Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

BUKU
6

Beberapa Distribusi
Diskrit Penting

Bab ini membahas beberapa distribusi variabel acak diskrit yang penting sebagai
model fenomena ilmiah. Sifat dan penerapan distribusi ini dibahas. Pemahaman
tentang situasi di mana variabel acak ini muncul memungkinkan kita memilih
distribusi yang tepat untuk fenomena ilmiah yang sedang dipertimbangkan. Oleh
karena itu, bab ini juga membahas langkah induksi yang dibahas pada Bab 1, di
mana suatu model dipilih berdasarkan pemahaman faktual fenomena fisik yang
diteliti (langkah B hingga C pada Gambar 1.1).
Beberapa distribusi penting dari variabel acak kontinu akan dipelajari di Bab 7.

6.1 UJI COBA BERNOULLI

Sejumlah besar situasi praktis dapat dijelaskan dengan pelaksanaan berulang-ulang

percobaan acak dengan sifat dasar berikut: serangkaian percobaan dilakukan
sehingga (a) untuk setiap percobaan, hanya ada dua hasil yang mungkin, misalnya
sukses. dan kegagalan; (b) probabilitas terjadinya hasil-hasil ini tetap sama
sepanjang uji coba; dan (c) uji coba dilakukan secara mandiri. Uji coba yang
dilakukan pada kondisi ini disebut uji Bernoulli. Meskipun situasinya sederhana,
model matematika yang dihasilkan dari eksperimen acak dasar ini mempunyai
penerapan yang luas. Faktanya, kita telah menemukan percobaan Bernoulli dalam
permasalahan jalan acak yang diuraikan dalam Contoh 3.5 (halaman 52) dan 4.17
(halaman 106) dan juga dalam permasalahan lalu lintas yang diperiksa dalam
Contoh 3.9 (halaman 64).
Mari kita menyatakan peristiwa 'sukses' dengan S, dan peristiwa 'kegagalan'
dengan F. Juga, misalkan P(S) = p, dan P(F) = q, di mana p + q = 1. Hasil yang
mungkin dihasilkan dari melakukan

Dasar-dasar Probabilitas dan Statistik untuk InsinyurTT Soong  2004 John Wiley & Sons, Ltd ISBN
s: 0-470-86813-9 (HB) 0-470-86814-7 (PB)

BUKU
162 Dasar-dasar Probabilitas dan Statistik untuk Insinyur

rangkaian uji coba Bernoulli secara simbolis dapat diwakili oleh

SSFFSFSSS ··· FF
FFSSSFFFS ··· SF
.
.

dan, karena independensinya, probabilitas dari hasil yang mungkin terjadi dapat
dihitung dengan mudah. Misalnya,

P(SSFFSF··· FF)=P(S)P(S)P(F)P(F)P(S)P(F)··· P(F)P(F)

= ppqqpq ··· qq.

Sejumlah hasil yang mungkin terjadi beserta probabilitas terkaitnya merupakan

kepentingan praktis. Kami memperkenalkan tiga distribusi penting dalam
hubungan ini.

6.1.1 DISTRIBUSI BINOMIAL

Distribusi probabilitas dari variabel acak X yang mewakili jumlah keberhasilan

dalam rangkaian n percobaan Bernoulli, terlepas dari urutan kemunculannya,
sering kali menjadi hal yang menarik. Jelas bahwa X adalah variabel acak diskrit,
dengan asumsi nilai 0, 1, 2, .. . , N. Untuk menentukan fungsi massa
probabilitasnya, pertimbangkan pX (k ), probabilitas keberhasilan tepat k dalam n
percobaan. Peristiwa ini dapat terjadi dengan cara sebanyak k huruf S dapat
ditempatkan dalam n kotak.
Sekarang, kita punya n pilihan untuk itu posisi dari itu Pertama— S, N 1 pilihan
untuk kedua S, ... . , Dan, Akhirnya,
—+ N k 1 pilihan untuk Posisinya dari kth S.
Jumlah totalnya pengaturan yang mungkin adalah n(n —1) . . . (N —
k 1).+ Namun,karena
tidak ada pembedaan terhadap S s yang berada pada posisi yang ditempati, kita
harus membagi bilangan yang diperoleh di atas dengan banyaknya cara penyusunan
k S s dalam k kotak, yaitu k(k—1) .. . 1k!. Jadi, banyak cara terjadinya k
keberhasilan dalam n percobaan adalah

n(n — 1)··· (n — k + 1) N!
oke! = k!(n — k)!, (0,1)

dan probabilitas yang terkait dengan masing-masingnya adalah pkqn—k. Oleh karena itu, kita
punya

