2019-09-29

DISTRIBUSI DISKRIT

Pengantar
Yang termasuk distribusi diskrit antara lain:
1. Distribusi Hipergeometrik.
2. Distribusi Binomial (proses Bernoulli).
3. Distribusi Geometrik (proses Bernoulli).
4. Distribusi Binomial Negatif (proses Bernoulli).
5. Distribusi Poisson (proses Poisson).
6. Distribusi Eksponensial (proses Poisson).
7. Distribusi Gamma (proses Poisson).
8. Distribusi Multinomial.

1
 2019-09-29

1. Distribusi Hipergeometrik
• Jika diambil sampel acak berukuran n (tanpa mengembalikan) dari
suatu populasi yang terbatas berukuran N
populasi tsb terbagi
dalam 2 kel
kel ke-1 terdiri dari k elemen.
contoh distribusi
Hipergeometrik
• Contoh kasus Hidrologi: jika di suatu DAS ada N stasiun
pengukur curah hujan
k masih berfungsi (yg lain rusak)

probabilitas bahwa suatu sampel acak berukuran n mengandung x
stasiun yg msh berfungsi
Hypergeometrik

Rumus Distribusi Hypergeometrik

• Rumus umum:  k  N − k
   
− x 
( x; N , n , k ) =  
x n
fX
 N 
 
 n 

• Komulatif: prob stasiun msh berfungsi sebanyak x / <

x
 k  N − k 
∑  i   n − i 
F X ( x; N , n, k ) =
i=0   
N 
 
 n 

n .k
Rerata = E(X ) =
N
n . k ( N − k )( N − n )
Ragam = Var ( X ) =
N 2 ( N − 1)

2
 2019-09-29

Syarat Distribusi Hypergeometrik

•x ≤ k
•x ≤ n
•k ≤ N
•n ≤ N
• (n-x) ≤ (N-k)
• N, n, k, x adalah bilangan bulat nonnegatif
• Setiap elemen harus bersifat random dan sama kemungkinan
terjadinya.

Contoh Distribusi Hypergeometrik

• Di DAS A ada 30 stasiun pengukur curah hujan,
10 masih
berfungsi
yang lain rusak. Jika dipilih 10 stasiun secara acak,
berapa probablitas bahwa:
a. 4 stasiun yg masih berfungsi ikut terpilih.
b. < 4 stasiun yg masih berfungsi ikut terpilih
• Jawab
 10   30 − 10 
    210 x 38.760
 4   10 − 4 
a. fx(4; 30, 10, 10) = ─────────── = ───────── = 0,2709
 30  30.045.015
 
 10 

3
 2019-09-29

Contoh Distribusi Hypergeometrik

3
 10   30 − 10 
∑    
i=0  i   10 − i 
b. Fx(3; 30, 10, 10) = ────────────────────
 30 
 
 10 

 10   20   10   20   10   20   10   20 
    +     +     +    
 0   10   1   9   2   8   3   7 
=────────────────────────────────────
 30 
 
 10 
Statistika Dasar
7

Contoh Distribusi Hypergeometrik

184.756 + 1.679.600 + 5.668.650 + 9.302.400
= ─────────────────────────────
30.045.015

16.835.406
= ───────── = 0,5603
30.045.015

Statistika Dasar
8

4
 2019-09-29

2. Distribusi Binomial
• Dilakukan n kali percobaan ber-turut-2
•
2 akibat: sukses atau gagal
•
prob sukses: p
prob gagal q = 1-p
• prob sukses untuk setiap percobaan bersifat independent
dari
percobaan-2 sebelumnya.
•
disebut Proses Bernoulli.

