DISTRIBUSI DISKRIT

SPESIAL
Uniform, Bernoulli, Binomial, Multinomial, Hipergeometrik,
Geometrik, Binomial Negatif, dan Poisson
  Sebuah variabel random diskrit 𝑋 diasumsikan setiap nilainya
𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑁 memiliki peluang yang sama. 𝑋 merupakan variabel
random berdistribusi diskrit seragam, dinotasikan dengan 𝑿~𝐃𝐔(𝑵)
 pdf dari 𝑋 dirumuskan:
1
𝑓 𝑥 =𝑃 𝑋=𝑥 = , 𝑥 = 1,2, … , 𝑁
𝑁
DISTRIBUSI  CDF dari 𝑋 dirumuskan:
UNIFORM 𝐹 𝑥 = ෍ 𝑓 𝑥𝑖 , 𝑥 = 1,2, … , 𝑁
(SERAGAM) 𝑥𝑖 ≤𝑥

 Nilai ekspektasi dari 𝑋 dirumuskan:

𝑁
𝑥 𝑁+1
𝐸 𝑋 =෍ =
𝑁 2
𝑥=1
 Varians dari 𝑋 dirumuskan:
𝑁2 − 1
Var 𝑋 =
12
 Example:
Sebuah dadu dilemparkan sebanyak satu kali. Misalkan 𝑋
merepresentasikan nilai yang akan muncul, tentukanlah 𝑓(𝑥), 𝐹(𝑥),
𝐸(𝑋), dan Var(𝑋).
Jika sebuah dadu dilemparkan sebanyak satu kali, maka setiap mata

DISTRIBUSI dadu memiliki kesempatan yang sama untuk muncul. Dengan

UNIFORM demikian 𝑋~DU(𝑁).

(SERAGAM) 𝑥 1 2 3 4 5 6
𝑓(𝑥) 1/6 1/6 1/6 1/6 1/6 1/6
𝐹(𝑥) 1/6 2/6 3/6 4/6 5/6 1

𝑁+1 7
𝐸 𝑋 = =
2 2

𝑁 2 − 1 35
Var 𝑋 = =
12 12
  Sebuah variabel random 𝑋, yang diasumsikan hanya memiliki nilai 0
atau 1, dikenal sebagai variabel Bernoulli
 Misalkan, hasil percobaan tersebut adalah 𝐸 dan 𝐸’, maka variabel

1 jika 𝑒 ∈ 𝐸
Bernoulli dirumuskan sebagai 𝑋(𝑒) ቊ
0 jika 𝑒 ∈ 𝐸′
DISTRIBUSI  Percobaan yang demikian memiliki distribusi yang dinamakan
BERNOULLI distribusi Bernoulli. Adapun pdf untuk variabel randomnya adalah
𝑓 𝑥 = 𝑝 𝑥 𝑞1−𝑥 𝑥 = 0,1

Sukses Gagal
Percobaan
𝑃(sukses) = 𝑝 𝑃(gagal) = 𝑞 = 1 − 𝑝
  Nilai ekspektasi variabel random 𝑋 adalah 𝐸 𝑋 = 𝑝
 Varians variabel random 𝑋 adalah Var 𝑋 = 𝑝𝑞
 Example:
DISTRIBUSI Pada sebuah kotak terdapat 10 bola hitam dan 20 bola putih. Jika
BERNOULLI diambil satu buah bola dan dimisalkan kejadian terambil bola hitam
adalah kejadian “sukses” dan kejadian terambil bola putih adalah
10 20
kejadian “gagal”, maka 𝑝 = dan 𝑞 =
30 30
  𝑛 percobaan yang berulang.
 Tiap percobaan memberi hasil yang dapat dikelompokkan menjadi
sukses atau gagal.
PERCOBAAN
 Peluang sukses tidak berubah dari percobaan yang satu ke yang
BINOMIAL
berikutnya.
 Tiap percobaan saling bebas.
  Variabel random 𝑋 merepresentasikan jumlah kejadian sukses dari
𝑛 percobaan dengan peluang sukses 𝑝. Maka 𝑋~BIN(𝑛, 𝑝) dan pdf
dari 𝑋 adalah

𝑛 𝑥 𝑛−𝑥
𝑏 𝑥; 𝑛, 𝑝 = 𝑝 𝑞 𝑥 = 0,1, … , 𝑛
𝑥
 CDF dari distribusi binomial dirumuskan sebagai berikut
DISTRIBUSI 𝑥

