DISTRIBUSI DISKRIT

STATISTIKA DESKIRPTIVE

Dosen Pembimbing
Eto wuryanto Drs., DEA
196609281991021001

Nama : Ari Prasetyo Wibowo

Nim : 082011633083

UNIVERSITAS AIRLANGGA
FAKULTAS SAINS DAN TEKNOLOGI
PRODI SISTEM INFORMASI
2021/2022
 Soal
1. Buatlah project R yang memuat Notebook berisi untuk masing-masing distribusi (ada
5
distribusi seperti tercantum di atas) :
1. Hitung cdf-nya (berikan 3 contoh)
2. Hitung pmf-nya (berikan 3 contoh)
3. Carilah contoh kasus dan hitung E(X) dan Var(X)
4. Generate distribusinya sebanyak 5000 data dan gambar histogramnya
(lakukan
sebanyak 5 kali dengan parameter yang berbeda)
Catatan :
Distribusi Diskrit terdiri dari :

• Distribusi Bernoulli
• Distribusi Binomial
• Distribusi Geometric
• Distribusi Hypergeometric
• Distribusi Poisson

Soal no 1 Hitung cdf-nya (berikan 3 contoh)

Input
#CDF Bernouli
# pbern(q, prob) q adalah vector quantilesnya sedangkan prob probability Berhasil
pada trial.
pbern(0.6, prob = 0.2)
pbern(1, prob = 0.5)
pbern(0, prob = 0.4)

Output
> #CDF Bernouli
> # pbern(q, prob) q adalah vector quantilesnya sedangkan prob probability Berhasil pada trial.
> pbern(0.6, prob = 0.2)
[1] 0.8
> pbern(1, prob = 0.5)
[1] 1
> pbern(0, prob = 0.4)
[1] 0.6
Input
#CDF Binomial
# pbinom(q,size,prob) Size adalah banyak percobaan prob adalah probabilitas success
pada trial
pbinom(7, size = 12,prob = 0.3)
pbinom(50, size = 70,prob = 0.23)
pbinom(30, size = 45,prob = 0.3)

Output
> #CDF Binomial

> # pbinom(q,size,prob) Size adalah banyak percobaan prob adalah probabilitas success each trial

> pbinom(7, size = 12,prob = 0.3)

[1] 0.9905106

> pbinom(50, size = 70,prob = 0.23)

[1] 1

> pbinom(30, size = 45,prob = 0.3)

[1] 0.9999999

Input
#CDF Geometric
pgeom(8,prob = 0.14)
pgeom(3,prob = 0.85)
pgeom(5,prob = 0.40)

Output
> #CDF Geometric

> pgeom(8,prob = 0.14)

[1] 0.7426726

> pgeom(3,prob = 0.85)

[1] 0.9994937

> pgeom(5,prob = 0.40)

[1] 0.953344
Input
#CDF Hyper Geometric
# x: mewakili kumpulan nilai m: ukuran populasi n: jumlah sampel yang diambil k: jumlah
item dalam populasi phyper(x, m, n, k)
phyper(1:13, 14, 9, 14)
phyper(1:5, 7, 9, 8)
phyper(1:9, 14, 9, 12)

Output
> #CDF Hyper Geometric

> # x: mewakili kumpulan nilai m: ukuran populasi n: jumlah sampel yang diambil k: jumlah item
dalam populasi phyper(x, m, n, k)

> phyper(1:13, 14, 9, 14)

[1] 0.000000000 0.000000000 0.000000000 0.000000000 0.002449859 0.035522951 0.186714228

0.495396419 0.804078611 0.958419707 0.995835730 0.999844589

[13] 0.999998776

> phyper(1:5, 7, 9, 8)

[1] 0.02027972 0.15734266 0.50000000 0.84265734 0.97972028

> phyper(1:9, 14, 9, 12)

[1] 0.0000000000 0.0000000000 0.0002692152 0.0069322924 0.0602369094 0.2468030691

0.5666307713 0.8464800108 0.9708574505

Input
#CDF Poisson
# ppois(x, lambda) x: jumlah peristiwa sukses yang terjadi dalam interval lambda: rata-rata
per interval
ppois(8, lambda=16)
ppois(6, lambda=4.5)
ppois(1:5, lambda=4)