Rumus Distribusi Binomial

Prob dlm n kali percob, x kali sukses, rumus:
n
f X ( x ; n , p ) =   p x . q n − x dengan: x = 0, 1, 2, ...., n
x
x
n i
Komulatif: F X ( x; n, p ) = ∑   p . q n−i
dengan: x = 0, 1, 2, ...., n
i=0  i

Rerata = E ( X ) = n. p

Ragam = Var ( X ) = n . p . q

5
 2019-09-29

Contoh Distribusi Binomial

a) Secara rata-rata, berapa kali Q10 akan muncul selama suatu

periode 40 tahun ?
b) Berapa probabilitas bahwa Q10 akan muncul tepat sebanyak 4
kali selama suatu periode 40 tahun ?
c) Berapa probabilitas bahwa Q10 akan muncul paling banyak 3 kali
selama suatu periode 40 tahun ?
d) Berapa probabilitas bahwa Q10 akan muncul paling sedikit 4 kali
selama suatu periode 40 tahun ?

Contoh Distribusi Binomial

Jawab:
• n = 40.
• x = 4.
• p = 1/10 = 0.1 q = 1-0.1 = 0.9.
a. E(X) = n.p = 40 x 0.1 = 4 kali.
n
b. Fx (4; 40, 0.1) = f X ( x ; n , p ) =   p . q
x n−x

x

 40 
=   • 0 .1 4 • 0 .9 ( 40 − 4 )
 4 
= 91.390 x 0,0001 x 0,0225284 = 0,2059

6
 2019-09-29

Contoh Distribusi Binomial

3
 40 
c. Prob.(x ≤ 3) = Fx(3;40,0.1) = ∑   • 0 . 1 i • 0 . 9 n − i
i=0  i 

 40   40   40 
=   • 0 . 1 0 • 0 . 9 40 +   • 0 . 1 1 • 0 . 9 39 +   • 0 . 1 2 • 0 . 9 38 +
 0   1   2 

 40 
+   • 0 . 1 3 • 0 . 9 37
 3 

= 0,014781 + 0,065693 + 0,142334 + 0,200323 = 0,4231

d. Prob.(x ≥ 4) = 1- Prob.(x ≤ 3) = 1 – 0,4231 = 0,5769.

3. Distribusi Geometrik

• Jika pada Proses Bernoulli

•
ingin diketahui probabilitas bahwa sukses yang pertama terjadi
pada percobaan ke-X.
•
sebelumnya terjadi (x-1) kali percobaan
yg gagal
diikuti satu percobaan yg sukses.
•
Prob jenis
distribusi Geometrik

7
 2019-09-29

Rumus Distribusi Geometrik

x −1 dengan: x = 1, 2, ...., n
f X ( x; p ) = p . q

1
Rerata = E(X ) =
p

q
Ragam = Var ( X ) =
p2

Contoh Distribusi Geometrik

• Diketahui pada bulan Mei, probabilitas bahwa suatu hari tertentu akan
hujan adalah sebesar p = 0.25.
berarti bahwa probabilitas suatu hari
akan kering = q = 1- p = 0,75
dianggap bahwa:
- Besarnya p adalah independent terhadap p dari hari–hari
sebelumnya.
- Dalam sehari hanya mungkin terjadi satu kali hujan (atau kering).

a) Berapa probabilitas bahwa hujan pertama pada bulan Mei akan terjadi
pada hari ke-5 ?
b) Secara rata-rata, hujan pertama pada bulan Mei akan terjadi pada hari
yang keberapa ?

8
 2019-09-29

Contoh Distribusi Geometrik

Jawab:
x −1
f X ( x; p ) = p . q

• a. fx (5; 0,25) = (0,25)·(0,75)(5-1) = 0,0593

1 1
• b. E(X) = = = 4.
p 0 . 25

(→ terjadinya hujan pertama berkisar pada hari ke-4).

