EKSPEKTASI DAN MGF DARI BEBERAPA DISTRIBUSI KHUSUS DISKRIT

EkspektasiVariabelAcakKontinu
Jika X adalah peubah aak diskrit dengan nilai fungsi peluangnya di x adalah p(x ) dan u( X),
dinotasikan dengan E [u( X)], didefinisikan sebagai:
E [ u ( X ) ]=∑ u ( x ) . p( x )
x

Sifat-sifat Nilai Ekspektasi:

1. Jika c adalah sebuah konstanta, maka E(c) = c
2. Jika c adalh sebuah konstanta dan u(X) adalah fungsi dari X, maka :
E [ c .u ( X ) ] =c . E [ u ( X ) ]
3. Jika c 1 dan c 2 afalah dua buah konstanta dan u1 ( X ) dan u2 ( X) adalah dua buah fungsi
dari X , maka:
E [ c 1 . u1 ( X ) +c 1 .u2 ( X ) ] =c 1 . E [ u1 ( X ) ] +c 2 . E [ u2 ( X ) ]

Fungsi Pembangkit Momen Diskrit ( MGF Diskrit)

Jika X adalah peubah acak diskrit dan p(x ) adalah fungsi peluang dari X di x, maka fungsi
pembangkit momen dari X didefinisikan sebagai:

M x ( t ) =∑ e tx . p(x )
x

DISTRIBUSI BERNOULLI
Pada sebuah percobaan, diberikan dua kejadian menarik yaitu E dan komplemennya (E ' ¿.
Sebaga contoh, keduanya dapat direprsentasikan sebagai “angka” atau “gambar pada sebuah
koin yang di tos, mendapatkan “cacat” atau “baik” ketika menggambar sebuah item, atau
umumnya “sukses” atau “gagal” pada suatu percobaan.
Diberikan Eterjadi dengan peluang p=P( E) dan konplemennya E ' terjadi dengan peluang

q=P ( E' )=1−p , maka

P(E) = p dan P(Ec) = q = 1-p
Peubah acak X diasumsikan dengan nilai 0 atau 1, dikatakan sebagai variabel Bernoulli, dan
sebuah percobaan yang hanya memiliki dua tipe hasil disebut sebagai Bernoulli trial
(percobaan Bernoulli).
Jika suatu percobaan memiliki hasil “sukses” ( E) atau “gagal” ( E' ), maka sesuai dengan
variabel Bernoulli menjadi

X ( e )= 1 jika e ϵ E
{0 jika e ϵ E '
Pdf dari X diketahui dari f ( 0 )=q dan f ( 1 ) =1. Distribusi yang sesuai dikenal sebagai
distribusi Bernoulli, dan pdf nya dapat dituliskan sebagai berikut.
f ( x )= p x q1−x x=0,1

Dari pdf tersebutdapat kita tentukan Ekspektasinya. Yaitu

E ( X ) =∑ xf ( x)
x

1
¿ ∑ x p x q1− x
x=0

¿ 02 . p 0 q 1−0+ 1. p1 q1−1 E ( X ) =p

Contoh 3.2.1
Pada pelemparan dadu dengan empat sisi. Kemunculan mata dadu 1 pada pelemparan

' 1
pertama yaitu E={ 1 } maka E = {2,3,4 } dan p=P ( E )=
4
Pada pengambilan kelereng secara acak dari 10 Hitam dan 20 Putih. Asumsikan hitam
sebagai sukses dan putih sebagai kegagalan atau sebaliknya pada pengambilan pertama.

10 1 20 2
Jika mendapatkan kelereng Hitam maka p=P ( H )= = , dan q=P ( P )= =
30 3 30 3

Perhatikan bahwa,
E ( X ) =∑ xf ( x )
all x

E ( X ) =( 0 ×q )+ ( 1× p )
¿ 0+ p=p
Maka
E ( X 2) =( 02 ×q ) + ( 12 × p )
 ¿ 0+ p=p
Sehingga
Var ( X )=E [ X−X 2 ]
¿ p− p2
¿ p ( 1− p )
¿ pq

Selain pdf, ekspektasi dan varians kita dapat juga menentukan mgf dari sebaran ini, yaitu.
M x (t )=E ( e tx )
¿ ∑ e tx f ( x )
x

1
¿ ∑ etx p x q 1−x
x=0

¿ q+ et p
¿ p et +q

DISTRIBUSI BINOMIAL
Misalkan kita melakukan suatu eksperimen yang menghasilkan dua peristiwa, yaitu peristiwa
sukses ( S) dan peristiwa gagal (G). Peluang terjadinya peristiwa S , P (S ), sebesar p dan
peluang
terjadinya peristiwa G, P(G) , sebesar 1 – p. Eksperimen itu diulang sampai n kali secara
bebas. Dari n kali pengulangan itu, periatiwa S terjadi sebanyak x kali dan sisanya (n−x) kali
terjadi peristiwa G. Kita akan menghitung besar peluang bahwabanyak peristiwa sukses
dalam eksperimen itu sebanyak x kali.

Banyak susunan yang mungkin keseluruhan peristiwa S dan ( nx) cara, maka peluang bahwa
peristiwa S terjadi x kali adalah

f ( x )= p ( X =x )= n p x ( 1−p ) ; x=0,1,2,3 , … , n
n−x

x()
Definisi:
Peubah acak X dikatakan berdistribusi binomial, jika dan hanya jika fungsi peluangnya
adalah:
B(x ; n , p)
,
Artinya peubah acak X berdistribusi binomial dengan banyak peluang eksperimen sampai n
kali, peluang terjadi peristiwa sukses sebesar p, dan banyak peristiwa sukses terjadi ada x.