Output
> #CDF Poisson
> # ppois(x, lambda) x: jumlah peristiwa sukses yang terjadi dalam interval lambda: rata-rata per
interval
> ppois(8, lambda=16)
[1] 0.02198725
> ppois(6, lambda=4.5)
[1] 0.8310506
> ppois(1:5, lambda=4)
[1] 0.09157819 0.23810331 0.43347012 0.62883694 0.78513039

Soal no 2 Hitung cdf-nya (berikan 3 contoh)

Input
#PMF Bernoulli
dbern(1, prob = 0.45)
dbern(0, prob = 0.33)
dbern(1, prob = 0.55)

Output
> #PMF Bernoulli
> dbern(1, prob = 0.45)
[1] 0.45
> dbern(0, prob = 0.33)
[1] 0.67
> dbern(1, prob = 0.55)
[1] 0.55

Input
#PMF Binomial
# dbinom(x, size, prob) x = adalah sumbu x misal 1-12 size adalah banyak trial yang dilakukan prob=
suksses tiap coba
dbinom(1:10, size = 10, prob = 0.2)
dbinom(7, size = 15, prob = 0.5)
dbinom(1:5, size = 15, prob = 0.3)

Output
> #PMF Binomial
> # dbinom(x, size, prob) x = adalah sumbu x misal 1-12 size adalah banyak trial yang dilakukan
prob= suksses tiap coba
> dbinom(1:10, size = 10, prob = 0.2)
[1] 0.2684354560 0.3019898880 0.2013265920 0.0880803840 0.0264241152 0.0055050240
0.0007864320 0.0000737280 0.0000040960 0.0000001024
> dbinom(7, size = 15, prob = 0.5)
[1] 0.1963806
> dbinom(1:5, size = 15, prob = 0.3)
[1] 0.03052004 0.09156011 0.17004021 0.21862313 0.20613038

Input
#PMF Geometric
dgeom(12, prob = 0.5)
dgeom(6, prob = 0.52)
dgeom(5, prob = 0.3)

Output
> #PMF Geometric
> dgeom(12, prob = 0.5)
[1] 0.0001220703
> dgeom(6, prob = 0.52)
[1] 0.006359907
> dgeom(5, prob = 0.3)
[1] 0.050421

Input
#PMF HyperGeometric
# x: mewakili kumpulan nilai m: ukuran populasi n: jumlah sampel yang diambil k: jumlah item dalam
populasi dhyper(x, m, n, k)
dhyper(0:6, 12, 20, 10)
dhyper(13, 16, 20, 14)
dhyper(2:10, 12, 15, 20)

Output
> #PMF HyperGeometric
> # x: mewakili kumpulan nilai m: ukuran populasi n: jumlah sampel yang diambil k: jumlah item
dalam populasi dhyper(x, m, n, k)
> dhyper(0:6, 12, 20, 10)
[1] 0.002863891 0.031242443 0.128875079 0.264359136 0.297404028 0.190338578 0.069394273
> dhyper(13, 16, 20, 14)
[1] 2.950243e-06
> dhyper(2:10, 12, 15, 20)
[1] 0.0000000000 0.0000000000 0.0000000000 0.0008918618 0.0156075808 0.0936454849
0.2536231884 0.3381642512 0.2231884058
Input
#PMF Poisson
# dpois(x, lambda) x: jumlah peristiwa sukses yang terjadi dalam interval lambda: rata-rata per
interval
dpois(2, lambda=3)
dpois(0:4, lambda=1)
dpois(6, lambda =6)

Output
> #PMF Poisson
> # dpois(x, lambda) x: jumlah peristiwa sukses yang terjadi dalam interval lambda: rata-rata per
interval
> dpois(2, lambda=3)
[1] 0.2240418
> dpois(0:4, lambda=1)
[1] 0.36787944 0.36787944 0.18393972 0.06131324 0.01532831
> dpois(6, lambda =6)
[1] 0.1606231

Soal No 3 Carilah contoh kasus dan hitung E(X) dan Var(X)