PX (k)=kpq
Nkn—k , k = /, 1, 2, . . . , (0,2)
N,

BUKU
Beberapa Distribusi Diskrit Penting 163

Di
mana

N!
= (0,3)
N k!(n — k)!
k
adalah koefisien binomial dalam teorema binomial

(a + b)
Σ
N N N akbn—k. (0,4)
= k
k=/

Mengingat kemiripannya dengan teorema binomial, distribusi yang ditentukan

oleh Persamaan (6.2) disebut distribusi binomial. Ia memiliki dua parameter yaitu n
dan p. Karena popularitas distribusi ini, variabel acak X yang memiliki distribusi
binomial sering dilambangkan dengan B(n, p).
Bentuk distribusi binomial ditentukan oleh nilai yang diberikan pada dua
parameternya, n dan p. Secara umum, n diberikan sebagai bagian dari rumusan
masalah dan p harus diperkirakan dari observasi.
Plot fungsi massa probabilitas (pmf), pX (k), telah ditunjukkan pada Contoh
= n 10 dan hal 0.2. Puncak distribusi akan bergeser ke kanan
3.2 (halaman 43) untuk
seiring bertambahnya p, mencapai distribusi simetris ketika p 0,5. Lebih
= banyak
wawasan tentang perilaku pX (k) dapat diperoleh dengan mengambil rasio

pX (k) (n — k + 1) hal (n + 1)p — k

pX (k — =
1) kq = 1+ kq . (0,5)

Kami melihat dari Persamaan (6.5) itu pX (k) adalah lebih besar dibandingkan pX
(k — 1) Kapan
k < (n + 1) hal dan lebih kecil jika k > (n 1) hal. Oleh karena itu, jika kita mendefinisikan
bilangan bulat
kω oleh

(n + 1)p — 1 < kω ≤ (n + 1)p, (0,0)

nilai pX (k) meningkat secara monoton dan mencapai nilai maksimumnya ketika
kk ω, kemudian menurun secara monoton. Jika (n 1)p merupakan bilangan bulat,
= maksimum terjadi pada pX (k ω 1) dan pX (k ω). Oleh karena itu, bilangan
nilai
bulat k ω merupakan modus distribusi ini dan—sering disebut sebagai 'yang paling
mungkin'
jumlah keberhasilan'.
Karena penggunaannya yang luas, pmf pX (k ) ditabulasikan secara luas sebagai
fungsi dari n dan p. Tabel A.1 pada Lampiran A memberikan nilai = untuk n 2, 3, . . .
, 10,
= dan p 0,01, 0,05, .. . , 0,50. Mari kita perhatikan tabel probabilitas untuk
binomial
dan distribusi lain yang umum digunakan kini tersedia secara luas di sejumlah
BUKU
paket perangkat lunak komputer, dan bahkan di beberapa kalkulator. Misalnya,

BUKU
164 Dasar-dasar Probabilitas dan Statistik untuk Insinyur

fungsi BINOMDIST di Microsoft ® ExcelTM 2000 memberikan probabilitas

binomial individual yang diberikan oleh Persamaan (6.2). Fungsi statistik lain yang
tersedia di ExcelTM 2000 tercantum dalam Lampiran B.
Perhitungan pX (k) pada Persamaan (6.2) rumit karena n menjadi besar.
Perkiraan cara menentukan pX (k ) untuk n besar telah dibahas pada Contoh 4.17
(halaman 106) dengan menggunakan rumus Stirling [Persamaan (4.78)].
Pendekatan Poisson terhadap distribusi binomial, yang akan dibahas pada Bagian
6.3.2, juga memfasilitasi perhitungan probabilitas ketika n menjadi besar.
Fungsi distribusi probabilitas (PDF), FX (x), untuk distribusi binomial juga
ditabulasikan secara luas. Itu diberikan oleh

MΣ ≤ X N
FX (x)= pkqn—k, (0,7)
k=/ k

dimana m adalah bilangan bulat terbesar yang kurang dari atau sama dengan x.
Sifat penting lain dari distribusi binomial telah diturunkan pada Contoh 4.1
(halaman 77), Contoh 4.5 (halaman 81), dan Contoh 4.14 (halaman 99). Tanpa
memberikan rincian, kita masing-masing mempunyai fungsi karakteristik, mean,
dan varians,

$X (t)= (pe jt +
q)n, mX = np,
(0.;)
σX2 = npq.

Fakta bahwa mean X adalah np menunjukkan bahwa parameter p dapat

diperkirakan berdasarkan nilai rata-rata data observasi. Prosedur ini digunakan
pada Contoh 6.2. Namun kami menyebutkan bahwa masalah estimasi parameter ini
perlu diperiksa lebih teliti, dan penanganan sistematisnya akan dibahas di Bagian
B. Mari kita perhatikan di sini bahwa formulasi lain yang mengarah pada distribusi
binomial adalah dengan mendefinisikan variabel
= acak. variabel Xj,j 1, 2, . . . , n,
untuk mewakili hasilnya
dari sidang Bernoulli ke-j. Jika kita membiarkan

Xj = 0 jika percobaan ke-j

(0,1)
gagal,
1 jika percobaan ke-j
berhasil,

lalu
jumlahnya
X = X1 + X2 + ··· + Xn (0,1/)

memberikan jumlah keberhasilan dalam n percobaan. Menurut definisinya, X 1,..., dan

Xn adalahvariabel acak independen.