Example 3.2.2
Pengambilan dengan Pengembalian
Kita mempertimbangkan masalah pengambilan 5 kelereng yang terdiri 10 Hitam dan 20
Putih, dimana pengambilan dilakukan satu per satu. Dan setiap pengembalian dilakukan
sebelum pengambilan berikutnya.
Misalkan X adalah jumlah kelereng hitam yang diambil, yaitu “terambilnya tepat 2H” dan
f ( 2 ) =P[ X=2]
Akibatnya 3 P diperlukan untuk memperoleh permutasi 2H dan 3 P

(52 )= 25! 3!! =5 × 4 × 2!33! ! =10

Sehingga terdapat 1o permutasi, dan tiap masing-masing memilliki probabilitas kemunculan
yang sama. Katakanlah
2 3
10 20
( )( )
30 30

Dikalikan keduanya bersama sama dalam beberapa susunan. Proabilitass dapat diperoleh
dengan cara ini, karena pengambilan dilakukan dengan pengembalian yang dapat di anggap
sebagai percobaan independen Bernoulli. Dengan demikian
2 3
10 20
f ( 2) = 5( )( ) ( )
2 30 30

Pendekatan ini dapat digunakan untuk meenurunkan distribusi binomial yang leih umum.
Dalam suatu urutan n dari percobaan independen Bernoulli dengan probabilitas berhasil p
pada tiap ujicoba, misalkan X menunjukkan jumlah keberhasilan. Pdf diskrit X diberikan oleh

b ( x ; n , p ) = n p x q n−x x=0,1,2 , … ,n
()
x

[ X=x ] sebagai kejadian yang terjadi, ini diperlukan memiliki beberapa permutasi dari x

berhasil (E) dan n−x kegagalan ( E' ). Ada permutasi sebanyak ( nx), dan masing-masing
kejadian dengan probabilitas p x q n−x , dimana hasil dari nilai x yaitu p=P ( E ) dan nilai n−x

n x n−x
()
yaitu q=P(E ' ). Jelas, urutan perlakian tidak penting, dan b ( x ; n , p ) = p q yang dikenal
x
sebagai pdf dari Distribusi Binomial dibentuk. Notasi b ( x ; n , p ) yang kita punya telah
digunakan yaitu f ( x )mencerminkan bergantung pada n dan p.
Pada sifat umum
f ( xi) ≥ 0
Dan
∑ f ( x i ) =1
semua x i

Dipenuhi oleh persamaan

b ( x ; n , p)=( nx) p qx n−x

Karena 0 ≤ p ≤ 1 dan
n n

∑ b ( x ; n , p )=∑ nx p x q n−x
()
x=0 x=0

¿ ( p+q )n
¿1

CDF dari distribusi binomial diberikan dalam ni lai bilangan bulat dengan
x
B ( x ; n , p )=∑ b ( k ; n , p ) x=0 , 1 , … ,n
k=0

Beberapa nilai dari B ( x ; n , p ) disajikan dalam Tabel 1 untuk beragam nilai n dan p. Identitass
berikut ini mudah untuk di veerifikasi
B ( x ; n , p )=1−B ( ( n−x )−1 ; n , ( 1−p ) )

Nilai dari pdf dapat diperoleh dengan mudah dari Tabel 1 karena
b ( x ; n , p ) =B ( x ; n , p ) −B ( x−1 ; n , p )

Notasi singkat untuk menunjukkan bahwa X memiliki distribusi binomial dengan parameter
n dan p adalah X B( x ; n , p) atau dengan aletrnatif notasi
X BIN ( n , p )
Distribusi binomial muncul sehubungan dengan banyaknya permainan kebetulan seperti
pelemparaan dadu atau koin.

Example 3.2.3
Sebuah koin di lambungkan bebas sebanyak n kali. Dinotasikan probabilitas perolehan

1
Angka pada sekali lempar dengan p=P( A ). Jika p= kita katakan bahwa koin adil ;
2
sebaliknya dikatakan tidak adil. Sebagai contok, jika X adalah jumlah angka yang diperoleh

1
dalam pelemparan kin 20 kali, maka X ! BIN 20 , ( 2). Ada hubungan antara contoh ini dan

contoh pemilihan jawaban secara acak dari 20 pertanyaan T/F. Jika pertanyaan yang dijawab
sesuai dengan hasil tos 20 koin, maka distribusi dari jumlah jawaban venar juga BIN(20,1/2).
Sedemikian sehingga probabilitas dari 80% benar adalah
16
1 1 4=0.0046
(
b 16 ; 20 , = 20 1
) ( )( ) ( )
2 16 2 2
pada contoh titik 1.6.14 menggunakan teknikperhitungan dan p ½ . pendekatan klasik tidak
berfungsi karena permutasi berhasil dan gagal tidak semua sama. Meskipun distribusi
binomial digunakan.
Sebagai contoh telah diberikan tes benar-salah, 20 pertanyaan pilihan ganda dengan 4 pilihan
jawaban pertanyaan dijawab seacara acak. Ini hampir sama dengan contoh pelemparan dadu
4 sisi sebanayk 20 kali dan distribusi jumlah jawaban benar sama dengan distribusi
munculnya nilai 1,2,3 atau 4. Distribusi yang sesuai yaitu BIN(20,1/4). Dalam kasus ini,
probabilitas tepat 80% benar adalah
16
1 1 3 4
(
b 16 ; 20 , = 20
) ( )( ) ( ) =0.0000036
2 16 4 4

Faktanya probabilitas 50% benar, agak kecil

10 10
1 1 3
(
b 10 ; 20 , = 20
) ( )( ) ( ) =0.0099
4 10 4 4

Probabilitas paling banyak 50% benar adalah B(10;20,1/4)= 0.9960. Distribusi binomial
berguna dalam hitungan permainan kekebutulan.