#Soal No 3
1. #Binomial
#Sebuah dadu setimbang dilemparkan sebanyak 5 kali.Misalkan, jika dadu mendapat
angka 3, maka dikatakan“berhasil”, sedangkan sisanya dikatakan “gagal”.Tentukan Nilai
harapan dan Ragam, jika peluang berhasilnya adalah 5/6
p = 5/6
n=5
y =(1-p)
E = p*n
print(E)
Var = E*(y)
print(Var)

Output
> #Soal No 3
> #Binomial
> #Sebuah dadu setimbang dilemparkan sebanyak 5 kali.Misalkan, jika dadu mendapat angka 3,
maka dikatakan“berhasil”, sedangkan sisanya dikatakan “gagal”.Tentukan Nilai harapan dan Ragam,
jika peluang berhasilnya adalah 5/6
> p = 5/6
>n=5
> y =(1-p)
> E = p*n
> print(E)
[1] 4.166667
> Var = E*(y)
> print(Var)
[1] 0.6944444

2. #Bernoulli
#Sebuah dadu setimbang dilemparkan sebanyak satu kali.Misalkan, jika diperoleh angka 2
atau 6, maka dikatakan“berhasil”, sedangkan sisanya dikatakan “gagal”.Tentukan fungsi
massa peluang bagi peubah acak X, yaitu munculnya angka 4 atau 6, jika peluang berhasil
adalah 2/7 !
p = 3/7
y =(1-p)
E=p
print(E)
var = p* y
print(var)

Output
> #Sebuah dadu setimbang dilemparkan sebanyak satu kali.Misalkan, jika diperoleh angka 2 atau 6,
maka dikatakan“berhasil”, sedangkan sisanya dikatakan “gagal”.Tentukan fungsi massa peluang bagi
peubah acak X, yaitu munculnya angka 4 atau 6, jika peluang berhasil adalah 2/7 !
> p = 3/7
> y =(1-p)
>E=p
> print(E)
[1] 0.4285714
> var = p* y
> print(var)
[1] 0.244898
 3. #geometric
#Anak-anak bermain sembunyi sembunyian, masing-masing anak dapat lolos dari pong
penjaga petak dengan peluang 3/7 “keberhasilan” tidak terkena pong. Mereka seang
bermain petak umpet sebanyak 5 sesi. Maka berapa Nilai Harapan dan Ragam?
p = 3/7
E = 1/p
y = (1-p)
print(E)
var = y/p^2
print(var)

Output
> #geometric
> #Anak-anak bermain sembunyi sembunyian, masing-masing anak dapat lolos dari pong penjaga
petak dengan peluang 3/7 “keberhasilan” tidak terkena pong. Mereka seang bermain petak umpet
sebanyak 5 sesi. Maka berapa Nilai Harapan dan Ragam?
> p = 3/7
> E = 1/p
> y = (1-p)
> print(E)
[1] 2.333333
> var = y/p^2
> print(var)
[1] 3.111111

4. #hypergeometric
#Dalam sebuah kotak terdapat 8 bola yang 2 didalam nya berwarna merah. Jika dari dalam
tersebut diambil 3 bola secara acak, hitunglah Nilai Harapan dan Ragam?
x=8
k=3
n=2
E = (n*k/x)
print(E)
var = ((n*k)*(x - k)*(x - n))/((x^2))*(x-1)
print(var)

Output
> #hypergeometric
> #Dalam sebuah kotak terdapat 8 bola yang 2 didalam nya berwarna merah. Jika dari dalam
tersebut diambil 3 bola secara acak, hitunglah Nilai Harapan dan Ragam?
>x=8
>k=3
>n=2
> E = (n*k/x)
> print(E)
[1] 0.75
> var = ((n*k)*(x - k)*(x - n))/((x^2))*(x-1)
> print(var)
[1] 19.6875

5. #Poisson
#Sebuah toko online mencatat bahwa toko tersebut Mendapat teguran dari 70 pelanggan
ketika mengirimkan barang ke 15.000 pelanggan. Jika pada suatu hari toko tersebut
mengirim barang ke pelanggannya sebanyak 1.000 barang. Hitunglah Nilai Ragam dan
Harapan
#Jawab
p = 70/15000
n = 1000
E = n*p
print(E)

