DISTRIBUSI

PROBABILITA DISKRIT

BAHAN KULIAH MK ANALISIS DATA KATEGORIK

PADA SEKOLAH TINGG ILMU STATISTIK
2013

Agung Priyo Utomo - agung@stis.ac.id

 DISTRIBUSI PROBABILITA

KONSEP PENTING:
Variabel Acak (Random Variables)
Tipe Distribusi Probabilita (Diskrit & Kontinu)
Nilai harapan (Expected Value) dan Varian
(Variance)
Berbagai Jenis Distribusi Probabilita Diskrit
Binomial
Multinomial
Poisson
Negatif Binomial
Hypergeometrik

Agung Priyo Utomo - agung@stis.ac.id

 KONSEP PENTING

Variabel Acak (Random Variables)

Anderson (2002):
Variabel acak merupakan gambaran secara
numerik mengenai hasil dari suatu
percobaan

Walpole (1982):
Variabel acak merupakan suatu fungsi yang
nilainya berupa bilangan nyata yang
ditentukan oleh setiap unsur dalam ruang
contoh.

Agung Priyo Utomo - agung@stis.ac.id

 KONSEP PENTING (L)

Variabel acak dapat dibagi dalam 2 jenis:

Diskrit, yaitu bila suatu ruang contoh mengandung
jumlah titik contoh yang terhingga atau suatu barisan
unsur yang tidak pernah berakhir tetapi yang sama
banyaknya dengan bilangan cacah.
Contoh: Jumlah penderita HIV/AIDS pada tahun
tertentu, jumlah mahasiswa, jumlah anak jalanan, dsb
Kontinu, yaitu bila suatu ruang contoh mengandung
takhingga banyaknya titik contoh yang sama dengan
banyaknya titik pada sebuah ruas garis
Contoh: Pendapatan seseorang perbulan, skor
emosional seseorang, jarak antar wilayah, dsb

Agung Priyo Utomo - agung@stis.ac.id

DEFINISI DISTRIBUSI PROBABILITA

Distribusi probabilita untuk suatu random

variabel menggambarkan bagaimana
probabilita terditribusi untuk setiap nilai
random variabel.
Distribusi probabilita didefinisikan dengan
suatu fungsi probabilita, dinotasikan dengan
f(x), yang menunjukkan probabilita untuk
setiap nilai random variabel.
Ada 2 tipe distribusi probabilita:
1. Diskrit
2. Kontinu

Agung Priyo Utomo - agung@stis.ac.id

DISTRIBUSI PROBABILITA DISKRIT

Distribusi probabilita diskrit, yaitu apabila

random variabel yang digunakan diskrit.
Syarat:
a. p(x) 0 peluang suatu kejadian tidak
pernah bernilai negatif
b. p(x) = 1 total peluang semua
kejadian yang mungkin

Distribusi probabilita diskrit dapat

digambarkan dalam bentuk tabel, grafik,
maupun persamaan.

Agung Priyo Utomo - agung@stis.ac.id

DISTRIBUSI PROBABILITA DISKRIT (L)

Contoh distribusi probabilita diskrit

Misal data penderita gangguan mental di
wilayah xXx, distribusi probabilita adalah
sebagai berikut:
Jumlah penderita Jumlah desa X p(x)
0 80 0 0,40
1 50 1 0,25
2 40 2 0,20
3 10 3 0,05
4 20 4 0,10
200 1,00

Agung Priyo Utomo - agung@stis.ac.id

DISTRIBUSI PROBABILITA DISKRIT (L)

Representasi distribusi probabilita data

penderita gangguan mental di wilayah xXx
secara grafik:
Probabilita

Nilai variabel acak x (penderita gangguan mental)

Agung Priyo Utomo - agung@stis.ac.id
1. BINOMIAL

Sifat percobaan Binomial

Percobaan dilakukan dalam n kali ulangan yang
sama.
Kemungkinan yang terjadi pada tiap ulangan
hanya ada 2, yaitu sukses atau gagal.
Probabilita sukses yang dinotasikan dengan p
selalu tetap pada tiap ulangan.
Tiap ulangan saling bebas (independent).

Agung Priyo Utomo - agung@stis.ac.id

1. BINOMIAL (L)

Fungsi Probabilita Binomial

n!
f ( x) p x (1 p)(n x )
x! (n x )!
dimana x = banyaknya sukses yang terjadi
dalam n kali ulangan
p = probabilita sukses
n = banyaknya ulangan
Nilai Harapan (Expected Value): E(x) = = np
Varian: Var(x) = 2 = np(1 - p)

Agung Priyo Utomo - agung@stis.ac.id

 1. BINOMIAL (L)

CONTOH: RS xXx

Misalkan di RS xXx terdapat 3 orang pasien sakit

jantung, dan pimpinan RS yakin bahwa probabilita
pasien dapat sembuh adalah 0,1. Berapa probabilita
bahwa 1 orang akan sembuh?

