Diskret

Distribusi Probabilitas Diskret Teoritis
DISTRIBUSI PROBABILITAS DISKRET TEORITIS 1
Suprayogi
Distribusi Probabilitas Teoritis Diskret
Distribusi seragam diskret (discrete uniform

distribution)
Distribusi hipergeometris (hypergeometric
distribution)
Distribusi Bernoulli (Bernoulli distribution)
Distribusi binomial (Binomial distribution)
Distribusi binomial negatif atau Pascal (negative
binomial or Pascal distribution)
Distribusi geometris (geometric distribution)
Distribusi Poisson (Poisson distribution)
Suprayogi
Distribusi Seragam Diskret
X ∼ seragam diskret (a, b) Parameter:

a, b bulat; b ≥ a
Fungsi distribusi probabilitas:
a : batas bawah
⎧ 1
⎪ b − a + 1 ; x = a , a + 1,L, b − 1, b
b : batas atas
⎪
f (x ) = ⎨ Rataan:
a+b
⎪0; x lainnya μX =
⎪⎩ 2
Variansi:
(b − a + 1)2 − 1
σ = 2
X
DISTRIBUSI PROBABILITAS DISKRET TEORITIS
12 3
Suprayogi
Contoh Histogram Distribusi Seragam

Diskret
a = 1, b = 6
0.1800
0.1600
0.1400
0.1200
0.1000
f(x)
0.0800
0.0600
0.0400
0.0200
0.0000
1 2 3 4 5 6
x
Suprayogi
Probabilitas Variabel Random Berdistribusi
Seragam Diskret
1
P(X = x ) =
b−a +1
r
1
P(X ≤ r ) = ∑
x =a b − a + 1
Suprayogi
Contoh Perhitungan
Jumlah pesanan yang datang per hari diketahui berdistribusi
seragam diskret dengan jumlah pesanan yang datang minimum
0 dan maksimum 10.
Probabilitas jumlah pesanan yang datang per hari adalah 4 atau
kurang?
4
1 1 1 1 1 1
P(X ≤ 4 ) = ∑ = + + + + = 0,4545
x = 0 10 − 0 + 1 11 11 11 11 11
Rata‐rata jumlah pesanan per hari yang datang?
10 + 1
μX = = 5,5
2
Suprayogi
Distribusi Hipergeometris
X ∼ hipergeometris (n, N, S)

Parameter:
n, S, N bulat > 0
n ≤ N; S ≤ N
⎧ C Sx C Nn−−xS
⎪ C N ; x = 0,1,L,min{n, S}
Rataan:
⎪ n S
f (x ) = ⎨ μX = n
N
⎪0; x lainnya Variansi:
⎪
⎩ N − n ⎞⎛ ⎛ S ⎞⎛ S ⎞⎞
σ X2 = ⎛⎜ ⎟⎜ n⎜ ⎟⎜ 1 − ⎟ ⎟
⎝ N − 1 ⎠⎝ ⎝ N ⎠⎝ N ⎠ ⎠
Suprayogi
Rumus Kombinasi
⎛n⎞ n!
C = ⎜⎜ ⎟⎟ =
n
⎝ r ⎠ r!(n − r )!
r
Suprayogi
Percobaan Hipergeometris
Dalam suatu populasi berukuran N, terdapat S
obyek yang dikategorikan sukses S, dan
sisanya N – S dikategorikan gagal
Suatu sampel random berukuran n diambil
dari populasi
Variabel random yang menyatakan banyaknya
obyek berkategori sukses yang terpilih
merupakan variabel random hipergeometris
Suprayogi
Contoh Histogram Distribusi
Hipergeometris
0.6000
0.5000
N = 10, S = 2, n = 4
0.4000
N = 10, S = 4, n = 4
f(x)
0.3000
0.2000
0.4500
0.1000 0.4000
0.3500
0.0000
0.3000
0 1 2 3 4
0.2500
f(x)
x
0.2000
0.1500
0.4500 N = 10, S = 6, n = 4 0.1000
0.4000 0.0500
0.3500 0.0000
0.3000 0 1 2 3 4
0.2500 x
f(x)
0.2000
0.1500
0.1000
0.0500
0.0000
0 1 2 3 4
x
Suprayogi
Hipergeometris
C Sx C Nn−−xS
P(X = x ) =
C Nn
C Sx C Nn−−xS
r
P(X ≤ r ) = ∑ N
x =0 C n
Suprayogi
Contoh Perhitungan
Suatu kotak mengandung 7 komponen yang terdiri dari 4
komponen merek A dan 3 bola komponen merek B.
Jika 3 komponen diambil secara random dari kotak, probabilitas
bahwa tepat terdapat 2 komponen merek A yang terambil:
⎛ 4! ⎞⎛ 3! ⎞
4 7−4 4 3 ⎜ ⎟⎜ ⎟
P ( X = 2) =
CC 2 3 −2
=
CC
=
2 1 ⎝ 2!1! ⎠⎝ 1!2! ⎠
= 0,5143
C 7
C 7
⎛ 7! ⎞
3 3
⎜ ⎟
⎝ 3!4! ⎠

