PENDAHULUAN
Page | 1
hasil perhitungan statistika tersebut memerlukan pemahaman mengenai model
probabilitas yang digunakannya, yang artinya perlu kembali ke teori probabilitas.
1.2 Tujuan
a. Dapat mengetahui pengertian distribusi geometrik
b. Dapat mengetahui pengertian distribusi hipergeometrik
c. Dapat mengetahui pengertian distribusi poison
d. Dapat mengetahui dan mengerjakan contoh soal tentang distribusi
geometri, hipergeometri dan poison.
BAB II
LANDASAN TEORI
Page | 3
2.1.1 Fungsi, Rataan dan Variasi Distribusi Probabilitas Geometrik
1. CDF ( Commulative Distribution Function )
b. Mencari E(X2)
E [ X (X – 1 )] =∑∞
𝑥=1 (𝑥2 – x) P (X = x)
–
=∑∞
𝑥=1 (𝑥2 x) pqx-1
= (1 . 0 . p + 2 . pq + 6 pq2 + ...)
Kalikan kedua sisi dengan “q” , maka
qE [ X (X – 1) ] = (1 . 0 . pq + 2 . pq2 + 6 pq3 + ...)
kurangkan E [ X (X – 1) ] dengan qE [X(X – 1) ] maka,
kurangkan E [ X (X – 1) ] dengan qE [X(X – 1) ] maka,
E [ X (X – 1) ] = (1.0.p + 2 .pq + 6 . pq2 + ...)
qE [X(X – 1) ] =( 1. 0 . pq + 2 . pq2 + ...) -
E [ X(X – 1 ) ] – qE [X(X – 1)] = (2pq + 4pq2 + ...)
E [ X(X – 1)] (1 – q ) = (2pq + 4pq2 + ...)
Karena p = 1 – q maka ,
E [ X(X – 1 ) ] p = 2q (q + 2pq + 3pq2 + ...)
E [ X(X – 1 ) ] p = 2q E(X)
E [ X(X – 1 ) ] p =2q / p
E [ X(X – 1 ) ] = 2q / p2
E (X2 – X ) = 2q / p2
E (X2) – E (X) = 2q / p2
E(X2) = (2q / p2) + E (X)
E(X2) = (2q / p2) + 1/p
E(X2) =1+q
P2
atau dengan cara menurunkan MGF nya,
𝑝𝑒 2
MGF : 1− 𝑞𝑒 𝑡
u= 𝑝𝑒 𝑡 v = 1 − 𝑞𝑒 𝑡
du = 𝑝𝑒 𝑡 𝑑𝑡 dv = − 𝑞𝑒 𝑡 𝑑𝑡
𝑝𝑒 𝑡 (1−𝑞𝑒 𝑡 )−𝑝𝑒 𝑡 (−𝑞𝑒 𝑡 )
Mx(t) = (1− 𝑞𝑒 𝑡 )2
𝑝𝑒 𝑡 −𝑝𝑞𝑒 2𝑡 +𝑝𝑞𝑒 2𝑡
=
(1−𝑝𝑒 𝑡 )2
𝑝𝑒 𝑡
=(1−𝑞𝑒 𝑡)2
u = 𝑝𝑒 𝑡 v = ( 1 − 𝑞𝑒 2 )2
du = 𝑝𝑒 𝑡 𝑑𝑡 dv = −2𝑞𝑒 𝑡 (1 − 𝑞𝑒 𝑡 )𝑑𝑡
𝑝𝑒 𝑜 −𝑝𝑞 2 𝑒 3.0
𝑀𝑥(𝑡 = 0) =
(1− 𝑞𝑒 0 )4
𝑝− 𝑝𝑞2
= (1−𝑞)4
𝑝(1−𝑞 2 )
= 𝑝4
(1−𝑞 2 )
= 𝑝4
(1−(1−𝑝)2 )
= 𝑝3
Page | 5
1−(1−𝑝)2 )
= 𝑝3
2𝑝−𝑝2
= 𝑝3
𝑝(2−𝑝)
= 𝑝3
2−𝑝
= 𝑝2
2−(1−𝑞)
= 𝑝2
1+𝑞
= 𝑝2
𝑝𝑒 𝑡 −𝑝𝑞 2 𝑒 3𝑡
=
(1−𝑞𝑒 𝑡)4
c. Variansi
1+𝑞 1 𝑞 1−𝑝
𝑣𝑎𝑟(𝑥) = 𝐸 (𝑋 2 ) − [𝐸(𝑋)]2 = − 𝑝2 = 𝑝2 =
𝑝2 𝑝2
3. MGF
𝑀𝑥(𝑡) = 𝐸(𝑒 𝑡𝑥 ) = ∑∞ 𝑥 = 1𝑒 𝑡𝑥 . 𝑓(𝑥)
= ∑∞𝑥 = 1𝑒 𝑡𝑥 . 𝑝𝑞𝑥 − 1
= 𝑝 ∑∞𝑥 = 1𝑒 𝑡𝑥 . 𝑞𝑥 − 1
= 𝑝(𝑒 𝑡 + 𝑒 2𝑡 𝑞 + 𝑒 3𝑡 𝑞2 + ⋯ )
𝑒𝑡
= 𝑝 (1−𝑞𝑒 𝑡)
𝑒𝑡
= 𝑝 (1−(1−𝑝)𝑒 𝑡)
Keterangan : menggunakan rumus geometri tak berhingga
2.2 Pengertian Distribusi Hipergeometrik
Jika samping dilakukan tanpa pengambilan dari kejadian sampling yang
