Anda di halaman 1dari 6

Contoh Soal dan Jawaban

1. Distribusi Binomial
1. Probabilitas bahwa sejenis komponen tertentu yang akan bertahan terhadap sebuah uji kejut adalah ¾.
Carilah probabilitas dimana 2 dari 4 komponen yang selanjutnya diuji akan bertahan.
Jawab :
Diketahui x = 2 ; n = 4 ; p = ¾, maka :
2 2
3  4  3   1  4! 9 1 27
P(X = 2) = f(2) = b(2;4, )        . . 
4  2  4   4  2!.2! 16 16 128
2. Probabilitas bahwa seorang pasien sembuh dari penyakit darah yang langka adalah 0,4. Bila 15 orang
diketahui telah terkena penyakit ini, berapakah probabilitas :
a. Paling sedikit 10 orang yang selamat.
b. Dari 3 sampai 8 orang yang selamat.
c. Tepat 5 orang yang selamat.
d. Hitung rata-rata dan variansinya.
Jawab :
Misalkan X menyatakan banyaknya orang yang selamat.
Untuk menyelesaikannya, akan lebih mudah bila digunakan tabel distribusi binomial. Sehingga
penyelesaiannya adalah :
a. P(paling sedikit 10 orang yang selamat) = P(X ≥ 10)
9
P( X  10)  1  P ( X  10)  1   b( x;15;0,4)  1  0,9662  0,0338
x 0

b. P(3 sampai 8 orang yang selamat) = P(3  X  8)


8 2
P(3  X  8)   b( x;15;0,4)   b( x;15;0,4)  0,9050  0,0271  0,8779
x 0 x 0
c. Tepat 5 orang yang selamat.
5 4
P( X  5)   b( x;15;0,4)   b( x;15;0,4)  0,4032  0,2173  0,1859
x 0 x 0

d. Rata-rata =   np  (15).(0,4)  6
Variansi =  2  npq  (15).(0,4).(0,6)  3,6
3. Jika terdapat 2000 keluarga yang mempunyai 4 anak, sedangkan karena sesuatu hal keluarga tersebut
kemungkinan mempunyai anak laki-laki adalah 0.6 , maka banyaknya keluarga yang mempunyai
 seorang anak laki-laki
 4
2000  b(1;4,0.6)  2000   (0.6)(0.4) 3  2000  0.1536  307.2  307 keluarga
1
 paling sedikit seorang anak laki-laki
2000 b(1;4,0.6)  b( 2;4,0.6)  b(3;4,0.6)  b( 4;4,0.6)  20001  b(0;4,0.6)
 20001  0.0256  1948.8  1949 keluarga
penyelesaian dengan menggunakan tabel :
4
 0

2000   b( x,4,0.6)  2000  1   b( x,4,0.6)   2000  1  0.0256  1948.8  1949
x 1  x0 
keluarga
 seorang anak wanita
P(seorang anak wanita) = P(3 orang anak laki-laki) = P( X = 3)
 3 2

2000  b(3;4,0.6)  2000    b( x;4,0.6)   b( x;4,0.6) 
 x 0 x 0 
= 2000 x (0,8704 – 0,5248)
= 2000 x 0,3456 = 691,2 ≈ 691 kelurga

1
atau bisa dihitung dengan cara :
P(seorang anak wanita) = P(Y = 1), dimana Y adalah banyaknya anak perempuan dan kemungkinan
mempunyai anak perempuan adalah 0,4. Sehingga :
 1 0

2000 b(1;4,0.4)  2000   b( x;4,0.4)   b( x;4,0.4)   2000  0.4752  0.1296
 x 0 x 0 
= 2000 x 0,3456 = 691,2 ≈ 691 kelurga

2. Distribusi Hipergeometrik
Contoh 1:
Pada suatu kotak terdapat 5 kelereng merah, 4 kelereng biru dan 4 kelereng kuning, ke-mudian diambil 4
kelereng. Hitung probabilitas terdapatnya 2 kelereng merah.
Jawab :
 5  8  5! 8! 5 4 8 7
    
