DISTRIBUSI BINOMIAL

Kuliah 6
Dr. Mohammad Ali Shafii
Percobaan Bernoulli
Dalam dua contoh di atas, kita telah memperhatikan percobaan
independen berulang, setiap percobaan memiliki dua hasil yang
mungkin (h atau t, A atau N) dari probabilitas yang diberikan.
Kita ambil beberapa contoh;
•Barang yang diproduksi baik atau cacat; kita menginginkan
probabilitas x barang cacat dari n item.
•Seorang pemanah memiliki probabilitas p mengenai target;
probabilitas x mengenai sasaran dari n percobaan.
•Setiap atom zat radioaktif memiliki probabilitas p untuk
memancarkan partikel alfa selama menit berikutnya; kita akan
menemukan probabilitas bahwa x partikel alfa akan dipancarkan
pada menit berikutnya dari n atom.
• Sebuah partikel bergerak maju mundur sepanjang sumbu x
memiliki peluang yang sama untuk melompat ke depan atau ke
belakang
(Gerakan ini disebut random walk; dapat digunakan sebagai
model proses difusi.) Kita ingin mengetahui peluang bahwa,
setelah n melompat, partikel berada pada jarak

dari titik awalnya; probabilitas ini adalah probabilitas x

positif melompat dari total n lompatan.

Percobaan ini diulang berkali-kali. Pada setiap percobaan

ada dua kemungkinan hasil dari probabilitas p (biasanya
disebut probabilitas "sukses") dan q = 1- p (di mana q =
probabilitas "gagal"). Uji coba independen berulang seperti
itu dengan probabilitas p dan q konstan disebut percobaan
Bernoulli.
Fungsi Peluang Binomial
Sekarang kita gunakan pers. (7.1) dan (7.2) untuk memperoleh rumus
yang berlaku untuk masalah serupa, yaitu probabilitas f(x) dari tepat x
sukses dalam n percobaan Bernoulli. Secara umum diperoleh

Probabilitas yang nilainya tidak lebih dari x sukses dalam n percobaan.

Ini adalah jumlah dari probabilitas 0, 1, 2, · · · , x sukses, yang
merupakan fungsi distribusi kumulatif F(x) untuk variabel acak x yang
fungsi rapat probabilitasnya adalah (7,3). Kita bisa menulis
Perhatikan bahwa (7.3) adalah salah satu suku dari ekspansi binomial dari
dan (7.4) adalah jumlah dari beberapa suku dari ekspansi ini. Oleh karena itu,
fungsi f(x) pada (7.1), (7.2), atau (7.3) disebut fungsi probabilitas (atau kerapatan)
binomial atau distribusi binomial, dan fungsi F(x) pada (7.4) disebut fungsi
distribusi kumulatif binomial.
Ketidaksamaan Chebyshev
Kita tinjau variabel acak x dengan fungsi probabilitas f(x), dan μ nilai rata-rata
dan σ standar deviasi x. Kita akan membuktikan bahwa jika kita memilih
sembarang bilangan t, peluang bahwa x berbeda dari nilai rata-ratanya μ lebih
dari t, lebih kecil dari . Ini berarti bahwa x tidak mungkin berbeda dari μ
lebih dari beberapa standar deviasi; misalnya, jika t adalah dua kali standart
deviasi σ, kita dapatkan bahwa peluang x untuk berbeda dari μ lebih dari 2σ
adalah lebih kecil dari . Buktinya sederhana. Menurut
definisi , kita memiliki
Hukum Bilangan n Besar
Kita terapkan ketidaksamaan Chebyshev ke variabel acak yang fungsi
probabilitasnya adalah distribusi binomial (7.3).
DISTRIBUSI NORMAL (GAUSSIAN)

12
Grafik distribusi normal atau Gaussian adalah kurva
berbentuk lonceng yang mungkin Anda kenal sebagai kurva
error normal (Gambar 8.1). Distribusi normal tidak hanya
menarik untuk dikaji, tetapi juga karena distribusi lain
menjadi hampir normal ketika n (jumlah percobaan atau
pengukuran) menjadi besar. (lihat Gambar 8.2 dan 8.3).

13
Fungsi kerapatan probabilitas f(x) dan fungsi distribusi kumulatif F(x) untuk
distribusi normal atau Gaussian diberikan oleh

14
15
 Pendekatan Normal untuk Distribusi Binomial
Sebagai contoh pendekatan distribusi lain dengan distribusi normal, mari
kita perhatikan distribusi binomial (7.3). Untuk n besar dan np besar, kita
dapat menggunakan rumus Stirling (Bab 11) untuk menaksir faktorial dalam
C(n, x) pada (7.3) dan membuat pendekatani lain untuk mencari

Tanda ∼ berarti bahwa rasio dari distribusi binomial eksak (7,3) dan ruas
kanan (8,3) cenderung mendekati 1 untuk n→∞. Garis besar turunan dari
(8.3) dapat ditunjukkan seperti Gambar 8.2 dan 8.3. Meskipun kita telah
mengatakan bahwa persamaan (8.3) memberikan pendekatan yang valid
untuk n besar, kesepakatan tersebut cukup baik bahkan untuk nilai n yang
cukup kecil. Gambar 8.2 menunjukkan untuk kasus n = 8. Distribusi binomial
f(x) didefinisikan hanya untuk integral x; bandingkan nilai f(x) dengan nilai
kurva normal yang mendekati pada nilai integral x. Ketika n sangat besar
(Gambar 8.3), grafik distribusi binomial eksak sangat dekat dengan
pendekatan normal. 16
17
18
19
20
 Distribusi Normal Standar
Ini hanyalah distribusi normal pada (8.1) untuk kasus khusus μ = 0 dan σ = 1. Fungsi
kerapatan sering dilambangkan dengan φ(z), dan fungsi distribusi kumulatif yang
sesuai dengan φ(z):

21
22
23
PAHAM GAK SIH

24