𝐵 𝑥; 𝑛, 𝑝 = ෍ 𝑏(𝑘; 𝑛, 𝑝) 𝑥 = 0,1, … , 𝑛
BINOMIAL 𝑘=0
 Nilai ekspektasi dari distribusi binomial dirumuskan sebagai berikut
𝐸 𝑋 = 𝑛𝑝
 Varians dari distribusi binomial dirumuskan sebagai berikut
Var 𝑋 = 𝑛𝑝𝑞 = 𝑛𝑝(1 − 𝑝)
  Example:
Pada sebuah kotak terdapat 10 bola hitam dan 20 bola putih. Jika

DISTRIBUSI diambil satu buah bola dan dimisalkan kejadian terambil bola hitam
adalah kejadian “sukses” dan kejadian terambil bola putih adalah
BINOMIAL
10 20
kejadian “gagal”, maka 𝑝 = dan 𝑞 =
30 30
 Misalkan sebuah populasi memiliki jumlah anggota sebanyak 𝑁 dan
diantaranya terdapat sebanyak 𝑀 untuk tipe 1 dan 𝑁 − 𝑀 untuk tipe
2. Selanjutnya akan diambil 𝑛 item secara acak dan tanpa
pengembalian. Misalkan 𝑋 adalah banyaknya tipe 1 yang terambil,
DISTRIBUSI
maka 𝑋~HYP(𝑛, 𝑀, 𝑁) dan pdf 𝑋 dirumuskan
HIPERGEOMETRIK
𝑀 𝑁−𝑀
𝑥 𝑛−𝑥
ℎ 𝑥; 𝑛, 𝑀, 𝑁 = 𝑁 , 𝑥 = 0,1,2, … 𝑛
𝑛
  CDF dari 𝑋 yaitu

𝐻(𝑥; 𝑛, 𝑀, 𝑁) = ෍ ℎ 𝑥𝑖 ; 𝑛, 𝑀, 𝑁 , 𝑥 = 0,1,2, …
𝑥𝑖 ≤𝑥

 Nilai ekspektasi dari 𝑋 yaitu

DISTRIBUSI 𝑛𝑀
HIPERGEOMETRIK 𝐸 𝑋 =
𝑁
 Varians dari 𝑋 adalah

𝑀(𝑁 − 𝑛) 𝑀
Var 𝑋 = 𝑛 1−
𝑁(𝑁 − 1) 𝑛
 Seorang pengusaha membeli sebuah kotak yang di dalamnya
terdapat 100 kartu memori, 80 dalam kondisi baik dan 20 dalam
kondisi rusak. Untuk menentukan apakah kartu memori tersebut layak
dijual kembali, dipilih 10 kartu memori secara acak dan tanpa
pengembalian. Jika dari tidak lebih dari 3 kartu memori rusak terambil,

DISTRIBUSI maka kartu tersebut dapat dijual kembali. Tentukan peluang kartu
HIPERGEOMETRIK memori dapat dijual kembali.
Misalkan 𝑋 adalah jumlah kartu memori rusak yang terambil.
𝑋~𝐻𝑌𝑃(𝑥; 10,20,100)
Maka
3 20 80
𝑥 10−𝑥
𝑃 𝑋≤3 =෍ 100 = 0.890
𝑥=0 10
 Misalkan 𝑋 adalah banyaknya percobaan sampai saat terjadi sukses
pertama dari kejadian yang saling bebas dengan peluang “sukses” 𝑝
dan “gagal” 1 − 𝑝 = 𝑞
DISTRIBUSI 𝑋~GEO(𝑝)
GEOMETRIK pdf dari 𝑋 adalah
𝑔 𝑥; 𝑝 = 𝑝𝑞 𝑥−1 , 𝑥 = 1,2, …
  CDF dari 𝑋 adalah

𝐺 𝑥; 𝑝 = ෍ 1 − 𝑞 𝑥 , 𝑥 = 1,2, …
𝑖=1

 Nilai ekspektasi dari 𝑋 adalah

DISTRIBUSI
1
GEOMETRIK 𝐸 𝑋 =
𝑝

 Varians dari 𝑋 adalah

1−𝑝
Var 𝑋 = 2
𝑝
 Example:
Hitunglah peluang bahwa seseorang yang melemparkan sekeping
uang logam yang setimbang memerlukan 4 lemparan sampai
diperoleh sisi gambar.

