Distribusi Probabilitas — Normal, Binomial, Poisson dari Nol

Di sebuah kampus, Anda menarik 500 mahasiswa acak dan mengukur tinggi badannya. Di sebuah pabrik komponen, seorang inspektur QC mengecek 20 unit tiap jam dan mencatat berapa yang cacat. Di sebuah bank, kasir mencatat berapa banyak nasabah yang datang antara pukul 12.00 dan 12.05. Tiga adegan berbeda — tetapi ketiganya menanyakan hal yang sama: peluangnya berapa?

Peluang tinggi seorang mahasiswa di atas 175 cm. Peluang menemukan tepat 2 unit cacat dari 20. Peluang lebih dari 5 nasabah tiba dalam lima menit. Tanpa distribusi probabilitas, pertanyaan-pertanyaan ini hanya bisa dijawab dengan kata “sering” atau “jarang”. Dengan distribusi yang tepat, jawabannya berupa angka pasti yang bisa dihitung dengan kalkulator — dan keputusan mutu, kapasitas, atau staffing bisa diambil berdasar bukti, bukan firasat.

Artikel ini membangun tiga distribusi paling sering dipakai dalam praktik dari nol: normal untuk data hasil pengukuran (tinggi, berat, suhu), binomial untuk menghitung keberhasilan dari banyak percobaan (cacat vs mulus, sukses vs gagal), dan Poisson untuk kejadian langka dalam selang waktu atau ruang (kedatangan nasabah, kecelakaan, kesalahan ketik). Setiap distribusi dibedah dari aturan dasarnya, dikerjakan dengan contoh hitung manual yang bisa Anda lacak dengan kalkulator, lalu divalidasi dengan workbook Excel berisi formula hidup.

Apa Itu Distribusi Probabilitas

Sebuah distribusi probabilitas adalah aturan yang memasangkan tiap nilai dengan peluang munculnya. Kalau Anda melempar satu dadu, aturannya sederhana: tiap sisi (1 sampai 6) punya peluang $1/6$. Kalau digambarkan sebagai batang, keenam batangnya sama tinggi — itu distribusi seragam.

Tapi hidup jarang seragam. Tinggi mahasiswa berkumpul di tengah (sekitar 165 cm) dan menipis ke ekor; jumlah unit cacat dari 20 lebih sering 1 atau 2 daripada 18; kedatangan nasabah per menit biasanya 0–3, jarang 10. Bentuk-bentuk penyebaran peluang ini bukan kebetulan — mereka mengikuti pola matematika yang sudah dipetakan rapi. Memilih pola yang tepat untuk soal di hadapan Anda adalah keterampilan inti artikel ini.

Dua Jenis Peubah Acak

Sebelum memilih distribusi, pertanyaan pertama yang harus dijawab: apakah nilainya kita hitung atau ukur?

Perbedaan paling halus ada di baris “peluang titik”. Untuk data diskret, peluang $P(X=2)$ adalah angka berarti. Untuk data kontinu, peluang bahwa tinggi seseorang tepat 170,000… cm adalah nol — selalu ada lebih banyak tempat di belakang koma. Karena itu pada data kontinu, peluang selalu dihitung untuk rentang ($P(165 \leq X \leq 175)$), dan itulah mengapa kurva normal bicara soal luas, bukan tinggi.

Aturan Probabilitas: Empat Fondasi

Tiga distribusi nanti akan tampak berbeda, tetapi semuanya tunduk pada empat aturan dasar probabilitas. Hafalkan ini sekali, dan sisanya mudah.

1. Peluang selalu di $[0, 1]$. Tidak ada peluang negatif, tidak ada peluang di atas 1. Peluang 0 berarti mustahil; peluang 1 berarti pasti.
2. Total peluang = 1. Untuk distribusi diskret, $\sum_k P(X=k) = 1$ — semua kemungkinan jika dijumlahkan menghasilkan 1. Untuk kontinu, luas total di bawah kurva = 1. Aturan inilah yang membuat faktor pengali $\tfrac{1}{\sigma\sqrt{2\pi}}$ di rumus normal ada — agar luasnya pas 1.
3. Komplemen. $P(\text{tidak A}) = 1 - P(\text{A})$. Lebih mudah menghitung peluang “bukan cacat” lalu mengurangkan dari 1 ketika yang ditanya “paling sedikit satu cacat”.
4. Penjumlahan untuk kasus saling lepas. Kalau dua kejadian tak bisa terjadi bersamaan (misalnya “tepat 1 cacat” dan “tepat 2 cacat”), peluang salah satunya adalah jumlah peluangnya: $P(X=1 \text{ atau } X=2) = P(X=1) + P(X=2)$.