BUKU
Beberapa Distribusi Diskrit Penting 165

Momen dan distribusi X dapat dicari dengan mudah menggunakan Persamaan

(6.10). Sejak

E{Xj}=/(q)+ 1(p)= p, j = 1, 2, ... , n,

maka dari Persamaan (4.38) bahwa

E{X}=p + p + ··· + p = np, (0,11)

yang sesuai dengan ekspresi yang sesuai dalam Persamaan (6.8). Demikian pula,
varians, fungsi karakteristik, dan pmfnya mudah ditemukan setelah pembahasan
kita di Bagian 4.4 mengenai jumlah variabel acak independen.
Distribusi binomial telah kita lihat pada Contoh 3.5 (halaman 52), Contoh 3.9
(halaman 64), dan Contoh 4.11 (halaman 96). Penerapannya di bidang lain
diilustrasikan lebih lanjut dengan contoh tambahan berikut.
Contoh 6.1.Masalah: seorang pemilik rumah baru saja memasang 20 bola lampu
di rumah barunya. Misalkan masing-masing mempunyai probabilitas 0,2 untuk
berfungsi lebih dari tiga bulan. Berapa probabilitas bahwa paling sedikit lima dari
fungsi tersebut akan berfungsi selama lebih dari tiga bulan? Berapa rata-rata
jumlah bohlam yang harus diganti pemilik rumah dalam tiga bulan?
Jawaban: masuk akal untuk berasumsi bahwa bola lampu bekerja secara
independen. Jika X adalah jumlah lampu yang berfungsi lebih dari tiga bulan
(berhasil), maka mempunyai distribusi binomial dengan
= n 20 dan p /.2. Jawaban
atas pertanyaan pertama diberikan oleh

Σ Σ
2/ PX(k)=1 — 4 PX(k)
k=5 k=/

= 1 — Σ 2/ (/.2)k (/.;)2/—k
4 k
k=/
= 1 — (/./12 + /./5; + /.137 + /.2/5 + /.21;)= /.37.

Jumlah rata-rata penggantian adalah

2/ —E{X}= 2/ —NP = 2/ — 2/(/.2)= 10.

Contoh 6.2.Misalkan tiga pengguna telepon menggunakan nomor yang sama

dan kita tertarik untuk memperkirakan probabilitas bahwa lebih dari satu orang
akan menggunakannya pada waktu yang sama. Jika independensi kebiasaan
bertelepon diasumsikan, probabilitas tepat k orang yang membutuhkan penggunaan
telepon pada saat yang sama ditentukan oleh fungsi massa pX (k ) yang
diasosiasikan dengan distribusi binomial. Membiarkan

BUKU
166 Dasar-dasar Probabilitas dan Statistik untuk Insinyur

diketahui bahwa rata-rata pengguna telepon menggunakan telepon 5 menit per

jam; perkiraan p adalah
5 1
hal =
0/ = 12 .

Solusi untuk masalah ini diberikan oleh

2 3
3 1 11 3 1
pX (2)+ pX (3)= 12+3 12
2 12
11
= = /./117.
;04
Contoh 6.3P. roblem: misalkan X 1 dan X 2 adalah dua variabel acak
independen, keduanya mempunyai distribusi binomial dengan parameter (n1, p)
=
dan (n2, p), masing-masing, dan misalkan Y X1 X2. Tentukan distribusi variabel
acak Y .
Jawaban: fungsi karakteristik X 1 dan X 2 adalah, menurut Persamaan pertama
(6.8),

$X1 (t)= (pejt + q)n1 ,2 $X (t)= (pejt + q)n2 .

Mengingat Persamaan (4.71), fungsi karakteristik Y hanyalah hasil kali $X1 (t)
dan $X2 (t). Dengan demikian,

$Y (t)= $X1 (t)$X2 (t)

N1+n2
= (pejt + q) .

Jika diperiksa, ini adalah fungsi karakteristik yang sesuai dengan distribusi
binomial dengan parameter (n1 + n2, p). Oleh karena itu, kita punya
n1 + n2k n +n —k
PY(k)= hal1 2 , k = /, 1, . . . ,N1 + n2.
k
Menggeneralisasi jawaban Contoh 6.3, kita mendapatkan hasil penting berikut
sebagaimana dinyatakan dalam Teorema 6.1.
Teorema 6.1:Distribusi binomial muncul dengan sendirinya dengan
penambahan variabel acak independen dengan p yang sama.
EXample6. 4Masalah:SayaFacakM variabel X sebuahD Y
aremandiriTbinomiaakuvariabel acak terdistribusi dengan parameter (n1, p) dan
(n2, p), tentukan fungsi massa probabilitas bersyarat dari X dengan ketentuan
bahwa

X + Y = m, /≤ m ≤ n1 + n2.

