TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU
PEKANBARU
2019
KATA PENGANTAR
Puji syukur kami panjatkan kehadirat Tuhan Yang Maha Esa karena dengan rahmat dan
karunia-Nya kami dapat menyelesaikan makalah tentang Distribusi Probabilitas Geometrik
Hipergemometrik, Poisson, Distribusi Normal dan sifatnya, serta Probabilitas p(a<x>p), kami
harap makalah ini dapat berguna dalam rangka menambah wawasan serta pengetahuan kita
mengetahui tentang materi ini. Kami juga menyadari sepenuhnya bahwa di dalam makalah ini
terdapat kekurangan dan jauh dari kata sempurna. Oleh sebab itu, kami berharapa dan akritik,
saran dan usulan demi perbaikan makalah yang telah kami buat di masa yang akan datang,
mengingat tidak ada sesuatu yang sempurna tanpa saran yang membangun. Semoga makalah ini
dapat dipahami bagi siapapun yang membacanya. Sekiranya laporan yang telah disusun ini dapat
berguna bagi kami sendiri maupun orang yang membacanya. Sebelumnya kami mohon maaf
apabila terdapat kesalahan kata-kata yang kurang berkenan dan kami memohon kritik dan saran
yang membangun dari pembaca demi perbaikan makalah ini di waktu yang akan datang.
Penulis
i
DAFTAR ISI
Bab I Pendahuluan
1. Pendahuluan ...........................................................................................................................1
Bab II Pembahasan
1. Simpulan...............................................................................................................................18
2. Saran .....................................................................................................................................17
Daftar Pustaka
ii
BAB I
Pendahuluan
1. Latar Belakang
S t ati st ika adal ah ilm u yang m em pel ajari bagai m ana m erencanakan,
mengumpulkan, menganalisis, menginterpretasi, dan mempresentasikan data. Sedangkan
statistik adalah data, informasi, atau hasil penerapan algoritma statistika pada suatu
data. Kejadian yang sering atau jarang terjadi dikatakan mempunyai peluang terjadi
yang besar atau kecil. Keseluruhan nilai -nilai peluang biasa digunakan
dalam kehidupan sehari-hari. Dalam mengaplikasikan statistika terhadap permasalahan
sains, industri, atau sosial, pertama-tama dimulai dari mempelajari populasi. Tiga buah
sebaran teoritis yang paling terkenal, diantaranya dua buah sebaran peluang yang
diskrit dan sebaran yang kontinyu. Kedua sebaran yang teoritis yang deskrit itu ialah
sebaran binomial dan sebaran Poisson. Sebaran kontiny-nya adalah sebaran normal.
2. Rumusan Masalah
1. Apa itu distribusi geometrik ?
2. Apa itu distribusi hipergeometrik ?
3. Apa itu distribusi poisson ?
4. Apa itu distribusi normal dan apa saja sifat-sifatnya ?
5. Apa itu probabilitas P (a<x>b) ?
3. Tujuan Pembelajaran
1. Memahami tentang distribusi geometrik
2. Memahami tentang distribusi hipergeometrik
3. Memahami tentang distribusi poisson
4. Memahami tentang distribusi normal dan sifat-sifatnya
5. Memahami tentang probabilitas P (a < x > b)
1
BAB II
Pembahasan
1. Distribusi Geometri
Distribusi binomial negative dapat didefenisikan menjadi distribusi geomertik,
bilangan x yang menyatakan banyaknya ulangan yang diperlukan telah mencapai satu
keberhasilan ( x = 1 ).minsalkan saja pada kasus poligami, sampai munculnya wanita yang
tidak setuju adanya poligami.
Bila usaha yang saling bebas dan dilakukan berulang kali menghasilkan sukses dengan
peluang p, gagal dengan peluang q = 1 – p, maka distribusi peluang peubah acak X, yaitu
banyaknya usaha sampai saat terjadi sukses yang pertama, diberikan oleh:
2. Distribusi Hipergeometrik
Perbedaan antara distribusi binomial dan distribusi hipergeometrik terletak pada cara
pengambilan sampelnya. Dalam binomial proses pengambilan sampel dilakukan dengan
pengembalian (tiap kejadian saling bebas), Sedang pengamatan pada hipergeometrik
pengambilan sampel dilakukan tanpa pengembalian.