DISTRIBUSI Misalkan 𝑋 adalah banyaknya lemparan yang dilakukan untuk

GEOMETRIK 1
memperoleh sisi gambar dengan peluang 𝑝 = , maka 𝑋~GEO
2
1
2

Peluang 𝑥 = 4 adalah

4−1
1 1 1 1
𝑔 4; = 1− =
2 2 2 16
 Misalkan 𝑋 adalah banyaknya percobaan yang dilakukan untuk
memperoleh sukses ke-𝑟 dengan peluang “sukses” 𝑝 dan “gagal”
1−𝑝=𝑞
DISTRIBUSI 𝑋~NB(𝑟, 𝑝)
BINOMIAL pdf dari 𝑋 adalah
NEGATIF
𝑥 − 1 𝑟 𝑥−𝑟
𝑓 𝑥; 𝑟, 𝑝 = 𝑝 𝑞 , 𝑥 = 𝑟, 𝑟 + 1, …
𝑟−1
  Nilai ekspektasi dari 𝑋 adalah

𝑟
𝐸 𝑋 =
𝑝
 Varians dari 𝑋 adalah
DISTRIBUSI 𝑟𝑞
BINOMIAL Var 𝑋 = 2
𝑝
NEGATIF  Fungsi pembangkit momen dari 𝑋 adalah

𝑟
𝑝𝑒 𝑡
𝑀𝑥 𝑡 =
1 − 𝑞𝑒 𝑡
 Example:
Dalam suatu turnamen, tim A bermain dengan tim B sebanyak 7 kali.
Turnamen akan selesai jika salah satu tim memenangkan permainan
sebanyak 4 kali. Untuk setiap permainan, 𝑃(A menang) = 0,6 dan anggap
bahwa permainan tersebut adalah kejadian bebas. Tentukan peluang
DISTRIBUSI turnamen akan selesai dengan 6 kali permainan.
BINOMIAL Misalkan 𝑋 adalah banyaknya permainan untuk menyelesaikan turnamen
NEGATIF dan 𝑋~NB 4, 𝑝 .
6 5
Peluang A memenangkan turnamen adalah 𝑓 6; 4, = 3
(0,6)4 (0,4)2
10

4 5
Peluang B memenangkan turnamen adalah 𝑓 6; 4, = 3
(0,4)4 (0,6)2
10

6 4
𝑃(turnamen selesai dengan 6 kali permainan) = 𝑓 6; 4, + 𝑓 6; 4,
10 10
  Memiliki dua hasil, yaitu sukses dan gagal
 Terdefinisi pada panjang selang waktu dan luas daerah yang saling
bebas
PERCOBAAN
 Peluang pada proses Poisson tergantung pada selang waktu dan
POISSON
besarnya daerah.
 Peluang untuk selang yang pendek atau daerah yang kecil dapat
diabaikan
  Suatu variabel random diskrit 𝑋 dikatakan berdistribusi Poisson
dengan parameter 𝜇 > 0 atau 𝑋~POI(𝜇) jika memiliki pdf
sebagai berikut

𝑒 −𝜇 𝜇 𝑥
DISTRIBUSI 𝑓 𝑥; 𝜇 =
𝑥!
, 𝑥 = 0,1,2, …

POISSON  CDF dari 𝑋 dinotasikan dengan

𝐹 𝑥; 𝜇 = ෍ 𝑓(𝑘; 𝜇)
𝑘−0
  Nilai ekspektasi dari 𝑋 adalah
𝐸 𝑋 =𝜇
 Varians dari 𝑋 adalah
DISTRIBUSI Var 𝑋 = 𝜇
POISSON  Fungsi pembangkit momen dari 𝑋 adalah

𝑀𝑥 𝑡 = 𝑒 𝜇 𝑒 𝑡 −1 , −∞ < 𝑡 < ∞
 Example:
Rata-rata banyaknya klain yang datang dalam satu hari kerja di sebuah
perusahaan asuransi adalah 8. Hitunglah peluang bahwa lebih dari 3
klaim datang selama setengah hari kerja.
Misalkan 𝑋 adalah banyaknya klaim yang datang dalam satu hari
DISTRIBUSI
kerja(𝑡 = 1) dan 𝑋~POI 8 .
POISSON
Jika 𝑡 = 0,5 maka 𝑋~POI 4
𝑃 𝑋 >3 =1−𝑃 𝑋 ≤3
𝑃(𝑋 > 3) = 1 − 𝑃 𝑋 = 0 − 𝑃 𝑋 = 1 − 𝑃 𝑋 = 2 − 𝑃(𝑋 = 3)

𝑒 −4 40 𝑒 −4 41 𝑒 −4 42 𝑒 −4 43
𝑃 𝑋 >3 =1− − − − = 0,603
0! 1! 2! 3!