Output
> #Poisson
> #Sebuah toko online mencatat bahwa toko tersebut Mendapat teguran dari 70 pelanggan ketika
mengirimkan barang ke 15.000 pelanggan. Jika pada suatu hari toko tersebut mengirim barang ke
pelanggannya sebanyak 1.000 barang. Hitunglah Nilai Ragam dan Harapan
> #Jawab
> p = 70/15000
> n = 1000
> E = n*p
> print(E)
[1] 4.666667

Soal No 4 4. Generate distribusinya sebanyak 5000 data dan gambar

histogramnya (lakukansebanyak 5 kali dengan parameter yang berbeda)
#HSTOGRAM BERNUOLI

• hist(rbern(5000, prob = 0.2))

• hist(rbern(5000, prob = 0.5))

• hist(rbern(5000, prob = 0.18))

• hist(rbern(5000, prob = 0.45))

 • hist(rbern(5000, prob = 0.8))

#HISTOGRAM Binomial
• hist(rbinom(5000, size = 10, prob = 0.5))

• hist(rbinom(5000, size = 250, prob = 0.2))

• hist(rbinom(5000, size = 800, prob = 0.65))

 • hist(rbinom(5000, size = 10, prob = 0.7))

• hist(rbinom(5000, size = 10, prob = 0.4))

#HISTOGRAM Geometric
• hist(rgeom(5000, prob = 0.4))
• hist(rgeom(5000, prob = 0.53))

• hist(rgeom(5000, prob = 0.25))

• hist(rgeom(5000, prob = 0.68))

• hist(rgeom(5000, prob = 0.17))

#Histogram HyperGeometric
• hist(rhyper(5000, 200, 300, 123))

• hist(rhyper(5000, 50, 20, 15))

• hist(rhyper(5000, 100,500, 160))

• hist(rhyper(5000, 4000, 3500, 23))

 • hist(rhyper(5000, 200, 300, 180))

#Histogram Poisson
• hist(rpois(5000, 15))

• hist(rpois(5000, 0.9))

• hist(rpois(5000, 7.9))
 • hist(rpois(5000, 0.780))

• hist(rpois(5000, 2000))

LAMPIRAN SCREEN SHOT

FULL SYNTAX PADA R
library(extraDistr)
install.packages("extraDistr")
#CDF Bernouli
# pbern(q, prob) q adalah vector quantilesnya
pbern(0.6, prob = 0.2)
pbern(1, prob = 0.5)
pbern(0, prob = 0.4)

#PMF Bernoulli
dbern(1, prob = 0.45)
dbern(0, prob = 0.33)
dbern(1, prob = 0.55)

#CDF Binomial
# pbinom(q,size,prob) Size adalah banyak percobaan prob adalah probabilitas success each trial
pbinom(7, size = 12,prob = 0.3)
pbinom(50, size = 70,prob = 0.23)
pbinom(30, size = 45,prob = 0.3)
# Quantile or vector of quantiles
# Number of trials (n > = 0)
# The probability of success on each trial

#PMF Binomial
# dbinom(x, size, prob) x = adalah sumbu x misal 1-12 size adalah banyak trial yang dilakukan prob=
suksses tiap coba
dbinom(1:10, size = 10, prob = 0.2)
dbinom(7, size = 15, prob = 0.5)
dbinom(1:5, size = 15, prob = 0.3)

#CDF Geometric
pgeom(8,prob = 0.14)
pgeom(3,prob = 0.85)
pgeom(5,prob = 0.40)
#PMF Geometric
dgeom(12, prob = 0.5)
dgeom(6, prob = 0.52)
dgeom(5, prob = 0.3)

#CDF Hyper Geometric

# x: mewakili kumpulan nilai m: ukuran populasi n: jumlah sampel yang diambil k: jumlah item dalam
populasi phyper(x, m, n, k)
phyper(1:13, 14, 9, 14)
phyper(1:5, 7, 9, 8)
phyper(1:9, 14, 9, 12)

#PMF HyperGeometric
# x: mewakili kumpulan nilai m: ukuran populasi n: jumlah sampel yang diambil k: jumlah item dalam
populasi dhyper(x, m, n, k)
dhyper(0:6, 12, 20, 10)
dhyper(13, 16, 20, 14)
dhyper(2:10, 12, 15, 20)

