Distribusi Probabilitas Diskret Teoritis

DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi

1

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)
DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 2

Distribusi Seragam Diskret
X ∼ seragam diskret (a, b) Fungsi distribusi probabilitas: ⎧ 1 ⎪ b − a + 1 ;  x = a , a + 1,L, b − 1, b ⎪ f (x ) = ⎨ ⎪0; x lainnya ⎪ ⎩
Parameter: a, b bulat; b ≥ a a : batas bawah b : batas atas Rataan:

μX =

a+b 2

Variansi:

σ =
2 X
DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi

(b − a + 1)2 − 1
12
3

Contoh Histogram Distribusi Seragam Diskret

a  = 1, b = 6
0.1800 0.1600 0.1400 f(x) 0.1200 0.1000 0.0800 0.0600 0.0400 0.0200 0.0000 1 2 3 x 4 5 6

DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi

4

  Probabilitas jumlah pesanan yang datang per hari adalah 4 atau kurang? 4 1 1 1 1 1 1 P(X ≤ 4 ) = ∑ = + + + + = 0.4545 11 11 11 11 11 x = 0 10 − 0 + 1 Rata‐rata jumlah pesanan per hari yang datang? μX = 10 + 1 = 5.Probabilitas Variabel Random Berdistribusi Seragam Diskret 1 b−a +1 P(X = x ) = P(X ≤ r ) = ∑ 1 x =a b − a + 1 r DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 5 Contoh Perhitungan Jumlah pesanan yang datang per hari diketahui berdistribusi seragam diskret dengan jumlah pesanan yang datang minimum  0 dan maksimum 10.5 2 6 DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi .

L.1.Distribusi Hipergeometris X ∼ hipergeometris (n. N. S ≤ N Rataan: μX = n Variansi: 2 σX =⎛ ⎜ S N N − n ⎞⎛ ⎛ S ⎞⎛ S ⎞⎞ ⎟⎜ n⎜ ⎟⎜ 1 − ⎟ ⎟ ⎝ N − 1 ⎠⎝ ⎝ N ⎠⎝ N ⎠ ⎠ 7 DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi Rumus Kombinasi ⎛n⎞ n! C =⎜ ⎟= ⎜ r ⎟ r!(n − r )! ⎝ ⎠ n r DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 8 .  x = 0. S} ⎪ n f (x ) = ⎨ ⎪0. S)  Fungsi distribusi probabilitas: − ⎧ C S C N− xS x n ⎪ C N .min{n. x lainnya ⎪ ⎩ Parameter: n. N  bulat > 0 n ≤ N. S.

 n = 4 0.1000 0.4000 0. 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 DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 9 Contoh Histogram Distribusi Hipergeometris 0.1500 0.0000 0 1 2 x 3 4 f(x) 0. n = 4 0 1 2 x 3 4 DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 10 .3000 0.6000 0.2500 0.0500 0.1000 0.4000 0.3000 0. terdapat S  obyek yang dikategorikan sukses S.0000 0 1 2 x 3 4 0.4000 0.1000 0.2500 0.4500 N  = 10. S = 4.2000 0.3500 f(x) 0.1500 0.5000 0. S = 2.2000 0.Percobaan Hipergeometris Dalam suatu populasi berukuran N.4500 0.3500 f(x) 0.3000 0.0000 N  = 10.2000 0. S = 6.0500 0. n = 4 N  = 10.

 probabilitas bahwa tepat terdapat 2 komponen merek A yang terambil: P ( X = 2) =    CC C 4 2 7−4 3 −2 7 3 ⎛ 4! ⎞⎛ 3! ⎞ ⎜ ⎟⎜ ⎟ CC ⎝ 2!1! ⎠⎝ 1!2! ⎠  = 0.Probabilitas Variabel Random Berdistribusi Hipergeometris − C S C N− xS n P(X = x ) = x N Cn − C S C N− xS x n P(X ≤ r ) = ∑ CN x =0 n r DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 11 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.5143 = = C ⎛ 7! ⎞ ⎜ ⎟ ⎝ 3!4! ⎠ 4 3 2 1 7 3 DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 12 .

  x = sukses ⎪ f (x ) = ⎨1 − p.  x = gagal ⎪0.Distribusi Bernoulli X ∼ Bernoulli (p) Fungsi distribusi probabilitas: Parameter: p (0 ≤ p ≤ 1)  Rataan: ⎧p. sukses atau gagal Probabilitas sukses adalah p (probabilitas gagal. 1 – p) Variabel random yang menyatakan munculnya sukses atau gagal merupakan variabel random  Bernoulli DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 14 .  x lainnya ⎩ DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi μX = p Variansi: 2 σ X = p(1 − p ) 13 Percobaan Bernoulli Percobaan hanya menghasilkan dua kejadian yang mungkin.