Contoh 3.2.4
Permainan kebetulan terdiri pelemparan 3 dadu 6 sisi, pemain berrtaruh 1 dolar setiap
permainan dan menang 1 dolar untuk tipa kemunculan angka 6 pada sebarang dadu.
Mempertahankan taruhan awal, sedemikian sehingga jumlah bersih menang menjadi peubah
acak diskrit Y, dengan nilai kemungkinan 1,2,3 atau -1, dimana nilai akhir yang sesuai
dengan taruhan kalah. Jika tidak ada satupun dadu muncu angka 6. Salah satu pendekatan
yang mungkin adalah dengan menghitung distribusi Y dan kemudian menghitung E(Y). Kita
akan menggunakan fakta yang telah digunakan sebelumnya yaitu Y adalah fungsi dari peubah
acak binomial X adalah jumlah muncul angka 6 pada ketiga dadu. Secara khusus X BIN
(3,1/6) dan Y=u(X), dimana u(x) diberikan oleh

x 0 1 2 3
u(x ) -1 1 2 3

3 x 3−x
1 5
E ( Y )=E [ u ( X ) ]¿ ∑ u ( x ) 3
( )( ) ( )
x=0 x 6 6

0
5 3 1
5 1 2
5 1 3 0
1 1 1 1 5
¿−1 3 +1 3 +2 3
( )( ) ( ) ( )( ) ( ) ( )( ) ( ) ( )( ) ( ) +3 3
0 6 6 1 6 6 2 6 6 3 6 6
¿−0,5787+0,247222+0,138889+0,013889=−0,0787

Sedemuiikian sehingga, harapan menang adalah harapan kalah. Dengan kata lain, jika pemain
bertaruh $1 tiap sekali main. Dalam jangka panjang dia harus berharap kalah $8 untuk 100
permainan

Sekarang kita akan menurunkan beberapa sifat umum distribusi binomial

JikaX BIN ( n , p ) maka
n
M X ( t )=∑ etx n p x qn− x
()
x=0 x
n
¿ ∑ etx n ( p et ) q n−x
x

x=0
()
x
n
¿ ( p e t +q ) −∞<t <∞
Dari perluasan binomial

n −1
Kita notasikan bahwa M ' X ( t )=n ( p et + q ) p et dan sehingga
 ' 0 0 n−1
M X ( 0 )=np e ( p e + (1− p ) )
¿ np ( 1 )n−1
¿ np

Ini juga mungkin untuk menurunkan variansi perhitungan pertama yaitu

E( X 2)=M ' ' X (0)

Bagaimanapun juga, kita aka gunakan peluang ini untuk mengilustrasikan fungsi pembangkit
momen faktorial (FMGF). Secara khusus, jika X BIN (n . p) maka
G X ( t )=E ( t X )
n
¿ ∑ t x n p x qn− x
()
x=0 x
n
¿ ∑ (n ) ( pt ) q
x n−x

x=0x
¿ ( py+ q )n
G ' X ( t ) =np ( pt +q )n−1
G ' ' X ( t )=( n−1 ) n p 2 2
Sehingga,
E ( X ) =G' X ( 1 )
n

∑ xf ( x )=∑ xb ( x ; n , p )
x x=0

n x n−x
1 2
¿∑ x n( )( ) ( )
x=0 x 3 3
n x n− x
1 2
¿ ∑ x ( n )( ) ( )
x=1 x 3 3
n
n!
¿∑ x p x q n−x
x=1 x ! ( n−x ) !
n
( n−1 ) !
¿ np ∑ p x q n−x
x=1 ( x−1 ) ! ( n−x ) !
n
( n−1 ) !
¿ np ∑ p x−1 q(n−1)−(x−1)
x=1 ( x−1 ) ! [ ( n−1 )−( x−1 ) ]!
n−1
( n−1 ) !
¿ np ∑ p y q (n−1 )− y
y=0 y ! [ ( n−1 )− y ] !
 n−1
¿ np ( p+q )
¿ np . 1n−1
¿ np ( teorema 2.5.4)
Dan
E [ X ( X −1 ) ]=G ' ' X ( 1 )
¿ ( n−1 ) n p2 ( teorema 2.5.4)
Sehingga
E ( X 2) =M ' ' ( t ) =np( p e t +q)n−1

¿ np( p e t + q)n−1+ np(n−1)( p e t +q )n−2 p

¿ np+ n p2 ( n−1)( p et + q)n−2

¿ np+ n2 p2−n p 2

2
Var ( X )=E ( X 2 )−[ E( X ) ]

¿ np+ n2 p2−n p 2−(np)2

¿ np+ n2 p2−n p 2−n2 p 2

¿ np−n p2
¿ np( 1− p)
¿ npq

Exercise 1
Kantor memiliki 10 printer dot matrix. Masing-masing membutuhkan pita baru kira-kira
setiap tujuh minggu. petugas penyedia menemukan pada awal minggu tertentu bahwa hanya
ada lima pita dalam stok, berapa probabilitas bahwa persediaan akan habis selama
ituminggu?
5 1
P= =
10 2
n=7 minggu
7 0
5 5 5
(
b 7;7, =7
) ( )( ) ( )
10 7 10 10
¿ 0,0078125
¿ 0,008
n=10 catrid
 x 10− x
1 1
(
b x ; 10 , = 10 1
) ( )( ) ( )
2 x 2 2

Exercise 2
Dalam 10-pertanyaan tes benar-salah:
a) Berapa probabilitas untuk mendapatkan semua jawaban yang benar dengan
menebak?
10
1 1 1 1 0 1
n=10 x=10 p= q= b ( x ; n , p ) = 10 ( )( ) ( ) ¿ 1∙ ∙ 1¿ 0,0009767625
2 2 10 2 2 1024
¿ 0,00097
b) Berapa probabilitas mendapatkan delapan benar dengan menebak?
8
1 1 1 1 2 1
n=10 x=8 p= q= b ( x ; n , p ) = 10 ( )( ) ( ) ¿ 45 ∙ ¿ 0,043945125¿ 0,0439
2 2 10 2 2 1024