diambil dari populasi dengan kejadian-kejadian terbatas, proses Bernoulli tidak
dapat digunakan, karena ada perubahan secara sistematis dalam probabilitas sukses
seperti kejadian-kejadian yang diambil dari populasi. Jika pengambilan sampling
tanpa pengambilan digunakan dalam situasi sebaliknya dengan memenuhi syarat
Bernoulli,distribusi hipergeometrik adalah distribusi probabilitas diskrit yang tepat.
Jika X melambangkan jumlah sukses dalam sample, N melambangkan
jumlah kejadian dalam populasi, XT melambangkan jumlah sukses dalam populasi,
dan n jumlah sample, formula untuk menentukan probabilitas hipergeometrik
adalah : P(XIN,Xi,N) = n.xtCn-x . xtCx : nCn. Dapat disimpulkan bahwa distribusi
hipergeometrik adalah distribusi probabilitas diskrit dari sekelompok objek yang
dipilih tanpa pengembalian.
2.2.1 Karakteristik Distribusi Hipergeometrik
Eksperimen hipergeometrik memiliki karakteristik sebagai berikut :
1. Sebuah sampel random berukuran n diambil tanpa pengembalian dari N
item (populasi).
2. k dari N item dapat diklasifikasikan sebagai sukses dan N – k
diklasifikasikan sebagai gagal.
Jumlah sukses yang terjadi dalam suatu eksperimen hipergeometrik
disebut dengan variabel random hipergeometrik dan distribusi probabilitas
dari variabel random ini disebut dengan distribusi hipergeometrik.
2.2.2 Istilah Dalam Distribusi Hipergeometrik
Misalkan dalam sebuah populasi berukuran N benda, terdapat 2 jenis sampel
yang berbeda, benda yang sukses/berhasil diberi label “k” dan benda yang
gagaldiberi label “N – k”, maka sebaran peluang bagi peubah acak
hipergeometrik X, yang menyatakan banyaknya keberhasilan dalam contoh
acak berukuran n, adalah :
Page | 7
Keterangan :
N = Total populasi atau sampel
k = jumlah benda yang diberi label “berhasil” yang tersedia
n = jumlah percobaan atau jumlah sampel yang dipilih
x = jumlah kejadian yang sukses
sedangkan dalam populasi N benda terdapat lebih dari 2 jenis sampel
yang berbeda, maka sebaran peluang bagi peubah acak hipergeometrik X,
yang menyatakan banyaknya keberhasilan dalam contoh acak berukuran n,
adalah :
Keterangan :
N = k1 + k2 + k3 + ... + kn
X = x1 + x2 + x3 + ... + xn
n = jumlah sampel yang dipilih.