Aturan 3 dan 4 adalah kunci mengapa kita sering menghitung CDF (peluang kumulatif $P(X \leq k)$) sebagai pengantar. Inilah jembatan dari soal “tepat k” ke soal “paling sedikit k” atau “lebih dari k” yang lebih sering muncul di praktik.

Sekarang, mari kita masuki distribusi pertama — yang paling penting di seluruh statistika.

Distribusi Normal: Lonceng untuk Data Terukur

Mengapa Bentuk Lonceng Muncul

Tinggi badan seseorang bukan ditentukan satu hal, melainkan tumpukan banyak pengaruh kecil — gen ayah, gen ibu, gizi, kesehatan, lingkungan, ratusan faktor lain — yang sebagian menambah dan sebagian mengurangi. Sebagian besar orang menerima campuran yang saling mengimbangi, sehingga tingginya mendarat di sekitar nilai tengah. Untuk sangat tinggi, hampir semua pengaruh harus kebetulan menambah sekaligus — itu langka. Untuk sangat pendek, hampir semua harus kebetulan mengurangi — sama langkanya.

Penumpukan banyak pengaruh acak kecil yang saling bebas inilah yang membentuk kurva lonceng. Pola ini muncul di banyak data alami: berat badan, tekanan darah, nilai ujian, kesalahan alat ukur, waktu reaksi. Bentuknya simetris, tinggi di tengah, melandai ke kedua ekor.

Dua Parameter: μ dan σ

Hal mengejutkan: untuk menggambar kurva normal seutuhnya, Anda hanya butuh dua angka.

$$X \sim N(\mu,\ \sigma^2)$$

• $\mu$ (“mu”) = rata-rata populasi, menentukan posisi pusat kurva.
• $\sigma$ (“sigma”) = standar deviasi populasi, menentukan lebar kurva. Perbesar $\sigma$, kurva melebar dan memendek; perkecil $\sigma$, kurva menyempit dan meninggi.
• $\sigma^2$ = varians. Penulisan baku memakai $\sigma^2$ di dalam kurung, tetapi yang mengatur lebar tampilan adalah $\sigma$ itu sendiri.

Contoh angka. Tinggi dewasa Indonesia kira-kira $N(165,\ 7^2)$ — pusat 165 cm, lebar 7 cm. Skor TOEFL mungkin $N(550,\ 80^2)$. IPK mahasiswa S2 mungkin $N(3{,}5;\ 0{,}3^2)$. Bentuk loncengnya sama; hanya posisi dan lebarnya berbeda.

Berapa pun $\mu$ dan $\sigma$, luas total di bawah kurva selalu tepat 1 — sebab seluruh data pasti berada di suatu tempat di bawah kurva (aturan probabilitas #2 di atas).

Aturan Empiris 68-95-99,7

Ini bagian paling sering dipakai sehari-hari, dan kabar baiknya tidak perlu rumus sama sekali. Untuk setiap distribusi normal — berapa pun $\mu$ dan $\sigma$-nya — berlaku tiga angka ajaib:

• Sekitar 68% data berada dalam $\mu \pm 1\sigma$.
• Sekitar 95% data berada dalam $\mu \pm 2\sigma$.
• Sekitar 99,7% data berada dalam $\mu \pm 3\sigma$.

Sisanya hanya 0,3% — pencilan ekstrem di kedua ekor.

[ilustrasi «normal-curve-empirical» belum tersedia]

z-Score: Bahasa Universal Distribusi Normal

Masalahnya: setiap data normal punya $\mu$ dan $\sigma$ sendiri. Tinggi mahasiswa $N(165, 7^2)$, skor IQ $N(100, 15^2)$, nilai ujian $N(70, 10^2)$. Kalau harus punya tabel peluang untuk tiap kombinasi, kita akan kebanjiran tabel.

Solusinya elegan: standarisasi. Ubah nilai apa pun menjadi z-score — jarak nilai dari rata-rata, diukur dalam satuan standar deviasi:

$$z = \frac{x - \mu}{\sigma}$$

z-score menyatakan “nilai ini berapa $\sigma$ di atas (atau di bawah) rata-rata”. Setelah distandarisasi, distribusi yang muncul selalu sama: normal standar $N(0, 1)$, dengan pusat 0 dan lebar 1. Satu tabel saja cukup untuk semua soal.

z-score mempertahankan urutan dan bentuk distribusi (positif di kanan $\mu$, negatif di kiri). Z-score 0 berarti nilai = rata-rata. Peluang di atas z = 1 selalu sama (~16%), apakah datanya tinggi, IQ, atau nilai ujian.

