DISTRIBUSI DISKRIT

1. DISTRIBUSI DISKRIT
• Bila suatu variabel acak X, dapat mengambil
nilai tertentu x1, x2, x3, ..., xn dengan peluang
masing-masingnya p1, p2, p3, ..., pn yang
memenuhi persyaratan peluang p1, p2, p3, ...,
pn =1 dan pi ≥ untuk i=1,2,3,...,n maka hal ini
menetapkan suatu distribusi diskrit peluang
buat X.
• Peluang X mengambil nilai tertentu x
dinyatakan dengan notasi P(X=x) atau secara
singkat P(x).
 1. DISTRIBUSI DISKRIT
• Suatu perubah acak disebut perubah acak
diskrit jika himpunan kemungkinan hasilnya
terhitung.
• Lebih mudah jika semua probabilitas dari
perubah acak X dinyatakan dalam rumusan,
misalnya f(x), g(x), h(x), dst.
• Kadang ditulis f(x)=P(X=x). Pasangan (x, f(x))
disebut fungsi peluang atau distribusi
peluang perubah acak X.
• Distribusi kumulatif dari f(x) dinyatakan
sebagai F(x).
 1. DISTRIBUSI DISKRIT
Contoh 1
• Suatu eksperimen dari pelemparan sebuah
mata uang logam sebanyak 3 kali. Tentukan
distribusi probabilitas X yang menyatakan
banyaknya sisi muka yang tampak dari hasil
eksperimen tersebut.
• Jawab :
• Pelemparan sebuah mata uang logam
setimbang sebanyak 3 Kali.
• S : {GGG, GGA, GAG, AGG, GAA, AGA, AAG, AAA}
dimana G = GAMBAR dan A = ANGKA
 1. DISTRIBUSI DISKRIT
Jawab :
• X: setiap satu sisi GAMBAR bernilai satu (G = 1)
• S : {GGG, GGA, GAG, AGG, GAA, AGA, AAG, AAA}
•        
• 3 2 2 2 1 1 1 0

• Perhatikan bahwa X = {0,1,2,3}

• Nilai x1= 0, x2= 1, x3= 2, x4= 3

 1. DISTRIBUSI DISKRIT
Jawab :
 2. DISTRIBUSI BINOMIAL
• Penemu Distribusi Binomial adalah James
Bernaulli sehingga dikenal sebagai Distribusi
Bernaulli.
• Distribusi Binomial menggambarkan fenomena
dengan dua hasil atau outcome.
Contoh:
• peluang sukses dan gagal,sehat dan sakit,
dsb.
 2. DISTRIBUSI BINOMIAL
• Suatu percobaan sering kali terdiri atas
ulangan-ulangan dan masing-masing
mempunyai dua kemungkinan hasil yang dapat
diberi nama berhasil atau gagal.
• Misalnya saja dalam pelemparan sekeping
uang logam sebanyak 5 kali, hasil setiap
ulangan mungkin muncul sisi gambar atau sisi
angka.
• Dan salah satu di antara keduanya ditentukan
sebagai „berhasil‟ dan yang lainnya sebagai
„gagal‟.
 2. DISTRIBUSI BINOMIAL
• Biarkanlah peluang Sukses yaitu
P(Sukses) = p, maka peluang Gagal yaitu
P(Gagal) = (1 - p)
• Banyak kali Sukses yang terpantau dapat
bervariasi antara bilangan-bilangan bulat 0
sampai n.
• Peluang memperoleh r sukses dari n kali
percobaan adalah :

𝑃 𝑟 = 𝑛𝐶𝑟 𝑝𝑟 1 − 𝑝 (𝑛−𝑟) … … . … … … … … … (1)

 2. DISTRIBUSI BINOMIAL
• Jika suatu ulangan binomial mempunyai
peluang keberhasilan p dan peluang
kegagalan q = 1 – p, maka distribusi
probabilitas bagi peubah acak binomial X, yaitu
banyaknya keberhasilan dalam n ulangan
bebas.
• Percobaan Binomial adalah percobaan yang
mempunyai ciri-ciri sebagai berikut:
 2. DISTRIBUSI BINOMIAL
• Percobaan diulang n kali
• Hasil setiap ulangan hanya dapat
dikategorikan ke dalam dua kategori;
• Misal: "BERHASIL" atau "GAGAL"
• ("YA" atau "TIDAK"; "SUCCESS" or "FAILED")
• Peluang keberhasilan = p dan dalam setiap
ulangan nilai p tidak berubah.
• Peluang gagal = q = 1- p.
• Setiap ulangan bersifat bebas satu dengan
yang lain.
 2. DISTRIBUSI BINOMIAL
Contoh 2
• Lemparkan dua buah mata uang logam,
tuliskanlah distribusi peluang.