BUKU
Beberapa Distribusi Diskrit Penting 167

Jawaban untuk k≤ menit (n1, m), kita punya

P(X= k ∩ X + Y = m)
(=|+
PX kX Y =)=
M
P(X + Y = m)
P(X = k ∩ Y = m— k) P(X = k)P(Y = m — k)
= P(X + Y = m) = P(X + Y = m)
Nk n —k m—k n —m+k
1
N2
hal (1 — hal)1 P (1 — hal)2
=k m—k
N 1 2
+n
+n2-M M
PM(1 — hal)N1
,
N1 n2 N1 +
=k , k =/,1, . . . , menit(n1, M), (0,12)
m— n2m
k

dimana kita telah menggunakan hasil yang diberikan pada Contoh 6.3 bahwa XY
terdistribusi secara binomial dengan parameter (n1 n2, p). +
Distribusi yang diberikan oleh + Persamaan (6.12) dikenal sebagai distribusi
hipergeometri. Ini muncul sebagai distribusi dalam kasus seperti jumlah bola hitam
yang dipilih ketika sampel m bola dipilih secara acak dari banyak n item yang
memiliki n1 bola hitam dan n2 bola putih (n1 n2 n). Biarkan+ variabel acak Z
menjadi angka ini. Kita mendapatkan, dari Persamaan (6.12), tentang penggantian
n2
oleh n — n1,

,
N n—n N
P Z (k)= 1 1
, k = /, 1, . . . , menit(n1, (0,13)
k m—k M
M).

6.1.2 DISTRIBUSI GEOMETRIS

Peristiwa menarik lainnya yang muncul dari uji coba Bernoulli adalah jumlah uji
coba (dan termasuk) keberhasilan pertama. Jika X digunakan untuk mewakili
bilangan ini, maka itu adalah variabel acak diskrit dengan kemungkinan nilai
bilangan bulat mulai dari satu hingga tak terhingga. PMF-nya mudah dihitung

X (k)= P(FF.
hal . . .FS)= P (F)
v....˛¸. P (F)... P(F) (S)
v............˛¸.........
k—1 hal
k—1 (0,14)
= qk—1 P, k = 1, 2, ... .

Distribusi ini dikenal dengan nama distribusi geometri dengan parameter p,

dimana namanya berasal dari kemiripannya dengan istilah-istilah yang lazim dalam
perkembangan geometri. Plot pX (k ) diberikan pada Gambar 6.1.

BUKU
168 Dasar-dasar Probabilitas dan Statistik untuk Insinyur

P(k)
X

qp
q2
p

k
1 2 3 4 5 6 7. . .

Gambar 6.1Distribusi geometris halX(k)

Fungsi distribusi probabilitas yang sesuai adalah

FX (x)= M
Σ pX (k)= p + qp + ··· + qm—1p
≤x

k=1
= (1 — q)(1 + q + q2 + ··· + qm—1)= 1 — qm, (0,15)

dimana m adalah bilangan bulat terbesar yang kurang dari atau sama dengan x. Rata-rata dan
varians dari
Xdapat ditemukan sebagai berikut:
∞
Σ
Σ dqk
k—1∞

E{X}= kq hal = hal

k=1
k=1
dq
∞
DΣ Qk D Q 1
= hal dq =
dq hal 1 — = hal. (0,10)
k=1
pertan
yaan

Pada contoh di atas, pertukaran penjumlahan dan diferensiasi diperbolehkan

karena |q| < 1. Mengikuti prosedur yang sama, variansnya memiliki bentuk
2
= 1 — hal . (0,17)
σX
P
2
Contoh 6.5.Masalah: seorang pengemudi dengan penuh semangat mengincar
tempat parkir yang berharga di kejauhan. Ada lima mobil di depan pengemudi,
yang masing-masing mempunyai probabilitas 0,2 untuk mengambil tempat. Berapa
peluang mobil yang berada tepat di depannya akan memasuki tempat parkir?
Jawaban: untuk soal ini, kita mempunyai distribusi geometri dan perlu
mengevaluasi pX (k) untuk k = 5 dan p = /.2. Dengan demikian,

BUKU
hal (5)= (/.;)4(/.2)= /.;2,

BUKU
Beberapa Distribusi Diskrit Penting 169

yang mungkin tampak jauh lebih kecil dibandingkan apa yang kita alami dalam
situasi serupa.
Contoh 6.6.Soal: asumsikan probabilitas suatu spesimen gagal selama
percobaan tertentu adalah 0,1. Berapakah peluang bahwa diperlukan lebih dari tiga
spesimen agar satu spesimen dapat bertahan dalam percobaan tersebut?
Jawaban: misalkan X menunjukkan jumlah percobaan yang diperlukan agar
spesimen pertama dapat bertahan hidup. Kemudian memiliki=distribusi geometri
dengan p 0,9. Peluang yang diinginkan adalah

P(X > 3)= 1 —FX(3)= 1 — (1 — q3)= (/.1)3 = /.//1.

Contoh 6.7.Masalah: misalkan probabilitas terjadinya banjir yang besarnya lebih

besar dari besaran kritis pada suatu tahun tertentu adalah 0,01. Dengan asumsi
banjir terjadi secara independen, tentukan {EN } , periode ulang rata-rata. Periode
ulang rata-rata, atau hanya periode ulang, didefinisikan sebagai rata-rata jumlah
tahun antara banjir yang besarnya lebih besar dari besaran kritis.
Jawaban: jelas N adalah variabel acak yang berdistribusi geometri dan p = /0,01.
Periode pengembaliannya adalah saat itu
1
E{N}= = 1// tahun.
P
{ }=
Besaran kritis yang menimbulkan EN 100 tahun sering disebut sebagai 'banjir 100
tahun'.