Exercise 3
Pemain bola basket menembakkan 10 tembakan dan probabilitas memukul adalah 0,5 pada
setiap tembakan.
a) Berapa probabilitas memukul delapan tembakan ?
8
10 1 1 2 1
p=0,5 q=0,5 x=8b ( x ; n , p ) = ( )( ) ( )
8 3 3
¿ 45 ∙
1024
¿ 0,043945125¿ 0,0439

b) Berapa probabilitas memukul delapan tembakan jika probabilitas pada setiap tembakan
adalah 0,6?

p=0,6 q=0,4 x=8b ( x ; n , p ) = (108 ) ( 0,6 ) ( 0,4) ¿ 45 ∙ ( 0,6) ( 0,4 ) ¿ 0,12094

8 2 8 2

c) Berapa nilai yang diharapkan dan varians dari jumlah tembakan yang terjadi jika p 0,5?
E ( X ) =n ∙ p¿ 10 ∙0,5¿ 5Var ( X )=n∙ p ∙q¿ 10 ∙0,5 ∙ 0,5¿ 2,5
Exercise 4
Pesawat empat mesin bisa terbang jika setidaknya dua mesin bekerja.
a) jika mesin beroperasi secara bebas dan setiap kerusakan dengan probabilitas q,
berapakah probabilitas bahwa pesawat akan terbang dengan aman?
1
P ( X ≥2 ) =1−P ( X ≤1 ) ¿ 1−∑ b [ x ; 4 , ( 1−q ) ]¿ 1−∑ 4 ( 1−q ) q4 −x
x

x=0 x
()
¿ 1− 4 (1−q )0 q 4 + 4 ( 1−q )1 q3 ¿ 1−[ q4 + 4 q 3−4 q 4 ]¿ 1−q2
[( )
0 1 () ]
 b) Sebuah pesawat bermesin dua dapat terbang jika setidaknya satu mesin bekerja. Jika
mesin mengalami kerusakan dengan probabilitas q, berapakah probabilitas bahwa
pesawat akan terbang dengan aman?

P= ( X ≥ 2 )=1−P [ X=0 ]¿ 1−b [0 ; 2 ( 1−q ) ]¿ 1− (20 ) (1−q ) q ¿ 1−q

0 2 2

c) Pesawat mana yang paling aman?

1
2 mesin lebih aman jika P>
3
1 1
4 mesin lebih aman jika q < keduanya sama jika q=
3 3

Exercise 5
a) Chevalier de Mere biasanya bertaruh bahwa ia akan mendapatkan setidaknya satu dari
enam pelemparan dadu. Apakah ini taruhan yang bagus?
0
1 1 4 1 5 4
(
b x; 4,
6 ) ( 6 ) ( )( ) ( )
P ( x ≥ 1 )=1−P ( x=0 )¿ 1−b 0 ; 4 , ¿ 1−
0 8 6
¿ 0,5177> 0,5

b)Dia juga bertaruh bahwa dia akan mendapatkan setidaknya satu pasang 6 dalam 24
pelemparan dua dadu. Berapa probabilitasnya untuk memenangkan taruhan ini?
0 24
1 1
(
b x ; 24 ,
36 ) (
P ( x ≥ 1 )=1−P ( x=0 )¿ 1−b 0 ; 24 ,
36 ) ( )( ) ( ) ¿ 1− 15625
¿ 1− 24
1
0 36 46656
5
6

¿ 1−0,33489¿ 0,6651
c)Bandingkan probabilitas setidaknya satu 6 ketika enam dadu dilemparkan dengan
probabilitas setidaknya dua 6 ketika 12 dadu dilemparkan
0
1 1 6 1 5 6 15625
(
b x;6,
6) (
( P ≥1 ) =1−P ( x=0 )¿ 1−b 0 ; 6 , ¿ 1−
6 ) ( )( ) ( )
0 6 6
¿ 1−
46656
¿ 1−0,33489

1 11 0 12
1 12 1 5 1 5
(
¿ 0,6651b 2; 12 ,
6 ) [ ( )( ) ( )
P ( X ≥1 ) =1−( P ( x=1 ) + P ( x=0 ) )¿ 1−
1 6 6 ( )( ) ( ) ]
+ 12
0 6 6

585937500+244140625
¿ 1− .¿ 1−0,2813¿ 0,6187.
2176782336

Exercise 6
Jika probabilitas memilih kuda yang menang dalam lomba adalah 0,2, dan jika X adalah
jumlah yang menang dari 20 balapan, yaitu:
 2
P=0,2=
10
n=20
2
( )
b ( x ; n , p ) =b x ; 20 ,
10
2 16
2 8
a) P ( X=4 )=( 20)( ) ( )
4 10 10
¿ 0,2182
4 x 20−x
20 2 8
b) P [ X ≤ 4 ] =∑ ( )( ) ( )
x=0 x 10 10
0 20 1 19 2 18 3 17 4 16
2 8 2 8 2 8 2 8 2 8
¿ ( 20) ( ) ( ) + ( 20 ) ( ) ( ) +( 20 ) ( ) ( ) + ( 20 ) ( ) ( ) + ( 20 ) ( ) ( )
0 10 10 1 10 10 2 10 10 3 10 10 4 10 10
¿ 0,6292
c) E ( X ) =n . p¿ 20.0,2¿ 4
Var ( X )=npq¿ 20 ( 0,2 ) ( 0,8 )¿ 3,2

