 — kalau tidak, hentikan dan cari kesalahannya dulu.

Latihan Cepat: Sah atau Tidak Sah?

Kasus A — Tidak Sah

1,2

Σ P(x) = 1,2 > 1

P(x) = {0,3 ; 0,5 ; 0,4}. Jumlah = 1,2 > 1 → langgar Sifat 2. Ditolak.

Kasus B — Tidak Sah

−0,1

Ada P(x) negatif

P(x) = {0,6 ; −0,1 ; 0,5}. Ada peluang negatif → langgar Sifat 1. Ditolak.

Kasus C — Sah

1,0

Σ P(x) = 1,0 ✓

P(x) = {0,2 ; 0,3 ; 0,5}. Semua antara 0–1 dan total = 1,0. Diterima.

Sebelum menghitung E(X) atau variansi, selalu cek dua sifat dulu. Kalau distribusinya tidak sah, semua hitungan setelahnya sia-sia.

Mari kita uji pemahaman Anda dengan tiga kasus cepat, karena memeriksa keabsahan distribusi adalah kebiasaan yang akan menyelamatkan Anda di ujian. Kasus A memberi peluang nol koma tiga, nol koma lima, dan nol koma empat; semuanya tampak wajar satu per satu, tetapi kalau dijumlahkan hasilnya satu koma dua, melebihi satu, sehingga distribusi ini melanggar sifat kedua dan harus ditolak. Kasus B memberi sebuah peluang negatif, dan ini jelas mustahil karena peluang tidak pernah bisa kurang dari nol, sehingga melanggar sifat pertama. Kasus C memberi nol koma dua, nol koma tiga, dan nol koma lima; semua nilainya berada di antara nol dan satu, dan totalnya tepat satu, sehingga inilah satu-satunya distribusi yang sah. Pelajaran praktisnya, biasakan melakukan dua pemeriksaan ini sebagai langkah pertama setiap soal — kalau distribusinya saja sudah tidak sah, maka nilai harapan dan variansi yang Anda hitung di atasnya pasti tidak bermakna.

Blok 2 dari 4

Mengukur Distribusi: Nilai Harapan & Variansi

Dua angka yang meringkas seluruh distribusi — E(X) sebagai pusat (rata-rata jangka panjang) dan variansi sebagai sebaran (ukuran risiko).

E(X) = Σ x · P(x)

Nilai Harapan E(X) — Rata-rata Jangka Panjang

Berapa nilai "rata-rata" yang dihasilkan variabel acak jika percobaan diulang sangat banyak kali? Kalikan tiap nilai dengan peluangnya, lalu jumlahkan.

E(X) = μ = Σ [ x · P(x) ]

x = nilai yang mungkin · P(x) = peluangnya · μ (mu) = lambang lain untuk E(X) · setiap nilai ditimbang peluangnya (weighted average)

x (gambar, 2 koin)	P(x)	x · P(x)
0	0,25	0 × 0,25 = 0,00
1	0,50	1 × 0,50 = 0,50
2	0,25	2 × 0,25 = 0,50
Σ	1,00	E(X) = 1,00 gambar

Inilah rumus inti pertama hari ini, dan untungnya sangat intuitif: nilai harapan adalah jumlah dari setiap nilai dikali peluangnya. Pahami sebagai cerita rata-rata tertimbang — kalau Anda menghitung nilai rata-rata mahasiswa, Anda menjumlahkan semua nilai lalu membaginya rata; tetapi di sini setiap nilai tidak diberi bobot sama, melainkan ditimbang oleh seberapa besar peluangnya muncul. Nilai yang lebih mungkin terjadi memberi kontribusi lebih besar, sehingga "menarik" rata-rata ke arahnya. Perhatikan contoh dua koin: nilai nol, satu, dan dua masing-masing dikali peluangnya, lalu dijumlahkan, menghasilkan satu gambar sebagai nilai harapan. Saya menulis lambang μ di samping E(X) supaya Anda terbiasa, karena di banyak buku dan soal, nilai harapan ditulis dengan huruf Yunani mu, dan keduanya berarti hal yang sama persis.

