Anda di halaman 1dari 26

KOMPETENSI PERTEMUAN KE-6

1. Mahasiswa dapat mengidentifikasi dan menghitung distribusi probabilitas teoritis variabel


diskrit: Distribusi Bernoulli , Distribusi Binomial, Distribusi Poisson, Distribusi hipergeometris.
2. Mahasiswa dapat menentukan nilai parameter statistik deskriptif dari Distribusi teoritis
variabel acak diskrit tersebut
3. Mahasiswa dapat menggunakan beberapa pendekatan distribusi teoritis variabel acak diskrit
untuk memecahkan masalah-masalah statistik yang berkaitan dengan kajian keteknikan.
4. Mahasiswa dapat menghitung nilai parameter statistik deskriptif dari distribusi probabilitas
bersama untuk bilangan acak diskrit

POKOK BAHASAN

1. Distribusi teoritis Bernoulli


2. Distribusi teoritis Binomial
3. Distribusi teoritis Poisson
4. Distribusi teoritis Hypergeometris
5. Distribusi probabilitas bersama untuk bilangan acak diskrit

BAB 6

DISTRIBUSI TEORITIS VARIABEL ACAK DISKRIT


Dalam mengkaji masalah-masalah keteknikan, sering digunakan berbagai jenis distribusi
teoritis sebagai model pendekatan untuk mengetahui karakteristik distribusi populasi yang dikaji,
sehingga memungkinkan para pembuat keputusan untuk memperoleh dasar logika yang kuat di
dalam pengambilan suatu keputusan.
6.1. Distribusi Bernoulli
Distribusi ini dihasilkan dari percobaan Bernoulli dimana harus memenuhi syarat:
1. Keluaran (outcome) yang mungkin hanya salah satu dari sukses atau gagal
2. Jika probabilitas sukses adalah p, maka probabilitas gagal q = 1-p
Jika X adalah variabel acak yang menyatakan sukses, maka dapat dibentuk sebuah distribusi
probabilitas Bernoulli sebagai fungsi probabilitas sebagai berikut:
pB(x;p) =
atau
px (1-p)1-x

; x= 0,1

(1 p) q
pB(x;p) =

x 1
x0
x 1 atau 1

0 p 1

6.2. Distribusi Binomial


Distribusi Binomial merupakan n kali percobaan Bernoulli, sehingga variabel acak X mewakili
jumlah sukses dalam n kali percobaan serta harus memenuhi kondisi-kondisi berikut:
(1)

Setiap eksperimen harus menghasilkan satu dari keluaran yang mungkin (sukses dan
gagal
);

(2) Probabilitas sukses dan juga probabilitas gagal selalu konstan tiap percobaan
(3)

Tiap keluaran (outcome) dari setiap percobaan bersifat saling bebas dengan percobaan
lainnya;

(4) Jumlah percobaan n adalah tetap/konstan.


Fungsi probabilitas binomial:


Kondisi

(3)

n
n x
P X x b x; n, p p x 1 p
x
berlaku

hanya jika sampling dilakukan baik dengan pengembalian atau dari populasi yang tak terhingga
(atau keduanya). Namun jika sampling yang dilakukan adalah tanpa pengembalian dari suatu
populasi yang besar dan tertentu, maka kondisi (3) akan hampir mendekati.
Contoh 6.1:
X = (jumlah gambar burung pada koin yang dilempar ke atas sebanyak tiga kali)
p = P () = 0.5 = P () = 0.5
Maka,

P (0) = (0.5)0 (1-0.5)3-0 = =

3
1!
0! (38 0)!
0.12
3
3!
P (1) = (0.5)1 (1-0.5)3-1 = =
1! (38 1)!
0.375

P (2) = (0.5)2 (1-0.5)3-2 = =

3!
3
2
!
(
3
0.375
8 2)!
3
1!
P (3) = (0.5)3 (1-0.5)3-3 = =
3! (38 3)!
0.125

Contoh 6.2:
Diketahui dari hasil proses produksi awal bahwa 60% dari semua produk adalah bagus serta 40%
nya tidak bagus. Bila sampel dari 10 produk dipilih secara acak:
(a) Cari probabilitas bahwa tepat 6 produk yang dipilih dalam sampel adalah produk yang
bagus.
Dalam

sekali

percobaan
produk

dalam

pemilihan
secara

(sebuah

acak),

S = mewakili sukses (produk bagus) dan


~
F = mewakili gagal (produk yang tidak S
bagus) ( = )