Exercise 10
Lima kartu diambil tanpa pengembalian dari kartu reguler sebanyak 52 kartu. Berikan
probabilitas masing-masing peristiwa berikut:
4 48 4! 48 !
a) P ( 2 As )=
( )(
2 3 ) ¿
( 2! 2 ! 3 ! 45 ! )
)( ¿ 0,03993
52 52 !
(5) 5! 47 !
4 48 4! 48 !
b) P ( 2 King )=
( 2 )( 3 ) ( 2! 2 ! )( 3 ! 45 ! )
¿ ¿ 0,03993
52 52 !
(5) 5! 47 !
4 48 4 48
c) P ( X <2 )=
( )(
0 5 ) +
( 1 )( 4 ) 2490623
¿ ¿ 0,95831
52 52 2598960
(5) (5)
4 48 + 4 48 + 4 48
P ( X ≥2 ) =
( 2 )( 3 ) ( 3 )( 2 ) ( 4 )( 1 ) 108336
¿ ¿ 0,0417
52 2598960
(5)
Exercise 11
Pengiriman 50 perangkat mekanis terdiri dari 42 yang baik dan delapan rusak. Seorang
inspektur memilih lima perangkat secara acak tanpa pengembalian.
a) Berapa probabilitas bahwa tepatnya tiga itu baik?
50 mekanis : 42 baik dan 8 rusak
42 8 42 ! 8!
P ( X=3 )=
( 3 )( 2) ( 3 ! 39! )( 2! 6! ) 328
¿ ¿ ¿ 0,1517
50 50 ! 2162
(5) 5! 45 !
b) Berapa probabilitas bahwa paling banyak tiga itu baik?
42 8 + 42 8 + 42 8 + 42 8
P ( X ≤3 )=
( 3 )( 2) ( 2 )( 3 ) ( 1 )( 4 ) ( 0 )( 5 )

(505)
321440+ 48216+2940+ 86
¿
2118760
372652
¿
2118760
¿ 0,17588
¿ 0,1759

DISTRIBUSI HYPERGEOMETRIK
Pada contoh pengambilan lima kelereng secara acak tepat 2 hitam tanpa pengembalian dari
10 hitam dan 20 putih. Maslaah jenis ini dapat di perluas untuk memperoleh distribusi diskrit
khusus penting yang dinamakan sebagai distribusi hypergeometrik.
Diberikan populasi atau kumpulan objek yang terdiri dari N item ,dan ada sebanyak M item
dari kategori pertama dan sisanya sebanyak N−M item daari kategori ke 2. Misalkan item
ke n diambil secara acak tanpa pengembalian dan dinotasikan sebagai X adalah jumlah item
yang terambil dari tipe 1. Pdf diskrit dari X diberikan oleh.
M N−M
h ( x ; n , M , N )=
( x )( n−x )

( Nn )
ruang sampel yang mendasari diambilnya menjadi kumpulan himpunan bagian ukuran n,

dimana ada ( Nn ), dan ada ( Mx )( N−M

n−x )
hasil yang sesuai untuk kejadian [ X=x ]. Persamaan
pdf distribusi hypergeometrik, mengikuti metode clasik penentuan peluang h ( x ; n , M , N )
telah digunaka f (x), mencerminkan ketergantuan pada parameter n , M ,dan N . Sifat
f ( xi) ≥ 0
Dan
∑ f ( x i ) =1
semua x i

Dipenuhi karena ( Mx )( N−M

n−x )
menghitung jumlah subset dari ukuran n dengan tepat x item

dari kategori 1, dan jumlah subset ukuran n dapat ditunjukkan oleh ( Nn ) atau dengan
n n
M N−M . Sehingga
∑( )(
x n− x ) ∑ h ( x ; n , M , N )=1
x=0 x=0

Pada contoh pengambilan 5 kelereng (2H 3P) parameter n=5,N=30 , M =10 dimana
kelereng hitam dianggap sebagai kategori 1. Misalkan jumlah kelereng yang diambil naik
menjadi n=25, dan peluang diperoleh tepat 8H yang diinginkan.
10 20
h ( 8 ; 25,10,30 )=
( 8 )( 17 )

(3025 )
perhatikan bahwa nilai kemungkinan X pada kasus ini adalah 5,6,7,8,9,10. Hal ini
dikarenakan subset yang dipilih tidak lebih dari M =10 H atau tidak lebih dari N−M =20 P.
Seacara umum nilai X yang mungkin adalah
max ⁡(0 , n−N + M )≤ x ≤min( n , M )
dan h(x ; n , M , N ) adalah nol jika sebaliknya.
Distribusi hypergeometrik penting dalam penerapan seperti penentuan diterimanya beberapa
hasil barang pabrik.

Contoh 3.2.5
ngat pada contoh pada jumlah microchip dari boks yang berissi 100 microchips, 80 bagus dan
20 rusak. Jumlah yang rusak dalam boks tidak diketahui oleh pembeli, yang mana mimilih 10
microhchip tanpa pengembalian. Dan mempertimbangkan boks diterima jika 10 item yang
terpilih, yang rusak tidak lebih dari 3. Jumlah yang rusak adalah X memiliki distribusi
hypergeometri, dengan n=10 , N =100 , dan M =20, dan probabilitas yang diterima adalah
20 80
P [ X ≤ 3 ]=∑
3( x )( 10−x )
=0.890
100
x=0
( 10 )
(¿ 200 )(8010) + (201 )(809) + (202)(808 ) + ( 203 )(807 ) =0.890
(100
10 ) ( 100
10 ) ( 100
10 ) ( 100
10 )
Sehingga probabilitas diterima dengan 20% item yang rusak sama tinggi. Pada sisi lain box
berisis 50 bagus dan 50 rusak. Berarti probabilitas diterimanya adalah
50 50
P [ X ≤ 3 ]=∑
( x )( 10−x )
3
=0.159
100
x=0
( 10 )
Pada contoh sebelumnya, probabilitas bentuk P[ X ≤ x ] penting. CDF dari X dan kita akan
menggunakna notasi khusus CDF dari distribusi nhypergeometrik yaitu:
x
H ( x ; n , M , N )=∑ h(i ; n , M , N )
i=0

Notasi singkat untuk menunjukkan X adalah distribusi hypergeometri dengan parameter

n , M ,dan N is
X HYP( n , M , N)

Melihat sebelumnya
nM
E ( X )= dan
N

Var ( X )=
n ( MN )(1− MN ) ( N−n )
( N−1 )

Teorem 3.2.1
Jika X HYP( n , M , N) maka untuk tiap nilai x=0,1 , … , n dan N → ∞ dan M → ∞ dengan

M
→ p, a konstanta positif
N
 M N−M
lim
( x )( n−x )
=¿ ( n) p (1− p)
x n−x
¿
x
N→∞
( Nn )
Pembuktian:
Buktinya didasarkan pada penataan ulang faktorial dalam persamaan (3.2.10) untuk

mendapatkan ekspresi bentuk ( nx) kali produk rasio yang konvergen ke p (1− p)
x n −x
sebagai

M → ∞.