Hitung dari Nol — HDN-1: Nilai Harapan & Risiko Proyek

Sebuah proyek investasi: rugi −Rp 100 jt (p=0,2), impas Rp 0 (p=0,3), untung Rp 200 jt (p=0,5). Hitung E(X), Var(X), dan SD.

x (juta Rp)	P(x)	x·P(x)	x − μ	(x−μ)²	(x−μ)²·P(x)
−100	0,2	−20	−180	32.400	6.480
0	0,3	0	−80	6.400	1.920
200	0,5	100	+120	14.400	7.200
Σ	1,0	μ = 80	—	—	Var = 15.600

Nilai Harapan

+80

juta Rp

E(X) positif → secara ekspektasi, proyek layak.

Variansi

15.600

juta²

Satuan dikuadratkan — ambil akarnya untuk SD.

Standar Deviasi

124,9

juta Rp

SD > E(X) → risiko tinggi; pertimbangkan selera risiko.

Sekarang kita kerjakan satu kasus lengkap dari nol sampai jadi, dan ini contoh keputusan investasi yang sangat realistis. Misalkan sebuah proyek punya tiga skenario: rugi seratus juta dengan peluang nol koma dua, impas dengan peluang nol koma tiga, dan untung dua ratus juta dengan peluang nol koma lima. Langkah pertama selalu sama: hitung nilai harapan dengan mengalikan tiap hasil dengan peluangnya, lalu menjumlahkan — negatif dua puluh, ditambah nol, ditambah seratus, menghasilkan delapan puluh juta. Langkah kedua, hitung variansi dengan mengambil selisih tiap hasil dari rata-rata, mengkuadratkannya, mengalikan dengan peluang, lalu menjumlahkan; hasilnya lima belas ribu enam ratus dalam satuan juta kuadrat, dan akarnya sekitar seratus dua puluh lima juta. Interpretasinya: nilai harapan positif berarti proyek secara ekspektasi menguntungkan, tetapi standar deviasi yang bahkan lebih besar dari nilai harapan menandakan risiko sangat tinggi — keputusan akhir bergantung pada selera risiko investor.

Variansi & Standar Deviasi — Mengukur Risiko

Nilai harapan menunjukkan pusat; variansi menunjukkan seberapa jauh nilai tersebar dari pusat itu. Makin besar variansi, makin besar ketidakpastian.

Var(X) = σ² = Σ [ (x − μ)² · P(x) ]

Var(X) = E(X²) − [E(X)]² = Σ x²P(x) − μ² ← jalan pintas

σ = √Var(X) ← Standar Deviasi (satuan asli)

Mengapa dikuadratkan? (1) Agar selisih positif & negatif tidak saling meniadakan. (2) Agar simpangan besar diberi "hukuman" lebih berat. Akarnya (SD) mengembalikan satuan ke ukuran asli, mis. rupiah.

Setelah menguasai nilai harapan, kita butuh angka kedua untuk mengukur risiko, dan itulah variansi. Idenya sederhana: untuk setiap nilai, hitung seberapa jauh ia menyimpang dari rata-rata, kuadratkan simpangan itu, timbang dengan peluangnya, lalu jumlahkan semuanya. Ada dua alasan mengapa harus dikuadratkan: pertama, agar simpangan positif dan negatif tidak saling meniadakan jadi nol; kedua, agar simpangan yang sangat besar diberi bobot yang jauh lebih berat. Ada juga rumus jalan pintas yang sering lebih cepat di kalkulator, yaitu nilai harapan dari X kuadrat dikurangi kuadrat dari nilai harapan; keduanya selalu memberi hasil sama. Karena variansi memakai satuan yang dikuadratkan, kita biasanya mengambil akarnya untuk mendapat standar deviasi, yang kembali ke satuan asli dan jauh lebih mudah ditafsirkan sebagai ukuran risiko.

Interpretasi: E(X) Bukan Hasil yang Pasti Terjadi

Dadu — E(X)

3,5

tidak pernah muncul

E(X) = 3,5 — padahal angka 3,5 tidak ada di dadu mana pun. Tapi rata-rata ribuan lemparan mendekati 3,5.

Proyek HDN-1 — E(X)

+80

juta Rp

Padahal hasil yang mungkin hanya −100, 0, atau +200. Angka 80 tidak ada dalam daftar kemungkinan!

Miskonsepsi terbesar: menganggap nilai harapan pasti terjadi. E(X) adalah rata-rata jangka panjang dari banyak pengulangan, bukan ramalan satu kejadian tunggal.

Justru di sinilah kekuatannya: asuransi, kasino, dan investor untung bukan dari satu kejadian, tetapi dari rata-rata ribuan kejadian yang menguntungkan secara ekspektasi.