#CDF Poisson
# ppois(x, lambda) x: jumlah peristiwa sukses yang terjadi dalam interval lambda: rata-rata per
interval
ppois(8, lambda=16)
ppois(6, lambda=4.5)
ppois(1:5, lambda=4)

#PMF Poisson
# dpois(x, lambda) x: jumlah peristiwa sukses yang terjadi dalam interval lambda: rata-rata per
interval
dpois(2, lambda=3)
dpois(0:4, lambda=1)
dpois(6, lambda =6)

#HSTOGRAM BERNUOLI
hist(rbern(5000, prob = 0.2))
hist(rbern(5000, prob = 0.5))
hist(rbern(5000, prob = 0.18))
hist(rbern(5000, prob = 0.45))
hist(rbern(5000, prob = 0.8))

#HISTOGRAM Binomial
hist(rbinom(5000, size = 10, prob = 0.5))
hist(rbinom(5000, size = 250,prob = 0.2))
hist(rbinom(5000, size = 800,prob = 0.65))
hist(rbinom(5000, size = 10, prob = 0.7))
hist(rbinom(5000, size = 10, prob = 0.4))

#HISTOGRAM GEometric
hist(rgeom(5000, prob = 0.4))
hist(rgeom(5000, prob = 0.53))
hist(rgeom(5000, prob = 0.25))
hist(rgeom(5000, prob = 0.68))
hist(rgeom(5000, prob = 0.17))

#Histogram HyperGeometric
hist(rhyper(5000, 200, 300, 123))
hist(rhyper(5000, 50, 20, 15))
hist(rhyper(5000, 100,500, 160))
hist(rhyper(5000, 4000, 3500, 23))
hist(rhyper(5000, 200, 300, 180))

#Histogram Poisson
hist(rpois(5000, 15))
hist(rpois(5000, 0.9))
hist(rpois(5000, 7.9))
hist(rpois(5000, 0.780))
hist(rpois(5000, 2000))

#Soal No 3
#Binomial
#Sebuah dadu setimbang dilemparkan sebanyak 5 kali.Misalkan, jika dadu mendapat angka 3, maka
dikatakan“berhasil”, sedangkan sisanya dikatakan “gagal”.Tentukan Nilai harapan dan Ragam, jika
peluang berhasilnya adalah 5/6
p = 5/6
n=5
y =(1-p)
E = p*n
print(E)
Var = E*(y)
print(Var)

#Bernoulli
#Sebuah dadu setimbang dilemparkan sebanyak satu kali.Misalkan, jika diperoleh angka 2 atau 6,
maka dikatakan“berhasil”, sedangkan sisanya dikatakan “gagal”.Tentukan fungsi massa peluang bagi
peubah acak X, yaitu munculnya angka 4 atau 6, jika peluang berhasil adalah 2/7 !
p = 3/7
y =(1-p)
E=p
print(E)
var = p* y
print(var)

#geometric
#Anak-anak bermain sembunyi sembunyian, masing-masing anak dapat lolos dari pong penjaga
petak dengan peluang 3/7 “keberhasilan” tidak terkena pong. Mereka seang bermain petak umpet
sebanyak 5 sesi. Maka berapa Nilai Harapan dan Ragam?
p = 3/7
E = 1/p
y = (1-p)
print(E)
var = y/p^2
print(var)

#hypergeometric
#Dalam sebuah kotak terdapat 8 bola yang 2 didalam nya berwarna merah. Jika dari dalam tersebut
diambil 3 bola secara acak, hitunglah Nilai Harapan dan Ragam?
x=8
k=3
n=2
E = (n*k/x)
print(E)
var = ((n*k)*(x - k)*(x - n))/((x^2))*(x-1)
print(var)

#Poisson
#Sebuah toko online mencatat bahwa toko tersebut Mendapat teguran dari 70 pelanggan ketika
mengirimkan barang ke 15.000 pelanggan. Jika pada suatu hari toko tersebut mengirim barang ke
pelanggannya sebanyak 1.000 barang. Hitunglah Nilai Ragam dan Harapan
#Jawab
p = 70/15000
n = 1000
E = n*p
print(E)