Contoh 3
• Lemparkan tiga buah dadu. Carilah distribusi
peluang variabel acak X, dimana X=banyaknya
mata dua yang naik.
 2. DISTRIBUSI BINOMIAL
Contoh 4
• Tentukan peluang mendapatkan “Mata 1"
muncul 3 kali pada pelemparan 5 kali sebuah
dadu setimbang. Kejadian sukses/berhasil =
mendapat "MATA 1”.
Contoh 5
• Dari pengamatan masa lalu terhadap sejenis
komponen listrik, diketahui bahwa peluang
komponen itu berfungsi baik adalah 0.98.
Carilah peluang menemui dua atau lebih
komponen rusak dari sampel jenis komponen
ini yang besarnya 5 buah.
2.1 Model Distribusi Binomial
a) Distribusi binomial dapat diterapkan bilamana
pada suatu eksperimen, serentetan percobaan
yang dilakukan memenuhi persyaratan :
b) Pada setiap percobaan terdapat hanya dua hasil
yang mungkin, yang biasanya dikategorikan
sebagai sukses (S) dan gagal (G).
c) Peluang sukses P(S) pada setiap percobaan
tetap, biasa dinyatakan dengan P(S) = p. Jadi
peluang gagal pada setiap percobaan juga tetap,
P(G) = (1-p) = q
d) Hasil masing-masing percobaan saling bebas
2.2 Nilai Rata-rata atau Nilai Harapan

• Bila X adalah variabel acak diskrit yang dapat

bernilai x1, x2, x3, ..., xn dengan peluang
masing-masingnya p1, p2, p3, ..., pn maka nilai
rata-rata atau nilai harapan variabel acak X
didefinisikan sebagai :
n
E X = 𝑥𝑖 𝑝𝑖 … … … … … … … … … … … . (2)
i=1

• Bila X mengikuti distribusi binomial dengan

peluang sukses p, dan banyak percobaan n,
maka nilai harapan frekuensi sukses μ = np.
2.2 Nilai Rata-rata atau Nilai Harapan

Contoh 6
• Lemparkan dua buah mata uang logam, dan
biarkan X=banyaknya lambang gambar yang
naik. Jelas diharapkan satu lambang yang
naik, tentukan nilai harapannya?

Contoh 7
• Seorang penjudi memasang Rp. 10.000,- dan
mengharapkan menang Rp. 200.000,-Peluang
menang 0,1. Berapa besarkah perolehan yang
diharapkan?
2.3 Varians

• Biarkanlah X variabel acak diskrit yang bernilai

rata-rata μ, dan bisa bernilai x1, x2, x3, ..., xn
dengan peluang masing-masingnya p1, p2, p3,
..., pn maka
𝑛
2
Varians X = σ2 = xi −μ pi … … … … (3)
i=1
• Varians itu adalah ukuran tebaran distribusi di
sekitar μ.
2.4 Varians

• Sesuai dengan definisi nilai harapan, maka

terlihat bahwa varians adalah nilai harapan dari
(x- μ)2 yaitu :
• Varians (X) = E [(x- μ)2] .......(4)

• Yang akan memberi :

• σ2 = np(1-p) = np q .............(5)

• Deviasi standar distribusi binomial

𝜎= 𝑛𝑝 1 − 𝑝 … … … . . … … . . 6
 3. DISTRIBUSI POISSON
• Dalam mempelajari distribusi Binomial kita
dihadapkan pada probabilitas variabel random
diskrit (bilangan bulat) yang jumlah trial nya
kecil , sedangkan jika dihadapkan pada suatu
kejadian dengan p <<< dan menyangkut
kejadian yang luas n >>> maka digunakan
distribusi Poisson.
• Distribusi Poisson dipakai untuk menentukan
peluang suatu kejadian yang jarang terjadi,
tetapi mengenai populasi yang luas atau area
yang luas dan juga berhubungan dengan
waktu.
 3. DISTRIBUSI POISSON
Contoh 8
• Disuatu gerbang tol yang dilewati ribuan mobil
dalam suatu hari akan terjadi kecelakaan dari
sekian banyak mobil yang lewat.