Sekarang saya ingin menegaskan satu hal yang paling sering disalahpahami mahasiswa, bahkan sampai dunia kerja: nilai harapan bukanlah hasil yang pasti terjadi. Ingat dadu kita tadi yang nilai harapannya tiga koma lima, padahal angka tiga koma lima tidak ada di dadu mana pun; demikian pula proyek HDN-1 yang nilai harapannya delapan puluh juta, padahal hasil yang mungkin hanya rugi seratus juta, impas, atau untung dua ratus juta — angka delapan puluh sama sekali tidak ada dalam daftar kemungkinan. Lalu apa gunanya angka yang tidak pernah benar-benar muncul? Gunanya sangat besar: nilai harapan adalah rata-rata jangka panjang yang akan Anda dekati kalau keputusan serupa diambil berulang kali ratusan atau ribuan kali. Inilah persis cara perusahaan asuransi bekerja — mereka tidak bisa menebak apakah satu nasabah tertentu akan klaim, tetapi mereka tahu rata-rata klaim dari jutaan nasabah, dan dari situlah mereka menetapkan premi agar untung secara ekspektasi.

Blok 3 dari 4

Keputusan Bisnis & Dua Distribusi Baku

Memakai nilai harapan untuk memilih di bawah ketidakpastian (EMV), lalu dua distribusi diskrit yang paling sering muncul: seragam dan Poisson.

Nilai Harapan Moneter (EMV) untuk Memutuskan

EMV = nilai harapan dalam satuan uang. Untuk tiap pilihan keputusan, hitung E(hasil); pilih yang EMV-nya terbaik.

EMV(keputusan) = Σ [ hasil × P(keadaan) ]

Keputusan ↓ / Keadaan →	Lesu (p=0,3)	Sedang (p=0,4)	Ramai (p=0,3)	EMV (juta Rp)
Stok banyak	−60	+40	+150	31
Stok sedikit	+10	+30	+50	28

EMV "stok banyak" = 31 > "stok sedikit" = 28 → pilih stok banyak secara nilai harapan. Namun "stok banyak" juga berisiko (rugi Rp 60 jt saat lesu) — bandingkan juga variansinya sebelum memutuskan.

Inilah aplikasi paling langsung dari nilai harapan dalam manajemen: memilih keputusan terbaik ketika masa depan tidak pasti. Caranya, untuk setiap pilihan keputusan kita hitung nilai harapan hasilnya dalam rupiah, yang kita sebut EMV, lalu kita pilih keputusan dengan EMV tertinggi. Perhatikan tabel payoff: kalau kita menyetok banyak barang, hasilnya bisa rugi enam puluh juta saat pasar lesu tetapi untung seratus lima puluh juta saat ramai, dan setelah ditimbang peluangnya, EMV-nya tiga puluh satu juta. Kalau kita menyetok sedikit, hasilnya lebih aman tetapi lebih kecil, dengan EMV dua puluh delapan juta — sehingga secara nilai harapan, menyetok banyak sedikit lebih unggul. Saya selalu mengingatkan mahasiswa untuk tidak berhenti di EMV saja: perhatikan bahwa "stok banyak" juga membawa risiko kerugian enam puluh juta yang tidak ada pada "stok sedikit", sehingga manajer yang berhati-hati akan membandingkan tidak hanya nilai harapannya tetapi juga variansinya.

Coba Sendiri: Ubah Payoff & Peluang, Lihat EMV Berubah

Atur nilai hasil dan peluang tiap keadaan untuk melihat E(X), variansi, dan EMV keputusan mana yang unggul.

Studi Kasus Indonesia: Ekspansi UMKM

Pemilik kedai kopi di Semarang menimbang membuka cabang kedua. Estimasi laba tahunan: sukses +Rp 300 jt (p=0,5), sedang +Rp 50 jt (p=0,3), gagal −Rp 150 jt (p=0,2). Bandingkan dengan tidak ekspansi (Rp 0).

Buka Cabang — EMV

+135

juta Rp

300(0,5) + 50(0,3) + (−150)(0,2) = 150 + 15 − 30 = +Rp 135 jt.

Tidak Ekspansi — EMV

juta Rp

Laba tetap Rp 0 — tidak ada perubahan, tidak ada pertumbuhan.

EMV buka cabang = +Rp 135 jt > 0 → secara nilai harapan, ekspansi layak. Catatan: ada peluang 20% rugi Rp 150 jt — pastikan pemilik punya dana cadangan untuk menahan skenario terburuk sebelum memutuskan ekspansi.