E = kejadian yang diinginkan (enam produk bagus dan empat produk tidak bagus)

sampel
misal

Sehingga jika kejadian yang diinginkan pada saat pengetesan enam produk pertama
ditemukan bagus dan sisanya empat produk tidak bagus, probabilitas dari keluaran
(SSSSSSFFFF) menjadi:
P[S6F4] = (0.60)6(0.40)4 = 0.00119...
Jumlah kombinasi diperoleh dari enam sukses dalam 10 kali percobaan adalah:

10

Sehingga
P[E] =
210 ( 0.00119... 0.251

(b)

10
10 9 8 7
210

4 3 2 1
6

C6

Tentukan fungsi probabilitasnya untuk variabel acak X = (jumlah produk bagus dalam
pemilihan sampel secara acak).
P[S x F 10 x ] = (0.60)x(0.40)10 x
Serta terdapat jumlah cara x sukses dalam 10 kali percobaan, 10Cx .
Sehingga fungsi probabilitas keseluruhan dari X menjadi:
P[tepat x sukses] = P[X = x] = 10Cx (0.60)x(0.40)10 x

(x = 0, 1, 2, ... , 10)

Contoh 6.3:
Tunjukkan bahwa kondisi (3) pada persyaratan Distribusi Binomial tidak dapat dipenuhi jika
dalam pemilihan sampel 2 secara acak dari populasi 5 dengan 2 sukses (tanpa pengembalian).
Tunjukkan juga bahwa kondisi (3) tersebut hampir mendekati jika pemilihan sampel 2 secara acak
dari populasi 5000 dengan 2000 sukses.

S
F

F
F

Jika S1 = sukses pada percobaan 1


dan S2 = sukses pada percobaan 2
maka P[S1] = 2/5 = 0.400 00
tetapi P[S2 | S1 ] = 1/4 = 0.250 00

Maka outcome dari kedua percobaan tidak bersifat saling bebas.

2,000 S

3,000 F

[Distribusi probabilitas mengikuti distribusi hipergeometrik.]


Jika S1 = sukses pada percobaan 1
dan S2 = sukses pada percobaan 2
maka P[S1] = 2,000 / 5,000 = 0.400 00
1,999
.399 88
4,999
tetapi P[S2 | S1 ] =
Sehingga outcome dari kedua percobaan hampir mendekati independent.
Fungsi distribusi kumulatif Binomial adalah:

B(x; n, p)

= b(0; n, p) + b(1; n, p) +
b(2; n, p) + ... + b(x; n, p)

b( y; n, p )

y 0

Nilai-nilai dari Fungsi distribusi kumulatif Binomial, B(x; n, p) dapat dilihat atau ditabelkan dalam
berbagai buku Statistika, seperti di dalam buku karangan Supranto,J., APPENDIX I untuk nilai
n = 1-16 dan beberapa nilai p (0.05, 0.1, 0.15, 0.20, 0.25, 0.3, 0.35, 0.4, 0.45, 0.5). Dapat juga
mencari nilai untuk p>0.5 dengan menggunakan nilai tertentu dari n, kemudian mengganti nilai x
dengan n-x, serta nilai p dengan 1-p. Untuk nilai n yang besar, gunakan tabel distribusi normal.
Contoh 6.4:
Diketahui fungsi distribusi probabilitas variabel acak X mengikuti distribusi binomial dengan
parameter n = 10 dan p = 0.60 . Cari P[4 < X < 8].
P[4 < X < 8] = P[4 < X < 7]
= B(7; 10, 0.60) B(4; 10, 0.60)

ATAU (Tabel pada APPENDIX I)


P[4 < X < 8] = P[4 < X < 7]

= 0.833 0.166

= P(5) + P(6) + P(7)