Contoh Hitung: Tinggi Badan Mahasiswa

Misalkan tinggi mahasiswa pria di sebuah kampus berdistribusi $N(165,\ 7^2)$. Berapa peluang seorang mahasiswa acak berbeda tinggi lebih dari 179 cm?

Langkah 1 — Pahami pertanyaan. “Lebih dari 179 cm” berarti $X > 179$.

Langkah 2 — Hitung z-score.

$$z = \frac{179 - 165}{7} = \frac{14}{7} = 2{,}00$$

Jadi 179 cm berada 2σ di atas rata-rata. Dari aturan empiris, kita tahu hanya 2,5% data berada di atas $\mu + 2\sigma$ (karena 95% di dalam, sisanya 5% dibagi dua ekor secara simetris). Tafsir cepat: peluangnya sekitar 2,5%.

Langkah 3 — Konfirmasi dengan tabel/Excel. Peluang kumulatif $P(Z \leq 2) \approx 0{,}9772$, sehingga:

$$P(X > 179) = 1 - P(X \leq 179) = 1 - 0{,}9772 = 0{,}0228 \approx 2{,}3\%$$

Tafsir praktis: dari 100 mahasiswa, kira-kira 2–3 yang tingginya melebihi 179 cm. Bandingkan dengan tebakan kasar dari aturan empiris (2,5%) — keduanya berdekatan, dan itulah kekuatan aturan empiris: taksiran cepat tanpa tabel.

Soal susul: peluang tinggi antara 158 dan 179 cm? Ini rentang $\mu \pm 1\sigma$ hingga $\mu + 2\sigma$. Paling mudah: hitung peluang di bawah 179 lalu kurangi peluang di bawah 158.

$$P(158 \leq X \leq 179) = P(X \leq 179) - P(X \leq 158)$$

$$= 0{,}9772 - P(Z \leq -1) = 0{,}9772 - 0{,}1587 = 0{,}8185 \approx 81{,}9\%$$

Sekitar 82% mahasiswa berada di rentang 158–179 cm. Logikanya: 68% berada dalam $\mu \pm 1\sigma$ (158–172), ditambah ~14% di antara 172 dan 179, berjumlah ~82%. Cocok.

Catatan penting: peluang titik = 0. $P(X = 170{,}0)$ secara teori adalah 0 — selalu ada lebih banyak tempat desimal. Karena itu pada normal, $P(X \leq 179)$ = $P(X < 179)$ — tidak ada lompatan di titik. Inilah perbedaan mendasar dengan binomial yang berikutnya.

Distribusi Binomial: Menghitung Keberhasilan

Pola Binomial dan Empat Syaratnya

Skenario kedua kita berbeda bentuknya. Di pabrik komponen, seorang inspektur QC mengambil 20 unit tiap jam untuk diperiksa. Dari data historis, 5% unit yang diproduksi cacat. Berapa peluang menemukan tepat 2 unit cacat dari 20 yang diperiksa?

Soal ini berbentuk binomial karena memenuhi empat syarat:

1. Jumlah percobaan tetap, $n = 20$.
2. Tiap percobaan dua hasil: cacat atau mulus (sebut cacat “berhasil” karena itu yang dihitung).
3. Peluang berhasil tetap, $p = 0{,}05$, di tiap unit.
4. Antarpercobaan saling bebas: kondisi satu unit tidak memengaruhi unit lain.

Kita tuliskan:

$$X \sim B(n,\ p) \quad \Rightarrow \quad X \sim B(20,\ 0{,}05)$$

di mana $X$ adalah jumlah unit cacat yang ditemukan. Nilai $X$ bisa $0, 1, 2, \ldots, 20$.

Rumus P(X = k)

Peluang menemukan tepat $k$ keberhasilan dari $n$ percobaan diberikan oleh:

$$P(X = k) = \binom{n}{k}\, p^k\, (1-p)^{n-k}$$

Bedah tiap bagian:

• $\binom{n}{k}$ — koefisien binomial (“n pilih k”), menyatakan banyaknya cara memilih $k$ posisi keberhasilan dari $n$ slot. Dirumuskan $\dfrac{n!}{k!\,(n-k)!}$ di mana $!$ adalah faktorial ($5! = 5 \times 4 \times 3 \times 2 \times 1 = 120$).
• $p^k$ — peluang bahwa $k$ percobaan berhasil.
• $(1-p)^{n-k}$ — peluang bahwa $n-k$ percobaan lain gagal.

Mengapa ada koefisien $\binom{n}{k}$? Karena susunan “berhasil/gagal” yang menghasilkan jumlah $k$ yang sama bisa banyak. Dengan $n=3$ dan $k=2$, urutan BBG, BGB, dan GBB — tiga cara berbeda — semuanya menghasilkan dua keberhasilan. Koefisien $\binom{3}{2} = 3$ menghitung semuanya sekaligus.

