PS S2-MIT FPP UNDIP

DISTRIBUSI PELUANG

Oleh :
Ir. RUDY HARTANTO, S.Pt
S.Pt..,MP.
MP.,,Ph.D
Ph.D.,
., IPM.
rudyharta@gmail.com
Kejadian dan Ruang Sampel

????????
• Mengundi dadu atau mata uang logam, mencatat banyak kendaraan
yang lewat depan rumah tiap jam, mencatat produksi susu/ekor/hari
dari sapi FH, mencatat konsumsi BK dari sapi PO, dll merupakan
eksperimen yg dapat diulangi.

• Himpunan semua
• Segala bagian yg mungkin “titik sampel” yg
di dapat dari hasil penelitian menytakan hasil
disebut “peristiwa atau percobaan yg
kejadian” mungkin terjadi dari
• Setiap kejadian akan mnjadi suatu percobaan
“titik sampel’’ disebut “Ruang
Sampel”
PELUANG
• Definis Klasik
Jika peristiwa E terjadi sebanyak n kali diantara
N peristiwa yg saling eksklusif dan masing-
masing terjadi dng kesempatan yg sama, maka
peluang E terjadi adalah : P (E) = n / N
• Definisi peluang Empirik
Jika kita perhatikan frekuensi relatif tentang
terjadinya sebuah peristiwa untuk sejumlah
pengamatan, maka peluang peristiwa itu adalah
“limit” dari frekuensi relatif apabila jumlah
pengamatan diperbesar sampai tak hingga
banyaknya
Contoh:
• Hitunglah peluang terambilnya kelereng
berwarna merah dari sebuah kotak yg berisi
5 merah, 12 kuning dan 3 hijau!
• Undian dng mata uang : 1000 kali undian
didapat muka G 519 kali, 2000 kali undian
didapat muka G 1020 kali, 5000 kali undian
didapat muka G 2530 kali. Berdasarkan nilai
frekuensi relatifnya, tentukan sebuah
bilangan yg merupakan peluang untuk muka
G!
Beberapa Aturan Peluang

• 0  P(E) 1
• P(E) + P (Ē) = 1 saling eksklusif
• saling berkomplemen

• P (E1 atau E2 atau ..... Atau Ek) = P(E1) +

P(E2) + ....... + P (Ek)

• Contoh :
Sebuah dadu dilempar, maka hitunglah P
(mata 1 atau mata 2 atau mata 6)!!
Peluang Bersyarat
• Peristiwa yg satu menjdi syarat terjadinya
peristiwa yg lain.
• P(AB) adlh peluang bersyarat untk trjdinya
pristiwa/kejadian A dengan syarat B.
• P(A dan B) = P(B) . P(AB)

• P(AB) = P(A) . Jika A dan B independen

• P(A dan B) = P(A) . P(B)

• P(E1 dan E2 dan ...... Dan Ek) = P(E1) .

P(E2)....... P(Ek)
Ekspektasi (harapan)
• E = p1d1 + p2d2 + ..... + pkdk
• =

• p1, p2 ... pk adlh peluang terjdnya peristiwa

dng satuan-satuan d1,d2 .... dk
• Contoh:
Peluang sapi yg cacingan di daerah A
sebesar 6%. Diambil sampel acak sebanyak
100 sapi. Berapa ekspektasinya sapi yg
cacingan dari sampel tsb?
Sebaran Peluang

• Adalah sebuah tabel atau fungsi densitas

(rumus) yang mencantumkan semua
kemungkinan nilai variabel acak dan nilai
peluangnya

VARIABEL ACAK :
 suatu fungsi yang nilainya berupa bilangan nyata yang
ditentukan oleh setiap unsur dalam ruang sampel.

• Contoh :
pada percobaan pelemparan mata uang. Misal banyaknya
muncul gambar dinyatakan x, maka x = variabel acak
RATA-RATA HITUNG / HARGA HARAPAN /
EKSPEKTASI,
VARIANSI DAN STANDAR DEVIASI

• Rata-rata
Hitung/Harga x= E(x) = x.f(x)
harapan/ Ekspektasi

• Varians 2= E(x2) - E(x)2

= (x2.f(x)) –[ (x.f(x))]2

• Standar Deviasi =  2
VARIABEL ACAK

Variabel acak ada 2, yaitu :

1. Variabel Acak Diskrit/ Cacah

digunakan untuk data cacahan
2. Variabel Acak Kontinu
digunakan untuk data ukur
Ruang Sampel :