= 0.667

= 0.2007 + 0.2508 + 0.2150 = 0.6665

ATAU
P[4 < X < 8] = P[X = 5] + P[X = 6] + P[X = 7]
= 10C5 (0.60)5(0.40)5 + 10C6 (0.60)6(0.40)4 + 10C7 (0.60)7(0.40)3
0.666472
Untuk menentukan nilai dari B(7; 10, 0.60) dan B(4; 10, 0.60), dapat juga dengan melihat tabel
parsial di bawah ini untuk nilai b(x; 10, 0.60) dan B(x; 10, 0.60):
n = 10
p.m.f.
x P[X = x]
0 0.00010
1 0.00157
2 0.01062
3 0.04247
4 0.11148
5 0.20066
6 0.25082
7 0.21499
8 0.12093
9 0.04031
10 0.00605
p.m.f.= probability mass function = fungsi probabilitas

p = 0.6
kumulatif
x P[X x]
0 0.00010
1 0.00168
2 0.01229
3 0.05476
4 0.16624
5 0.36690
6 0.61772
7 0.83271
8 0.95364
9 0.99395
10 1.00000

Contoh 6.5:
Diketahui 10% dari semua barang produksi adalah cacat. Dilakukan pemilihan sampel secara acak
dari 20 barang tersebut.
(a)

Buktikan bahwa variabel acak X = (jumlah barang yang cacat dalam sampel random)
mempunyai fungsi probabilitas binomial.

(b)

Tentukan probabilitas bahwa ada lebih dari 2 barang yang terpilih cacat.

(c)

Berapa banyak rata-rata barang cacat yang dapat ditemukan dalam pemilihan sampel
secara acak?

(a)

Jika X = jumlah barang yang cacat dalam sampel random .


(

tiap percobaan memiliki sepasang outcome yang komplementer


(barang cacat = sukses, barang tidak cacat = gagal)

P[sukses] = konstan = 10%

Semua percobaan bersifat independent.


(karena sampel random diambil dari populasi yang besar)

jumlah n = 20 tetap.

Oleh karena seluruh kondisi terpenuhi maka X mengikuti distribusi probabilitas binomial.
P[X = x] = b(x; 20, 0.10) .
(b)

P[X > 2] = 1 P[X < 2]


= 1 B(2; 20, 0.10)
= 1 0.67693 0.3231

ATAU (dengan kalkulasi langsung dari nilai p.m.f.nya),


1 P[X < 2] = 1 (P[X = 0] + P[X = 1] + P[X = 2])

Catatan:
P[X > 2] = P[2 < X < 20]
= B(20; 20, 0.1) B(2; 20, 0.1)
Karena B(n; n, p) = 1 untuk
setiap n: maka merupakan
untuk mendapatkan seluruh n
sukses dalam n cara. Sehingga

= 1 { (0.9)20 + 20(0.9)19(0.1)1 + 190(0.9)18(0.1)2 P[X


} > 2] = 1 B(2; 20, 0.1)
= 1 ( 0.121... + 0.270... + 0.285... )

(seperti pada penyelesaian


disebelah)

0.323073
Tabel parsial dari nilai b(x; 20, 0.10) dan B(x; 20, 0.10):
n = 20
p.m.f.
x P[X = x]
0 0.12158
1 0.27017
2 0.28518
3 0.19012
4 0.08978
5 0.03192
6 0.00887
7 0.00197

p = 0.1
kumulatif
x P[X x]
0 0.12158
1 0.39175
2 0.67693
3 0.86705
4 0.95683
5 0.98875
6 0.99761
7 0.99958

8 0.00036
9 0.00005
10 0.00001
Untuk setiap variabel binomial acak X,

(c)

E[X] = np

8
9
10

0.99994
0.99999
1.00000

V[X] = np(1 ( p)

Sehingga ( = E[X] = 20 ( 0.10 = 2


Pembuktian dari formula/rumus untuk nilai mean dan variance dari variabel acak binomial:
n
n

n!
x
n x
= E[ X ] = x b( x; n; p ) = x
p (1 p )
n
x ! (n x) !

x=n0 ( n 1) !
x= 0
= 0 +
p p x 1(1 p )((n 1) ( x 1))
x=1 ( x 1) ! (( n 1) ( x 1)) !
Jika y = x ( 1
dan m = n ( 1 maka

np

E[ X ]

np

y= 0

m!
y
m y
p (1 p )
y ! (m y )!