Mari kita terapkan EMV ke keputusan yang sangat membumi di Indonesia: seorang pemilik kedai kopi di Semarang yang menimbang membuka cabang kedua. Dia memperkirakan tiga skenario untuk cabang baru — sukses dengan laba tiga ratus juta berpeluang nol koma lima, sedang dengan laba lima puluh juta berpeluang nol koma tiga, dan gagal dengan rugi seratus lima puluh juta berpeluang nol koma dua. EMV ekspansi dihitung dengan menimbang tiap laba dengan peluangnya, dan hasilnya plus seratus tiga puluh lima juta, sementara pilihan tidak ekspansi memberi nol. Karena EMV ekspansi positif dan jauh di atas nol, maka secara nilai harapan keputusan membuka cabang itu layak. Tetapi saya selalu menambahkan satu nasihat praktis untuk pelaku UMKM: nilai harapan positif tidak menghapus risiko nyata bahwa ada peluang dua puluh persen mengalami rugi seratus lima puluh juta, dan bagi usaha kecil, kerugian sebesar itu bisa mematikan. Jadi keputusan yang bijak bukan sekadar "EMV positif maka jalan", melainkan "EMV positif dan saya punya dana cadangan untuk bertahan jika skenario terburuk terjadi".

Imbal Hasil & Risiko Saham di Bursa Efek Indonesia

Imbal hasil setahun ke depan sebuah saham di BEI bergantung kondisi ekonomi. E(r) = imbal hasil harapan; SD(r) = risiko.

Kondisi ekonomi	P	r (%)	r · P	(r − E(r))² · P
Resesi	0,2	−10	−2,0	76,05
Normal	0,5	8	4,0	1,125
Boom	0,3	25	7,5	72,075
Σ	1,0	—	E(r) = 9,5%	Var = 149,25

Imbal Hasil Harapan

9,5%

E(r)

Risiko (SD)

12,2%

SD(r) = √149,25

Dasar trade-off risiko–imbal hasil: saham menawarkan E(r) 9,5% tetapi dengan risiko SD 12,2%. Investor membandingkan E(r) dan SD antar-saham sebelum memilih portofolio.

Sekarang kita bawa nilai harapan dan variansi ke dunia investasi saham, yang menjadi salah satu penerapan terpentingnya dalam keuangan. Bayangkan Anda menimbang sebuah saham di Bursa Efek Indonesia yang imbal hasilnya setahun ke depan bergantung pada kondisi ekonomi: bisa minus sepuluh persen saat resesi, delapan persen saat normal, atau dua puluh lima persen saat boom, masing-masing dengan peluangnya. Imbal hasil harapan kita hitung persis seperti nilai harapan biasa, dengan menimbang tiap skenario dengan peluangnya, dan hasilnya sembilan koma lima persen. Lalu kita hitung standar deviasi sekitar dua belas koma dua persen, dan angka inilah ukuran risiko saham tersebut. Di sinilah lahir prinsip paling fundamental dalam investasi: investor tidak pernah memilih saham hanya dari imbal hasil harapannya, tetapi selalu memasangkannya dengan risikonya, lalu memilih kombinasi yang sesuai dengan selera risiko mereka.

Distribusi Seragam Diskrit (Discrete Uniform)

Kasus paling sederhana: semua nilai punya peluang sama. Contoh sempurna: dadu adil, undian berhadiah, pemilihan sampel acak.

P(x) = 1/N untuk setiap nilai (N = banyak nilai yang mungkin)

Contoh — Dadu

1/6

P(x) tiap sisi

N = 6 → tiap sisi P(x) = 1/6 ≈ 0,167. E(X) = 3,5; Var = 35/12 ≈ 2,917; SD ≈ 1,71.

Ciri Khas

▬▬▬

Histogram Datar

Semua batang sama tinggi — tak ada nilai yang lebih mungkin dari yang lain. E(X) jatuh tepat di tengah rentang.

Seragam = "demokrasi peluang" — setiap hasil punya hak sama. Contoh nyata di Indonesia: undian berhadiah dengan tiket setara, nomor antre acak, atau pengambilan sampel acak dari daftar nasabah.