4. Distribusi Binomial Negatif

• Berdasar teori distribusi Geometrik
ingin diketahui prob sukses

yang ke-k terjadi pada percobaan ke-X (X≥k).
•
berarti sebelumnya telah terjadi (k-1) sukses dalam
(X-1) percobaan sebelum terjadi sukses ke-k pada
percobaan ke-X.
• Probabilitas (k-1) sukses dalam (X-1) percobaan
rumus
distribusi Binomial, yaitu fx(k-1; X-1, p).
• Probabilitas bahwa pada percobaan ke-X terjadi sukses adalah p.
• Probabilitas yangdicari
distribusi Binomial Negatif

9
 2019-09-29

Rumus Distribusi Binomial Negatif

 x − 1
f X ( x ; k , p ) =   . p k
.q x−k
dengan: x = k, k+1, ....., dst
 k − 1

k
Rerata = E(X ) =
p

k .q
Ragam = Var ( X ) =
p2

Contoh Distribusi Binomial Negatif

Melanjutkan soal distribusi Geometrik:
a) Berapa probabilitas bahwa hujan ke-4 di bulan Mei akan terjadi
pada hari ke-20 ?
b) Secara rata-rata, maka hujan ke-4 di bulan Mei akan terjadi pada
hari keberapa ?
Jawab:  x − 1
f X ( x; k , p ) =   . p k . q x−k
 k − 1
 

 20 − 1 
a. fx(20; 4, 0.25) =   • 0 . 25 4
• 0 . 75 20 − 4

 4 − 1 
= 969 × 0,003906 × 0,010023 = 0,0379

10
 2019-09-29

Contoh Distribusi Binomial Negatif

k 4
b. E(X) = =
p 0 . 25

= 16. (→ terjadinya hujan ke-4 berkisar pada hari ke-16).

5. Distribusi Poison
• Misalkan suatu proses Bernoulli didefinisikan pada suatu interval
waktu (atau ruang)
•
hingga p adalah prob bahwa suatu kejadian akan terjadi selama
interval waktu tsb.
• Jika interval waktu itu dibuat semakin singkat sehingga prob p juga
semakin kecil dan jumlah percobaan n menjadi makin besar dan
np tetap konstan
•
maka banyaknya kejadian yang diharapkan terjadi selama total
interval waktu tertentu tetap sama
np disebut juga sebagai λ,
•
distribusi Binomial pada kondisi seperti ini, mendekati distribusi
Poisson

11
 2019-09-29

Rumus Distribusi Poison

λ x .e − λ
f X ( x; λ ) = dengan: x = 0, 1, 2, ....; λ >0
X!

x
Komulatif: ∑
i=0
λ i .e − λ
dengan: x = 0, 1, 2, ....; λ>0
F X ( x; λ ) =
i!

Rerata = E(X ) = λ

Ragam = Var ( X ) = λ

Contoh-1 Distribusi Poison

Berapa besarnya probabilitas bahwa suatu debit banjir dengan kala
ulang 20 tahun akan terjadi 1 kali dalam suatu periode 10 tahun ?

Jawab:

• Distribusi Binomial
fx (1;10,0.05) = 0,315

n
f X ( x ; n , p ) =   p x . q n − x
x
• Distribusi Poisson
λ = n.p = 10 × 0.05 = 0.5
λ = np

12
 2019-09-29

Contoh-1 Distribusi Poison

• fx(1;0.5) = 0.303

λ x .e − λ
f X ( x; λ ) =
X!

• Jawabannya memang tidak persis sama, tetapi untuk kebanyakan

tujuan praktis
pendekatan dengan distribusi Poisson sudah cukup
memuaskan.

Contoh-2 Distribusi Poison

Berapa besarnya probabilitas bahwa suatu debit banjir dengan kala
ulang 2 th akan terjadi 5 kali dalam suatu periode 10 th ?

Jawab:
• Distribusi Binomial
fx(5;10,0.5) = 0.246.
n
f X ( x ; n , p ) =   p x . q n − x
x

• Distribusi Poisson
λ = n.p = 10 × 0.5 = 5

λ = np

13
 2019-09-29

Contoh-2 Distribusi Poison

• fx(5;5) = 0.176.

λ x .e − λ
f X ( x; λ ) =
X!

• Untuk keadaan ini, n tidak cukup besar dan p tidak cukup kecil

pendekatan dengan distribusi Poisson tidak memberikan hasil yang
cukup memuaskan

Contoh-3 Distribusi Poison

• Berapa besarnya probabilitas bahwa suatu debit banjir dengan kala
ulang 20 tahun akan terjadi kurang dari 5 kali dalam suatu periode
100 tahun ?