E X 2

= x 2 b(x; n, p) =
n
n ! x= 0
x
nx
0 + x
=
p (1 p )
( x 1)! ( n x)!
x=1

np b(y; m, p)

np 1

y= 0

n!

x x! (n x)! p (1 p )
n!
( x 1 1) ( x 1)! (n x)! p
2

n x

x= n
0

(1 p ) n x

x=1

0 +

x= 2

n!
x
n x
+
p (1 p )
( x 2)! (n x)!

n!

( x 1)! (n x)! p

(1 p ) n x

x 1

Karena yang kedua dari penjumlahan ini, yang diturunkan dari E[X] di atas adalah sama dengan
E[X], sehingga

Jika

E X 2

( n 2) !
x2
(( n 2 ) ( x 2 ))
+
p (1 p )
x 2 ( x 2) ! (( n 2) ( x 2)) !
n

n ( n 1) p 2

y = x ( 2 dan m = n ( 2 maka

Sehingga

E X 2

m!
y
m y
+
p (1 p )
m
y 0 y ! (m y )!
2
= n (n 1) p b( y; m, p) + = n (n 1) p 2 +
=

n ( n 1) p 2
y 0

V[X] = E[X 2 ] ( (E[X])2


= n(n-1)p2 + np ( n2p2 = n2p2 ( np2 + np ( n2p2 = np(1 ( p)

Contoh 6.6:
Tentukan probabilitas yang di bawah ini saat empat dadu dilempar ke atas sebanyak satu kali:
(a) tepat satu kali mata dadu 5 dan mata dadu 6 yang muncul
(b) setidaknya satu kali mata dadu 5 dan mata dadu 6 muncul
(c) Berapa kali, rata-rata dapat diharapkan satu mata dadu 5 atau mata dadu 6 akan muncul?
Jika X = (banyak kali mata dadu 5 atau 6 yang muncul), maka P[ X = x ] = b(x; 4, 1/3) .
[dapat dicek bahwa semua kondisi p.m.f. untuk distribusi binomial terpenuhi.]
(a)

P[X = 1] = b(1; 4, 1/3) =

1 2
C1
3 3
(b)
P[X ( 1 ] = 1
P[X < 1] = 1 P[X = 0] =

2
1
3
(c)
E[X] = np = 4/3
1.333

32
.395061K .395
81

65
.802 469K .802
81

Catatan bahwa limit/batas dari fungsi probabilitas binomial adalah saat n ( ( dan p ( 0 dengan
suatu cara ini akhirnya dimana ( menjadi konstan sehingga mengikuti Distribusi Poisson.
Contoh 6.7:
Suatu proses produksi dalam pabrik mempunyai laju kerusakan produk 2%. Berapa jumlah sampel
minimum produk dimana probabilitas setidaknya satu dari produk yang rusak melebihi 95%?
Dengan kata lain, cari n minimum dimana P[X > 0] > 0.95
saat P[X = x] = b(x; n, 0.02) .
P[X > 0] = 1 P[X < 0]
= 1 P[X = 0] =
= 1 (0.98) n
Yang ingin dicari adalah P[X > 0] > 0.95

1 (0.98) n > 0.95

1 0.95 > (0.98) n

ln(1 0.95) > ln((0.98) n )

ln(0.05) > n ln(0.98)

[sign
negative divisor]
(

n > 148.28...

nmin = 149

Pengecekan,

reverses

ln(.05)
2.9957 K

ln(.98)
0.0202K

[bukan 148, seperti yang dapat terlihat di bawah ini.]

n = 148 ( P[X > 0] = 1 ( (0.98)148 ( 94.97%


n = 149 ( P[X > 0] = 1 ( (0.98)149 ( 95.07%

6.3. Distribusi Poisson


b(x; n, p) ( Poisson(x; ( ) as n ( ( with ( = constant
Pembuktian:
n!
. Karena ( = np ( p = b(x; n, p ) =
x
n x
p (1 p )
( / n , sehingga
x ! ( n x)!
x

n ( n 1) ( n 2) ( n x + 1) ( n x)!
b ( x; n, p )