6.1.3 DISTRIBUSI BINOMIAL NEGATIF

Generalisasi alami dari distribusi geometri adalah distribusi variabel acak X yang
mewakili jumlah percobaan Bernoulli yang diperlukan agar keberhasilan ke-r
terjadi, dengan r adalah bilangan bulat positif tertentu.
Untuk menentukan pX (k ) pada kasus ini, misalkan A adalah kejadian dimana —k
1 percobaan pertama—menghasilkan tepat r 1 keberhasilan, berapapun urutannya,
dan B adalah kejadian munculnya keberhasilan pada percobaan ke-k. Kemudian,
berkat kemerdekaannya,

hal (k) =P(A ∩ B) =P(A)P(B). (0,1;)

Sekarang, P(A ) mematuhi a distribusi binomial dengan parameter k —1 dan R—1,

atau

k—1
( )= kamu - 1 pu—1qk—u ,
PA k = kamu, kamu +
1, ... , (0,11)

BUKU
170 Dasar-dasar Probabilitas dan Statistik untuk Insinyur

dan P(B) secara

sederhana
P(B)=P. (0,2/)

Mengganti Persamaan (6.19) dan (6.20) ke dalam Persamaan (6.18)

menghasilkan

k — 1 kamu
PX(k)= hal , k = kamu, kamu + (0,21)
kamu - k—
1, ... .
1
=
Kami mencatat bahwa, seperti yang diharapkan, ini tereduksi menjadi distribusi
geometri ketika r 1. Distribusi yang
didefinisikan oleh Persamaan (6.21) dikenal sebagai distribusi binomial negatif,
= dengan NB(r,
atau Pascal, dengan parameter r dan p. Hal ini sering dilambangkan
p). Varian yang berguna dari distribusi ini diperoleh jika kita membiarkan Y X
kamu. berlari-
Variabel dom Y adalah jumlah percobaan Bernoulli melebihi r yang dibutuhkan
untuk merealisasikan keberhasilan ke-r, atau dapat diartikan sebagai jumlah
kegagalan sebelum keberhasilan ke-r.
Fungsi massa probabilitas Y, pY (m), diperoleh dari Persamaan (6.21) dengan
mengganti k dengan m + r. Dengan demikian,

m + kamu
pm
— ( )=
Y1 PkamuQM
kamu - 1
m + kamu — 1 um (0,22)
= P Q, M = /, 1, 2, . . . .
M
Kita melihat bahwa variabel acak Y mempunyai sifat nyaman yaitu kisaran
Mdimulai dari nol, bukan r untuk nilai yang terkait dengan X.
Mengingat definisi yang lebih umum tentang koefisien binomial

A Sebuah(Sebuah — 1) ... (Sebuah — j + 1)

J = J , (0,23)
!
untuk sembarang bilangan real a dan sembarang bilangan bulat positif j, evaluasi
langsung menunjukkan bahwa koefisien binomial pada Persamaan (6.22) dapat
ditulis dalam bentuk
m + kamu — 1
M —kamu
= (—1) . (0,24)
M M
Karena itu,

PY (m)= — P (-Q),M M = /, 1, 2, (0,25)

M
... ,

BUKU
Beberapa Distribusi Diskrit Penting 171

itulah alasan untuk nama 'distribusi binomial negatif'.

Rata-rata dan varians dari variabel acak X dapat ditentukan dengan mengikuti
prosedur standar atau dengan mencatat bahwa X dapat diwakili oleh

X = X1 + X2 + ··· + Xu, (0,20)

—
dimana X j adalah jumlah percobaan antara keberhasilan (j ke-1) dan (termasuk)
keberhasilan ke-j. Variabel acak ini saling bebas, masing-masing mempunyai
—
distribusi geometri dengan mean 1Ep dan varians (1 p)Ep2. Oleh karena itu, mean
dan varians dari jumlah X masing-masing sesuai dengan Persamaan (4.38) dan
(4.41),

kamu 2
= kamu(1 — p) . (0,27)
m X= , P σX

P
Sejak Y = X — u, momen-momen yang bersesuaian
2 dari Y adalah

kamu 2
MY= P— kamu, Y = kamu(1 — p) . (0,2;)
σ

P
Contoh 6.8.Masalah: fasilitas parkir tepi jalan berkapasitas tiga mobil. Tentukan
2
peluang bahwa wadah tersebut akan penuh dalam waktu 10 menit. Diperkirakan 6
mobil akan melewati tempat parkir ini dalam rentang waktu tersebut dan rata-rata
80% dari seluruh mobil ingin parkir di sana.
Jawaban: peluang yang diinginkan hanyalah peluang banyaknya percobaan
sampai keberhasilan ketiga (mengambil tempat parkir) kurang dari atau sama
dengan 6. Jika X adalah bilangan tersebut, maka berdistribusi = binomial negatif
dengan r 3 dan p 0,8 . Dengan menggunakan Persamaan (6.21), kita mendapatkan

P(X ≤ 0)=
Σ Σ k—1 3 k—3
0 PX(k)= 0 (/.;) (/.2)
2
k=3 k=3 3
= (/.;)3 [1 + (3)(/.2)+ (0) 2
+ (1/)(/.2) ]
(/.2)
= /.1;3.