9000 0.3000 0.3000 0.6000 0.9000 0.7000 f(x) 0.1000 0.5 DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 16 .8000 0.1000 0.0000 0 x 1 DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 15 Hubungan Distribusi Bernoulli dan Seragam Diskret X ∼ seragam diskret (a.2000 0. p = 0.4000 0. a = 0.8000 0.0000 0 x 1 p  = 0.2000 p  = 0.6000 0.8 0.4000 f(x) 0.5000 0.5000 0.6000 0.5000 0.0000 0 x 1 p  = 0.7000 f(x) 0.4000 0. b = 1 X ∼ Bernoulli (p).Contoh Histogram Distribusi Bernoulli 0.2 X = sukses = 1 = gagal = 0 0. b).3000 0.2000 0.5 0.1000 0.

 yaitu p (probabilitas gagal.  x lainnya ⎩ n x x n− x Parameter: n bulat > 0. p) Fungsi distribusi probabilitas: ⎧C p (1 − p ) . 1 – p) Variabel random yang menyatakan banyaknya sukses dalam n usaha independen merupakan variabel random binomial Percobaan binomial merupakan percobaan Bernoulli  yang independen yang dilakukan sebanyak n kali DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 18 . p (0 ≤ p ≤ 1) Rataan: μ X = np Variansi: 2 σ X = np(1 − p ) DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 17 Percobaan Binomial Percobaan terdiri atas n usaha yang saling independen Tiap usaha hanya terdiri dari dua kejadian yang  mungkin. Probabilitas tiap sukses untuk tiap usaha adalah tetap. sukses atau gagal.1.Distribusi Binomial X ∼ binomial (n. n ⎪ f (x ) = ⎨ ⎪0.  x = 0.L .

1500 0.0500 0.4000 0.0000 0 1 2 x 3 4 5 0.4500 0.4500 0.2500 0.5 0.3000 0.1000 0. p  = 0.2 n= 5.1000 0.1000 0.1500 0. p  = 0.1500 0.0500 0.8 0 1 2 x 3 4 5 DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 19 Probabilitas Variabel Random Berdistribusi Binomial P ( X = r ) = C n p x (1 − p )n− x x P ( X ≤ r ) = ∑ C n p x (1 − p )n− x x x =0 r DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 20 .2000 0.2000 0. p  = 0.0000 n= 5.3500 0.0000 0 1 2 x 3 4 5 f(x) 0.3000 0.2500 0.2000 0.0500 n= 5.3500 0.3500 f(x) 0.3000 f(x) 0.4000 0.Contoh Histogram Distribusi Binomial 0.2500 0.

25) ⎥ ⎝ 1!1! ⎠ ⎣⎝ 0!2! ⎠ ⎦                                           = 1 − 0.75)4 −2 = ⎜ ⎟(0.75) (0.25) = 0. p) DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 22 .75) (0.25) + ⎜ ⎟(0.75)4 −x x x =0 1 DISTRIBUSI PROBABILITAS DISKRET TEORITIS                                           = 0.75)2 (1 − 0.Contoh Perhitungan Probabilitas suatu komponen tidak mengalami kerusakan dalam suatu pengujian adalah 0.75)x (1 − 0.0508 21 Hubungan Distribusi Binomial dan Bernoulli Xi ∼ Bernoulli (p) Xi independen dan identik Y = ∑ Xi i =1 n Y ∼ binomial (n.9492 Suprayogi ⎡⎛ 4! ⎞ ⎛ 4! ⎞ 0 4 1 3⎤                                           = 1 − ⎢⎜ ⎟(0.  Probabilitas tepat terdapat 2 komponen yang tidak mengalami kerusakan jika dilakukan pengujian sebanyak 4 kali: ⎛ 4! ⎞ 2 2 4 P ( X = 2) = C2 (0.75.2109 ⎝ 2!2! ⎠ Probabilitas terdapat 2 komponen atau lebih yang tidak rusak    jika dilakukan pengujian sebanyak 4 kali: P ( X ≥ 2) = 1 − P ( X ≤ 1) = 1 − ∑ C 4 (0.75) (0.