Contoh Hitung: Tingkat Cacat pada Quality Control

Kembali ke QC: $n=20$, $p=0{,}05$. Berapa $P(X = 2)$?

Langkah 1 — Hitung koefisien binomial.

$$\binom{20}{2} = \frac{20!}{2!\,18!} = \frac{20 \times 19}{2 \times 1} = 190$$

(ada 190 pasangan posisi yang mungkin untuk dua unit cacat).

Langkah 2 — Hitung suku peluang.

$$p^2 = (0{,}05)^2 = 0{,}0025$$

$$(1-p)^{n-k} = (0{,}95)^{18} \approx 0{,}3972$$

Langkah 3 — Kalikan.

$$P(X=2) = 190 \times 0{,}0025 \times 0{,}3972 \approx 0{,}1887 \approx 18{,}9\%$$

Jadi peluang menemukan tepat 2 unit cacat dari 20 adalah sekitar 19% — kemungkinan terbesar tunggal, puncak distribusi.

Soal susul: peluang paling banyak 2 cacat? Ini peluang kumulatif $P(X \leq 2)$, yang menambahkan tiga kemungkinan: 0, 1, dan 2 cacat. Pakai aturan penjumlahan (aturan #4):

$$P(X \leq 2) = P(X=0) + P(X=1) + P(X=2)$$

Hitung satu per satu:

• $P(X=0) = \binom{20}{0}(0{,}05)^0(0{,}95)^{20} = 1 \times 1 \times 0{,}3585 = 0{,}3585$
• $P(X=1) = \binom{20}{1}(0{,}05)^1(0{,}95)^{19} = 20 \times 0{,}05 \times 0{,}3774 = 0{,}3774$
• $P(X=2) = 0{,}1887$ (sudah di atas)

$$P(X \leq 2) = 0{,}3585 + 0{,}3774 + 0{,}1887 = 0{,}9246 \approx 92{,}5\%$$

Tafsir praktis: dalam ~92,5% pemeriksaan berisi 20 unit, inspektur akan menemukan paling banyak 2 unit cacat. Sisanya, ~7,5%, menemukan 3 atau lebih — itulah “ekor” yang sering memicu alarm mutu.

Kebalikannya, komplemen (aturan #3). Berapa peluang paling sedikit 3 cacat? Jangan dihitung dari nol — pakai komplemen:

$$P(X \geq 3) = 1 - P(X \leq 2) = 1 - 0{,}9246 = 0{,}0754 \approx 7{,}5\%$$

Ini pola yang penting: untuk soal “paling sedikit” pada distribusi diskret, selalu cek apakah komplemen lebih cepat.

Rata-rata dan Varians Binomial

Distribusi binomial punya rata-rata dan varians yang ringkas:

$$E(X) = np \qquad \text{Var}(X) = np(1-p)$$

Untuk QC kita: $E(X) = 20 \times 0{,}05 = 1$ unit cacat diharapkan tiap pemeriksaan; $\text{Var}(X) = 20 \times 0{,}05 \times 0{,}95 = 0{,}95$, sehingga standar deviasi $\sigma \approx 0{,}97$. Jika dalam pemeriksaan tertentu ditemukan 4 cacat (sekitar $1 + 3\sigma$), itu sudah di daerah “luar biasa” — pemicu wajar bagi tim mutu untuk menyelidiki.

Binomial vs Normal — kapan pakai mana? Distribusi binomial selalu diskret, tetapi ketika $n$ besar dan $p$ tidak terlalu ekstrem, bentuknya menyerupai normal. Aturan praktis: jika $np \geq 5$ dan $n(1-p) \geq 5$, pendekatan normal terhadap binomial sudah cukup akurat. Untuk $n=20, p=0{,}05$ kita punya $np = 1$ — terlalu kecil, jangan dekati dengan normal. Pakai rumus binomial langsung.

Distribusi Poisson: Kejadian Langka dalam Selang

Ketika “Berapa Sering” Lebih Penting dari “Berapa Banyak Percobaan”

Distribusi ketiga menjawab soal yang bentuknya sedikit berbeda. Di bank, kasir ingin tahu berapa peluang lebih dari 5 nasabah tiba di loket dalam 5 menit. Bedakan soal ini dengan QC: di QC kita tahu $n = 20$ unit diperiksa. Di bank, kita tidak tahu berapa “percobaan” — nasabah datang kapan saja, tanpa batas $n$.

Yang kita tahu hanyalah rata-rata laju kedatangan: dari catatan, rata-rata 2 nasabah per 5 menit. Soal yang ditanyakan: berapa peluang jumlah kedatangan menyimpang dari rata-rata itu?