Mari kita perhatikan bahwa cara alternatif untuk mendapatkan jawaban ini
adalah dengan menjumlahkan probabilitas terjadinya 3, 4, 5, dan 6 keberhasilan
dalam 6 percobaan Bernoulli menggunakan distribusi binomial. Pengamatan ini
mengarah pada hubungan umum antara distribusi binomial dan binomial negatif.
Dinyatakan secara umum, jika X 1 adalah B(n, p) dan X 2 adalah NB(r, p), maka

P(X1 ≥ u)= P(X2 ≤ n),

P(X1 < u)= P(X2 > n). (0,21)

BUKU
172 Dasar-dasar Probabilitas dan Statistik untuk Insinyur

Contoh 6.9.Distribusi binomial negatif banyak digunakan dalam permasalahan

waktu tunggu. Misalnya saja sebuah mobil yang menunggu di jalan untuk menyatu
dengan lalu lintas jalan bebas hambatan. Misalkan mobil tersebut berada di urutan
ke-5 untuk digabungkan dan jarak antar mobil di jalan bebas hambatan sedemikian
rupa sehingga terdapat kemungkinan 0,4 bahwa mobil-mobil tersebut cukup besar
untuk digabungkan. Kemudian, jika X adalah waktu tunggu sebelum
penggabungan untuk kendaraan tertentu=yang diukur dalam jumlah kesenjangan
jalan bebas hambatan, maka ia mempunyai distribusi binomial negatif dengan u 5
dan p 0,4. Rata-rata waktu tunggu adalah, dilihat dari Persamaan (6.27),
5
E{X}= = 12.5 kesenjangan.
/.4

6.2 DISTRIBUSI MULTINOMIAL

Percobaan Bernoulli dapat digeneralisasikan dalam beberapa arah. Generalisasi

yang berguna adalah dengan melonggarkan persyaratan bahwa hanya ada dua
kemungkinan hasil untuk setiap percobaan. Misalkan terdapat r kemungkinan hasil
pada setiap percobaan,
= = dilambangkan dengan
+ +E1,
···E2,...,
+ Er, dan misalkan P(Ei) pi, i
1, ... , u, dan p1 p2 = Pkamu1. Hasil khas dari n
percobaan adalah rangkaian simbol seperti:

E2E1E3E3E0E2 ... .

= Xi, i.....1, 2, , kamu, mewakili nomor dari Ei di dalam

Jika kita membiarkan variabel acak
A
urutan n percobaan, fungsi massa probabilitas gabungan (jpmf) dari X 1, X 2,.. , Xr,
diberikan oleh

N!
PXX ...X (k1, k2 ,. . . , kk )= kP1k2 P.
1 2 . . Pku (0,3/)
12
a k!k!...k!
1 2 ,

dimana kj = 0, 1, 2, . . . , j = 1, 2, . . . , r, dan k1 + k2 + ··· + ku = n.

Pembuktian Persamaan 6.30:kita ingin menunjukkan bahwa koefisien pada
Persamaan (6.30) sama dengan banyaknya cara penempatan k 1 huruf E1, k 2 huruf
E2,.. ., dan kr huruf Er dalam n kotak. Ini dapat dengan mudah diverifikasi dengan
menulis

N!
N n— n — k1 — k2 — ··· — ku—1
= k1 ··· .
k1!k2! ... ku! k1 k2 kkamu

Koefisien binomial pertama adalah banyaknya cara penempatan k1 huruf E1

dalam n kotak; yang kedua adalah banyaknya cara penempatan k 2 huruf E2 pada
sisa n — k1 kotak kosong; dan seterusnya.

BUKU
Beberapa Distribusi Diskrit Penting 173

Rumus yang diberikan oleh Persamaan (6.30) adalah distribusi probabilitas

gabungan berdimensi lebih tinggi yang penting. Disebut distribusi multinomial
karena berbentuk suku umum ekspansi multinomial (p1 p2 Pkamu)N. Kita
perhatikan bahwa
+ + ··· + Persamaan (6.30) direduksi menjadi distribusi binomial ketika u
2 dan dengan p1 p, p2=q, k1 k, dan k2 n=k. = = = —
Karena setiap Xi yang didefinisikan di atas memiliki distribusi binomial dengan parameter
n
dan pi, kita punya
2
mXSaya = npi, = npi(1 — pi), (0,31)

σXSaya

dan dapat ditunjukkan bahwa kovarians diberikan oleh

cov(Xi, Xj)= —npipj, saya, j = 1, 2, ... , kamu, saya /= j. (0,32)