Ini memberikan perkiraan ketika jumlah yang dipilih, (n) relatif kecil terhadap ukuran
koleksi ( N ), dan jumlah item dari tipe 1( M ). Ini secara intuitif masuk akal karena distribusi
binomial berlaku ketika kita sampel dengan penggantian, sedangkan distribusi
hypergeometrik berlaku ketika kami mengambil sampel tanpa penggantian. Jika ukuran
koleksi sampel dari besar, maka itu seharusnya tidak membuat banyak perbedaan apakah
item tertentu dikembalikan ke koleksi sebelum yang berikutnya dipilih

Example 3.2.6
10 biji dipilih dari tempat penyimpanan yang berisi 1000 biji bunga, yang mana 400 merah
dan sisanya warna lainnya. Bagaimana kemungkinan memperoleh tepat 5 biji merah?
Semata-mata, hypergeometriknya h ( 5 ; 10,400,1000 )=0.2013 . approximasi binomialnya
adalah b ( 5 ; 10,0.4 ) =0.2007
Jika kita mengerjakan secara langsung dengan menggunakan probabilitas bersyarat,
disediakan beberapa tambahan dalam teorema 3.2.1. misalkan kita mengambil 10 biji satu
persatu tanpa pengembalian dari tempat penyimpanan. Untuk memperoleh 5 biji berwarna
merah ini diperlukan untuk memperoleh beberapa permutasi dari 5 merah dan 5 lainnya.

(105 )
‘ Masing-masing memiliki probabilitas yang sama. (SAMPLING WITHOUT
REPLACEMENT)
400 399 398 397 396 600 599 598 597 596
∙ ∙ ∙ ∙ . ∙ ∙ ∙ ∙
1000 999 998 997 996 995 994 993 992 991
Dimana sama dengan ( 0,4 )5 ( 0,6 )5
Ada distribusi khusus diskrit lain yang berdasarkan pada percobaan Independen Bernoulli.
Sebagai contoh, misalkan peluncuran satelit tertentu memiliki probabilitas sukses 0,7.
Probabilitas tetap konstan pada 0,7 untuk peluncuran berulang, dan sukses atau gagal dari
satu peluncuran tidak bergantung pada hasill dari peluncuran lain. Dikhawatirkan dana untuk
program satelit akan terputus jika keberhasilan tidak tercapai dalam tiga kali ujicoba. Berapa
probabilitas sukses pada peluncuran pertama dalam tiga kali ujicoba?
Probabilitas sukses pada peluncuran pertama adalah p1=0,7 , probabilitas sukses peluncuran

kedua adalah p2=0,3 (0,7) dan probabilitas sukses pada ujicoba ketiga adalah p3=( 0,3 )2 0,7.

Probabilitas sukses pertama dalam tiga kali ujicoba adalah 0,7+ 0,3 ( 0,7 ) + ( 0,3 )2 0,7=0,973.
Solusi umum masalah jenis ini adalah distribusi geometri dan binomial negatif.
Exercise 8
Guci berisi 30 jeli kacang hijau dan 20 jeli kacang ungu. Misalkan 10 kacang jeli dipilih
secara acak dari toples.
a) Temukan kemungkinan mendapatkan tepat lima jelly bean ungu jika dipilih dengan
pengembalian.

G = green {30G
20 p
→ 10=n

P = purple
2
(
b X ; 20 ,
5 )
5 5
2 3
P ( x=5 )= 10( )( ) ( )
5 5 5
¿ 0,2006
b) Temukan probabilitas untuk memperoleh lima kacang ungu secara tepat jika dipilih
tanpa pengembalian.
h ( x ; 10,20,50 )
20 30
P ( X=5 )=
( 5 )( 5 )

(5010)
¿ 0,2151
Exercise 9
Sebuah kantor memiliki 10 karyawan, tiga pria dan tujuh wanita. Manajer memilih empat
secara acak untuk mengikuti kursus singkat peningkatan kualitas.
 10 employees
3 men → 4 c h ooses at random
7 women
H ( x ; 4,7,10 )
a) Berapa probabilitas pria dan wanita dalam jumlah yang sama dipilih?
2 pria and 2 wanita
7 3
P ( X=2 )=
( 2 )(2 )

( 04 )
(¿ 2!75! ! )( 2!31! ! )
( 410! 6!! )
21.3 3
¿ =
210 10
7 3 + 7 3
b) P ( X ≥3 )=
( ( 3 )( 1 ) ( 4 )( 0 ) )

( 104)
(¿ 37! 4! ! )( 1!32! ! )+( 47! 3! ! )( 03! 3!! )
( 410! 6!! )
( 35.2+35.1 ) 140 2
¿ = =
210 210 3