2 2
h ( x; N, n , k )      2! 3! 2! 6!  2 2  0.392
13  13! 13  12  11  10
 
4 4! 9! 43 2

Contoh 2 :
Pada Contoh diatas, N terdiri dari 3 bagian, yaitu merah, biru dan kuning masing-masing a1  5 , a 2  4 dan
a 3  4 . Jika pada pengambilan 4 kelereng itu terdapat 2 kelereng merah dan 2 kelereng kuning, berarti
x1  2 , x 2  0 dan x 3  2 , maka probabilitasnya adalah
 5  4  4  5! 4! 5 4 4 3
     1 
2 0 2
f ( 2,0,2;5,4,4,13,4)       2! 3! 2! 2!  2 2  0.084
 
13 13 ! 13  12  11  10
 
4 4! 9! 4  3 2

Bila n cukup kecil dibandingkan dengan N, maka distribusi hipergeometrik mendekati distribusi
Binomial.

Contoh 3 :
Suatu pabrik ban melaporkan bahwa dari 5000 ban yang dikirimkan ke suatu toko ter-dapat 1000 ban yang
1000
cacat, berarti P(cacat )  p   0.2 . Bila seseorang membeli 10 ban, maka probabilitas terdapat 3
5000
ban yang cacat dapat dicari dengan
a. Distribusi binomial
10 
b(3;10,0.2)   (0.2) 3 (0.8) 7  0.2013
3
b. Distribusi hipergeometrik
1000  4000  1000! 4000!
   
 3  7  3! 997! 7! 3993!  0.2015
h (3;5000,10,1000)  
 5000  5000 !
 
 10  10! 4990!
Dari kedua hasil di atas, ternyata nilai probabilitasnya hampir sama, karena n  10 cukup kecil dibanding
N  5000 .

2
3. Distribusi Poisson
Contoh 1 :
Selama percobaan laboratorium, rata-rata partikel radioaktif yang melewati suatu alat pencacah dalam 1
milidetik adalah 4. Berapa probabilitas 6 partikel memasuki alat pencacah tersebut dalam suatu milidetik yang
diketahui?
Penyelesaian :
Diketahui rata-rata partikel radioaktif yang melewati suatu alat pencacah dalam 1 milidetik  = 4. sehingga :
e 4 4 6 (0,0183)(4096)
p ( x;  )  p (6,4)    0,1041
6! 720

Dengan menggunakan bantuan Tabel Distribusi Poisson diperoleh hasil :

x 6 x 5
p( x;  )  p (6,4)   p ( x,4)   p ( x,4)  0,8893  0,7851  0,1042
x 0 x 0

Contoh 2 :
Jumlah rata-rata kapal tanki minyak datang setiap hari disebuah bandar pelabuhan tertentu. Fasilitas pada
pelabuhan itu dapat menangani paling banyak 15 kapal tanki per hari. Berapa probabilitas pada suatu hari
yang diketahui tangki-tangki harus berbalik arah karena pelabuhan sudah penuh? Probabilitas hari tertentu
terdapat 10 tanker?.
Penyelesaian :
Misalkan X sebagai jumlah kapal tangki yang datang setiap hari.
 Probabilitas pada suatu hari yang diketahui tangki-tangki harus berbalik arah karena pelabuhan sudah
penuh adalah
x 15
P ( X  15)  1  P ( X  15)  1   p ( x,10)  1  0,9513  0,0487
x 0
 Probabilitas hari tertentu terdapat 10 tangki adalah
e 10 1010
p(10;10)   0.125
10!

Contoh 3 :
Di suatu simpang jalan rata-rata terjadi 6 kecelakaan sebulan, maka hitunglah probabilitas :
- Pada suatu bulan tertentu di simpang jalan itu terjadi 7 kecelakaan
- Pada suatu bulan tertentu di simpang jalan terjadi minimal 4 kecelakaan
- Pada suatu minggu tertentu di simpang jalan itu terjadi 4 kecelakaan
Penyelesaian :
 Pada suatu bulan tertentu di simpang jalan itu terjadi 7 kecelakaan adalah
e 6 6 7
Di sini   6 dan x  7 maka probabilitasnya p(7;6)   0.1377
7!
 Pada suatu bulan tertentu di simpang jalan terjadi minimal 4 kecelakaan adalah
Di sini   6 dan x  4,5, maka probabilitasnya adalah P( X  4)  1  P (X  3)
3
 1  p( x; )  1   p(0;6)  p(1;6)  p(2;6)  p(3;6) 
x 0
 1   p(0;6)  p(1;6)  p(2;6)  p(3;6)  1  .0025  .0149  .0446  .0892  0.8488
Dengan menggunakan tabel diperoleh hasil :
x 3
P( X  4)  1  P( X  3)  1   p( x,6)  1  0,1512  0,8488
x 0
 Pada suatu minggu tertentu di simpang jalan itu terjadi 4 kecelakaan adalah