1 x
x x ! n
1
x!
n
x

=
Poisson(x; ()

=
lim b( x; n, p )

p 0
np

n x

x
x ! (n x)!
n
n
n n 1 n 2
n x +1

...
1 n

1
2

n x 1
n
n
n
n

1
1 1 1 ... 1 n

x
n
n
n x e
n

(1 0 ) x (1 0 ) x lim 1
=
n
x!
n
x!

Catat juga bahwa V[X] = np (1 ( p) ( ( (1 ( 0) = (.

Distribusi Poisson digunakan untuk mengamati jumlah kejadian-kejadian khusus yang terjadi
dalam satu satuan waktu atau ruang, yang memenuhi kondisi-kondisi berikut:
1. Suatu eksperimen yang meliputi pencacahan banyaknya suatu peristiwa terjadi dalam
setiap satuan unit yang ditentukan (unit waktu atau ruang).

2. Probabilitas peristiwa tersebut adalah sama untuk setiap satuan unit.


3. Banyaknya peristiwa yang terjadi dalam setiap satuan unit saling bebas terhadap
banyaknya peristiwa yang terjadi pada setiap satuan unit yang lainnya.
Contoh 6.7:
Suatu proses Poisson mempunyai fungsi probabilitas yang didefenisikan oleh:

dimana ( =
e x
E[X].

x 0,1,2,. .

Tunjukkan
bahwa
f(x) f ( x) P X x x!
merupakan fungsi distribusi
0
probabilitas.
x

(a)

( untuk semua x ( ( dan


x = 0. Sehingga f(x) ( 0.
(

f ( x)

lainnya

e
>0
x!

-
x
=
e x!
x 0

e-

x 0

x
x!

Contoh 6.7(a) (sambungan)


Karena e x

Sehingga

Maka
f(x)
merupakan fungsi x
distribusi probabilitas.

x
=

n!
n 0
f ( x) e x e 1

Dalam pabrik yang memproduksi kabel berisolasi, jumlah pecah/retak pada kabel dimodelkan
menurut Distribusi Poisson dengan laju rata-rata keretakan adalah 3.4 retak per meter. Tentukan
probabilitas bahwa:
(b)

ada kurang dari 20 retak dalam 5 meter kabel.

(c)

ada tepat 20 retak dalam 5 meter kabel.


(b) ( = 3.4 (retak per meter) ( 5 (meter) = 17
P X 20

19

e17
x 0

17 x
17
17 17
17 17 17
e17 1


x!
1
1 2
1 2 3

Atau P[X < 20] = 0.7363217... .

Sehingga P [kurang dari 20 retak dalam 5 meter kabel adalah] ( 0.7363


(c)

P[X = 20] = ( 0.0692

17

17
20 !

20

1719

19!

Untuk menentukan nilai probabilitas pada contoh 7.7 di atas, di bawah ini ekstrak dari
lembar kerja Excel. Nilai parameter dari Distribusi Poisson yaitu = 17 pada bagian
(b) dan (c), tetapi = 0.85 pada bagian (d) dan (e).
Pada bagian (b), P[X < 20] = P[X < 19], jadi tentukan nilai dari probabilitas kumulatif
Poisson F (19; 17).
Pada bagian (c), cari P[X = 20], jadi tentukan nilai p.m.f. Poisson. f (20; 17).

17
x
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

p.m.f.
P[X = x]
0.02300
0.03554
0.05036
0.06585
0.07996
0.09062
0.09628
0.09628
0.09094
0.08136
0.06916
0.05599
0.04326
0.03198
0.02265
0.01540

x
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

kumulatif
P[X x]
0.04912
0.08467
0.13502
0.20087
0.28083
0.37145
0.46774
0.56402
0.65496
0.73632
0.80548
0.86147
0.90473
0.93670
0.95935
0.97476

Setiap 20 retak/pecah pada kabel, rata-rata dapat menyebabkan kegagalan fungsi serius
pada sistem yang dihubungkan dengan kabel tersebut. Tentukan probabilitas dari:
(d)

tidak ada keretakan serius dalam 5 meter kabel.

