VARIABEL RANDOM

ADALAH SUATU FUNGSI BERNILAI REAL

YG HARGANYA DITENTUKAN OLEH TIAP
ANGGOTA DALAM RUANG SAMPEL
VR DISKRIT : VR YG HANYA DAPAT
MENJALANI HARGA-HARGA BERBEDA
YG BANYAKNYA TERHITUNG
VR KONTINU : VR YANG DAPAT
MENJALANI SETIAP HARGA RIIL
DALAM SUATU INTERVAL
DISTRIBUSI PROBABILITAS
DISKRIT
FUNGSI f(x) DISEBUT DISTRIBUSI
PROBABILITAS VR DISKRIT X JIKA :

f(x) > 0
f(x) = 1
P(X=x) = f(x)
DISTRIBUSI PROBABILITAS
KONTINU
FUNGSI f(x) DISEBUT DISTRIBUSI
PROBABILITAS VR KONTINU X JIKA :

f(x) > 0 untuk setiap x e R

P(a<X<b) =
}
b
a
dx x f ) (
1 ) (
~
~
=
}

dx x f
BEBERAPA DISTR. PROB. VR
KHUSUS
MODEL PROBABILITAS :
SUATU BENTUK DISTRIBUSI PROBABILITAS
TERTENTU YG MENCERMINKAN TINGKAH
LAKU VARIABEL RANDOM
HARGA-HARGA PROB DINYATAKAN DLM
BENTUK PARAMETER YG TDK DIKETAHUI,
YG BERKAITAN DGN KARAKTERISTIK
POPULASI DAN CARA PENGAMBILAN SAMPEL
BERNOULLI TRIALS
Tiap trial menghasilkan satu dari dua
hasil yang mungkin, yaitu sukses dan
gagal
Peluang sukses = p
Peluang gagal = q = 1-p
CONTOH BERNOULLI TRIAL
Pelemparan sebuah mata uang logam,
terjadinya muka dan belakang kita
namakan sukses dan tidak sukses
Jika mata uang logamnya setangkup,
peluang muka (sukses) = peluang
belakang (tidak sukses) atau p=q=1/2
CONTOH BERNOULLI TRIAL
Pelemparan sebuah dadu, sukses jika
muncul angka 3; p = 1/6 dan q = 5/6

Kotak berisi 10 kelereng hitam dan 20
putih, diambil satu, sukses jika terambil
hitam; p = 10/30 = 1/3 dan q = 2/3
DISTRIBUSI BINOMIAL
Adalah Bernoulli trial yang diulang
sebanyak n kali, masing-masing
ulangan independen dengan peluang
sukses = p.
Formula :
f(x) = P(X=x) = b(x,n,p)
= p
x
(1-p)
n-x
, x = 0, 1, 2, , n
|
|
|
|
.
|

\
|
x
n
CONTOH DISTR. BINOMIAL
Dari pengalaman seorang mhs, lampu
merah menuju kampus menyala merah
adalah 40% kali. Dengan asumsi
independen, maka probabilitas akan
mendapat lampu merah :
Dua hari berturut-turut
Dua dari tiga hari
Paling banyak satu kali dalam tiga hari
CONTOH DISTR. BINOMIAL
Probabilitas seorang mhs lulus
matakuliah Statistika Dasar adalah 0,8
maka hitunglah peluang bahwa dari 10
mhs :
Tidak ada yang lulus
Empat mhs lulus
Paling banyak 7 mhs lulus
TABEL BINOMIAL KUMULATIF
Beberapa aturan probabilitas :
P(X=a) = P(X s a) P(X s a-1)
P(a s X s b) = P(X s b) P(X s a-1)
P(X>c) = 1 P(X s c)

Pembacaan Tabel :
P(X s i) =

=
i
x
p n x b
0
) , , (
DISTRIBUSI POISSON
Merupakan kasus khusus dari distribusi
Binomial untuk n besar dan p 0
(p kecil mendekati nol)
Mean : =n.p Var= (1- /n) =
Fungsi distribusi probabilitas :
P(X=x) = f(x) = , x=0,1,2,.
dengan adalah suatu konstanta
! x
e
x

Distribusi Poisson
Sifat :
Banyaknya sukses dalam interval waktu
tertentu saling independen
Peluang terjadinya sukses dalam interval
waktu tertentu yang pendek tidak
tergantung pd banyaknya sukses diluar
interval tersebut
Peluang terjadinya lebih dari satu sukses
dalam interval yang pendek dapat
diabaikan
Contoh Distribusi Poisson
Suatu proses produksi mempunyai
kemungkinan 2% akan menghasilkan
produk cacat. Jika 100 produk diperiksa
berapa probabilitas :
Diperoleh 4 produk cacat
Diperoleh kurang dari 3 produk cacat
Diperoleh lebih dari 5 produk cacat
Contoh Distribusi Poisson
The number of telephone calls per
minute at some switchboard
The number of misprints per page in a
large text
The number of particles emitted by a
radioactive substance
Contoh Distribusi Poisson
Rata-rata banyaknya partikel radioaktif
yang melewati mesin penghitung
selama 1 milidetik dalam experimen di
laboratorium adalah 4. Berapa
probabilitas enam partikel melewati
mesin penghitung dalam milidetik
tertentu?
Jawaban
Diketahui : x=6; =4
P(6;4)= =
!
e
6
4
6 4

= =

5
0
6
0
4 4
x x
) ; x ( P ) ; x ( P
DISTRIBUSI NORMAL