DISTRIBUSI DESCRETE
Tujuan Instruksional Umum :
1. Mahasiswa mampu memahami dengan apa yang dimaksud dengan distribusi
diskrit
2. Mahasiswa memahami manfaat dan kegunaan dari distrubusi diskrit
3. Mahasiswa memahami apa yang dimaksud dengan Permutasi
4. Mahasiswa memahami apa yang dimaksud dengan Kombinasi
5. Mahasiswa memahami berbagai cara perhitungan distribusi dikskrit
Dirumuskan : nRr nr
Contoh : 3 orang mahasiswa (ABC) dipermutasikan sebanyak 2, dengan
pengembalian, maka jumlah permutasinya :
3R2 32 9
Permutasi dari n obyek yang tidak seluruhnya dapat dibedakan
Dirumuskan :
n!
n1 , n2 ,.....nk
n1!n2!.....nk !
Contoh :
JIka diketahui dari 5 mahasiswa Jurusan Manajemen, 2 orang dari
angkatan 2005, 2 orng dari angkatan 2006 dan 1 orang dari angkatan 2004,
berapa permutasinya djika seluruh obyek tersebut dipermutasikan?
2
Universitas Pamulang
5! 5 4 3 2 1
30
2!2!1! (2 1)(2 1) 1
Permutasi dari n obyek yang seluruhnya tidak dapat dibedakan
Apabila obyek tidak dapat dibedakan maka jumlah permutasinya hanya
akan berjumlah 1 saja.
C. Kombinasi
Kombinasi merupakan cara pemilihan obyek tanpa menghiraukan urutan obyek
tersebut. Kombinasi dipilih sebanyak r dari obyek sebanyak n dengan ketentuan
n n!
0 < r < n dinotasikan atau nCr =
r r!(n r )!
Contoh :
Dalam berapa carakah sebuah panitia yang beranggotakan 5 orang dapat dibentuk
dari 6 pria dan 3 wanita jika paling sedikit panitia tersebut harus beranggotakan 3
orang pria?
a. Panitia yang beranggotakan 3 Pria
3 Pria dari 6 Pria
6!
6C 3 20
3!6 3)!
2 wanita dari 3 Wanita
3!
3C 2 3
2!(3 2)!
Maka kombinasinya ;
20 3 60
b. Panitia yang beranggotakan 4 Pria
4 Pria dari 6 Pria
6!
6C 4 15
4!(6 4)!
1 Wanita dari 3 Wanita
3
Universitas Pamulang
3!
3C1 3
1!(3 1)!
Maka Kombinasinya;
15 3 45
c. Panitia yang beranggotakan 5 Pria
Beranggotakan 5 pria artinya tidak ada wanita (0)
6!
5C 6 6
5!(6 5)!
Maka susunan panitia yang paling sedikit beranggotakan 3 orang pria adalah
sejumlah 60 + 45 + 6 =111 cara.
D. Distribusi Binomial
Distribusi Binomial adalah probabilita dari event yang memiliki dua
kemungkinan hasil.
Asumsi dari distribusi binomial adalah :
Probabilita peristiwa sukses dirumuskan pada sebuah bilangan yang tetap
Terdapat dua peristiwa yang mungkin akan terjadi
Masing – masing peristiwa merupakan kejadian yang independent
Probabilta dari setiap peristiwa adalah tetap dari percobaan yang berulang-
ulang
Distribusi Binomial dirumuskan sebagai berikut :
n
P(r ) p r q n r
r
Dimana
r : jumlah peristiwa sukses
n : jumlah percobaan
p : Probability sukses dari sejmlah percobaan
q 1 p
Contoh :
1. Berapa probabilita memperoleh sisi gambar 4 dan sisi angka 6 pada
pelemparan mata uang sebanyak 10 kali?
4
Universitas Pamulang
x4
n 10
p 0 .5
q 0 .5
10
P (4;10) (0.5) 4 (0.5)10 4
Maka, 4
P4;10 105
512
1 6 6
P1;5 3.125
E. Distribusi Poisson
Pada dasarnya distribusi Poisson sama dengan distribusi Binomianl, tetapi
dignakan apabila n 20 dan p 0.05 . Sehingga disribusi Poisson dapat
digunakan untuk memperkirakan distribusi binomial.
Rumus persamaan Poisson adalah ;
e r
P(r )
r!
Dimana;
np
e 2.71828
Contoh :
5
Universitas Pamulang
Apabila dikethio sebuah toko penjual alat-alat listrik mencatat penjualan lampu
neon setiap hari rata-rata lima buah. Permintaan lampu nenon mengikuti distribusi
poisson. Berapa probabilita permintaan lampu neon maksimal 2 buah ?
50 e 5 1 0.00674
P(0) 0.00674
0! 1
51 e 5 5 0,00674
P(1) 0.00337
1! 1
52 e 5 52 0.00674
P(2) 0.08425
2! 2 1
P(0,1,2) 0.00674 0.00337 0.08425 0.12469
Dimana;
t : satuan waktu
x : jumlah kedatangan dalam t unit waktu
: rata-rata kedatangan pada periode waktu tertentu
Contoh :
Sebuah kereta api listrik memiliki waktu kedatangan di stasiun cikini sebanyak 72
kali dalam 1 jam. Berapa probabilita lewatnya 4 kereta api listrik di stasiun cikini
dalam waktu 3 menit?
1
Sehingga t 72 3.6 dan x =4
20
e3.6 3.6
4
Maka ; P( x) 0.191
4!
6
Universitas Pamulang
F. Distrbusi Hypergeometric
Distribusi Probabilita hipergeometric dilakukan karena terjadinya keterbatasan
pada distribusi binomial dan dilakukan apabila n 0.05N .
Distribusi probability Hypergemetric dirumuskan :
R N R
r n r
P(r )
N
n
Dimana;
N : Jumlah populasi
n : Jumlah sample
R : Jumlah peristiwa sukses dalam populasi
r : Jumlah peristiwa sukses dalam sample
Contoh :
Sebuah perusahaan penghasil ban mobil dalam satu hari menghasilkan 50 ban
mobil, (populasi 50) diyakini bahwa dari total poppulasi tersebut 40 ban
diantaranya tidak memiliki kerusakan. Kemudian dari 50 ban tersebut diambil
sample sebanyak 5 ban mobil untuk dicari probabilita jumlah ban mobil yang
rusak.
7
Universitas Pamulang