Aplikasi banyak terdapat pada penerimaan sampel, pengujian elektronik dan
pengendalian mutu
2
Dalam pengujian biasanya barang yang diuji menjadi rusak, jadi tidak bisa
dikembalikan
Jika terdapat N benda, k benda adalah banyaknya sukses dan N – k adalah gagal
Bila sampel acak ukuran n diambil dari N benda, yang ingin dicari adalah peluang
memilih x sukses dari sebanyak k yang tersedia dan n–x yang gagal dari sebanyak N-
k yang tersedia.
Bila suatu populasi berukuran N terdiri atas k unsur yang diharapkan muncul (berhasil)
dan ( N-k ) unsur yang tidak muncul (gagal), maka pencuplikan mengikuti fungsi
hipergeometrik. Disini semua pengambilan contoh dianggap mempunyai probabilitas
terpilih yang sama dan banyaknya kombinasi yang berukuran n dari suatu populasi
N
berukuran N adalah ( ). Analog dengan ini adalah untuk memilih x keberhasilan dari k
n
k
keberhasilan yang tersedia terdapat ( ) macam kombinasi. Sedangkan kombinasi
x
N−k
kegagalan dari (n-k) adalah ( ). Dengan demikian banyaknya contoh yang memenihi
𝑛−𝑘
N N N−k
syarat diantara kombinasi kegagalan diantara kombinasi ( ) adalah ( ) ( ).
n n 𝑛−𝑘
k N k
x n x
h( x; N , n, k ) , x 0,1,2..., n
N
n
Sebuah kotak berisi 40 suku cadang dikatakan memenuhi syarat penerimaan bila berisi
tidak lebih dari 3 yang cacat. Cara sampling kotak ialah dengan memilih 5 suku
cadang secara acak dari dalamnya dan menolak kotak tersebut bila diantaranya ada yang
cacat. Berapakah peluang mendapatkan tepat satu yang cacat dalam sampel berukuran 5
bila kotak tersebut berisi 3 yang cacat?
Jawab:
Diketahui : n=5
N=40
k=3
x=1
Ditanya : h ?
Dijawab :
(N
𝑛
)
(40
5
)
= (31) (37
4
)
(40
5
)
= 3! . 37!
1! (3-1)! 4! (37-4)!
40!
5! (40-5)!
4
= 3! . 37!
1! 2! 4! 33!
40!
5! 35!
= 3 x 2! . 37 x 36 x 35 x 34 x 33!
1! 2! 24 x 33!
40 x 39 x 38 x 37 x 36 x 35!
= 3 . 1585080
24
78960960
120
= 3 . 66045
658008
= 198135
658008
= 0,3011
𝑛𝑘
μ= (8-12)
𝑁
5
Rasio k/N pada persamaan 8/10 setara nilainya dengan probabilitas keberhasilan p,
sehingga nilai rata-rata bagi distribusi hipergeometrik dinyatakan dalam persamaan
berikut:
𝑛𝑘
μ= (8-13)
𝑁
𝑁−𝑛 𝑘 𝑘
𝜎2 = ( ) 𝑛 𝑁 (1 − 𝑁) (8-14)
𝑁−1
Contoh :
Sebuah kantong plastik berisi 5 kelereng merah dan 4 kelereng biru kemudian diambil 3
kelereng tanpa pemiliha. Bila X menyatakan banyaknya kelereng merah yang diambil,
susunlah fungsi dan dirtribusi probabilitas hipergeometriknya.
Jawab ;
Diketahui N = 9, N-k = 4, n = 3, dan k = 5. Dengan menggunakan persamaan (8-11)
diperoleh:
5)( 4 )
(𝑥
3−𝑥
Fungsi hipergeometrik h(x:9:4:5) = 9) untuk x = 0, 1, 2, 3
(3
( )( 5 ) 4
4
Pada (x=0) h(0:9:4:5) = 0 93−0 =
(3) 84
(5)( 4 ) 40
Pada (x=1) h(1:9:4:5) = 1 93−1 =
(3) 84
( )( 5 ) 4
30
Pada (x=2) h(2:9:4:5) = 2 93−2 =
(3) 84
(5)( 4 ) 10
Pada (x=3) h(3:9:4:5) = 3 93−3 =
(3) 84
6
x 0 1 2 3
P(X=x 4 40 30 10
) 84 84 84 84
Contoh:
Sebuah kantong berisi 9 kaleng yang terdiri dari 4 merah, 2 biru dan 3 kuning. Tentukan
fungsi probabilitas hipergeometrik terpilihnya 1 kaleng merah dan 1 kaleng biru. Dengan
menggunakan distribusi hipergeometrik peubah ganda x=1, y=1, N=9, n=5, a1 = 4, a2 = 2,
maka fungsi probabilitas terpilihnya kelereng merah(X) dan kelereng biru(Y) dapat
dinyatakan dalam probabilitas bersama yaitu;
3
(4 2
x)(x)(2−x−y)
h(x,y:9:2:4:2) = 9) untuk x = 0,1,2 dan y = 0,1,2 dan 0 < x + y ≤ 2
(2
(4)(2)( 3 ) (4)(2)(3) 2
jadi, pada (X =1, Y=1) h(1,1:9:2:4:2) = 1 1 92−1−1 = 1 1 0
9) =
(2 ) (2 9
3. Distribusi Poisson
Distribusi poisson merupakan limit dari distribusi binomial dengan mengambil
banyaknya n percobaan relative besar. Distribusi poission digunakan untuk memodelkan
sejumlah kejadian yang terjadi pada interval atau selang waktu tertentu.