(e)

kurang dari tiga keretakan serius dalam 5 meter kabel.

(d)

Setiap 20 retak/pecah pada kabel, rata-rata dapat menyebabkan kegagalan fungsi


serius (

( ( 17/20 = 0.85

P[X = 0] = ( 0.4274

0.85

(0.85)
0!

(e)

P[X < 3]
=

0.85

x 0

(0.85)
x!

1+

0.85

0.85 (0.85 )
+
1
2

( 0.9451
[Catat bahwa probabilitas distribusi Poisson ditabelkan juga dalam berbagai buku statistik,
misalnya pada Tabel I buku karangan Hines, W.W. dan Montgomery, D. C., Probabilitas
dan Statistik dalam ilmu Rekayasa dan Manajemen, Edisi kedua.
Pada bagian (d), tentukan P[X = 0], jadi tentukan nilai p.m.f. Poisson f (0; 0.85).
Pada bagian (e), P[X < 3] = P[X < 2], jadi tentukan nilai kumulatif Distribusi Poisson F(2; 0.85)

0.85
x
2
1
0
1
2
3
4
5
6
7
8
9
10

p.m.f.
P[X = x]
0.00000
0.00000
0.42741
0.36330
0.15440
0.04375
0.00930
0.00158
0.00022
0.00003
0.00000
0.00000
0.00000

x
2
1
0
1
2
3
4
5
6
7
8
9
10

c.d.f.
P[X x]
0.00000
0.00000
0.42741
0.79072
0.94512
0.98887
0.99817
0.99975
0.99997
1.00000
1.00000
1.00000
1.00000

Untuk setiap proses Distribusi Poisson,


E[X] = V[X] = (
e x
x
x !
x 0

Pembuktian:
E[X] =
Jika

= 0 +

e x
( x 1)!
x 1

x!

= ( x 1)!
x

y = x ( 1 , maka

E[X] =
Sehingga E[X] = ( .

y 0

y 1

y!

y 0

y
y!

= e e

E[X 2] =
=
= (
( e e
(
Karena
Sehingga

x
2 e

y+1x

( y + 1)x !
e
x

=
E[X] + y
y!
0
= (2+


x
ye x
= 0 +

)!
e x 1 ( x+ 1
e
y!
y 0

V[X] = E[X 2 ] ( (E[X])2 .


V[X] = ( 2 + ( ( ( 2 = (

(and ( = (( ).

y 0

y
y!

6.3. Distribusi Hipergeometrik


Distribusi hipergeometrik sangat erat kaitannya dengan Distribusi binomial. Seperti
yang dijelaskan pada Contoh 6.3 di atas bahwa perbedaan keduanya adalah bahwa pada
Distribusi hipergeometrik, percobaan tidak bersifat independent (bebas). Artinya antara
percobaan yang satu dengan percobaan yang lainnya saling berkait. Selain itu probabilitas
sukses berubah (tidak sama) dari percobaan yang satu ke percobaan yang lainnya.
Notasi-notasi yang biasa digunakan dalam Distribusi hipergeometrik:
r

: menyatakan jumlah unit/elemen dalam populasi berukuran N yang dikategorikan


atau diberi label sukses

N-r
n

: menyatakan jumlah unit/elemen dalam populasi yang diberi label gagal


: ukuran sampel yang diambil dari populasi secara acak tanpa pengembalian
(without replacement)

: jumlah unit/elemen berlabel gagal diantara n unit/elemen

Untuk mencari probabilitas x sukses dalam ukuran sampel n, kita harus memperoleh x
sukses dalam populasi, dan n-x gagal dari N-r gagal. Sehingga fungsi probabilitas
hipergeometrik didefenisikan sebagai berikut:
r

dimana : p(x) = probabilitas x p ( x)