2013    DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 24 .2) (0. N). S. p).8 ) ⎝ 3!7! ⎠                 = 0.  p = S/N DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 23 Contoh Perhitungan Suatu pabrik menerima pasokan material sebanyak 5000 unit  dengan 1000 unit diantaranya adalah material jenis A. probabilitas tepat terdapat 3 unit  material jenis A yang terpilih: P ( X = 3) = C10 ( 1000 ) (1 − 1000 ) 3 5000 5000 3 10 −3 ⎛ 10! ⎞ 3 7                 = ⎜ ⎟(0. n/N → 0 X ∼ binomial (n.  Jika 10  unit dipilih secara random.Hampiran Distribusi Binomial terhadap Hipergeometris X ∼ hipergeometris (n.

 p (0 ≤ p ≤ 1) Rataan: μX = Variansi: 2 σX = k p k (1 − p ) p2 25 DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi Percobaan Binomial Negatif Percobaan terdiri atas n usaha yang saling independen Tiap usaha hanya terdiri dari dua kejadian yang mungkin.  x lainnya ⎩ Parameter: k bulat > 0. Probabilitas tiap sukses untuk tiap usaha adalah tetap. sukses atau gagal. k + 1. p) Fungsi distribusi probabilitas: x −1 ⎧C k −1 p k (1 − p )x −k .  x = k . yaitu p (probabilitas gagal.L ⎪ f (x ) = ⎨ ⎪0. 1 – p) Variabel random yang menyatakan banyaknya usaha agar terjadi sukses ke‐k merupakan variabel random binomial negatif DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 26 .Distribusi Binomial Negatif (Pascal) X ∼ binomial negatif (k.

 p  = 0.0100 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 = 2.0400 0.2 Variabel random X   banyaknya usaha untuk memperoleh k sukses 0.0900 0.  p  = 0.5 x f(x) 0.0500 0.0200 0.0800 0.3000 0.0600 f(x) 0.Contoh Histogram Distribusi Binomial  Negatif 0.2000 0.0700 0.1500 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 x DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 27 Probabilitas Variabel Random Berdistribusi Binomial Negatif x −1 P ( X = x ) = C k −1 pk (1 − p )x −k x −1 P ( X ≤ r ) = ∑ C k −1 p k (1 − p )x −k x =k r DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 28 .2500 k = 2.1000 0.0300 0.

  x = 0.1)3 (1 − 0.  x lainnya ⎩ μX = Variansi: 2 σX = k(1 − p) p k (1 − p ) p2 30 P(X = x ) = C r x + k −1 x p (1 − p ) k x P ( X ≤ r ) = ∑ C x + k −1 p k (1 − p )x x x =0 DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi .1. Prob.1)3 (0.L x ⎪ f (x ) = ⎨ ⎪0.Contoh Perhitungan Probabilitas produk cacat adalah 0.0049 2!2! DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 29 Definisi Lain dari Variabel Random  Binomial Negatif & Fungsi Dist. p (0 ≤ p ≤ 1) Rataan: ⎧C x + k −1 pk (1 − p )x .2.1. Variabel random binomial negatif X  dapat juga didefinisikan sebagai banyaknya gagal sebelum memperoleh k sukses Fungsi distribusi probabilitas: Parameter: k bulat > 0. probabilitas ditemukannya produk yang cacat yang ketiga pada pengambilan kelima?  5−1 P ( X = 5) = C 3−1 (0.1)5−3 = 4! (0.  Jika produk diambil satu per satu.9 )2 = 0.

Contoh Histogram Distribusi Binomial  Negatif k = 2.9)2 = 0.  Jika produk diambil satu per satu. p  = 0. probabilitas terambilnya produk baik (tidak cacat) sebanyak dua sebelum menghasilkan produk cacat ketiga?  P ( X = 2) = C2+3−1 (0.1)3 (0.1.1)3 (1 − 0.1)2 = 2 4! (0.2 Variabel random X   banyaknya gagal sebelum memperoleh k sukses DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 31 Contoh Perhitungan Probabilitas produk cacat adalah 0.0049 2!2! DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 32 .

L ⎪ f (x ) = ⎨ ⎪0.  x lainnya ⎩ μX = Variansi: 2 X 1 p 1− p σ = 2 p 33 DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi Percobaan Geometris Percobaan terdiri atas n usaha yang saling independen Tiap usaha hanya terdiri dari dua kejadian yang mungkin.Distribusi Geometris X ∼ geometris (p) Fungsi distribusi probabilitas: Parameter: p (0 ≤ p ≤ 1) Rataan: ⎧p(1 − p )x −1 .  x = 1. 1 – p) Variabel random yang menyatakan banyaknya usaha agar terjadi sukses pertama merupakan variabel random geometris DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 34 . Probabilitas tiap sukses untuk tiap usaha adalah tetap. yaitu p (probabilitas gagal. sukses atau gagal.2.

1500 f(x) 0.4000 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 p  = 0.5000 0.0500 0.2500 0.1000 0.6000 0.2000 0.2000 0.Contoh Histogram Distribusi Geometris 0.5 x f(x) x DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 35 Probabilitas Variabel Random Berdistribusi Geometris P ( X = x ) = p(1 − p )x −1 P ( X ≤ r ) = ∑ p(1 − p )x −1 x =1 r DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 36 .3000 0.2 Variabel random X   banyaknya usaha untuk memperoleh sukses pertama 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.