a. Percobaan yg menghasilkan peubah acak X yang bernilai numerik
b. Banyaknya hasil selama selang waktu tertentu (menit, hari, minggu, bulan atau
tahun)
Contoh:
7
a. Banyak hubungan telepon per jam yang diterima sebuah kantor
b. Banyak pasien yang antri perjam
c. Banyak hari sekolah yg ditutup karena banjir
Percobaan poisson memiliki sifat:
a. Tidak dipengaruhi kejadian lain
b. Peluang terjadinya hasil tunggal dalam waktu pendek atau daerah kecil sebanding
dengan selang waktu atau besar daerah
c. Peluang terjadinya lebih dari satu hasil dalam selang waktu yang pendek atau
daerah yg sempit tersebut dapat diabaikan
Distribusi peluang peubah acak Poisson X, yang menyatakan banyaknya sukses yang
terjadi dalam suatu selang waktu atau daerah tertentu dinyatakan dengan t, diberikan oleh:
e t ( t ) x
p( x; t ) , x 0,1,2,...
x!
λt menyatakan rata-rata benyaknya sukses yang terjadi per satuan waktu atau daerah
tersebut dan e = 2,71828….
dengan E(X) = t , 2 = t
Bila = t =rata-rata banyak sukses yang terjadi per selang waktu atau dalam daerah
tersebut maka dapat ditulis
e x
p x; , x 0, 1, 2, ...
x!
Contoh:
Dalam 2 bulan rata-rata mahasiswa tidak masuk kuliah adalah 4 hari. Bila diasumsikan
jumlah hari tidak masuk kuliah mengikuti distribusi passion, hitunglah pelunag mahasiswa
tidak masuk kuliah 3 hari dalam 1 bulan.
Jawab:
4
Dalam satu bulan μ = 2 = 2 ℎ𝑎𝑟𝑖
8
𝑒−2 23
Dinyatakan x=3, P=(x=3)=p(3,4)= = 0,180
3!
4. Distribusi Normal
Distribusi normal (gussian) adalah salah satu distribusi terpenting karena banyak
aplikasi dalam berbagai kasus atau persoalan, serta yang mendasari munculnya beberapa
distribusi normal. penting lainya. Sekurang kurangnya ada 4 alasan mengapa distribusi
normal menjadi yang paling penting:
9
= 3,14159 e = 2,71828
0
m
Mesokurtic
Distribusi kurva normal dengan dan berbeda
85 850
0,5 0,5
10
P = x ≤ μ = 0,5
P = x ≥ μ = 0,5
∞
Luas kurva normal : ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1
Mean µ
Varians
Deviasi Standar
11
Deviasi mean
𝜇𝑥 dan 𝜎𝑥 dimana −∞ < 𝜇𝑥 < ∞ dan 𝜎𝑥 > 0 jika fungsi kepadatan probabilitas dari
X adalah :
(𝑥−𝜇𝑥 )2
1 −
(2𝜎2
𝑓𝑁 (𝑥, 𝜇𝑥 , 𝜎𝑥 ) = 𝑒 𝑥) −∞<x<∞
𝜎𝑥 √2𝜋
𝜇𝑥 = mean
𝜎𝑥 = deviasi standar
Untuk setiap nilai 𝜇𝑥 dan 𝜎𝑥 kurva akan berfungsi simestris terhadap 𝜇𝑥 dan memiliki
total luas dibawah kurva tepat 1. Nilai dari 𝜎𝑥 menentukan bentsngan dari kurva sedagkan
𝑥 𝑥 (𝑥−𝜇𝑥 )2
1 −
(2𝜎2
𝑓𝑁 (𝑥, 𝜇𝑥 , 𝜎𝑥 ) = 𝑝(𝑥 ≤ 𝑥 = ∫ 𝑓𝑁 ((𝑡; 𝜇𝑥 , 𝜎𝑥 )𝑑𝑡 = ∫ 𝑒 𝑥) 𝑑𝑡
−∞ −∞ 𝜎𝑥 √2𝜋
𝑓𝑁 (x), hanya bisa ditemukan dari integrasi secara numerik karena tidak bisa dinitegrasi
secara analitik.