Suprayogi
Distribusi Bernoulli
Parameter:
X ∼ Bernoulli (p)
p (0 ≤ p ≤ 1)
Rataan:
⎧p; x = sukses
⎪ μX = p
f (x ) = ⎨1 − p; x = gagal
Variansi:
⎪0; x lainnya
⎩ σ X2 = p(1 − p )
Suprayogi
Percobaan Bernoulli
Percobaan hanya menghasilkan dua kejadian
yang mungkin, sukses atau gagal
Probabilitas sukses adalah p (probabilitas
gagal, 1 – p)
Variabel random yang menyatakan munculnya
sukses atau gagal merupakan variabel random
Bernoulli
Suprayogi
Contoh Histogram Distribusi Bernoulli
0.9000
0.8000
p = 0,2 X = sukses = 1
0.7000
0.6000
= gagal = 0
0.5000
f(x)
0.4000
0.3000
0.2000
0.1000 0.6000
p = 0,5
0.0000
0.5000
0 1
x 0.4000
f(x)
0.3000
0.9000 0.2000
0.8000
0.7000 p = 0,8 0.1000
0.6000 0.0000
0.5000
f(x)
0 1
0.4000
x
0.3000
0.2000
0.1000
0.0000
0 1
x
Suprayogi
Hubungan Distribusi Bernoulli dan

Seragam Diskret
X ∼ seragam diskret (a, b); a = 0; b = 1
X ∼ Bernoulli (p); p = 0,5
Suprayogi
Distribusi Binomial
X ∼ binomial (n, p) Parameter:

n bulat > 0; p (0 ≤ p ≤ 1)
Rataan:
⎧C p (1 − p ) ; x = 0,1,L , n
n x n− x
⎪
x
μ X = np
f (x ) = ⎨
⎩
σ X2 = np(1 − p )
Suprayogi
Percobaan Binomial
Percobaan terdiri atas n usaha yang saling
independen
Tiap usaha hanya terdiri dari dua kejadian yang
mungkin, sukses atau gagal.
Probabilitas tiap sukses untuk tiap usaha adalah
tetap, yaitu p (probabilitas gagal, 1 – p)
sukses dalam n usaha independen merupakan
variabel random binomial
Percobaan binomial merupakan percobaan Bernoulli
yang independen yang dilakukan sebanyak n kali
Suprayogi
Contoh Histogram Distribusi Binomial
0.4500 n= 5; p = 0,2
0.4000
0.3500
0.3000
0.2500
n= 5; p = 0,5
f(x)
0.2000
0.1500 0.3500
0.1000
0.3000
0.0500
0.0000 0.2500
0 1 2 3 4 5 0.2000
f(x)
x
0.1500
0.1000
0.0500
0.4500 0.0000
0 1 2 3 4 5
0.4000
0.3500
n= 5; p = 0,8 x
0.3000
0.2500
f(x)
0.2000
0.1500
0.1000
0.0500
0.0000
0 1 2 3 4 5
x
Suprayogi