• Diskrit :
– ruang sampel yang mengandung titik sampel
sebanyak bilangan cacah

• Kontinu :
– mengandung titik sampel sebanyak titik pada
sebuah garis
 VARIABEL ACAK DISKRIT
• Variabel yg hanya memiliki harga-harga tertentu,
dimana tiap harga variabel memiliki nilai peluang
• Contoh : Dilempar dua buah mata uang. Peristiwa
yg mungkin terjadi : GG, GH, HG, HH. Jika X
menyatakan banyak muka G, maka X = 0, 1, 2.
Karena X hanya memiliki nilai 0, 1, 2 dan tiap nilai
ada peluangnya maka X disebut variabel acak
diskrit.
X P(X)
0 1/4
1 1/2
2 1/4
Jumlah 1
DISTRIBUSI PELUANG
DISKRIT
• Adalah sebuah tabel atau rumus yang
mencantumkan semua kemungkinan nilai
variabel acak diskrit dan nilai peluangnya

X P(X) n

0 1/4 i 1
p(xi)  1
1 1/2
2 1/4
( X )   xi . p( xi )
Jumlah 1

 ( X )  ekspektasi ataurata  rata Variabel X

Contoh :
1) Tentukan rumus distribusi peluang
banyaknya sisi gambar bila sebuah
uang logam dilempar 3 kali. Buatlah
tabelnya ?
Eksperimen :
pelemparan 1 mata uang 3x, Banyaknya
titik sampel = 23 = 8
S ={AAA, AAG, AGG, GGG, AGA, GAG,
GAA, GGA}
Banyaknya muncul sisi gambar adalah 3 
 
Jadi fungsi peluang adalah :  x

3 
 
 x
f( x) 
8
Untuk x = 0,1,2,3
Tabel distribusi peluang :
2) Sebuah dadu dilemparkan 2x
Misalkan : x = jumlah titik dadu dalam kedua
lemparan itu, maka
x = 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12
Tabel distribusi probabilitas x :

a) P(x>8) = P(x=9)+P(x=10)+P(x=11)+ P(x=12)

= =
b) P(4<x<7) = P(x=5) + P(x=6)
= =
DISTRIBUSI PELUANG
DISKRIT

• Distribusi Binomial
• Distribusi Multinomial
• Distribusi Hipergeometrik
• Distribusi Poisson
 Variabel Acak Kontinyu

• Contoh variabel : waktu, berat badan, tinggi

pundak, volume dsb
• Variabel ini dapat mempunyai setiap harga
• Jika X = variabel acak kontinyu, maka
harga X=x dibatasi oleh -  < x <  atau
batas-batas lain.
DISTRIBUSI PELUANG
KONTINU
• Distribusi peluang untuk variabel acak kontinu
tidak dapat disajikan dalam bentuk tabel, tetapi
dinyatakan dalam sebuah fungsi yang disebut
fungsi densitas
• Fungsi tersebut dinyatakan sedemikian sehingga
luas daerah di bawah kurva, diatas sumbu x  1

 f ( x ) dx  1
~
 b
P (a  x  b)   f ( x ) dx
a

• Ekspetasi :