3
6
Satu bulan terjadi 6 kecelakaan, berarti 1 minggu terjadi  1.5 kecelakaan, ma-ka   1.5 dan
4
e 1.5 (1.5) 4
x  4 , sehingga probabilitasnya p( 4;1.5)   0.0471
4!

4. Hubungan Distribusi Poisson dengan Distribusi Binomial


Contoh 4 :
Dalam suatu proses produksi yang menghasilkan barang dari gelas, terjadi gelembung atau cacat yang
menyebabkan barang tersebut sukar dipasarkan. Rata-rata 1 dari 1000 ba-rang yang dihasilkan mempunyai
satu atau lebih gelembung, maka probablitas dalam sampel random sebesar 8000 barang akan berisi kurang
dari 7 yang bergelembung dapat dihitung sebagai berikut.
Dari sini p  0.001 dan n  8000 , maka   np  (8000)(0.001)  8 , sehingga
6
P ( X  7)   p( x,8) 0.3134
x 0

5. Distribusi Normal
Contoh 1 :
Suatu jenis baterai mobil rata-rata berumur 3 tahun dengan simpangan baku 0.5 tahun. Bila umur baterai
dianggap berdistribusi normal, maka probabilitas umur baterai itu
 antara 3 sampai 3.5 tahun, yaitu
 3  3 X   3.5  3 
P(3  X  3.5)  P     P(0  Z  1)
 0.5  0.5 
 P ( Z  1)  P ( Z  0)
 0,8413  0,5000  0,3413
0 1

 kurang dari 4.36 tahun, yaitu


 X   4.36  3 
P( X  4.36)  P    P( Z  2.72)
  0.5 
 0.9967
0 2.72

 lebih dari 4.36 tahun, yaitu


 X   4.36  3 
P( X  4.36)  P    P( Z  2.72)
  0.5 
 1  P ( Z  2,72)  1  0,9967  0.0033

0 2.72

Contoh 2:
Diketahui variabel random X mempunyai distribusi normal dengan rata-rata 18 dan standar deviasi 2,5.
Hituglah:
o P(X < 15)
o P(17 < X < 21)
o Nilai k sehingga P(x < k) = 0,2578
Jawab :
X  berdistribusi normal dengan  = 18 dan  = 2,5.
Sehingga:
 15  18 
o P(X < 15)  P Z    P ( Z  1,2)  0,1151
 2,5 

4
 17  18 21  18 
o P(17 < X < 21)  P Z   P   0,4  Z  1,2 
 2,5 2,5 
 P ( Z  1,2)  P ( Z  0,4)  0,8849  0,3446  0,5403
 k  18 
o Nilai k sehingga P(x < k) = 0,2578  P Z    0,2578  P Z  0,65  0,2578
 2,5 
k  18
Sehingga diperoleh 2,5  0,65  k  18  ( 0,65)(2,5)  k  18  1,625  k  19,625

Contoh 3:
Dari pengiriman sebanyak 1000 im kertas koran dengan berat 60 gram diketahui bahwa rata-rata tiap rimnya
berisi 450 lembar dengan standar deviasi 10 lembar. Jika distribusi jumlah kertas per rim tersebut berdistribusi
normal, berapa persen dari rim kertas itu yang berisi 455 lembar atau lebih?
Jawab :
X = jumlah kertas per rim  berdistribusi normal dengan  = 450 lembar dan  = 10 lembar.
Sehingga
P(berisi 455 lembar atau lebih) = P(X > 455)
= 1 – P(X < 455)
 455  450 
= 1 - P Z  
 10 
= 1 – P(Z < 0,5) = 1 – 0,6915 = 0,3085
Jadi persentase dari rim kertas itu yang berisi 455 lembar atau lebih adalah 0,3085 x 100% = 30,85%