Pada kasus ini, p = 0,1 n=3 x=1

Agung Priyo Utomo - agung@stis.ac.id

1. BINOMIAL (L)

CONTOH: RS xXx

3!
f (1) (0,1)1(0,9)2
1! (3 1)!
= (3)(0,1)(0,81) = 0,243

Nilai Harapan: E(x) = = np = 3.(0,1) = 0,3

Varian: Var(x) = 2 = np(1 - p) = 3(0,1)(0,9) = 0,27
Simpangan Baku: = 0,52

Agung Priyo Utomo - agung@stis.ac.id

1. BINOMIAL (L)

Binomial (Lanjutan)

CONTOH: RS xXx
Menggunakan Tabel Binomial

p
n x .10 .15 .20 .25 .30 .35 .40 .45 .50
3 0 .7290 .6141 .5120 .4219 .3430 .2746 .2160 .1664 .1250
1 .2430 .3251 .3840 .4219 .4410 .4436 .4320 .4084 .3750
2 .0270 .0574 .0960 .1406 .1890 .2389 .2880 .3341 .3750
3 .0010 .0034 .0080 .0156 .0270 .0429 .0640 .0911 .1250

Agung Priyo Utomo - agung@stis.ac.id

1. BINOMIAL (L)

Jika n , maka Bin(n,p) ~ Normal

Transformasi:
X E( X) X np
Z
Var ( X) npq

Penyesuaian variabel diskrit ke distribusi kontinu

diperlukan faktor koreksi kontinuitas (continuity
correction) sebesar |0,5|

Agung Priyo Utomo - agung@stis.ac.id

 KASUS

Suatu penelitian cross- Batuk

sectional dilakukan Total
Ya Tidak
dengan menentukan dan
Merok Ya 7 6 13
mengambil total ukuran
ok Tidak 4 8 12
sampel sebanyak 25
orang. Kemudian ditanya Total 11 14 25
apakah mereka sering
menderita batuk atau
tidak. Jawaban mereka Bila dipilih 10 orang secara acak dari
diklasifikasikan menurut kelompok tersebut, berapa peluang
yang terpilih 3 orang yg merokok
apakah mereka
sering menderita batuk, 2 orang
mempunyai kebiasaan tidak merokok sering menderita
merokok atau tidak. batuk, dan 5 orang tidak merokok yg
Datanya sbb: tidak sering menderita batuk?

Agung Priyo Utomo - agung@stis.ac.id

2. MULTINOMIAL

Contoh:
1. Pendapatan keluarga dapat
diklasifikasikan ke dalam 5 kelompok
2. Tikus dapat merespon suatu stimulus
dengan 3 cara
3. Produk suatu industri dapat
diklasifikasikan dalam kualitas baik,
kualitas sedang, kualitas buruk
4. Tingkat kecerdasan seseorang dapat
dikategorikan menjadi tinggi, sedang,
rendah

Agung Priyo Utomo - agung@stis.ac.id

2. MULTINOMIAL (L)

Definisi:
Bila suatu percobaan (trial) dpt menghasilkan
k outcomes O 1 , O 2 , , O k dg peluang p 1 , p 2 , ,
p k, maka variabel acak X 1 , X 2 , , X k yg
menyatakan banyaknya kejadian O 1 , O 2 , , O k
dlm n percobaan akan berdistribusi
multinomial dg fungsi peluang:
n! k xi
f ( x i ;pi ,n) P( X x i ) pi
x i! i1
Rata-rata: E(X i ) = = np i
Varian: Var(X i ) = np i (1-p i )

Agung Priyo Utomo - agung@stis.ac.id

2. MULTINOMIAL (L)

Jika n , maka Multinomial ~ 2 banyak

digunakan dalam cross-tabulation analysis
Sifat-sifat:
1. Terdiri dari n percobaan yang identik dan bersifat
bebas
2. Outcome dari tiap percobaan mpk salah satu dari k
kategori yg mungkin
3. Prob dr suatu kategori i (p i ) bersifat konstan dari satu
percobaan ke percobaan lain, dimana p 1 + p 2 ++ p k =
1
4. Pengamatan dan penghitungan dilakukan pada
banyaknya observasi dari outcome untuk tiap kategori,
yaitu O 1 , O 2 , , O k , dimana O 1 + O 2 + + O k = n

Agung Priyo Utomo - agung@stis.ac.id

KASUS
Distribusi binomial maupun multinomial
mensyaratkan bahwa ukuran sampel (n) tetap
Bagaimana jika kejadian atau percobaan
memiliki n yang tidak tetap atau bahkan tak
terhingga?
Contoh:
1. Banyaknya kecelakaan lalu lintas di suatu
persimpangan jalan selama waktu tertentu
2. Banyaknya siswa yang kesurupan di suatu sekolah
dalam suatu bulan tertentu
3. Banyaknya bakteri dalam suatu cairan persatuan
volume
4. Banyaknya orang stres di suatu wilayah dalam satu
minggu tertentu