Contoh 6.10.Masalah: tingkat pendapatan diklasifikasikan menjadi rendah,

sedang, dan tinggi dalam studi pendapatan suatu populasi tertentu. Jika rata-rata
10% penduduk termasuk dalam kelompok berpendapatan rendah dan 20%
termasuk dalam kelompok berpendapatan tinggi, berapakah peluang bahwa, dari 10
orang yang diteliti, 3 orang termasuk dalam kelompok berpendapatan rendah dan 7
sisanya berada pada kelompok berpendapatan menengah? Berapa distribusi
marjinal jumlah penduduk (dari 10) pada tingkat berpendapatan rendah?
Jawaban: misalkan X 1 adalah bilangannya dari berpenghasilan rendah orang di
dalam itu kelompok dari 10orang, X 2 adalah jumlah penduduk berpendapatan
menengah, dan X 3 adalah jumlah penduduk berpendapatan tinggi. Kemudian X 1,
X 2, dan=X 3 berdistribusi
= multinomial
= dengan p1 /.1, p2 /.7, dan p3 /.2; n 1/.
Dengan demikian
=
1/! 3 7 /
PX1X2X3 (3, 7, /)= (/.1) (/.7) (/.2)/./1.
3!7!/!
ThemerusakaslidistribusiNHaiF X 1SayaSbinomasliakalH N = 1/sebuahD P = /.1.
Kita perhatikan bahwa, meskipun distribusi marjinal variabel acak tunggal
adalah binomial, karena X 1, X 2,..., dan Xr tidak independen, maka distribusi
multinomial bukanlah hasil kali distribusi binomial.

6.3 DISTRIBUSI RACUN

Pada bagian ini kami ingin mempertimbangkan distribusi yang digunakan dalam
berbagai situasi fisik. Ini digunakan dalam model matematika untuk
menggambarkan, dalam interval waktu tertentu, peristiwa seperti emisi 2 partikel
dari zat radioaktif, kedatangan penumpang di terminal maskapai penerbangan,
distribusi
partikel debu mencapai ruang tertentu, kedatangan mobil di persimpangan, dan
masih banyak fenomena serupa lainnya.
BUKU
174 Dasar-dasar Probabilitas dan Statistik untuk Insinyur

Untuk memantapkan gagasan dalam perkembangan selanjutnya, mari kita

perhatikan masalah kedatangan penumpang di suatu terminal bus selama selang
waktu tertentu. Kita akan menggunakan notasi X (0, t) untuk mewakili jumlah
kedatangan selama interval waktu [0, t), dimana notasi [ ) menunjukkan interval
kiri-tertutup dan kanan-terbuka; itu adalah variabel acak diskrit yang mengambil
kemungkinan nilai 0, 1, 2, . . . , yang distribusinya jelas bergantung pada t. Untuk
lebih jelasnya, pmfnya ditulis sebagai

pk(/,T)= P[X(/, t)= k], k = /, 1, 2, . . . , (0,33)

untuk menunjukkan ketergantungan eksplisitnya pada t. Perhatikan bahwa ini

berbeda dari notasi standar kami untuk pmf.
Untuk mempelajari masalah ini, kami membuat asumsi dasar berikut:
●
Asumsi 1: variabel acak X(t1, t2), X(t2, t3), ... , X(tn — 1, tn),
t1 < t2 < ... < tn,saling independen, yaitu jumlah penumpang
kedatangan ger dalam interval waktu yang tidak tumpang tindih tidak tergantung satu sama
lain.
●
Asumsi 2: untuk ∆t yang cukup kecil,

p1(t, t + ∆t)= λ∆t + o(∆t) (0,34)

di mana o(∆t) berarti fungsi sedemikian rupa sehingga

bataso(∆t) = /. (0,35)
∆t→/∆t

Asumsi ini menyatakan bahwa, untuk ∆t yang cukup kecil, peluang kedatangan
tepat satu kedatangan sebanding dengan panjang ∆t. Parameter λ pada
Persamaan (6.34) disebut kepadatan rata-rata atau laju kedatangan rata-rata
karena alasan yang akan segera dijelaskan. Untuk mempermudah, diasumsikan
konstan dalam diskusi ini; Namun, tidak ada kesulitan untuk mengizinkannya
bervariasi seiring waktu.
●
Asumsi 3: untuk ∆t yang cukup kecil,

Σ
∞ pk(t, t + ∆t)= o(∆t) (0,30)
k=2

Kondisi ini menyiratkan bahwa kemungkinan kedatangan dua atau lebih

kedatangan dalam selang waktu yang cukup kecil dapat diabaikan.

BUKU
Beberapa Distribusi Diskrit Penting 175

Tidak ada kedatangan TIDAK kedatangan

0 T T+∆T

Gambar 6.2Interval [0,t + ∆t)

Berikut persamaan (6.34) dan (6.36) bahwa

Σ∞
hal/(t, T + ∆t) = pk(t, t + ∆t)
k=1
1—
= 1 — λ∆t+ o(∆t). (0,37)

Untuk menentukan fungsi massa probabilitaspk(/, t) berdasarkan

asumsi yang disebutkan di atas, mari kita pertimbangkan terlebih dahuluhal/(/,t). Gambar 6.2
menunjukkan dua
interval tidak tumpang tindih, [0, t) dan[t, t + ∆t). Agar tidak ada
kedatangan dalam interval total[/, t + ∆t), kita tidak boleh kedatangan keduanya
subinterval. Karena independensi kedatangan dalam interval yang tidak tumpang
tindih, maka kita dapat menulis

P/(/, T + ∆t)= P/(/,T)p/(t, T + ∆t)

= P/(/,T)[1 — λ∆t + o(∆t)]. (0,3;)

Menyusun ulang Persamaan (6.38) dan membagi kedua ruas dengan ∆t menghasilkan

P/(/, T + ∆T)- P/(/, T) o(∆t).