DiSTRIBUSI GEOMETRI DAN BINOMIAL NEGATIF

Kita kembali mempertimbangkan urutan dari Percobaan Independen Binomial dengan
probabilitas sukses p=P( E). Dalam kasus distribusi binomial, jumlah ujicoba adalah n, dan
variabel yang menarik adalah jumlah sukses. Sekarang kita pertimbangkan jumlah percobaan
percobaan yang diperlukan untuk mencapai jumlah sukses yang ingin dicapai.
Jika kita notasikan X adalah jumlah percobaan yang diperlukan untuk memperoleh sukses
pertama, maka pdf diskret X diberikan oleh
g ( x ; p )= p q x−1 x =1,2,3 ,…
[ X =x ] sebagai kejadian yang akan terjadi, diperlukan memiliki permutasi khusus yang terdiri
dari x−1 gagal diikuti dengan gagal. Karena percobaan bebas, probabilitas adalah hasil dari
p dengan x−1 faktor dari q=1− p seperti yang diberikan oleh g ( x ; p )= p q x−1
Sifat umum

f ( xi) ≥ 0
Dan
∑ f ( x i ) =1
semua x i

Dipenuhi oleh
g ( x ; p )= p q x−1
Karena 0< p<1
Dan
∞ ∞

∑ g ( x ; p )= p ∑ q x−1
x=1 x=1

¿ p ( 1+ q+ q +q3 + … )
2

Gunakan Deret Geometri tak hingga

a
S∞ =
1−r

¿p ( 1−q1 )
1
¿ p( )
p
¿1
Distribusi X dinamakan sebagai distribusi geometri, yang mana memperoleh namanya dari
hubungannya dengan seri geometri yang telah digunakan untuk mengevaluasi persamaan
∞

∑ g(x ;p)
x=1

Kadang-kadang juga dinamakan sebagai Distribusi Pascal. Kita akan gunakan notasi khusus
yang menyatakan bahwa X memiliki pdf g ( x ; p )= p q x−1yaitu
X GEO( p)
CDF X adalah
 x
G ( x ; p )=∑ p q t−1=1−q x x=1,2,3. …
i =1

Example 3.2.7
Probabilitas seorang pemain baseball mendapat pukulan adalah 0,3. Dan kita asumsikan
bahwa berapa kalinya bebas. Probabilitas akan 5 kali bertaruh, dia memperoleh pukulan
pertama adalah g ( 5 ; 0,3 )=( 0,3 )1 ( 0,7 ) 4 diberikan bahwa dia telah melakukan permainan

sebanyak 10 kali tanpa kena pukulan, probabilitasnya masih ( 0,3 )1 ( 0,7 )4 yang akan terjadi
lebih dari 5 kali dalam taruhan untuk dia memperoleh pukulan pertama. Probabilitas 5 atau
lebih sedikit pada pertarungan diperlukan untuk memperoleh pukulan pertama diberikan oleh
5
G ( 5; 0,3 )=1− ( 0,7 ) =0,83193
Distribusi geometri adalah satu satunya distribusi probabilitas diskrit yang memiliki sifat
tanpa memori yang disebut.
Teorema 3.2.2
Sifat Tanpa Memori
Jika X GEO( p) maka
P [ ( X > j+ k )|( X > j ) ]=P [ X> k ]
Sedemikian sehingga, mengetahui bahwa percobaan j telah dilakukukan tanpa ada imbas
untuk probabilitas k lebih percobaan yang diperlukan untuk memperoleh sukses. Berarti,
mengalami beberapa kegagalan tidak berarti bahwa kamu lebih pantas untuk sukses.
Contoh tos sebuah koin hingga muncul Angka. Jika X adalah jumlah tos, dan jika p=P( A )
makaX GEO( p). Dinotasikan bahwa hasis yang sesuai untuk tidak pernah memperoleh
Angka tidak diperlukan. Jelas, karena probabilitas tidak pernah memperoleh angka adalah
nol. Secara khusus, jika A menunjukkan kejadian “tidak pernah memperoleh angka” maka A’
adalah kejadian “paling tidak 1 angka” dan
∞
P ( A )=1−P ( A ' ) =1−∑ g ( x ; p )=1−1=0
x=1

Berarti bahwa X GEO ( p )diperoleh dari

∞
E ( X ) =∑ x ( p q x−1 )
x=1

∞
d x
¿ ∑ xp q
x=1 dq
∞
d
¿p ∑ qk
dq k=0
 d
¿p ( 1−q )−1
dq
−2
¿ p ( 1−q )
1
¿
p
Dengan pernyataan yang sama,
1+ q
E ( X 2) =
p2
dan akibatnya
q
Var ( X )=
p2
Sifat dari distribusi geometri dirangkum dalam Lampiran B.
Ingat bahwa beberapa penulis mempertimbangkan variabel yang berbeda yaitu Y yang
didefinisikan sebagai jumlah kegagalan yang terjadi sebelum sukses pertama. Sedemikian
sehingga
Y = X−1
Dan
y
P [ Y = y ] =( 1− y ) p y=0,1,2 , …
Distribusi probabilitas ini juga kadang-kadang merujuk sebagai distribusi geometri. Sehingga
dapat dicari MGF nya yaitu:
M x ( t ) =E ( e tX )
¿ ∑ e tX f (x)
x

∞
¿ ∑ e tX (1− p)x−1
x=1

¿ e t p +e 2t p ( 1− p ) + e3 t p(1− p)2 +e 4 t p(1−p)3 +…

t t t 2 t 3
¿ pe {1+ e ( 1−p ) ( e ( 1−p ) ) + ( e ( 1− p ) ) +… . }
1
¿ pet t
1−e (1− p)
pe t
¿ t
1−e (1−p)

Exercise 12
Seorang pria membayar $ 1 lemparan untuk mencoba memenangkan boneka Kewpie $ 3.
Probabilitasnya untuk menang pada setiap lemparan adalah 0,1.
 a) Berapa probabilitas dua lemparan akan diperlukan untuk memenangkan boneka
itu?

G ( x ; 0,1 )=0,1 ( 0,9 )x−1 x=1,2,3 , … …G ( 2; 0,1 ) =( 0,1 )( 0,9 )¿ 0,09

b) Berapa probabilitas bahwa x lemparan akan diperlukan untuk memenangkan
boneka itu?
G ( x ; 0,1 )=0,1 ( 0,9 )x−1
c) Berapa probabilitas bahwa lebih dari tiga lemparan akan diperlukan untuk
memenangkan boneka?
3
x−1
P ( x ≥ 3 )=1−P ( x ≥3 ) ¿ 1−∑ ( 0,1 )( 0,9 ) ¿ 0,729
x=1

d) Berapa jumlah lemparan yang dibutuhkan untuk memenangkan boneka?