1.  x = 0.1 37 DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi Definisi Lain dari Variabel Random Geometris dan Fungsi Distribusi Probabilitas Variabel random geometris X dapat juga didefinisikan sebagai banyaknya gagal untuk memperoleh sukses pertama Fungsi distribusi probabilitas: ⎧p(1 − p )x .1)3−1 = (0.9 )2 = 0.  Jika produk diambil satu per satu.Contoh Perhitungan Probabilitas produk cacat adalah 0.1.  x lainnya ⎩ Parameter: p (0 ≤ p ≤ 1) Rataan: μX = Variansi: 2 σX = 1− p p 1− p p2 38 P ( X = x ) = p(1 − p)x r x =0 P ( X ≤ r ) = ∑ p(1 − p )x DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi .1)(0.2.081    Rata‐rata banyaknya pengambilan untuk menemukan produk cacat? μX = 1 = 10 0. probabilitas ditemukannya produk yang cacat pada pengambilan ketiga?  P ( X = 3) = (0.1)(1 − 0.L ⎪ f (x ) = ⎨ ⎪0.

9 )2 = 0.1 0.1)(1 − 0.1.1)2 = (0.2 Variabel random X   banyaknya gagal sebelum memperoleh sukses pertama DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 39 Contoh Perhitungan Probabilitas produk cacat adalah 0.081    Rata‐rata banyaknya produk baik (tidak cacat) yang diperoleh sebelum menemukan produk cacat? μX = 1 − 0. probabilitas diperoleh dua produk baik (tidak cacat) sebelum diperoleh produk cacat? P ( X = 2) = (0.1 40 DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi .1)(0.9 = =9 0.Contoh Histogram Distribusi Geometris p  = 0.  Jika produk diambil satu per satu.1 0.

L ⎪ f (x ) = ⎨ ⎪0. p).1.  x lainnya ⎪ ⎩ DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi μX = λ Variansi: 2 σX =λ 42 .2.Hubungan Distribusi Binomial Negatif dan Geometris X ∼ binomial negatif (k. k = 1 X ∼ geometris (p) DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 41 Distribusi Poisson X ∼ Poisson (λ) Fungsi distribusi probabilitas: Parameter: λ > 0 λ rata‐rata kejadian per interval waktu atau daerah tertentu Rataan: ⎧ e − λ λx ⎪ x ! .  x = 0.

3000 0.2500 0.1000 0.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.0000 0 1 2 3 4 5 6 7 8 x λ =5 f(x) 9 10 11 12 13 14 15 16 17 18 19 20 DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 44 .0600 0.1000 0.2000 f(x) 0.0400 0.1400 0.1800 0.1600 0.0000 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 x λ =2 0.0500 0.1200 0.1500 0.0200 0.0800 0.2000 0. Probabilitas lebih dari satu kejadian dalam interval waktu atau daerah yang sangat kecil adalah diabaikan DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 43 Contoh Histogram Distribusi Poisson 0. 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 Variabel Random Berdistribusi Poisson e − λ λx P(X = x ) = x ! e − λ λx P(X ≤ r ) = ∑ x ! x =0 r DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 45 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 ! x =0 e −10 (10 )0 e −10 (10 )1 e −10 (10 )4 + +L+                   = 0 ! 1 ! 4 !                   = 0.00005 + 0.02925                    DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 46 .01892                   = 0.00045 + L + 0.

 p → 0 X ∼ Poisson (λ).  Jika terdapat sebanyak 1000 produk.01) = 10 e −(10 ) (10 )5 P(X = 5) = 5 !                 = 0.0378              DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 48 . n → ∞.01. probabilitas terdapat 10  produk yang dibuang karena rusak? λ = (1000)(0. λ = np DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 47 Contoh Perhitungan Probabilitas suatu produk yang harus dibuang karena rusak adalah 0. p).Hampiran Distribusi Poisson terhadap Binomial X ∼ binomial (n.

 + λn DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 49 Contoh Perhitungan Banyaknya gangguan mesin A yang terjadi per hari diketahui berdistribusi Poisson dengan rata‐rata 10 gangguan per hari.Ciri Reproduktif Variabel Random Poisson Xi ∼ Poisson (λi) Xi saling independen n Y = ∑ Xi i =1 Y ∼ Poisson (λ)..  Banyaknya gangguan mesin B yang terjadi per hari diketahui berdistribusi Poisson dengan rata‐rata 5 gangguan per hari. λ = λ1 + λ2 + .00194                   DISTRIBUSI PROBABILITAS DISKRET TEORITIS Suprayogi 50 . Probabilitas banyaknya gangguan sebanyak 5 per hari adalah: λ = λ1 + λ2 = 10 + 5 = 15 e −15 (15)5 P (X = 5 ) = 5 !                   = 0..