Cx

N r
N

C n x

Cn

,0 x r

sukses (atau jumlah sukses


sebanyak x) dalam n percobaan
n

= jumlah percobaan

= jumlah elemen dalam populasi

= jumlah elemen dalam populasi berlabel sukses

Persyaratan yang harus dipenuhi oleh sebuah Distribusi hipergeometrik:


1. Percobaan diambil dari suatu populasi yang terbatas, dan percobaan dilakukan
tanpa pengembalian (without replacement).
2. Ukuran sampel n harus

dari 5% dari populasi N (5% dari N)

Contoh 6.8:
Sebuah lot produksi terdiri dari 100 buah produk yang 5 diantaranya cacat. Jika dari lot
tersebut dipilih sampel sebanyak 5 buah produk tanpa adanya pergantian, maka;
(a) Berapa probabilitas bahwa dari pemilihan secara acak didapat 2 yang tidak cacat
(b) Berapa probabilitas bahwa dari pemilihan secara acak didapat sebanyak-banyaknya

3 buah produk yang cacat dalam sampel (atau probabilitas sekurang-kurangnya 2


buah produk baik).
Jika x = probabilitas produk yang tidak cacat
x=
0,1,2,3,4,5
(a)

95

p h ( x; n, r , N ) p h ( x;5,95,100)
95

C x C 5 x
100

C5

C 2 C3
p h ( x; n, r , N ) pPh ((2X;5,95
,
100
)

0,000593
2) 1 ( X 100
2)
C5

(b)

1 Fn (1;5,95,100) 1 p h (k ;5,95,100)

1 p h (0,5,95,100) p h (1;5,95,100)k 0 1 0,000006 0,999994

Distribusi Probabilitas Bersama (hanya untuk variabel diskrit)


Fungsi probabilitas bersama dari dua variabel acak Diskrit X, Y adalah
p(x, y) = P[ X = x DAN Y = y ]
Fungs probabilitas marginalnya adalah
= P[X = x]

x)
pYX ( y

p ( x, y )
y
x

Contoh 7.8
Tentukan p.m.f marginal untuk fungsi probabilitas bersama berikut.
p(x, y)

y=3

y=4

y=5

pX(x)

x=0

0.30

0.10

0.20

0.60

x=1

0.20

0.05

0.15

0.40

pY(y)

0.50

0.15

0.35

[Cek bahwa kedua p.m.fs marginal (jumlah total baris dan kolom), semuanya 1.]
Variabel acak diskrit X dan Y bersifat independent jika dan hanya jika
p(x, y) = pX(x) ( pY(y)
Pada Contoh 7.8,

( (x, y)

pX(0) ( pY(4) = 0.60 ( 0.15 = 0.09 , tetapi

Sehingga X dan Y adalah dependent,


[meskipun

p(x, 3) = pX(x) ( pY(3) untuk x = 0 dan x = 1 !].

p(0, 4) = 0.10 .

Untuk setiap dua possible events A dan B , probabilitas bersyaratnya didefenisikan oleh
, yang menuju pada fungsi- P[ A | B ]
fungsi probabilitas bersyarat
dan .

P[ A B ]
P[ B ]

p ( x, y )
pYX ( yx)

p
( xy | yx)
YX| |X
Y

Pada Contoh 7.8,

pY|X(5|0) artinya P[Y = 5 | X = 0].


p(0, 5) artinya P[X = 0 and Y = 5]

pX(0)

artinya

P[X = 0]

p (0, 5)
p X ( 0)

pY | X (5 | 0)

0.20
0.60

1
3

Bandingkan dengan P[Y = 5] = 0.35 :


peristiwa X = 0, Y = 5 tidak begitu independent!
p(x, y)

y=3

y=4

y=5

pX(x)

x=0

0.30

0.10

0.20

0.60

x=1

0.20

0.05

0.15

0.40

pY(y)

0.50

0.15

0.35

Nilai Harapan (Expected Value):

E[ h( X , Y )]

h ( x, y ) p ( x, y )
x y

Ukuran tingkat dependence (kebebasan)nya adalah nilai kovarians dari X dan Y :


Kov[ X , Y ] E X E[ X ] Y E[Y ]
= E[ X
Y ] ( E[ X ]( E[ Y ]
Catat bahwa

V[ X ] = Kov[ X, X ] .