Binomial
P ( X = r ) = C nx p x (1 − p )n− x
r
P ( X ≤ r ) = ∑ C nx p x (1 − p )n− x
x =0
Suprayogi
Contoh Perhitungan
Probabilitas suatu komponen tidak mengalami kerusakan dalam
suatu pengujian adalah 0,75.
Probabilitas tepat terdapat 2 komponen yang tidak mengalami
kerusakan jika dilakukan pengujian sebanyak 4 kali:
⎛ 4! ⎞
P ( X = 2) = C24 (0,75)2 (1 − 0,75)4 −2 = ⎜ ⎟(0,75) (0,25) = 0,2109
2 2
⎝ 2!2! ⎠
Probabilitas
terdapat 2 komponen atau lebih yang tidak rusak
jika dilakukan pengujian sebanyak 4 kali:
1
P ( X ≥ 2) = 1 − P ( X ≤ 1) = 1 − ∑ C 4x (0,75)x (1 − 0,75)4 −x
x =0
⎡⎛ 4! ⎞ ⎛ 4! ⎞ 3⎤
= 1 − ⎢⎜ ⎟(0,75) (0,25) + ⎜ ⎟(0,75) (0,25) ⎥
0 4 1
⎣⎝ 0!2! ⎠ ⎝ 1!1! ⎠ ⎦
= 1 − 0,0508
Suprayogi = 0,9492
Hubungan Distribusi Binomial dan

Bernoulli
Xi ∼ Bernoulli (p)
Xi independen dan identik
n
Y = ∑ Xi
i =1
Y ∼ binomial (n, p)
Suprayogi
Hampiran Distribusi Binomial terhadap
Hipergeometris
X ∼ hipergeometris (n, S, N); n/N → 0
X ∼ binomial (n, p); p = S/N
Suprayogi
Contoh Perhitungan
Suatu pabrik menerima pasokan material sebanyak 5000 unit
dengan 1000 unit diantaranya adalah material jenis A. Jika 10
unit dipilih secara random, probabilitas tepat terdapat 3 unit
material jenis A yang terpilih:
3 ( 5000 ) (1 − 5000 )
P ( X = 3) = C10 1000 3 1000 10 −3
⎛ 10! ⎞
= ⎜ ⎟(0,2) (0,8 )
3 7
⎝ 3!7! ⎠
= 0,2013

Suprayogi
Distribusi Binomial Negatif (Pascal)
X ∼ binomial negatif (k, p)

Parameter:
Fungsi distribusi probabilitas: k bulat > 0; p (0 ≤ p ≤ 1)
⎧C kx −−11 p k (1 − p )x −k ; x = k , k + 1,L Rataan:

⎪ k
f (x ) = ⎨ μX =
⎪0; x lainnya p
⎩ Variansi:
k (1 − p )
σ X2 =
p2
Suprayogi
Percobaan Binomial Negatif
independen
Tiap usaha hanya terdiri dari dua kejadian
yang mungkin, sukses atau gagal.
Probabilitas tiap sukses untuk tiap usaha
adalah tetap, yaitu p (probabilitas gagal, 1 – p)
usaha agar terjadi sukses ke‐k merupakan
variabel random binomial negatif
Suprayogi
Negatif
0.0900
k = 2; p = 0,2
0.0800
0.0700
0.0600
Variabel random X Æ
0.0500 banyaknya usaha untuk memperoleh k sukses
f(x)
0.0400
0.0300
0.0200 0.3000
0.0100
0.2500
0.0000
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
k = 2; p = 0,5
x 0.2000
f(x)
0.1500
0.1000
0.0500
0.0000
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Suprayogi

Binomial Negatif
P ( X = x ) = C kx −−11 pk (1 − p )x −k
r
P ( X ≤ r ) = ∑ C kx −−11 p k (1 − p )x −k
x =k
Suprayogi
Contoh Perhitungan
Probabilitas produk cacat adalah 0,1.
Jika produk diambil satu per satu, probabilitas ditemukannya
produk yang cacat yang ketiga pada pengambilan kelima?
4!
P ( X = 5) = C 35−−11 (0,1)3 (1 − 0,1)5−3 = (0,1)3 (0,9 )2 = 0,0049
2!2!
Suprayogi
Definisi Lain dari Variabel Random