Distribusi diskrit pertama yang baku adalah yang paling sederhana, yaitu distribusi seragam, di mana setiap nilai yang mungkin punya peluang yang persis sama. Contoh paling sempurna adalah dadu adil: ada enam sisi, dan masing-masing berpeluang satu per enam. Karena peluangnya rata, histogramnya datar — semua batang sama tinggi — dan inilah ciri visual yang langsung mengenali distribusi seragam. Menghitung nilai harapannya mudah dan jatuh tepat di tengah rentang; untuk dadu, nilai harapannya tiga koma lima, persis seperti yang kita bahas di awal pertemuan, dan variansinya tiga puluh lima per dua belas sekitar dua koma sembilan. Dalam praktik, distribusi seragam muncul kapan pun kita melakukan pemilihan yang benar-benar acak dan adil — undian berhadiah dengan tiket setara, pengundian nomor, atau pengambilan sampel acak dari daftar nasabah.

Distribusi Poisson — Kejadian per Satuan Waktu

Berapa peluang terjadi x kejadian dalam satu satuan waktu, jika rata-ratanya λ (lambda)? Mis.: komplain per hari, klaim asuransi per hari, kedatangan nasabah per jam.

P(x) = (e^−λ · λˣ) / x! x = 0, 1, 2, 3, …

λ (lambda) = rata-rata kejadian per satuan · e ≈ 2,71828 (bilangan Euler) · x! = faktorial (3! = 3×2×1 = 6) · 0! = 1

Ciri khas Poisson: mean = variansi = λ. Kalau rata-rata 3 komplain/hari, variansinya juga 3 dan SD = √3 ≈ 1,73. Tidak perlu rumus variansi terpisah — ingat satu angka λ, sudah dapat keduanya.

Syarat Poisson: kejadian jarang & acak, bebas satu sama lain, dengan laju rata-rata tetap per satuan waktu.

Distribusi diskrit kedua yang baku, dan yang paling sering muncul di operasi bisnis, adalah distribusi Poisson, yang menghitung peluang sejumlah kejadian terjadi dalam satu satuan waktu atau ruang. Pikirkan pertanyaan seperti: berapa peluang ada nol komplain hari ini, atau dua klaim asuransi besok, jika rata-ratanya kita ketahui? Rumusnya melibatkan bilangan Euler e yang nilainya sekitar dua koma tujuh satu delapan, dipangkatkan negatif lambda, dikali lambda pangkat x, lalu dibagi x faktorial. Ada satu ciri khas Poisson yang sangat memudahkan hidup Anda dan sering keluar di ujian: nilai harapan dan variansinya sama-sama bernilai lambda, sehingga kalau rata-rata komplain tiga per hari, maka variansinya juga tiga dan standar deviasinya akar tiga — Anda tidak perlu menghitung variansi dengan rumus panjang. Poisson berlaku ketika kejadiannya jarang dan acak, terjadi secara bebas satu sama lain, dengan laju rata-rata yang tetap; syarat-syarat ini cocok untuk komplain pelanggan, kedatangan nasabah ke bank, panggilan ke call center, klaim asuransi, dan kegagalan transaksi.

Hitung dari Nol — HDN-2: Komplain Call Center (Poisson)

Call center menerima rata-rata λ = 3 komplain/hari. Hitung P(X=0), P(X=2), dan P(X≥1). Gunakan e⁻³ ≈ 0,049787.

Langkah	Perhitungan	Nilai
Siapkan e^−λ	e⁻³	0,049787
P(X = 0)	(0,049787 · 3⁰) / 0! = 0,049787 · 1 / 1	0,0498 (4,98%)
P(X = 2)	(0,049787 · 3²) / 2! = (0,049787 · 9) / 2	0,2240 (22,40%)
P(X ≥ 1)	1 − P(X=0) = 1 − 0,0498 ← trik komplemen	0,9502 (95,02%)

Interpretasi bisnis: hampir setiap hari (95%) ada minimal satu komplain; peluang hari "bersih" tanpa komplain hanya ~5%. Manajer wajib selalu siapkan staf — hari nol komplain itu langka.