2.2.3 Rumus-rumus Distribusi Hipergeomtrik
1. Nilai mean distribusi hipergeomtrik
Rataan atau nilai mean (µ) dari suatu distribusi hipergeomtrik dapat
diperoleh dengan rumus : E(X) = nK/N
Keterangan :
N= Jumlah Populasi
n= Jumlah Sampel
K= Jumlah Sukses
2. Nilai harapan distribusi hipergeometrik
Nilai harapan distribusi hipergeometrik adalah jumlah dari semua
hasil perkalian antara nilai variabel random dengan nilai probabilitas
hipergeometrik dari nilai tersebut. Yang dirumuskan sebagai berikut :
E(X) = X.P(X).
2.2.4 Penggunaan Distribusi Hipergeometrik
Distribusi hipergeometrik dapat diaplikasikan pada banyak bidang,
misalnya pada penerimaan sampel (acceptance sampling), pengujian
elektronik, dan pengendalian kuliatas (quality control) dari suatu hasil
produksi. Dalam banyak bidang ini, pengujian dilakuakan terhadap barang
yang diuji yang dapat akhirnya barang uji tersebut menjadi rusak, sehingga
tidak dapat dikembalikan. Jadi, pengembalian sampel harus dikerjakan
tanpa pengembalian. Berikut beberapa aplikasi distribusi hipergeometrik
dalam kehidupan sehari-hari :
1. Kita dapat mengetahui jumlah barang yang rusak dalam sampel acak dari
sejumlah kiriman.
2. Jumlah permen yang diambil dari dalam kotak dengan rasa tertentu.
3. Aplikasi dalam pendidikan seperti dalam penyelidikan pendapat
umum/survey.
Page | 9
atau besarnya daerah tersebutu dan tidak tergantung pada banyaknya
hasil percobaan yang terjadi diluar waktu atau daerah tersebut.
3. Probabilitas lebih dari satu hasil percobaan yang terjadi dalam interval
waktu yang singkat atau dalam daerah yang kecil dapat diabaikan.
Selain memiliki ciri, distribusi poisson juga mempunyai karakteristik yang
sama dengan distribusi binomial, namun mempunyai :
1. Total seluruh kejadian (percobaan) yang sangat besar (lebih dari 50), serta
2. Probabilita hasil kejadian yang sangat kecil (0,1 = 10 persen atau lebih
kecil).
Distribusi ini secara luas banyak dipakai terutama dalam proses simulasi,
seperti proses kedatangan, proses antrian dll. Jumlah X dari keluaran yang terjadi
selama satu percobaan Poisson disebut Variabel random Poisson, dan distribusi
probabilitasnya disebut distribusi Poisson.
Bila x menyatakan banyaknya sukses yang terjadi , adalah rata-rata banyaknya
sukses yang terjadi dalam interval waktu atau daerah tertentu, dan e = 2,718 , maka
rumus distribusi poisson adalah :
𝜆𝑥 𝑒−𝜆
𝑃(𝑋 = 𝑥) =
𝑥!
Probabilitas terjadinya suatu kedatangan yang mengikuti proses poisson,
dirumuskan:
𝑒 −𝜆𝑡 (𝜆𝑡)𝑥
P (X = x) =
𝑥!
Keterangan :
𝜆 = tingkat kedatangan rata-rata per satuan waktu
t = banyaknya suatu waktu
x = banyaknya kedatangan dalam t satuan waktu
Jika terdapat probabilitas dari poisson yang lebih dari satu, maka
probabilitas tersebut dinamakan dengan probabilitas poisson kumulatif.
Probabilitas poisson dapat dihitung dengan rumus:
𝜆𝑥 𝑒 −𝜆
PPK = ∑𝑛𝑥=0 𝑥!