Binomial Negatif & Fungsi Dist. Prob.
Variabel random binomial negatif X
dapat juga didefinisikan sebagai
banyaknya gagal sebelum Parameter:
memperoleh k sukses
k bulat > 0; p (0 ≤ p ≤ 1)
Rataan:
⎧C xx + k −1 pk (1 − p )x ; x = 0,1,2,L
⎪ k(1 − p)
f (x ) = ⎨ μX =
⎪0; x lainnya p
⎩ Variansi:
P(X = x ) = C x + k −1
p (1 − p )
k x
k (1 − p )
r
x
σ X2 =
P ( X ≤ r ) = ∑ C xx + k −1 p k (1 − p )x p2
x =0
Suprayogi
Negatif
k = 2; p = 0,2
banyaknya gagal sebelum memperoleh k sukses
Suprayogi
Contoh Perhitungan
Jika produk diambil satu per satu, probabilitas terambilnya
produk baik (tidak cacat) sebanyak dua sebelum menghasilkan
produk cacat ketiga?
4!
P ( X = 2) = C22+3−1 (0,1)3 (1 − 0,1)2 = (0,1)3 (0,9)2 = 0,0049
2!2!
Suprayogi
Distribusi Geometris
X ∼ geometris (p)

Parameter:
Fungsi distribusi probabilitas: p (0 ≤ p ≤ 1)
⎧p(1 − p )x −1 ; x = 1,2,L Rataan:

⎪ 1
f (x ) = ⎨ μX =
⎪0; x lainnya p
⎩ Variansi:
1− p
σ = 2
2
X
p
Suprayogi
Percobaan Geometris
independen
Tiap usaha hanya terdiri dari dua kejadian
yang mungkin, sukses atau gagal.
Probabilitas tiap sukses untuk tiap usaha
adalah tetap, yaitu p (probabilitas gagal, 1 – p)
usaha agar terjadi sukses pertama
merupakan variabel random geometris
Suprayogi
Contoh Histogram Distribusi Geometris
0.2500
p = 0,2
0.2000
0.1500 banyaknya usaha untuk memperoleh sukses
f(x)
0.1000 pertama
0.6000
0.0500
0.5000
0.0000
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
p = 0,5
0.4000
x
f(x)
0.3000
0.2000
0.1000
0.0000
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Suprayogi

Geometris
P ( X = x ) = p(1 − p )x −1
r
P ( X ≤ r ) = ∑ p(1 − p )x −1
x =1
Suprayogi
Contoh Perhitungan
Jika produk diambil satu per satu, probabilitas ditemukannya
produk yang cacat pada pengambilan ketiga?
P ( X = 3) = (0,1)(1 − 0,1)3−1 = (0,1)(0,9 )2 = 0,081

Rata‐rata banyaknya pengambilan untuk menemukan produk
cacat?
1
μX = = 10
0,1
Suprayogi
Definisi Lain dari Variabel Random Geometris

dan Fungsi Distribusi Probabilitas
Variabel random geometris X dapat
juga didefinisikan sebagai
banyaknya gagal untuk Parameter:
memperoleh sukses pertama p (0 ≤ p ≤ 1)
Rataan:
⎧p(1 − p )x ; x = 0,1,2,L 1− p
⎪
f (x ) = ⎨
μX =
p
⎩
P ( X = x ) = p(1 − p)x 1− p
r
σ X2 =
P ( X ≤ r ) = ∑ p(1 − p )x
p2
x =0
Suprayogi
Contoh Histogram Distribusi Geometris
p = 0,2
banyaknya gagal sebelum memperoleh sukses
pertama
Suprayogi
Contoh Perhitungan
Jika produk diambil satu per satu, probabilitas diperoleh dua
produk baik (tidak cacat) sebelum diperoleh produk cacat?
P ( X = 2) = (0,1)(1 − 0,1)2 = (0,1)(0,9 )2 = 0,081

Rata‐rata banyaknya produk baik (tidak cacat) yang diperoleh
sebelum menemukan produk cacat?
1 − 0,1 0,9
μX = = =9
0,1 0,1
Suprayogi
Hubungan Distribusi Binomial Negatif dan
Geometris
X ∼ binomial negatif (k, p); k = 1
X ∼ geometris (p)
Suprayogi
Distribusi Poisson
X ∼ Poisson (λ) Parameter:

λ > 0
λ Æ rata‐rata kejadian
⎧ e − λ λx per interval waktu atau
⎪ x ! ; x = 0,1,2,L daerah tertentu
⎪
f (x ) = ⎨
Rataan:
⎪0; x lainnya μX = λ
⎪
⎩ Variansi:
σ X2 = λ
Suprayogi
Ciri‐Ciri Proses Poisson
Jumlah kejadian yang terjadi dalam suatu interval waktu atau
daerah tertentu adalah independen terhadap jumlah kejadian
dalam interval waktu atau daerah yang lain.
Probabilitas suatu kejadian yang terjadi pada interval waktu
atau daerah yang sangat kecil adalah proporsional terhadap
panjang interval waktu atau luas daerah dan tidak tergantung
pada jumlah kejadian yang terjadi di luar interval waktu atau
daerah ini.
Probabilitas lebih dari satu kejadian dalam interval waktu
atau daerah yang sangat kecil adalah diabaikan
Suprayogi
Contoh Histogram Distribusi Poisson
0.3000
λ =2
0.2500
0.2000
f(x)
0.1500
0.1000
0.0500
0.0000
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
x
0.2000
0.1800
0.1600
0.1400
0.1200 λ =5
f(x)
0.1000
0.0800
0.0600
0.0400
0.0200
0.0000
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
x
Suprayogi
Poisson
e − λ λx
P(X = x ) =
x !
e − λ λxr
P(X ≤ r ) = ∑
x =0 x !
Suprayogi
Contoh Perhitungan
Banyaknya gangguan mesin yang terjadi per hari diketahui
berdistribusi Poisson dengan rata‐rata 10 gangguan per hari.
Probabilitas bahwa terdapat paling sedikit terdapat 5 gangguan
per hari?
P(X ≥ 5) = 1 − P(X ≤ 4 )
4
e −10 (10 )x
= ∑
x =0 x !
e −10 (10 )0 e −10 (10 )1 e −10 (10 )4
= + +L+
0 ! 1 ! 4 !
= 0,00005 + 0,00045 + L + 0,01892
= 0,02925
Suprayogi
Hampiran Distribusi Poisson terhadap
Binomial
X ∼ binomial (n, p); n → ∞; p → 0
X ∼ Poisson (λ); λ = np
Suprayogi
Contoh Perhitungan
Probabilitas suatu produk yang harus dibuang karena rusak
adalah 0,01.
Jika terdapat sebanyak 1000 produk, probabilitas terdapat 10
produk yang dibuang karena rusak?
λ = (1000)(0,01) = 10
e −(10 ) (10 )5
P(X = 5) =
5 !
= 0,0378
Suprayogi
Ciri Reproduktif Variabel Random Poisson
Xi ∼ Poisson (λi)
Xi Æ saling independen
n
Y = ∑ Xi
i =1
Y ∼ Poisson (λ), λ = λ1 + λ2 + ... + λn
Suprayogi
Contoh Perhitungan
Banyaknya gangguan mesin A yang terjadi per hari diketahui
Banyaknya gangguan mesin B yang terjadi per hari diketahui
Probabilitas banyaknya gangguan sebanyak 5 per hari adalah:
λ = λ1 + λ2 = 10 + 5 = 15
e −15 (15)5
P (X = 5 ) =
5 !
= 0,00194

Suprayogi

Diskret

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Diskret

Uploaded by

Copyright:

Available Formats

Distribusi Probabilitas Diskret Teoritis

Distribusi Probabilitas Teoritis Diskret

 Distribusi seragam diskret (discrete uniform

X ∼ seragam diskret (a, b) Parameter:

Contoh Histogram Distribusi Seragam

X ∼ hipergeometris (n, N, S)

Hubungan Distribusi Bernoulli dan

X ∼ seragam diskret (a, b); a = 0; b = 1

X ∼ binomial (n, p) Parameter:

Probabilitas Variabel Random Berdistribusi

Hubungan Distribusi Binomial dan

X ∼ hipergeometris (n, S, N); n/N → 0

X ∼ binomial negatif (k, p)

⎧C kx −−11 p k (1 − p )x −k ; x = k , k + 1,L Rataan:

Probabilitas Variabel Random Berdistribusi

Definisi Lain dari Variabel Random

X ∼ geometris (p)

⎧p(1 − p )x −1 ; x = 1,2,L Rataan:

Probabilitas Variabel Random Berdistribusi

Definisi Lain dari Variabel Random Geometris

X ∼ binomial negatif (k, p); k = 1

X ∼ geometris (p)

X ∼ Poisson (λ) Parameter:

Contoh Histogram Distribusi Poisson

X ∼ binomial (n, p); n → ∞; p → 0

X ∼ Poisson (λ); λ = np

Y ∼ Poisson (λ), λ = λ1 + λ2 + ... + λn

You might also like

Distribusi seragam diskret (discrete uniform