Sekarang kita kerjakan satu kasus Poisson dari nol sampai jadi, dan saya pilih contoh call center karena sangat relevan dengan operasi perusahaan jasa di Indonesia. Langkah pertama, siapkan nilai e pangkat negatif tiga, yang besarnya sekitar nol koma nol empat sembilan; nilai ini Anda dapat dari kalkulator dengan tombol e pangkat x lalu masukkan negatif tiga. Untuk peluang nol komplain, masukkan x sama dengan nol ke rumus, dan karena tiga pangkat nol sama dengan satu dan nol faktorial juga sama dengan satu, hasilnya langsung nol koma nol empat sembilan, atau sekitar lima persen. Untuk peluang dua komplain, tiga pangkat dua sama dengan sembilan, dibagi dua faktorial yang sama dengan dua, sehingga hasilnya nol koma dua dua empat. Untuk peluang paling sedikit satu komplain, jangan tergoda menjumlahkan satu, dua, tiga, dan seterusnya sampai tak terhingga — pakai trik komplemen, yaitu satu dikurangi peluang nol komplain, sehingga hasilnya sekitar sembilan puluh lima persen. Interpretasi bisnisnya: hampir setiap hari pasti ada komplain, dan hari tanpa komplain sama sekali itu langka, sehingga manajer wajib selalu menyiapkan staf.

Poisson di Praktik Indonesia

Klaim Asuransi (λ = 2/hari)

86,5%

P(X ≥ 1)

P(X=0) = e⁻² ≈ 0,1353 (13,5%)
P(X≥1) ≈ 0,8647 (86,5%)
Var = λ = 2; SD = √2 ≈ 1,41

Dipakai aktuaris untuk menetapkan premi & cadangan klaim.

Transaksi Gagal BI-FAST (λ = 4/jam)

19,5%

P(X = 3)

P(X=3) = (e⁻⁴·4³)/3! ≈ 0,1954 (19,5%)
P(X≤1) ≈ 0,0916 (9,2%)

Tim keandalan sistem pakai Poisson untuk monitor kegagalan transaksi.

Karena mean = variansi = λ, satu angka λ sudah memberi pusat dan sebaran — model sangat ekonomis untuk aktuaris dan manajer operasi yang membutuhkan estimasi cepat.

Mari kita lihat dua penerapan Poisson yang benar-benar dipakai di industri Indonesia, supaya Anda yakin ini bukan teori menara gading. Contoh pertama, sebuah cabang asuransi menerima rata-rata dua klaim per hari; dengan Poisson, peluang sebuah hari tanpa klaim sama sekali sekitar tiga belas persen, sementara peluang ada minimal satu klaim sekitar delapan puluh tujuh persen. Inilah persis cara aktuaris asuransi bekerja — mereka memodelkan jumlah klaim per periode dengan Poisson untuk memperkirakan kebutuhan dana dan menetapkan premi yang adil. Contoh kedua, sebuah sistem pembayaran seperti BI-FAST mencatat rata-rata empat transaksi gagal per jam, dan tim keandalan sistem bisa menghitung peluang berbagai skenario kegagalan untuk mengevaluasi apakah sistem berjalan normal. Yang ingin saya tekankan lagi adalah keindahan Poisson: karena nilai harapan dan variansinya sama-sama lambda, satu angka rata-rata saja sudah memberi tahu kita pusat sekaligus sebarannya, sehingga model ini sangat ekonomis dan praktis untuk dipakai manajer operasi sehari-hari.

Lima Jebakan yang Sering Membuat Salah Hitung

Jebakan 1 & 2 — Fondasi

1 ΣP(x) ≠ 1 — selalu cek dua sifat distribusi sebelum menghitung apa pun.
2 E(X) disangka hasil pasti — E(X) adalah rata-rata jangka panjang, boleh jatuh di antara nilai nyata (3,5; +80).

Jebakan 3, 4 & 5 — Teknis

3 Lupa kuadratkan / lupa akar — variansi pakai (x−μ)²; SD = √Var. Jangan tertukar satuan.
4 Poisson: cari variansi panjang-panjang — ingat mean = variansi = λ. Selesai.
5 Salah faktorial — 0! = 1, bukan 0; 3⁰ = 1, bukan 0.

Tiga cek cepat sebelum mengumpulkan jawaban: ΣP(x) = 1 · satuan (Var vs SD) · Poisson: Var = λ. Tiga cek ini menutup mayoritas kesalahan.