Jawab:
• Karena n relatif besar dan p kecil, maka dapat digunakan
pendekatan dengan distribusi Poisson:
• λ = n.p = 100 × 0.05 = 5
• Fx(4;5) = 0.440.
λ x .e − λ
f X ( x; λ ) =
X!

14
 2019-09-29

6. Distribusi Eksponensial
• Distribusi probabilitas yang mana munculnya antar
kejadian mempunyai tenggang waktu T, dapat diperoleh
dengan memperhatikan bahwa prob(T≤t) = 1-prob(T>t).
Prob(T>t) sama dengan probabilitas tidak ada kejadian
selama t yaitu sebesar fx(0;λt) = e-λt.

Rumus Distribusi Eksponensial

Prob ( T ≤ t ) = PT ( t ; λ ) = 1 − e − λ t

λ = rerata tingkat munculnya kejadian
distribusi komulatif

PDF: dP T ( t ; λ )
p T (t ; λ ) = = λ . e −λt
dt

1
Rerata = E(X ) =
λ

1
Ragam = Var ( X ) =
λ2

15
 2019-09-29

Contoh Distribusi Eksponensial

• Sebuah tanggul akan jebol oleh banjir dengan kala ulang 40 tahun.
Berapa probabilitasnya bahwa 2 peristiwa jebolnya tanggul secara
berturut-turut terjadi dalam jangka waktu 8 tahun atau kurang ?

Jawab: Prob ( T ≤ t ) = PT ( t ; λ ) = 1 − e − λ t
• λ = 1/40 = 0.025.
• t = 8.
• Prob(T≤8) = 1 - e-λt = 1 – e-(0.025)(8) = 0.1813

7. Distribusi Gamma
• Distribusi probabilitas dari tenggang waktu T untuk pada kejadian
ke-n dapat diperoleh berdasarkan kenyataan bahwa:
• T = T1 + T2 + .... + Tn
• dengan: Ti adalah variabel acak bebas (independent) dari
distribusi eksponensial

16
 2019-09-29

Rumus Distribusi Gamma

λ n t n −1 e − λ t
PDF dari T : p T (t ; n , λ ) =
( n − 1)!

t > 0; λ > 0; n = 1, 2, ........

n
Rerata = E(X ) =
λ

n
Ragam = Var ( X ) =
λ2

Contoh-1 Distribusi Gamma

• Untuk suatu lokasi tertentu, probabilitas suatu hari akan hujan untuk
bulan Oktober adalah sebesar 0.5. Misalkan pada tanggal 2
Oktober terjadi hujan. Berapa probabilitasnya bahwa 3 kali hujan
berikutnya akan terjadi paling lama dalam 8 hari mendatang ?

Jawab:
• Misalkan 8 hari dianggap 1 periode (t = 1).
• λ = 8 × 0.5 = 4. n = 3.

17
 2019-09-29

Contoh-1 Distribusi Gamma

t
 
t

pT(t;n,λ) = ∫ p T ( t ; n , λ ) dt = λn 1 − λ t  2 2t 2 
e
( n − 1 )! 
− t + λ + 2 
0
 λ  λ  0
pT(1;3,4)
→ (untuk n = 3)
1
43  1 − 4 t  2 2t 2 

=
( 3 − 1 )!  − 4
e t + 4 + 2
 4

 0

= 32 × [(-0.00457891)×(1.625) – (-0.25)×(0.125)] = 0.7619

Contoh-2 Distribusi Gamma

• Untuk suatu lokasi tertentu, probabilitas suatu hari akan hujan untuk
bulan Maret adalah sebesar 0.4. Misalkan pada tanggal 5 Maret
terjadi hujan. Berapa probabilitasnya bahwa 4 kali hujan berikutnya
akan terjadi paling lama dalam 12 hari mendatang ?

Jawab:
• Misalkan 12 hari dianggap 1 periode (t = 1).
• λ = 12 × 0.4 = 4.8. n = 4.