Pada Contoh 7.8:

x y p ( x, y)
x y
X

p(x, y)

y=3

y=4

y=5

pX(x)

x=0

0.30

0.10

0.20

0.60

x=1

0.20

0.05

0.15

0.40

pY(y)

0.50

0.15

0.35

E X

x p x 0 .60 1 .40
E Y
y p y
E
xy
p5 x,.3y 5

3XY.50
4 .15

x 0

y 3

x 0 y 3

x(y
0
1

0.40

3
0 ( 3 ( 0.30
1 ( 3 ( .20

4
0 ( 4 ( 0.10
1 ( 4 ( 0.05

3.85
5
0 ( 5 ( 0.20
1 ( 5 ( 0.15

= 0 + 0 + 0 + 0.60 + 0.20 + 0.75


= 1.55

Kov[ X, Y ]

E[ X Y ] ( E[ X ]( E[ Y ]

1.55 0.40(3.85

0.01

Catat bahwa Kovarians tergantung pada unit-unit pengukuran. Jika X di-re-scaled dengan suatu
faktor c dan Y dengan faktor k , maka
Kov[ cX, kY ] = E[ cXkY ] ( E[ cX ]( E[ kY ] = ck E[ X Y ] ( c E[ X ]( k E[ Y ]
= ck (E[ X Y ] ( E[ X ]( E[ Y ] ) = ck ( Kov[ X, Y ]
Kasus khusus: V[ cX ] = Kov[ cX, cX ] = c2 ( V[ X ] .
Ketergantungan Kovarians terhadap unit-unit pengukuran variabel acak tersebut dapat dieliminasi
dengan membagi Kovarians dengan nilai rata-rata (mean) geometrik varians dari dua variabel acak
tersebut:
Koefisien korelasi dari X dan Y adalah

Pada Contoh 7.8,

Kor( X, Y ) = ( X, Y =

Kov[ X , Y ]
V[ X ] V[Y ]

Kov[ X , Y ]
X Y

E X 2

x 0

p X x 02 .60 12 .40 0.40

V[ X ] = E[X2]
(E[X])2 = 0.40 (0.40)2 = 0.24

V[ Y ] = 15.65 (3.85)2
= 0.8275

E Y 2

Untuk

suatu

y
y 3

distribusi

pY y K 15.65

0.01
0.022 4
0.24 0.8275

probabilitas bersama yang uniform (seragam): n possible points, p(x, y) = 1/n untuk masingmasingnya.

Cov X , Y

[Saat

1
x X y Y
n

tepat
= 1 ,
maka
tepat
Y = aX + b , dengan tanda(a) = .]
Umumnya, untuk konstanta a, b, c, d, dengan a dan c keduanya positif atau keduanya negatif,
Kor( aX + b , cY + d ) = Kor( X , Y )
Juga:

(1 ( ( ( +1.

Rule of thumb:
| ( | ( 0.8

0.5 < | ( | < 0.8 (


| ( | ( 0.5

Korelasi kuat
Korelasi moderat
Korelasi lemah

Dalam contoh di atas, ( = 0.0224 (


X , Y adalah independent

Korelasi sangat lemah (hampir tidak berkorelasi).

p(x, y) =

E[XY] = x y p(x) p(y) = x p(x) y p(y) = E[X] E[Y]

Kov[X , Y ] = 0 . Sehingga menuju kepada

X , Y independent

X , Y tidak berkorelasi (( = 0) , tetapi

X , Y tidak berkorelasi

X , Y independent .

Contoh 7.9:
Jika titik-titik yang terlihat pada grafik terdistribusi sama, dan nilai Y seluruhnya ditentukan oleh
nilai dari X . Oleh karenanya kedua variabel acak sangat bersifat dependent. Tetapi keduanya
tidak berkorelasi!

Y = X2

(dependent)

E[X] = 0

(simetris)

E[XY] = E[X 3] = 0

(sim.)

Kov(X, Y) = E[XY] E[X] E[Y]


= 0 0(E[Y] = 0
Sehingga = 0 !

Discrete Probability Distributions

Page 7-26