Dari pengalaman memeriksa banyak lembar ujian, hampir semua kesalahan pada topik ini berasal dari lima jebakan yang sama, jadi saya kumpulkan di sini agar Anda waspada. Jebakan pertama dan paling mendasar: mengerjakan soal tanpa lebih dulu memeriksa bahwa jumlah seluruh peluang sama dengan satu, padahal kalau distribusinya saja tidak sah, semua hitungan setelahnya percuma. Jebakan kedua, yang paling konseptual, adalah menyangka nilai harapan pasti terjadi, padahal ia hanya rata-rata jangka panjang yang sering jatuh di antara nilai-nilai nyata. Jebakan ketiga bersifat teknis: lupa mengkuadratkan simpangan saat menghitung variansi, atau lupa mengambil akar saat diminta standar deviasi, sehingga satuannya tertukar. Jebakan keempat khas Poisson, yaitu menghitung variansi dengan rumus panjang padahal cukup ingat bahwa variansi sama dengan lambda. Jebakan kelima soal faktorial dan pangkat — ingat nol faktorial sama dengan satu dan apa pun pangkat nol sama dengan satu, bukan nol.

Blok 4 dari 4

Rangkuman & Latihan

Cheat sheet rumus, peta konsep, dan latihan kelas untuk mengasah kemampuan menghitung sebelum pertemuan berakhir.

Cheat Sheet — Rumus Inti Variabel Acak Diskrit

Konsep	Rumus	Untuk
Sifat distribusi	0 ≤ P(x) ≤ 1 ; Σ P(x) = 1	Uji keabsahan — langkah pertama selalu
Nilai harapan	E(X) = μ = Σ x · P(x)	Pusat / rata-rata jangka panjang
Variansi (definisi)	Var(X) = σ² = Σ (x−μ)² · P(x)	Ukuran sebaran / risiko
Variansi (pintas)	Var(X) = Σ x²P(x) − μ²	Jalan pintas — lebih cepat di kalkulator
Standar deviasi	σ = √Var(X)	Risiko dalam satuan asli (mis. Rp)
EMV	EMV = Σ hasil × P(keadaan)	Keputusan optimal di bawah ketidakpastian
Seragam diskrit	P(x) = 1/N	Semua hasil sama peluang (dadu, undian)
Poisson	P(x) = e^−λ · λˣ / x!	Kejadian per satuan waktu/ruang
Poisson — Var	mean = variansi = λ	Tidak perlu rumus terpisah!

Ini slide yang saya sarankan Anda foto dan tempel di meja belajar, karena seluruh perhitungan variabel acak diskrit sebenarnya hanya beberapa rumus inti. Dua baris pertama adalah fondasinya — periksa keabsahan distribusi, lalu hitung nilai harapan sebagai jumlah dari nilai dikali peluang. Tiga baris berikutnya adalah tentang risiko: variansi dengan rumus definisi atau jalan pintas, dan akarnya yaitu standar deviasi yang mengembalikan satuan ke ukuran asli. Baris EMV adalah aplikasi nilai harapan dalam satuan uang untuk pengambilan keputusan. Dua baris terakhir adalah dua distribusi baku yang sering muncul — seragam yang peluangnya rata, dan Poisson untuk kejadian per satuan waktu. Yang ingin saya tekankan, jangan menghafal rumus-rumus ini sebagai hal terpisah yang tak berhubungan; semuanya berakar pada satu ide tunggal, yaitu menimbang setiap kemungkinan dengan peluangnya.

Peta Konsep: Bagaimana Semua Terhubung

Variabel acak diskrit adalah fondasi untuk distribusi normal, pengambilan sampel, dan inferensi statistik di pertemuan berikutnya.

Sebelum kita tutup, saya ingin Anda melihat gambar besar bagaimana semua potongan hari ini saling terhubung. Di pusat segalanya ada satu objek: variabel acak diskrit, yaitu aturan yang mengubah hasil percobaan menjadi angka. Dari objek itu, kita menyusun distribusi probabilitas yang harus memenuhi dua sifat, lalu kita ringkas distribusi itu menjadi dua angka kunci — nilai harapan sebagai pusat dan variansi beserta standar deviasi sebagai sebaran. Dua angka itu kemudian menjadi alat untuk dua aplikasi besar: mengambil keputusan bisnis lewat EMV, dan memodelkan situasi nyata lewat distribusi baku seperti seragam dan Poisson. Yang paling penting Anda sadari, topik hari ini bukan akhir, melainkan fondasi; di pertemuan berikutnya kita akan beralih ke variabel acak kontinu dan distribusi normal, lalu seluruh kemampuan menghitung nilai harapan dan variansi ini akan terus kita pakai untuk pengambilan sampel dan inferensi statistik.