E (x)   x . f ( x ) dx

 DISTRIBUSI PELUANG
KONTINU
• Distribusi Normal
• Distribusi Student
• Distribusi Chi Kuadrat
• Distribusi F
DISTRIBUSI BINOMIAL
• “Apabila sehimpunan benda-benda tertentu dapat
digolongkan menjadi dua golongan A dan B, serta
kemudian salah satu benda itu diambil dari himpunan
benda-benda ini, maka timbulnya benda dari golongan A
merupakan kejadian Bernoulli. Jika peluang terambilnya
gol. A dan B sama atau mendekati 0,5 dan setelah diambil
dan diamati, benda itu dikembalikan kedalam
kumpulannya, serta kemudian dilakukan pemeriksaan
sekali lagi dan seterusnya hingga N kali, dengan catatan
bahwa benda itu tetap dikembalikan ke dalam
kumpulannya setelah setiap penarikan, maka timbulnya
benda A kali dari N ulangan penarikan ini akan mengikuti
kaidah peluang Binomium. Jika N kali pemeriksaan
sampelnya besar tetapi peluang terambilnya gol. A atau B
kecil (mendekati nol), maka sebaran penarikannya akan
mengikuti kaidah peluang Poisson.
Distribusi Binomial
• Distribusi Binomial adalah suatu distribusi
probabilitas yang dapat digunakan bilamana suatu
proses sampling dapat diasumsikan sesuai dengan
proses Bernoulli
Bernoulli..
• Misalnya, dalam perlemparan sekeping uang logam
sebanyak 5 kali, hasil setiap ulangan mungkin
muncul sisi gambar atau sisi angka
angka.. Begitu pula, bila
kartu diambil berturut
berturut--turut, kita dapat memberi label
"berhasil" bila kartu yang terambil adalah kartu
merah atau ”gagal” bila yang terambil adalah kartu
hitam.. Ulangan
hitam Ulangan--ulangan tersebut bersifat bebas dan
peluang keberhasilan setiap ulangan tetap sama,
yaitu sebesar 0,5.. ..(Ronald
(Ronald E. Walpole)
Ciri--Ciri Distribusi Binomial
Ciri
• Percobaan diulang sebanyak n kali.
• Hasil setiap ulangan dapat dikategorikan ke dalam 2
kelas, misal :
– "BERHASIL" atau "GAGAL";
– "YA" atau "TIDAK";
– "SUCCESS" atau "FAILED";
• Peluang berhasil / sukses dinyatakan dengan p dan
dalam setiap ulangan nilai p tetap. peluang gagal
dinyatakan dengan q, dimana q = 1 - p.
• Setiap ulangan bersifat bebas (independent) satu
dengan yang lainnya.
• Percobaannya terdiri dari atas n ulangan (Ronald E.
Walpole).
• Nilai n < 20 dan p > 0.05

28
• Catatan :
Agar anda mudah dalam membedakan p
dengan q, anda harus dapat menetapkan mana
kejadian SUKSES dan mana kejadian GAGAL
GAGAL..
Anda dapat menetapkan bahwa kejadian yang
menjadi pertanyaan atau ditanyakan adalah =
kejadian SUKSES
SUKSES..

29
Rumus Distribusi Binomial
N  x N x
P  x   p  X  x     p q
X 
 N N!
Dimana x = 0,1,2,3, ...., N. 0 < p < 1 dan   
 X  X!N  X!

• P(x) = peluang terjadinya x kali dalam N percobaan (yaitu

sukses (x) dan gagal (N – x)
x)))
• p = Peluang berhasil dalam setiap ulangan
• q = Peluang gagal, dimana q = 1 - p dalam
setiap ulangan
Sebaran peluang binomium ini mempunyai parameter rata-
rata  dan simpangan baku  sebagai berikut:

 = Np

  Npq
Contoh
• Menurut pengalaman 51% dari pedet yang lahir adalah
jantan. Berapakah peluang agar dari sepuluh sapi
melahirkan yang jantan terdapat 3 ekordan 7 ekor
betina?

Jawab
Kelahiran pedet dapat dimisalkan sebagai kejadian X = x, x =
0,1,2,3, ......, 10. Dalam hal ini x = 3 dan N = 10, sedangkan p
= 0,51 sehingga peluang dari 10 sapi melahirkan terdapat 3
ekor pedet jantan adalah:

10 
P X  x; x  3   0,51 0,49  0,1083
3 7

3
DISTRIBUSI POISSON
Distribusi Poisson
• Distribusi poisson disebut juga distribusi peristiwa
yang jarang terjadi, ditemukan oleh S.D. Poisson
(1781–1841), seorang ahli matematika
berkebangsaan Perancis. Distribusi Poisson
termasuk distribusi teoritis yang memakai variabel
random diskrit.
• Untuk menentukan peluang sebuah peristiwa yg
dalam area kesempatan tertentu diharapkan
terjadinya sangat jarang
• Dianggap sebagai pendekatan kepada distribusi
binomial, jika N ≥ 50, Np < 5 dan p kecil (p<0,10)
Rumus Distribusi Poisson
x 
 e
Px : N, p  px  p X  x 
x!
2
  Np  
  Np

Dimana x dapat merupakan nilai-nilai 0,1,2, ..., N

dan e = 2,71828. Nilai e- dapat dicari pada tabel
nilai e-
Contoh
• Berdasarkan pengalaman di Peternakan Rejo Mulyo
terdapat 1,4% kambing yg mandul. Sebuah sampel
berukuran 200 kambing betina di ambil. Berapa
peluangnya tidak terdapat kambing mandul pada sampel
tersebut?

Jawab
Dik : n = 200, p = 0.014, X = 0, μ = n . p = 200 . 0.014 = 2,8

0 2,8
P X  x  0  
 
2,8 e
 0,0608
0!
Peluang terdapatnya yg tidak mandul = 1 – 0,0608 = 0,9392