• Distribusi Peluang variabel acak Poisson diberi

oleh :
𝑒 −𝜇 𝜇 𝑟
𝑃 𝑟 = … … … … … … … … … … … . . (7)
𝑟!

dimana: r = 0,1,2,3,....... dan μ > 0

 3. DISTRIBUSI POISSON
• Distribusi Poisson digunakan terutama untuk :

a) Menjelaskan banyaknya peristiwa (kejadian)

yang terjadi dalam satu selang waktu
tertentu.
b) Sebagai pendekatan distribusi binomial
 3. DISTRIBUSI POISSON
• Sifat-sifat Distribusi Poisson
a) Dalam suatu proses Poisson, frekuensi rata-rata
kejadian dalam selang waktu t adalah μ= τ t . Jadi μ
adalah nilai rata-rata distribusi Poisson.
b) Varians suatu distribusi Poisson sama dengan nilai
rata-rata μ. Jadi deviasi standar σ=√μ .
c) Distribusi Poisson sangat berguna dalam mendekati
distribusi binomial, bila parameter distribusi binomial
p kecil. Untuk suatu distribusi binomial, nilai rata-
ratanya=np, dan varians = np(1-p). Bila p<< 1,
varians distribusi binomial = np= nilai rata-rata,
seperti halnya dengan distribusi Poisson.
 3. DISTRIBUSI POISSON
Contoh 9
• Dianggap bahwa butir-butir debu per satuan
volume dalam ruang terdistribusi acak
mengikuti distribusi Poisson, bernilai rata μ=6
butir per liter. Carilah peluang mendapatkan
kurang daripada dua butir debu dalam satu liter
sampel.
4. DISTRIBUSI HIPERGEOMETRIK
Definisi: Distribusi peluang pada hipergeometrik
X, yaitu banyaknya sukses dalam sampel acak
ukuran n yang diambil dari N benda yang
mengandung k bernama sukses dan N-k
bernama gagal, ialahRumus hipergeometrik
4. DISTRIBUSI HIPERGEOMETRIK
 Yakni banyaknya macam sampel ukuran n
yang dapat diambil dari N benda ialah NCn.
Sampel ini dianggap mempunyai peluang
sama.
 Ada sebanyak kCx cara memilih x sukses dari
sebanyak k yang tersedia, dan untuk tiap cara
ini dapat dipilih n-x gagal dalam N-kCn-x cara.
 Jadi semuanya ada kCx.N-kCn-x macam sampel
dari NCn sampel yang mungkin diambil.
4. DISTRIBUSI HIPERGEOMETRIK
• Penerapan untuk distribusi hipergeometrik

a) Ditemukan dalam berbagai bidang, dan paling

sering digunakan dalam penarikan sampel
penerimaan barang, pengujian elektronik,
jaminan mutu, dsb.
b) Dalam banyak bidang ini, pengujian dilakukan
terhadap barang yang diuji yang pada
akhirnya barang uji tersebut menjadi rusak,
sehingga tidak dapat dikembalikan. Jadi,
pengambilan sampel harus dikerjakan tanpa
pengembalian
4. DISTRIBUSI HIPERGEOMETRIK
• Apabila populasi besar dan sampel relatif kecil,
pengambilan secara sampling dilakukan tanpa
pengembalian menimbulkan efek terhadap
probabilitas sukses dalam setiap percobaan
kecil, untuk mendekati nilai probabilitas
hipergeometrik dapat digunakan konsep
distribusi binomial dengan syarat n  0,05N.
• Jika N → ∞ maka dist. Hipergeometri dapat
dihampiri dengan dist. Binomial.
4. DISTRIBUSI HIPERGEOMETRIK
Contoh 10
• Sekelompok orang terdiri dari 50 orang dan 3
orang diantaranya lahir pada tanggal 31
Desember. Bila secara acak dipilih 5 orang,
berapa peluang orang yang terpilih itu:
a) tidak terdapat yang lahir pada tanggal 31
Desember .
b) tidak lebih dari 1 orang yang lahir pada
tanggal 31 Desember
5. PENDEKATAN POISSON UNTUK DISTRIBUSI BINOMIAL

Pendekatan Peluang Poisson untuk Peluang

Binomial, dilakukan jika n besar (n > 20) dan p
sangat kecil (p < 0.01) dengan terlebih dahulu
menetapkan p dan kemudian menetapkan
=n x p =  . t
Contoh 11
• Dari 1000 orang mahasiswa 2 orang mengaku
selalu terlambat masuk kuliah setiap hari, jika
pada suatu hari terdapat 5000 mahasiswa,
berapa peluang ada lebih dari 3 orang yang
terlambat?
 3. DISTRIBUSI POISSON
Contoh 12
• Peluang terdapatnya cacat pada satu km
benang kawat=0.01. Sebuah kabel terdiri atas
100 benang kawat terpilin, dan bisa
mendukung beban rancangannya bila terdapat
99 benang kawat yang tidak cacat. Carilah
peluang 1 km kabel akan sanggup mendukung
beban rancangannya.