Contoh 4:
Suatu percobaan mengenai ukuran ruang memori dengan menggunakan metode Quickshort menyatakan
bahwa ukuran penggunaan ruang memori berdistribusi normal dengan rata-rata 510,8 byte dan simpangan
baku 40,67 byte.
o Berapa persen dalam percobaan tersebut ditemukan ruang memori yang melebihi 600 byte.
o Jika ditemukan 10 buah percobaan mempunyai ruang memori berkisar antara 500 sampai dengan 550
byte, berapakah jumlah percobaan yang telah dilakukan oleh peneliti?
o Jika dalam percobaan tersebut ditemukan bahwa 10% hasil terendah, berapakah ukuran memori tertinggi
dari kelompok hasil percobaan dengan ukuran memori terendah tersebut?
Jawab:
X = ukuran penggunaan ruang memori  berdistribusi normal dengan  = 510,8 byte dan  = 40,67 byte
Sehingga:
 600  510,8 
o P(X > 600) = 1  P ( X  600)  1  P Z    1  P ( Z  2,19)  1  0,9857  0,0143
 40,67 
Jadi ditemukan ruang memori yang melebihi 600 byte adalah 0,0143 x 100% = 1,43%.
 500  510,8 550  510,8 
o P(500 < X < 550)  P Z   P ( 0,26  Z  0,96)
 40,67 40,67 
= P ( Z  0 ,96)  P ( Z  0, 26)  0 ,8315  0,3974  0,4341
= 0,4341 x 100% = 43,41%
10 1000
43,41% x n = 10  n = 43,41%  43,41  23,04  23 percobaan
Jadi jumlah percobaan yang telah dilakukan oleh peneliti sebesar 23 percobaan.

 k  510,8 
o P(X < k) = 10%  P Z    0,10  P Z  1,28  0,10
 40,67 
k  510,8
 1,28  k  510,8  (1,28)(40,67)  k  510,8  52,0576  k  458,7424
40,67

5
Jadi ukuran memori tertinggi dari kelompok hasil percobaan dengan ukuran memori terendah tersebut
adalah 458,7424 byte.

6. Hubungan Distribusi Normal dan Distribusi Binomial


Contoh 3 :
Suatu proses produksi menghasilkan sejumlah barang yang cacat sebanyak 10%. Bila 100 barang diambil
secara random, maka probabilitas banyaknya cacat melebihi 13 dihitung dengan cara demikian
Masalah disini berdistribusi binomial dengan n  100 dan p  0.10 , maka   np  10 dan
  npq  (100)(0.1)(0.9)  3 , sehingga

13
P ( X  13)  1  P ( X  13)  1   b( x;100,0.10)
x 0

 13,5  10 
 1  P X  13,5  1  P Z    1  P ( Z  1,17)
 3 
 1  0,8790  0,1210
0 1.17

Contoh 4 :
Suatu soal ujian matematika terdiri dari 80 soal, masing-masing terdiri dari 4 pilihan ja-waban dan hanya satu
jawaban yang benar.
Di sini n  80 dan p  1 4  0.25 ,
maka   (80)(0.25)  20 dan σ  (80)(0.25)(0.75)  3.87 , sehingga

 probabilitas seorang murid dapat menjawab 28 soal dengan benar


 27.5  20 28.5  20 
P( X  28)  P( 27.5  X  28.5)  P Z   P1.94  Z  2.20
 3.87 3.87 
 P Z  2.20  P Z  1.94
 0.9861  0.9738  0.0123

1.94 2.20

 probabilitas seorang murid dapat menjawab 15 sampai 23 soal dengan benar


 14.5  20 23.5  20 
P(15  X  23)  P (14.5  Z  23.5)  P Z 
 3.87 3.87 
 P  1.42  Z  0.90  P Z  0.90  P Z  -1.42 
 0.8159  0.0778  0.7381

1.42 0 0.90