1 1
E ( X )= = =10
P 0,1

DISTRIBUSI BINOMIAL NEGATIF

Pada Percobaan Independen Bernoulli berulang, misalkan X adalah jumlah percobaan yang
diperlukan untuk memperoleh r berhasil. Maka probabilitas X adalah Distribusi Binomial
Negatif dengan pdf diskrit

f ( x ; r , p) = ( x−1
r −1 )
r
p q
x−r
x =r ,r +1 , …

[ X=x ] untuk terjadinya suatu kejadian, salah satu harus memperoleh sukses ke-r pada
percobaan ke-x dengan memperoleh “r −1 sukses dalam x-1 percobaan pertama” pada
sebarang susunan, maka perolehan “sukses pada percobaan ke-x” maka probabillitas dari
kejadian pertama mungkin di tunjukkan

( x−1
r −1 )
p
r−1
(1− p)( x−1 )−(r−1)

Dan mengalikan dengan p, probabilitas kejadian kedua menjadi

f ( x ; r , p ) = x−1 p r q x−r
( )
r −1
Notasi khusus yang menunjukkan X memiliki distribusi binomial negatif adalah
X NB (r , p)
Example 3.2.8
Tim A dan Tim B bermain dalam 7 kali pertandingan. Artinya, pertandingan akan berakhir
ketika tim memenangkan 4 kali pertandingan. Untuk tiap permainan, P ( A menang )=0,6 dan
game akan disumsikan independent. Berapakah probabilitas permainan akan berakhir dalam
tepat 6 kali bertanding? Kita punya
x=6 , r =4 , p=0,6
Dan
P ( A menangdalam 6 pertandingan )=f ( 6 ; 4 , 0,6 )

¿ ( 6−1
4−1 ) ( 0,6 ) ( 0,4 ) =(5 ) ( 0,6 ) ( 0,4 )
4 2
3
4 2

¿ 0,20736
P ( B menang dalam 6 pertandingan )=f ( 6 ; 4 , 0,4 )

¿ ( 6−1
4−1 )
4
( 0,4 ) ( 0,6 ) 2

¿ ( 5) ( 0,4 ) ( 0,6 )
4 2
3
¿ 0,09216
P ( permainan 6 kali bertarung )=0,20736+ 0,09216=0,29952
Sifat umum
f ( xi) ≥ 0
Dan
∑ f ( x i ) =1
semua x i

Dipenuhi oleh persamaan ini karena 0< p<1

Dan
∞ ∞
x−1 pr q x−r = pr
∑( r−1 ) ∑ i+r−1
r−1 q i= pr ( 1−q )−r =1
( )
x=r i=1

∞
Perhatikan bahwa ∑ (i+r−1
r−1 )
qi adalah perluasan dari ( 1−q )−r . Nama Distibusi Binomial
i=1

Negatif hasil dari hubungan binomial diperluas dengan pangkat negatif (-r) yang digunakan
pada persamaan diatas.
Ingat, beberapa penulis mempertimbangkan alternatif variabel Y yang didefinisikan jumlah
gagal yang utama terjadi diperoleh pada sukses ke r.
X =Y +r
Dan
f Y ( y ; r , p ) =p [ Y = y ] = ( y+r−1
r−1
) p ( 1− p )
r y

¿ f X ( y+ r ; r , p ) y=0,1,2 , …
P ( A menangdalam 6 permainan )=P [ 2 kalah sebelum 4 menang ]
¿ P [ Y =2 ]

¿ 5 ( 0,6 )4 ( 0,4 )2
()
3
Seperti sebelumnya
Menunjukkan bahwa jika X NB (r , p) maka dapa dicari
∞
E ( X ) =∑ xf ( x )
x=k

∞
( x−1 ) !
¿∑ x pr (1− p)x−r
x=k ( r −1 ) ! ( x −r ) !
∞
rx ! pk +1
¿∑ (1−p) x−r
x=k k ! ( x−r ) ! p
∞
r
¿ ∑ x ! p k+1 (1− p) x−r
p x=k k ! ( x−r ) !
r
¿
p
Sehingga, fungsi pembangkit momennya:
M x ( t ) =E(e tX )
∞
( x−1 ) ! x−r
¿ ∑ etX p x ( 1−p )
x=k ( r−1 ) ! ( x−r ) !
∞
( x−1 ) ! x−r
¿∑ ( pet ) x ( ( 1− p ) e t )
x=k ( r −1 ) ! ( x−r ) !
2 ∞
pe t ( x −1 ) !
¿
(
1− (1− p ) et ) ∑ ( r −1 ) ! ( x −r ) ! ( (1− p ) et )x−r (1−( 1−p ) e t )
x=k

pe t
¿
( 1− (1− p ) et )

Exercise 20
Misalkan dadu enam sisi dilemparkan berulang kali, dan hasilnya I, 2, 3, 4, 5 atau 6 dicatat
pada setiap gulungan.
a) Berapa probabilitas bahwa 6 ketiga terjadi pada pelempalaran ketujuh?
3 x−3
1 1 7
f x ; 3 , = x−1
( ) ( )( ) ( )
6 2 6 6
3 4
1 1 5
f ( 7 ; 3 , )=( 6 ) ( ) ( ) =0,03348
6 2 6 6

b) Berapa probabilitas bahwa jumlah pelemparan sampai 6 pertama terjadi paling banyak
10?
x−1 10 x−1
1 1 7 1 5
( ) ()
G x, =
6 6 6
, x=1,2 ,…P ( x ≤ 10 )=∑
x=1
()
6 6
=0,8385