Agung Priyo Utomo - agung@stis.ac.id

3. POISSON

Sifat percobaan Poisson

Peluang suatu kejadian adalah sama untuk 2
(dua) interval yang sama.
Kejadian pada suatu interval saling bebas
dengan kejadian pada interval yang lain
Peluang suatu kejadian sukses dalam suatu
percobaan tertentu adalah kecil
Jika n , dan p 0, maka np = , dimana
mpk parameter distribusi poisson
Merupakan pendekatan yg akurat untuk
distribusi binomial, khususnya jika np < 7

Agung Priyo Utomo - agung@stis.ac.id

 3. POISSON (L)
Fungsi Probabilita Poisson
x e
f ( x)
x = 0, 1, 2, x!
dimana
x = banyaknya kejadian pada interval waktu
tertentu
= rata-rata banyaknya kejadian pada interval
waktu tertentu
e = 2.71828

Rata-rata = Varian =

Agung Priyo Utomo - agung@stis.ac.id

3. POISSON (L)

CONTOH: RUMAH SAKIT MERCY

Di RS Mercy, rata-rata pasien mendatangi UGD
pada akhir minggu adalah 3 pasien per jam.
Berapa probabilita ada 4 pasien mendatangi UGD
pada akhir minggu?

= 3 pasien perjam, x = 4

3 4 (2,71828)3
f ( 4) 0,1680
4!
Berapa peluang lebih dari 3 pasien mendatangi
UGD pada akhir minggu?
Agung Priyo Utomo - agung@stis.ac.id
3. POISSON (L)

CONTOH: RUMAH SAKIT MERCY

Menggunakan Tabel Poisson

x 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3,0
0 ,1225 ,1108 ,1003 ,0907 ,0821 ,0743 ,0672 ,0608 ,0550 ,0498
1 ,2572 ,2438 ,2306 ,2177 ,2052 ,1931 ,1815 ,1703 ,1596 ,1494
2 ,2700 ,2681 ,2652 ,2613 ,2565 ,2510 ,2450 ,2384 ,2314 ,2240
3 ,1890 ,1966 ,2033 ,2090 ,2138 ,2176 ,2205 ,2225 ,2237 ,2240
4 ,0992 ,1082 ,1169 ,1254 ,1336 ,1414 ,1488 ,1557 ,1622 ,1680
5 ,0417 ,0476 ,0538 ,0602 ..0668 ,0735 ,0804 ,0872 ,0940 ,1008
6 ,0146 ,0174 ,0206 ,0241 ,0278 ,0319 ,0362 ,0407 ,0455 ,0504
7 ,0044 ,0055 ,0068 ,0083 ,0099 ,0118 ,0139 ,0163 ,0188 ,0216
8 ,0011 ,0015 ,0019 ,0025 ,0031 ,0038 ,0047 ,0057 ,0068 ,0081

Agung Priyo Utomo - agung@stis.ac.id

4. NEGATIVE BINOMIAL

Random variabel yang diamati menyatakan banyaknya

percobaan/trial untuk menghasilkan sukses yang ke-k
Ilustrasi:
x

Sukses ke-k
x1 trial
Fungsi peluang:
1
= (1 ) x = k, k+1, k+2,
1
k = 1, 2,

Rata-rata = E(X) =
(1)
Varian = Var(X) = 2
Agung Priyo Utomo - agung@stis.ac.id
5. HIPERGEOMETRIK

Pada distribusi hypergeometrik, antar ulangan

tidak bebas dan peluang sukses berubah dari
satu ulangan ke ulangan yang lain
Fungsi Probabilita Hipergeometrik

dimana
r N r
x = banyaknya sukses dalam
x n x
f ( x ) n kali ulangan
N n = banyaknya ulangan

n N = banyaknya elemen populasi
r = banyaknya sukses dalam
populasi

Agung Priyo Utomo - agung@stis.ac.id

5. HIPERGEOMETRIK (L)

CONTOH: BATERAI BOB

Bob berniat mengganti 2 baterai yang mati,
namun ia tidak sengaja mencampurnya dengan 2
baterai yang baru. Keempat baterai terlihat
identik. Berapa probabilita Bob mengambil 2
baterai yang masih baru?

r N r 2 2 2! 2!

x n x 2 0 2!0! 0!2! 1 0,167
f ( x)
N 4 4! 6

n 2 2!2!

Agung Priyo Utomo - agung@stis.ac.id

RANGKUMAN

Agung Priyo Utomo - agung@stis.ac.id

Problems

Agung Priyo Utomo - agung@stis.ac.id

 SEKIAN &
SEE YOU NEXT SESSION

Agung Priyo Utomo - agung@stis.ac.id