18
 2019-09-29

Contoh-2 Distribusi Gamma

t

pT(t;n,λ) = ∫0
p T ( t ; n , λ ) dt

pT(1;4,4.8)  
t
λn 1 − λ t  3 3t 2 6t 6 
= ( n − 1 )! 
− e  t + + +  → (untuk n = 4)
 λ  λ λ 2 λ3  0

4 .8 4  1 − 4 . 8 t  3 3t2 6t 6

 
= ( 4 − 1 )!  − e  t + + + 

4 .8  4 .8 4 .8 2 4 .8 3 
0

= 88.4736 × [(-0.00171453)×(1.939670139) – (-0.20833333)×(0.054253472)]

= 0.7058.

Rumus Integral Distribusi Gamma

t
t
λn  1 − λt 
n =1 ⇒ ∫ p T ( t ; n , λ ) dt =
( n − 1 )! 
− e

0
 λ 0
t
t
λ n
 1 − λt  1 
n = 2 ⇒ ∫ p T ( t ; n , λ ) dt =
( n − 1 )! 
− e t +


λ 
0
 λ  0
t
t
λ n
 1 − λ t  2 2 t 2  
n = 3 ⇒ ∫ p T ( t ; n , λ ) dt =
( n − 1 )!  λ
− e  t + λ + 2 
0
  λ  0
t
t
λ n
 1 − λ t  3 3 t 2 6 t 6 

n = 4 ⇒ ∫ p T ( t ; n , λ ) dt =
( n − 1 )!  λ
− e t + λ + 2 + 
0
  λ λ3  0

19
 2019-09-29

8. Distribusi Multinomial
• Distr binomial dpt diperluas unt mencakup probabilitas lebih dari
dua tipe akibat.
• Jika ada k tipe akibat, dgn masing-2 memp prob terjadinya sebesar
p1, p2, .... , pk, maka dalam percobaan-2 yang independent
•
besarnya prob bahwa akan terjadi akibat tipe 1 sebanyak x1,
akibat tipe 2 sebanyak x2, ...., akibat tipe k sebanyak xk,
•
distribusi multinomial

Rumus Distribusi Multinomial

n! X1 X 2 Xk
f X 1, X 2 ,..., Xk ( x 1 , x 2 ,..., x k ; n , p 1 , p 2 ,..., p k ) = p 1 . p 2 .... p k
x 1 ! , x 2 !... x k !

syarat: Σpi = 1
Σxi = n

Rerata = E(X ) = n . pi

Ragam = Var ( X ) = n . p i . (1 − p i )

20
 2019-09-29

Contoh Distribusi Multinomial

• Pada suatu lokasi di sebuah sungai, dalam setahun:

besarnya probabilitas debit puncak < 200 m3/dt
adalah 0.2 dan probabilitas debit puncak di antara
200 dan 400 m3/dt adalah 0.4.
• Dalam periode 20 tahun, berapa probabilitas bahwa
terjadi 4 kali debit puncak < 200 m3/dt dan terjadi 8
kali debit puncak di antara 200 dan 400 m3/dt ?

Contoh Distribusi Multinomial

Jawab:

n = 20
Akibat tipe 1: Qp < 200 m3/dt
x1 = 4 & p1 = 0.2
Akibat tipe 2: Qp antara 200 sampai 400 m3/dt
x2 = 8 & p2 = 0.4
Akibat tipe 3: Qp > 400 m3/dt
x3 = 20 - 4 - 8 = 8
p3 = 1 - 0.2 - 0.4 = 0.4

n! X1 X 2 Xk
f X 1, X 2 ,..., Xk ( x 1 , x 2 ,..., x k ; n , p 1 , p 2 ,..., p k ) = p 1 . p 2 .... p k
x 1 ! , x 2 !... x k !

20!·(0.2)4·(0.4)8·(0.4)8
f4,8,8(4,8,8;20,0.2,0.4,0.4) = ──────────────── =0.0429.
4!·8!·8!

21
 2019-09-29

SAMPAI BERTEMU DI UTS

22