Pola ini dijawab distribusi Poisson — diberi nama Simeon Denis Poisson, matematikawan Prancis abad ke-19. Distribusi ini menghitung peluang sejumlah kejadian dalam selang waktu, panjang, luas, atau volume tertentu, dengan rata-rata laju yang diketahui.

Empat syarat Poisson:

1. Kejadian independen — kedatangan satu nasabah tidak memengaruhi yang lain.
2. Laju rata-rata tetap dalam selang yang kita amati — dilambangkan $\lambda$ (baca: lambda).
3. Dua kejadian tak terjadi bersamaan — kedatangan terpisah secara waktu.
4. Peluang sebanding dengan panjang selang — peluang dalam 2 menit dua kali peluang dalam 1 menit.

Kita tuliskan:

$$X \sim \text{Pois}(\lambda)$$

di mana $\lambda$ adalah rata-rata jumlah kejadian dalam selang yang ditetapkan. Untuk bank: $\lambda = 2$ (per 5 menit).

Rumus Poisson dan Sifat Istimewanya

Peluang tepat $k$ kejadian:

$$P(X = k) = \frac{e^{-\lambda}\, \lambda^k}{k!}$$

• $e \approx 2{,}71828$ — tetapan matematika (basis logaritma natural).
• $\lambda^k$ — laju rata-rata dipangkatkan $k$.
• $k!$ — faktorial $k$, menormalkan banyak cara menyusun kejadian.
• $e^{-\lambda}$ — faktor peluang total yang “tersisa” setelah rata-rata ditetapkan, agar $\sum_k P(X=k) = 1$.

Sifat istimewa Poisson: rata-rata = varians = $\lambda$. Cukup satu parameter — tidak dua seperti normal atau binomial. Inilah yang membuat Poisson sangat ekonomis untuk pemodelan kejadian langka.

Contoh Hitung: Antrean Bank

$\lambda = 2$ nasabah per 5 menit. Berapa peluang tepat 3 nasabah tiba dalam selang 5 menit?

Langkah 1 — Terapkan rumus.

$$P(X=3) = \frac{e^{-2} \cdot 2^3}{3!} = \frac{e^{-2} \cdot 8}{6}$$

Langkah 2 — Hitung suku-sukunya.

$$e^{-2} \approx 0{,}1353 \qquad 2^3 = 8 \qquad 3! = 6$$

Langkah 3 — Kalikan.

$$P(X=3) = \frac{0{,}1353 \times 8}{6} = \frac{1{,}0827}{6} \approx 0{,}1804 \approx 18{,}0\%$$

Jadi peluang tepat 3 nasabah tiba dalam 5 menit adalah sekitar 18%.

Soal susul: peluang lebih dari 3 nasabah? Pakai komplemen (aturan #3). Hitung dulu $P(X \leq 3)$:

Jumlahkan:

$$P(X \leq 3) = 0{,}1353 + 0{,}2707 + 0{,}2707 + 0{,}1804 = 0{,}8571 \approx 85{,}7\%$$

Lalu komplemennya:

$$P(X > 3) = 1 - 0{,}8571 = 0{,}1429 \approx 14{,}3\%$$

Tafsir praktis: dalam ~14% selang 5 menit, kasir akan menerima lebih dari 3 nasabah — itulah saat antrean mulai menumpuk dan perlu kasir tambahan. Probabilitas 14% berarti rata-rata sekali setiap ~7 selang, atau sekitar satu “lonjakan” tiap 35 menit — selaras dengan pengalaman kasir ramai.

Skala λ mengikuti selang. Kalau rata-rata 2 nasabah per 5 menit, maka rata-rata 6 nasabah per 15 menit ($\lambda$ tinggal dikalikan 3). Peluang soal antrean harus selalu dikaitkan dengan satuan waktu yang sama dengan $\lambda$. Jangan mencampur “per 5 menit” dengan “per jam”.

Poisson sebagai Limit Binomial

Hubungan menarik: Poisson adalah limit dari binomial ketika $n \to \infty$ dan $p \to 0$ dengan $np = \lambda$ tetap. Praktisnya, bila $n \geq 20$, $p \leq 0{,}05$, dan $np \leq 10$, binomial bisa dihampiri dengan Poisson ber-$\lambda = np$. Inilah mengapa Poisson sering disebut “distribusi kejadian langka” — itu domain aslinya. Untuk QC kita di atas ($n=20, p=0{,}05$), $\lambda = 1$; pendekatan Poisson akan memberi hasil yang berdekatan dengan binomial.

