LECTURE NOTES

Week ke - 5

DISCRETE PROBABILITY
DISTRIBUTIONS

COMP 6334 - Probability and Statistics

 LEARNING OUTCOMES
LO1: Explain the data and statistics (data, variables, sample, population)
LO2: Calculate descriptive measures, probability, discrete and continuous distribution and
sampling distribution
LO4: Interpret the result of calculation

OUTLINE MATERI (Sub-Topic):

• Random variable
• The Probability Distribution for a Discrete Variable
• Binomial Distribution
• Poisson Distribution
• Hypergeometric Distribution

COMP 6334 - Probability and Statistics

 ISI MATERI

Dalam bab ini kita akan melanjutkan pembahasan tentang peluang dengan
memperkenalkan konsep tentang variabel acak dan distribusi peluang. Fokus bab ini adalah
distribusi peluang diskrit mencakup distribusi binomial, Poisson, dan hipergeometrik.

Variabel Acak

Variabel acak adalah deskripsi numerik dari ruang sampel hasil percobaan.

Seperti telah dijelaskan pada bab sebelumnya, variabel acak dapat diklasifikasikan sebagai
variable diskrit atau kontinu. Variabel diskrit menghasilkan data dari proses penghitungan.
Variabel acak diskrit adalah variabel acak yang dapat mengasumsikan jumlah nilainya terhingga
(finite) atau tak terhingga (infinite) seperti 0, 1, 2, … Variabel diskrit biasanya menggambarkan
"jumlah dari sesuatu".

Percobaan Variabel Acak (X) Kemungkinan Nilai dari

Variable Acak
Mengamati 5 pelanggan Jumlah pelanggan yang 0,1,2,3,4,5
membuat pesanan
Menginspeksi pengiriman 50 Jumlah radio yang rusak 0,1,2………,49,50
radio
Mengamati jenis kelamin Jenis kelamin pelanggan 1. Laki-laki 2.
pelanggan Perempuan
Mengamati mobil di jalan tol Jumlah mobil yang masuk 0,1,2,3,…………..
jalan tol

Variabel kontinu menghasilkan data dari proses pengukuran. Variabel acak kontinu adalah
variabel acak yang dapat mengasumsikan nilai numerik di dalam suatu interval atau kumpulan
interval. Sebagai contoh:

Percobaan Variabel Acak (X) Kemungkinan Nilai

dari Variable Acak
Operasi bank Waktu antar kedatangan x≥0
nasabah
Menginspeksi isi minuman botol Isi botol minuman (ml) 0≤x≤600
(max=600ml)
Menginspeksi berat cereal per Berat cereal (mg) 900≤x≤1000
box (min= 900 mg,
max=1000mg)

COMP 6334 - Probability and Statistics

Distribusi Peluang Diskrit

Distribusi peluang dari suatu variabel acak menggambarkan bagaimana peluang didistribusikan
pada nilai-nilai variabel acak. Untuk variabel acak diskrit x, distribusi peluang didefinisikan
sebagai fungsi peluang, dilambangkan dengan f (x), yang merupakan peluang dari setiap nilai
variabel acak x.

A probability distribution for a discrete variable is a mutually exclusive list of all the possible
numerical outcomes along with the probability of occurrence of each outcome

Dua persyaratan dasar untuk menetapkan peluang variabel diskrit adalah

1. f(x)≥0
2.

Sebagai contoh, Tabel di bawah ini memberikan distribusi peluang variabel X =“ jumlah
gangguan per hari di suatu jaringan komputer ”. X adalah variabel diskrit dengan kemungkinan
nilai : x= 0,1,2,3,4,5. Nilai peluang dari setiap outcome ≥0, mutually exclusive dan totalnya
adalah 1.

Jumlah gangguan per Peluang

hari (x) f(x)
0 0.35
1 0.25
2 0.20
3 0.10
4 0.05
5 0.05
Total 1.0

Nilai Harapan (Expected Value) Variabel Diskrit

Nilai harapan dari variabel diskrit, dilambangkan E(X), adalah rata-rata populasi, μ, dari
distribusi peluangnya.