12
Untuk setiap distribusi populasi dari suatu variable acak yang mengikuti
Untuk setiap distribusi populasi dari suatu variable acak yang mengikuti sebuah distribusi
normal, maka sebagaimana yang ditunjukkan oleh gambar tersebut:
68,26% dari nilai-nilai variable berada dalam ± 1𝜎𝑥 dari 𝜇𝑥
95,46% dari nilai-nilai variable berada dalam ± 2𝜎𝑥 dari 𝜇𝑥
99,73% dari nilai-nilai variable berada dalam ± 3𝜎𝑥 dari 𝜇𝑥
x1 μ x2
13
Oleh karena perhitungan integral normal tsb sulit, maka disusunlah tabel nilai rapat
probabilitas. Akan tetapi karena nilai rapat probabilitasnya tergantung pada μ dan σ maka
sangatlah tidak mungkin mentabelkan untuk semua nilai μ dan σ.
Distribusi normal standard adalah distribusi normal dengan mean μ=0 dan standard
deviasi σ=1. Transformasi memetakan distribusi normal menjadi distribusi
normal standard, sebab distribusi normal dengan variabel z ini memiliki mean =0 dan
standard deviasi = 1. Transformasi ini juga mempertahankan luas dibawah kurvanya,
artinya:
Dengan z1 = (x1-μ)/σ dan z2 = (x2-μ)/σ. Sehingga cukup dibuat tabel distribusi normal
standard kumulatif saja! Luas kurva normal antara x=a dan x=b sama dengan probabilitas x
terletak antara a dan b
a
𝑏
b x
P(a≤x≤b) = ∫𝑎 𝑓(𝑥)𝑑𝑥
Tranformasi nilai x ke z
14
Dimana nilai z =
Simestris :
15
Contoh :
Diketahui data berdistribusi normal dengan mean = 55 dan deviasi standar = 15 carilah
transformasi z apabila diketahui :
55−55 65−55
P(55≤x≤75) =𝑃( ≤𝑍≤ )
15 15
P(55≤x≤75) =
= P(0≤Z≤1,33)
= 0,4082
Atau :
Gambar kurvanya :
15
16
b. hitunglah probabilitas bahwa X mengambil sebuah nilai antara 60 dan 80
5 25
= P(0 ≤ Z ≤ 15) – P(0 ≤ Z ≤ 15)
= P(0≤Z≤0,33) – P(0≤Z≤1,67)
= P(0≤Z≤1,67) – P(0≤Z≤0,33)
Z1 = = 0,33 B = 0,1293
Z2 = = 1,67 A = 0,4525
C = A – B = 0,3232
Bentuk kurva
15
𝜇 = 55 z1=60 z2=80 Z
17
BAB III
Penutup
1. Kesimpulan
Distribusi probabilitas sangat penting dalam ilmu satatistika adalah distribusi normal.
Distribusi normal mempunyai model kurva berbentuk simestris setangkup, menyerupai
genta disekitar suatu nilai yang bertepatan dengan puncak kurva.
Distribusi Geometrik, distribusi hipergeometrik dan distribusi poisson termasuk
kedalam distribusi probabilitas diskrit. Distribusi probabilitas diskrit merupakan suatu
distribusi peubah acak. Dan distribusi Normal dan probabilitas p(a<x<b) termasuk kedalam
distribusi probabilitas kontinu.
2. Saran
Penulis menyadari bahwa makalah diatas banyak sekali kesalahan dan jauh dari
kesempurnaan, maka dari itu penulis mengharapkan kritikan dan saran dari pembaca
mengenai makalah dan kesimpulan di atas.
18
DAFTAR PUSTAKA
Santoso, Irwan Budi. 2013. Statistika I untuk Teknik Informatika. Malang. Uin-Maliki
Press(Anggota IKAPI).
Harinaldi. 2005. Prinsip-Prinsif Statistik untuk Teknik dan Sains. Jakarta. Erlangga.
Wibisono, Yusuf. 2009. Metode Statistik. Yogyakarta. Gajah Mada University Press.