Memilih Distribusi: Diagram Keputusan

Kapan pakai yang mana? Tabel berikut merangkum ciri pembeda — hafalkan ini dan soal distribusi menjadi soal pencocokan pola.

Tiga pertanyaan diagnostik yang mempermudah:

1. Apakah nilainya dihitung atau diukur? Ukur $\to$ normal. Hitung $\to$ lanjut.
2. Apakah ada jumlah percobaan $n$ yang tetap? Ya $\to$ binomial. Tidak (hanya laju rata-rata) $\to$ Poisson.
3. Apakah peluang berhasil sangat kecil dan $n$ besar? Ya $\to$ Poisson tetap layak sebagai hampiran binomial.

Rumus di Excel: Formula Hidup

Setelah paham asal-usulnya, di Excel cukup pakai fungsi bawaan. Penting memahami bahwa semua fungsi ini menghitung persis apa yang baru saja kita kerjakan dengan tangan:

=NORM.DIST(x; rata; sd; TRUE)        → P(X ≤ x)  kumulatif  normal
=NORM.DIST(x; rata; sd; FALSE)       → nilai fungsi densitas f(x)
=NORM.S.DIST(z; TRUE)                → P(Z ≤ z)  normal standar
=NORM.S.INV(p)                       → z yang memberi luas kumulatif p
=NORM.INV(p; rata; sd)               → x dengan luas kumulatif p
=STANDARDIZE(x; rata; sd)            → z-score = (x − rata)/sd
=BINOM.DIST(k; n; p; FALSE)          → P(X = k)  titik binomial (PMF)
=BINOM.DIST(k; n; p; TRUE)           → P(X ≤ k)  kumulatif binomial (CDF)
=BINOM.INV(n; p; prob)               → k terkecil dengan P(X ≤ k) ≥ prob
=POISSON.DIST(k; lambda; FALSE)      → P(X = k)  titik Poisson (PMF)
=POISSON.DIST(k; lambda; TRUE)       → P(X ≤ k)  kumulatif Poisson (CDF)
=FACT(n)                             → n faktorial (untuk cek manual koefisien)
=COMBIN(n; k)                        → koefisien binomial C(n, k) langsung
=EXP(-lambda)                        → suku e^(-λ) Poisson

Untuk contoh kita di atas:

• Normal: =1-NORM.DIST(179; 165; 7; TRUE) → 0,0228 (peluang tinggi > 179 cm).
• Binomial: =BINOM.DIST(2; 20; 0,05; FALSE) → 0,1887 (peluang tepat 2 cacat). =BINOM.DIST(2; 20; 0,05; TRUE) → 0,9245 ($P(X \leq 2)$).
• Poisson: =POISSON.DIST(3; 2; FALSE) → 0,1804 (peluang tepat 3 nasabah). =1-POISSON.DIST(3; 2; TRUE) → 0,1429 ($P(X>3)$).

Semua cocok persis dengan hitung manual. Bedanya hanya satu: sekarang Anda tahu dari mana angka itu datang, dan kapan tidak boleh mempercayainya buta.

⬇ Unduh distribusi-probabilitas-template.xlsx

Workbook pendamping berisi lima lembar yang menelusuri seluruh perjalanan di atas dengan formula hidup — ubah angka di sel kuning, dan semua hasil mengalir ulang:

• 1_NORMAL — kalkulator distribusi normal untuk kasus tinggi mahasiswa. Input $\mu, \sigma$ dan nilai ambang $x$; keluaran z-score, $P(X \leq x)$, $P(X > x)$, $P(|X-\mu| \leq x)$, plus pemeriksaan aturan empiris 68-95-99,7.
• 2_BINOMIAL — kalkulator PMF dan CDF binomial untuk kasus QC defect rate. Tabel lengkap $P(X=k)$ untuk $k = 0 \ldots n$, kolom kumulatif, serta kotak “paling sedikit / paling banyak” yang memakai komplemen.
• 3_POISSON — kalkulator Poisson untuk kasus antrean bank. Tabel $P(X=k)$, kumulatif, dan peluang “lebih dari $k$” — semuanya hidup dari parameter $\lambda$.
• 4_CHART — tiga grafik berdampingan: kurva normal (densitas), batang PMF binomial, dan batang PMF Poisson. Ubah parameter di sheet masing-masing, grafik di sini ikut membarui.
• 5_REFERENSI — glosarium rumus, daftar padanan Excel, dan aturan empiris 68-95-99,7 untuk rujukan cepat.

Cek Pemahaman

1. Skor IQ berdistribusi $N(100,\ 15^2)$. (a) Berapa z-score untuk IQ 130? (b) Dengan aturan empiris, perkirakan peluang IQ di atas 130 tanpa tabel. (c) Bandingkan dengan hasil Excel =1-NORM.DIST(130; 100; 15; TRUE).