Latihan & Diskusi Kelas

Latihan 1 — E(X) & SD

Toko

Distribusi Penjualan Harian

x = {0, 1, 2, 3} unit; P(x) = {0,1 ; 0,3 ; 0,4 ; 0,2}.

Hitung E(X), Var(X), dan SD.

Petunjuk: cek ΣP(x)=1 dulu, lalu susun tabel kolom x·P(x) dan (x−μ)²·P(x).

Latihan 2 — Poisson

Bank

Komplain Teller per Jam

Teller bank: rata-rata λ = 1,5 nasabah komplain/jam (Poisson). Gunakan e^−1,5 ≈ 0,2231.

Hitung P(X=0) dan P(X=2).

Petunjuk: hati-hati faktorial. 0! = 1; 2! = 2.

Kerjakan 5 menit. Cek ΣP(x) = 1 dulu, susun tabel, lalu hitung. Untuk Poisson, siapkan e^−λ lebih dulu. Kita bahas jawaban bersama setelah selesai.

Sekarang giliran Anda berhitung, karena topik ini hanya benar-benar dikuasai dengan latihan, bukan dengan menonton saya. Latihan pertama menguji nilai harapan dan risiko sekaligus: sebuah toko punya distribusi penjualan harian dari nol sampai tiga unit dengan peluang masing-masing, dan saya minta Anda menghitung nilai harapan, variansi, dan standar deviasinya. Ingat untuk menyusun tabel dengan kolom x dikali peluang untuk nilai harapan, lalu kolom selisih kuadrat dikali peluang untuk variansi, persis seperti HDN-1 tadi. Latihan kedua menguji Poisson dengan situasi teller bank yang melayani rata-rata satu koma lima nasabah komplain per jam; hati-hati pada faktorial dan ingat menyiapkan nilai e pangkat negatif satu koma lima lebih dulu. Sebelum menghitung apa pun di latihan pertama, biasakan memeriksa bahwa jumlah seluruh peluangnya sama dengan satu sebagai uji kewarasan. Kunci jawaban: Latihan 1 — E(X) = 1,7 unit; SD = 0,9 unit. Latihan 2 — P(X=0) ≈ 0,2231 (22,31%); P(X=2) ≈ 0,2510 (25,10%).

Persiapan Pertemuan Berikutnya

Hari ini Anda belajar variabel acak diskrit — yang dicacah. Pertemuan depan kita masuk variabel acak kontinu dan distribusi normal (kurva lonceng), tempat nilai harapan & variansi tetap jadi tokoh utama.

Pertemuan Depan — Kontinu & Normal

Variabel kontinu: waktu, berat, kurs
Distribusi normal & kurva lonceng
Luas di bawah kurva = peluang
Z-score: berapa SD dari rata-rata

Tugas Mandiri — Latih

HDN

1 & 2

Ulangi HDN-1 & HDN-2 dengan angka Anda sendiri sampai langkah-langkahnya terasa otomatis. Terutama: e^−λ, faktorial, dan rumus variansi. Bawa kalkulator ilmiah ke kelas.

Kuasai E(X), variansi, dan Poisson malam ini. Sampai jumpa di pertemuan berikutnya — Variabel Acak Kontinu & Distribusi Normal.

Kita sampai di penghujung pertemuan yang padat ini, dan saya harap Anda kini tidak hanya mengerti konsep variabel acak, tetapi benar-benar bisa menghitung nilai harapan, variansi, dan peluang Poisson. Hari ini fokus kita adalah variabel acak diskrit — yang nilainya dicacah satu-satu — sedangkan pertemuan berikutnya kita beralih ke variabel acak kontinu yang nilainya diukur, dan distribusi terpentingnya yaitu distribusi normal berbentuk kurva lonceng. Kabar baiknya, konsep yang Anda kuasai hari ini tidak akan terbuang; nilai harapan dan variansi tetap menjadi tokoh utama di distribusi normal, hanya cara menghitung peluangnya yang berubah dari penjumlahan menjadi luas di bawah kurva. Tugas mandiri Anda sederhana tapi penting: ulangi kedua Hitung dari Nol hari ini dengan angka Anda sendiri sampai langkah-langkahnya terasa otomatis, terutama bagian e pangkat negatif lambda dan faktorial yang sering bikin tersendat. Bawalah kalkulator ilmiah ke kelas berikutnya, kuasai E(X), variansi, dan Poisson malam ini, dan sampai jumpa minggu depan di Variabel Acak Kontinu dan Distribusi Normal.