Berikut adalah contoh menghitung nilai harapan dari variabel Jumlah Gangguan Per Hari pada
Jaringan Komputer
Jumlah gangguan per Peluang

COMP 6334 - Probability and Statistics

 hari (xi) f(xi)=P(X= xi) xiP(X= xi)
0 0.35 (0)(0.35)=0.00
1 0.25 (1)(0.25)=0.25
2 0.20 (2)(0.20)=0.40
3 0.10 (3)(0.10)=0.30
4 0.05 (4)(0.05)=0.20
5 0.05 (5)(0.05)=0.25
Total 1.0 μ=E(X)=1.40

Jadi nilai harapan atau rata-rata jumlah gangguan per hari pada suatu jaringan komputer
adalah1.40

Ragam (Variance) dan Standar Deviasi Variabel Diskrit

Ragam Variabel Diskrit adalah sebagai berikut :

dan Standar Deviasi Variabel Diskrit adalah :

Berikut adalah contoh cara menghitung ragam dan standar deviasi untuk variabel Jumlah
Gangguan Per Hari pada Jaringan Komputer

Jumlah
gangguan per P(X= xi) xiP(X= xi) [xi-E(X)]2 [xi-E(X)]2 P(X= xi)
hari (xi)
0 0.35 0.00 (0-1.4)2=1.96 (1.96)(0.35)=0.686
1 0.25 0.25 (1-1.4)2=0.16 (0.16)(0.25)=0.040
2 0.20 0.40 (2-1.4)2=0.36 (0.36)(0.20)=0.072
3 0.10 0.30 (3-1.4)2=2.56 (2.56)(0.10)=0.256
4 0.05 0.20 (4-1.4)2=6.76 (6.76)(0.05)=0.338
5 0.05 0.25 (5-1.4)2=12.96 (12.96)(0.05)=0.648
Total 1.0 μ=E(X)=1.40 σ2=2.04

COMP 6334 - Probability and Statistics

Distribusi Binomial
Distribusi binomial adalah model matematika penting yang digunakan dalam banyak situasi
bisnis. distribusi binomial digunakan ketika variabel diskrit yang menjadi perhatian adalah
jumlah kejadian dari n sampel pengamatan.

Distribusi binomial memiliki empat sifat penting

1. Percobaannya dilakukan secara identik dengan ulangan sebanyak n trial
2. Setiap trial menghasilkan 2 hasil (outcome), salah satu outcome disebut “sukses” dan lainnya
disebut “gagal”
3. Peluang sukses diketahui sebesar p dan tidak berubah dari trial ke trial. Dengan demikian
peluang gagal adalah 1-p dan juga tidak berubah dari trial ke trial.
4. Setiap trial independent satu sama lain.
Berikut adalah formula untuk menghitung peluang dari distribusi binomial jika percobaan
dilakukan sebanyak n kali dan diketahui peluang sukses =p.

untuk x=0,1,2….,n

Contoh: sebuah perusahaan menerima 40% pesanannya lewat internet. Jika perusahaan
membuat 10 pesanan secara independent,

a. Berapa peluang ada 2 pesanan yang diterima lewat internet?

Ini adalah kasus binomial, dimana n=10 dan peluang sukses p=0.4. Jika didefinisikan X
adalah jumlah pesanan yang diterima lewat internet. Maka yang ditanyakan adalah
P(X=2). Menggunakan formula di atas , maka

b. Berapa peluang tidak lebih dari 2 pesanan diterima lewat internet.

COMP 6334 - Probability and Statistics

Tabel Distribusi Binomial

Nilai peluang dari distribusi binomial dapat diperoleh pada Table Binomial (pada lampiran)
Sebagai contoh perhatikan sebagian dari Tabel berikut :

untuk n=10 dan p=0.4

P(X=2) =0.1209

Nilai Harapan dan Ragam dari Distribusi Binomial

Menggunakan formula tentang nilai harapan dan ragam pada bab sebelumnya, maka Nilai
Harapan dan Ragam dari Distribusi Binomial dengan jumlah trial= n dan peluang sukses =p
adalah sebagai berikut:

Kembali ke contoh soal tentang jumlah pesanan lewat internet, rata-rata jumlah pesanan yang
diperoleh lewat internet μ=np=10(0.4)=4 dan ragamnya σ2=10(0.4)(0.6)=2.4

Distribusi Poisson

Distribusi Poisson sering memberikan model yang baik untuk distribusi peluang dari kejadian
yang jarang terjadi/langka yang terjadi dalam ruang, waktu, volume, atau dimensi lainnya.