Lihat jawaban

(a) $z = (130 - 100)/15 = 30/15 = 2{,}00$ — dua standar deviasi di atas rata-rata.

(b) Aturan empiris: 95% data dalam $\mu \pm 2\sigma$, jadi 5% di luar, dibagi dua ekor secara simetris = 2,5% di atas 130.

(c) =1-NORM.DIST(130; 100; 15; TRUE) = $1 - 0{,}9772 = 0{,}0228 \approx 2{,}3\%$. Sangat berdekatan dengan taksiran aturan empiris (2,5%). Selisih kecil karena aturan empiris membulatkan 95,45% menjadi 95%.

2. Sebuah mesin photocopy gagal (paper jam) dengan peluang 0,02 per copy. Dalam suatu pekerjaan 50 copy, hitung $P(X = 0)$, $P(X = 1)$, dan $P(X \leq 1)$. Tunjukkan koefisien $\binom{50}{1}$.

Lihat jawaban

$X \sim B(50,\ 0{,}02)$. $\binom{50}{1} = 50$ (hanya 50 cara memilih 1 posisi gagal dari 50 slot).

• $P(X=0) = \binom{50}{0}(0{,}02)^0(0{,}98)^{50} = 1 \times 1 \times 0{,}3642 \approx 0{,}3642$
• $P(X=1) = \binom{50}{1}(0{,}02)^1(0{,}98)^{49} = 50 \times 0{,}02 \times 0{,}3716 \approx 0{,}3716$
• $P(X \leq 1) = 0{,}3642 + 0{,}3716 = 0{,}7358$

Jadi sekitar 73,6% pekerjaan 50 copy berjalan dengan paling banyak satu paper jam. Karena $n=50$ besar dan $p=0{,}02$ kecil ($np = 1$), hampiran Poisson dengan $\lambda = 1$ akan memberi hasil berdekatan: $P(X=0) = e^{-1} \approx 0{,}3679$, $P(X=1) = e^{-1} \approx 0{,}3679$.

3. Rata-rata 4 email spam per jam masuk ke sebuah inbox. (a) Tentukan $\lambda$ untuk selang 30 menit. (b) Hitung peluang tidak ada spam dalam 30 menit. (c) Hitung peluang lebih dari 2 spam dalam 30 menit.

Lihat jawaban

(a) 4 spam/jam = 2 spam/30 menit, jadi $\lambda = 2$ untuk selang 30 menit.

(b) $P(X=0) = \dfrac{e^{-2} \cdot 2^0}{0!} = e^{-2} \approx 0{,}1353$ — sekitar 13,5%.

(c) Hitung komplemen: $P(X>2) = 1 - P(X \leq 2) = 1 - [P(0) + P(1) + P(2)]$. Kita perlu $P(X=1) = e^{-2} \cdot 2 / 1 \approx 0{,}2707$ dan $P(X=2) = e^{-2} \cdot 4 / 2 \approx 0{,}2707$. Maka $P(X \leq 2) = 0{,}1353 + 0{,}2707 + 0{,}2707 = 0{,}6767$, sehingga $P(X>2) = 1 - 0{,}6767 = 0{,}3233 \approx 32{,}3\%$.

4. Seorang kolega berkata: “Saya hitung $P(X = 2)$ pada distribusi normal dengan $\mu = 5, \sigma = 1$ dan dapatnya 0,24.” Jelaskan apa yang salah dengan pernyataan itu.

Lihat jawaban

Untuk peubah acak kontinu seperti normal, $P(X = 2)$ secara teori nol — selalu ada lebih banyak tempat desimal. Angka 0,24 yang dilaporkan kolega adalah nilai fungsi densitas $f(2)$ (tinggi kurva), bukan peluang. Peluang pada distribusi normal selalu dihitung untuk rentang sebagai luas di bawah kurva, misalnya $P(1{,}5 \leq X \leq 2{,}5)$. Kekeliruan mencampurkan tinggi kurva dengan peluang adalah jebakan umum yang harus diluruskan.

Kesalahan Umum

Mencampur diskret dan kontinu. Menghitung $P(X = 170)$ pada normal seakan-akan angka berarti, atau menghitung luas pada binomial — keduanya keliru. Diskret: $P(X=k)$ berupa angka; jumlahkan titik. Kontinu: $P(X=k) = 0$; hitung luas di rentang. Aturan praktis: jika datanya hasil mengukur (skala real), kemungkinan kontinu; jika hasil menghitung (bilangan bulat), kemungkinan diskret.