= ∑𝑛𝑥=0 𝑃 (𝑋 = 𝑥)
= P (X = 0) + P(X = 1) + P(X = 2) +...+ P(X = n)
BAB III
PEMBAHASAN
2. Dalam suatu proses produksi diketahui bahwa rata-rata di antara 100 butir
hasil produksi 1 yang cacat. Berapakah peluang bahwa setelah 5 butir yang
diperiksa baru menemukan cacat pertama ?
Jawab :
Gunakan distribusi geometrik dengan x = 5 dan p = 0,01, maka diperoleh
g(5 ; 0,01) = (0,01)(0,99)4
= 0,0096
3. Pada waktu sibuk suatu sentral telepon hampir mencapai batas daya
sambungnya, sehingga orang tidak mendapat sambungan. Ingin diketahui
banyaknya usaha yang diperlukan agar mendapat sambungan. Misalkan p =
Page | 11
0,05 peluang mendapat sambungan selama waktu sibuk. Kita ingin mencari
peluang bahwa diperlukan 5 usaha agar sambungan berhasil
Jawab :
Dengan menggunakan distribusi geometrik dengan x = 5 dan p = 0,05 diperoleh
P(X = x) = g(5; 0,05) = (0,05)(0,95)4
= 0,041
3.2 Contoh Soal Distribusi Hipergeometrik
1. Dalam sebuah kotak terdapat 7 bola yang 3 diantaranya berwarna merah.
Jika dari dalam tersebut diambil 3 bola secara acak, hitunglah peluang
terambilnya bola tersebut terdapat:
a. satu bola berwarna merah?
b. dua bola bewarna merah?
c. ketiga-tiganya berwarna merah?
d. tidak ada bola berwarna merah?
Jawab :
Dari soal tersebut diketahui N=7,N=7, k=3k=3 dan n=3,n=3, dengan demikian
maka
a. satu bola berwarna merah
(𝑘 𝑥 )(𝑁−𝑘 𝑛−𝑧 )
𝑃(𝑋 = 𝑥 ) = (𝑁 𝑛 )
(3 1 )(7−3 3−1 )
𝑃(𝑋 = 1) = (7 3 )
3𝑋6
= 35
18
= 35
b. dua bola berwarna merah
(3 2 )(7−3 3−2 )
𝑃(𝑋 = 2) = (7 3 )
3𝑋4
= 35
12
= 35
10! 40!
(10 0 )(40 5 ) ( )( (10)(91.390)
1!(10−1)! 4!(40−4)!
ℎ(1.50.5.0) = 10 (50 5 )
= 50! = = 0,43
2.118.760
5!(50−5)!
10! 40!
(10 2 )(40 5 ) ( )( (45)(9.880) 444.600
2!(10−2)! 3!(40−3)!
ℎ(2.50.5.0) = (50 5 )
= 50! = = 2.118.760 = 0,21
2.118.760
5!(50−5)!
Page | 13
Penyelesaian:
Diketahui
λ = 20 0rang /menit
t = 1 jam = 60 menit
i) P(N(60)=100)=((20x60) 100 . e-20x60)/100!
ii) P(N(15)=50) N(60)=100) =( P(N(15) =50, N(60)=100))/P(N60)=100)
= P(N(15)=50)
= ((20x15) 50. e-20x60))/50!
2. Kedatangan pelanggan {x(t)} dalam sebuah swalayan diasumsikan
mengikuti proses poisson dengan rate λ = 4 orang perjam.
Swalayan buka 09.00 tentukan probanilitastepat satu pelanggan dating
pada 09.30 dan total 5 pelanggan pada 11.30!
Penyelesaian
Diketahui
09.00 -> 09.30 =1/2 jam
09.00 -> 11.30 = 3/2 jam
P(x(1/2)=1 dan x(3/2)=5) = P(x(1/2) dan x(3/1).(x(1/2)=4)
= P(x(1/2)=1). P (x(2)=4)
= (4. 1/2) 1.e-2/1! . (4.2) 1 . e-8/4!
DAFTAR PUSTAKA
Page | 15