COMP 6334 - Probability and Statistics

Banyak penelitian didasarkan pada jumlah kejadian dalam interval waktu atau ruang tertentu.
Contoh variabel yang mengikuti distribusi Poisson adalah jumlah cacat permukaan pada mobil
baru, jumlah gangguan jaringan per hari, jumlah kedatangan pelanggan di bank per menit,
jumlah salah ketik per halaman buku, dan sebagainya. Distribusi Poisson mempunyai satu
parameter yaitu μ yang merupakan rata-rata atau nilai harapan kejadian per satuan dan ragamnya
juga μ.

Fungsi peluang Poisson adalah sebagai berikut: untuk x=0,1,2…………

Contoh : Misalkan rata-rata jumlah pelanggan yang dating ke bank per menit selama periode
waktu jam 12.00 sampai jam 13.00 adalah μ=3.
a. Berapa peluang pada suatu menit ada 2 pelanggan yang datang?

b. Berapa peluang kurang dari 2 pelanggan akan datang pada suatu menit ?

c. Berapa peluang lebih dari 2 pelanggan akan datang pada suatu menit ?

Tabel Distribusi Poisson

Nilai peluang dari distribusi Poisson dapat diperoleh pada Table Poisson (pada lampiran)
Sebagai contoh perhatikan sebagian dari Tabel berikut :

COMP 6334 - Probability and Statistics

 Untuk μ=3 dan x=2
P(X=2)=0.2240

Distribusi Peluang Hipergeometrik

Misalkan pada populasi berukuran N, terdapat r elemen yang berlabel “ sukses” dan N-r elemen
yang berlabel “gagal”. Distribusi hipergeometrik digunakan untuk menghitung peluang bahwa
dalam pemilihan sampel acak sebanyak n elemen, yang dipilih tanpa pemulihan, kita akan
memperoleh x elemen yang berlabel “ sukses” dan n-x elemen yang berlabel “gagal”. Fungsi
peluangnya adalah sebagai berikut :

Rata-rata dan ragam dari distribusi hipergeometrik adalah

COMP 6334 - Probability and Statistics

Contoh: Lampu bohlam listrik dibungkus dalam kotak berisi 12 unit. Dalam box diketahui
terdapat 5 bohlam yang mati. Misalkan seorang pengawas memilih secara acak 3 dari 12 bohlam
dalam box untuk diuji. Berapa peluang bahwa pengawas tersebut akan memperoleh 1 bohlam
yang mati?

Dalam hal ini diketahui : N = 12, r = 5, n= 3 dan x=1

Rata-rata dan ragam dari bohlam yang mati adalah :

=0.77

COMP 6334 - Probability and Statistics

 SIMPULAN

Variabel acak dapat diklasifikasikan sebagai variable diskrit atau kontinu. Variabel diskrit
menghasilkan data dari proses penghitungan. Tiga distribusi peluang diskrit yang dibahas
mencakup distribusi binomial, Poisson, dan hipergeometrik. Distribusi binomial adalah model
matematika penting yang digunakan ketika variabel diskrit yang menjadi perhatian adalah
jumlah kejadian dari n sampel pengamatan. Distribusi Poisson sering memberikan model yang
baik untuk distribusi peluang dari kejadian yang jarang terjadi/langka yang terjadi dalam ruang,
waktu, volume, atau dimensi lainnya. Distribusi hipergeometrik digunakan untuk menghitung
peluang bahwa dalam pemilihan sampel acak sebanyak n elemen, yang dipilih tanpa pemulihan,
kita akan memperoleh x elemen yang berlabel “ sukses” dan n-x elemen yang berlabel “gagal”.

COMP 6334 - Probability and Statistics

 DAFTAR PUSTAKA

1. Levine, D.M., Stephan, D. F., and Szabat, K. A. (2017). Statistics for Managers using
Microsoft Excel. 8th Ed. Global Edition Pearson Education. New Jersey. ISBN 13: 978-1-
292-15634-7.

2. Anderson, David R., Sweeney, Dennis J., Williams, Thomas A. (2011). Statistics for
Business and Economics. 11th Ed. Cengage Learning. USA. ISBN 13: 978-0-324-78325-4.

COMP 6334 - Probability and Statistics