MODUL II DISTRIBUSI PROBABILITAS DISKRIT

1.

Distribusi Bernoulli dan Binomial Misalkan dilakukan suatu percobaan yang hasilnya dapat digolongkan atas

kesuksesan atau kegagalan. Percobaan ini disebut dengan percobaan Bernoulli. Bila diambil = 1 untuk menyatakan kesuksesan dan = 0 untuk kegagalan, maka Fungsi Probabilitas Distribusi Bernoulli adalah () = ( = ) = (1 )1 di mana p adalah probabilitas munculnya kesuksesan, dan 0 1. Misalkan dilakukan percobaan (trial) dilakukan sebanyak n kali yang saling independen, yang masing-masing berpeluang p untuk sukses dan 1-p untuk gagal. Jika X menyatakan berapa kali terjadi kesuksesan dalam n ulangan tersebut, maka X dinamakan variabel random binomial dengan parameter (n, p). Secara ringkas, suatu percobaan binomial (binomial trial) memiliki sifat-sifat sebagai berikut. 1) Percobaan terdiri dari n ulangan yang identik. 2) Setiap ulangan memberikan hasil sukses atau gagal. 3) Peluang terjadi kesuksesan dalam satu ulangan bernilai p, sementara peluang terjadi kegagalan dalam satu ulangan bernilai 1 = . 4) Hasil dari setiap ulangan saling independen. 5) Variabel random X adalah banyaknya kesuksesan dalam n ulangan. Fungsi probabilitas dari distribusi binomial adalah () = ( = ) = ( ) (1 ) Atau , = 0,1,2, , , 0 1, = 1 () = {!()! 0, lainnya. Mean : =
!

Varians : 2 = (1 )

2.

Distribusi Multinomial Distribusi Multinomial adalah generalisasi dari Distribusi Binomial. Misalkan ada

sebanyak n percobaan independen dan tiap percobaan menghasilkan tepat satu dari k kemungkinan hasil (outcome). Maka, untuk = 1,2, , dan misalkan adalah probabilitas hasil i terjadi pada sembarang percobaan (dengan =1 = 1), variabel random multinomial adalah vektor random = [1 , 2 , , ] di mana adalah banyaknya hasil i muncul. Fungsi Distribusi Probabilitas Variabel Random Multinomial diberikan oleh ! 1 2 (1 , 2 , , ) = = ! , = 1 ! 2 ! ! 1 2 !
=1 =1

Mean Varians

: = : 2 = (1 )

Kovarians : = ,

3.

Distribusi Geometrik Misalkan dilakukan percobaan-percobaan yang saling bebas (independen), masing-

masing dengan probabilitas keberhasil sebesar p, 0 1, sampai diperoleh r keberhasilan. Jika X adalah banyaknya percobaan yang diperlukan, maka () = ( = ) = (1 )1 , = 1,2,

X disebut dengan variabel random geometrik (atau Pascal) dengan parameter p.

4.

Distribusi Binomial Negatif Misalkan dilakukan percobaan-percobaan yang saling bebas (independen), masing-

masing dengan probabilitas keberhasil sebesar p, 0 1, sampai terjadi satu keberhasilan. Jika X adalah banyaknya percobaan yang diperlukan, maka () = ( = ) = ( 1 (1 ) ) , 1 = , + 1,

X disebut dengan variabel random binomial negatif dengan parameter (r, p). Perhatikan bahwa variabel random geometrik merupakan bentuk khusus dari variabel random binomial negatif dengan parameter (1, p). Salah satu persoalan populer yang terkait dengan distribusi binomial negatif adalah Banachs Matchbox Problem.

5.

Distribusi Poisson Suatu variabel random X yang mengambil nilai-nilai 0, 1, 2, disebut dengan

variabel random Poisson dengan parameter jika untuk suatu > 0, () = ( = ) = di mana = . Distribusi Poisson diperkenalkan oleh Simeon Denis Poisson dalam sebuah buku yang ditulisnya tentang penerapan teori di dalam masalah tuntutan hukum, persidangan kriminal, dan sejenisnya. Buku ini, yang diterbitkan pada 1837, diberika judul Recherches sur la probabilite des jugements en matiere et en matiere civile. Beberapa contoh kejadian yang mengikuti Distribusi Poisson adalah: 1) Banyaknya kesalahan cetak di suatu halaman sebuah buku. 2) Banyaknya penduduk di suatu masyarakat yang mencapai usia 100 tahun. 3) Banyaknya salah sambung telepon pada suatu hari. 4) Banyaknya bungkus makanan yang terjual di toko setiap hari. 5) Banyaknya pelanggan yang memasuki kantor pos pada suatu hari. 6) Banyaknya partikel- yang terpancar selama periode waktu tertentu dari suatu partikel radioaktif. Distribusi Binomial sering juga didekati dengan Distribusi Poisson untuk n yang besar dan p yang kecil. Hal ini dikarenakan proses perhitungan menggunakan Distribusi Binomial untuk n yang besar dan p yang kecil sangat panjang dan lama. Oleh karena itu, pendekatan Distribusi Poisson memberikan kemudahakan dalam perhitungan. Misalkan X adalah variabel random binomial dengan parameter n dan p, maka untuk setiap nilai = 0,1,2, di mana 0, , dan = , !

 (1 lim ( ) ) = ! 6. Distribusi Hipergeometrik Misalkan bahwa suatu sampel berukuran n diambil secara acak (tanpa pengembalian) dari sebuah kantong yang berisi N kelereng, yang Np di antaranya berwarna putih dan N-Np lainnya berwarna hitam. Jika X adalah banyaknya kelereng putih yang terambil, maka () = ( = ) = ( )( ), = 0,1, , min(, )

Variabel random X disebut dengan variabel random hipergeometrik.

7.

Distribusi Zeta (atau Zipf) Suatu variabel random dikatakan mempunyai distribusi zeta (atau zipf) jika fungsi

distribusi probabilitasnya diberikan oleh () = ( = ) = +1 , untuk suatu nilai > 0 tertentu, di mana 1 +1 = [ ( ) ]
=1 1

= 1,2,

Nama distribusi zeta berasal dari fungsi zeta Riemann: 1 1 1 () = 1 + ( ) + ( ) + + ( ) + 2 3 Seorang pakar ekonomi Italia, Pareto, menerapkan distribusi zeta untuk menjelaskan distribusi pendapatan keluarga di suatu negara. Akan tetapi, sesungguhnya G. K. Zipf-lah yang menerapkan distribusi ini dalam berbagai bidang yang berbeda, sehingga distribusi ini menjadi populer.