Mengira z-score adalah peluang. z-score adalah jarak dalam satuan $\sigma$, bukan peluang. z = 2 berarti nilai 2σ di atas rata-rata; peluang di atasnya sekitar 2,3%, dua hal yang berbeda. Peluang muncul setelah mengonversi z-score ke luas via tabel atau NORM.S.DIST.

Memakai binomial saat syarat kemandirian pincang. Binomial mensyaratkan tiap percobaan bebas dengan $p$ tetap. Mengambil 5 kartu dari dek tanpa pengembalian bukan binomial (peluang berubah tiap pengambilan). Demikian pula data berjangkar waktu yang berkorelasi. Untuk sampling tanpa pengembalian dari populasi kecil, distribusi yang benar adalah hipergeometrik — bukan binomial.

Melupakan satuan λ. λ selalu dikaitkan dengan selang waktu/ruang tertentu. Mencampur “rata-rata 2 nasabah per 5 menit” dengan soal “per jam” tanpa mengkonversi menghasilkan jawaban salah — λ harus konsisten dengan selang soal. Kalau soal berubah selang, kalikan bagi λ sesuai perbandingan selang.

Mengira Poisson cocok untuk semua data hitungan. Poisson mensyaratkan rata-rata = varians. Bila data hitungan menunjukkan varians jauh lebih besar (overdispersi, umum pada data berkumpal/infeksius) atau jauh lebih kecil (underdispersi), Poisson tak lagi cocok — pertimbangkan binomial negatif atau model lain. Selalu cek $E(X) \approx \text{Var}(X)$ sebelum mengklaim Poisson.

Menerapkan aturan 68-95-99,7 pada data tak normal. Aturan empiris hanya berlaku untuk distribusi normal (atau yang bentuknya mendekati lonceng). Memakainya pada data menceng (skew) atau multimodal menyesatkan. Untuk data tidak normal, pakai persentil atau Chebyshev (yang lebih longgar tetapi berlaku umum).

Dipakai di Dunia Nyata

• Tinggi badan dan antropometri. Produsen pakaian, perancang kursi pesawat, dan dokter anak memakai distribusi normal untuk menetapkan ukuran standar dan rentang “sehat”. Aturan empiris langsung memberi tahu berapa proporsi populasi yang akan masuk ukuran S/M/L.
• Quality control dan Six Sigma. Inspeksi ber-sampel pada lini produksi memakai binomial untuk menetapkan ambang batas cacat yang dapat diterima. Tingkat “Six Sigma” sendiri merujuk pada ~3,4 cacat per juta peluang — menerjemahkan z-score 4,5 ditambah drift 1,5σ menjadi target mutu praktis.
• Manajemen antrean dan call center. Kedatangan nasabah, panggilan telepon, dan permintaan tiket help desk dimodel Poisson untuk menentukan berapa kasir/server yang ditugaskan tiap jam agar peluang antrean panjang tetap rendah.
• Kesehatan masyarakat dan asuransi. Jumlah klaim asuransi per periode, kasus penyakit langka per wilayah, dan kecelakaan lalu lintas per minggu — semuanya kejadian langka yang dimodel Poisson untuk menetapkan premi dan kapasitas cadangan.
• Keandalan rekayasa. Jumlah kerusakan komponen per satuan waktu sering dimodel Poisson; parameter $\lambda$ menjadi dasar perhitungan MTBF (mean time between failures) dan jadwal pemeliharaan pencegahan.

Lanjutan

Tiga distribusi ini adalah pintu masuk ke seluruh dunia pemodelan probabilitas. Begitu Anda bisa membedakan kapan memakai normal, binomial, atau Poisson — dan menghitungnya dari nol — lompatan berikutnya akan terasa wajar.

• Mendalaman normal: Distribusi Normal dan Standar Normal z-Score — kurva, parameter, dan tabel z lengkap dengan widget interaktif.
• Mendalaman binomial: Distribusi Binomial — percobaan Bernoulli, bentuk distribusi, dan kapan mendekati normal.
• Mendalaman Poisson: Distribusi Poisson — eksponensial, proses Poisson, dan hubungan dengan antrean.
• Prasyarat: Probabilitas Dasar — aturan komplemen, gabungan, dan peluang bersyarat yang melandasi semua di atas.
• Aplikasi: Distribusi Sampling dan Teorema Limit Pusat — mengapa rata-rata sampel cenderung normal walau populasinya tidak, jembatan langsung ke inferensi.

Distribusi probabilitas bukan sekadar rumus — ia adalah cara berpikir terstruktur tentang ketidakpastian. Kuasai tiga ini, dan sebagian besar soal peluang praktis yang Anda temui, dari riset hingga operasi sehari-hari, akan punya jawaban yang dapat dihitung dan dipertanggungjawabkan.