∆t = -P/(/, t) λ — ∆t
Padamembiarkan ∆t → /, kita memperoleh persamaan diferensial

dp/(/,T)
dt = —λhal(/,
/ T). (0,31)

Solusinya memenuhi kondisi awal p/(/, /) = 1 adalah

P/(/, t)= e—λt. (0,4/)

Penentuan p1(0, t) serupa. Kita pertama-tama mengamati bahwa satu kedatangan

di [/,+t ∆t) dapat dicapai hanya dengan tidak adanya kedatangan di subinterval [0, t)
dan satu kedatangan di+ [t, t ∆t), atau satu kedatangan di [0, t) dan tidak ada
kedatangan di [t, t ∆t).
Oleh karena itu kita punya

hal1(/, T + ∆t)= P/(/,T)p1(t, T + ∆t) + hal1(/, t)p/(t, T + ∆t). (0,41)

BUKU
176 Dasar-dasar Probabilitas dan Statistik untuk Insinyur

Substitusikan Persamaan (6.34), (6.37), dan (6.40) ke dalam Persamaan (6.41)

dan biarkan ∆t → / kita peroleh
dp1(/,T)
=—hal(/, t)+ λe—λt, P(/, /)= /, (0,42)
1 1
dt
yang menghasilkan

hal1(/,T)= λte—λt. (0,43)

Melanjutkan cara ini kita menemukan, untuk istilah umum,

—λt
k
(λ ) e (0,44)
P(/,t)=
k , k = /, 1, 2,
t o
k ... .

Persamaan (6.44) memberikan pmf X (0, t), jumlah kedatangan selama selang
waktu [0, t) sesuai dengan asumsi yang disebutkan di atas. Disebut distribusi
Poisson, dengan parameter λ dan t. Namun, karena λ dan t muncul di
Persamaan (6.44) sebagai hasil kali, λt, dapat digantikan dengan parameter tunggal u,
u = λt, sehingga kita juga dapat menulis

Pk (/, t)= kamu

ke —
, k = /, 1, 2, (0,45)
o
k ... .
Rata-rata X(/, t) diberikan oleh

Σ∞ Σ∞ k(λt)k
E{X(/, kpk(/, t)=e— oke!
T)}= λt
k=/ k=/ (0,40)
Σ∞ (λt)k—
= λte—λt = λte—λteλt = λt.
1

k=1
(k — 1)!

Demikian pula, kami dapat

menunjukkan hal itu

2
σX(/, = λt. (0,47)
T)

Terlihat dari Persamaan (6.46) bahwa parameter λ sama dengan rata-rata

jumlah kedatangan per satuan selang waktu; nama 'tingkat kedatangan rata-rata'
untuk λ, sebagaimana disebutkan sebelumnya, dapat dibenarkan. Dalam
menentukan nilai parameter ini pada suatu permasalahan dapat diperkirakan dari
observasi mEn,

BUKU
 Beberapa Distribusi Diskrit Penting 177

Pk(0,T)

0,6
P(0,T)
k

0,4 0,4

0,2 0,2

0 0
0 1 2 3 4 5 k k
0 1 2 3 4 5 6

(a)
(B)

Pk(0,T)

0,3

0,2

0,1

0
k
0 2 4 6 8 10 12

(a)

Figambar 6.3 PoissoNdi st ri busi NP k (/, T),foRparah akunilaiSHaiF dan (A)λT =/.5; (B)
λt =1./; (C) λt =4./

dimana m adalah jumlah kedatangan yang diamati dalam n satuan interval waktu.
Demikian
= pula, sejak kamu λt, kamu mewakili itu rata-rata nomor dari
Kedatangan di dalam waktu selang [0, t).
Juga terlihat dari Persamaan (6.47) bahwa, seperti yang diharapkan, variansnya juga
sebagai mean, meningkat seiring dengan meningkatnya mean rate. Distribusi
Poisson untuk beberapa nilai λt ditunjukkan pada Gambar 6.3. Secara umum, jika
kita memeriksa rasio pk(/, t) dan pk—1(/, t), seperti yang kita lakukan untuk
distribusi binomial, terlihat bahwa
pk(/, t) meningkat secara monoton dan kemudian menurun secara monoton sebagai k
meningkat, mencapai maksimum ketika k adalah bilangan bulat terbesar yang tidak
melebihi λt.
Contoh 6.11.Permasalahan: beban lalu lintas dalam perancangan sistem
perkerasan merupakan pertimbangan penting. Kendaraan tiba di beberapa titik di
trotoar

BUKU
178 Dasar-dasar Probabilitas dan Statistik untuk Insinyur

Tabel 6.1Frekuensi observasi (jumlah observasi)

sebesar 0, 1, 2, . . . kendaraan tiba dalam interval
30 detik (misalnya Contoh 6.11)
Jumlah kendaraan per 30 detik Frekuensi

0 18
1 32
2 28
3 20
4 13
5 7
6 0
7 1
8 1
≥9 0
Total 120

secara acak baik dalam ruang (amplitudo dan kecepatan) maupun dalam waktu
(laju kedatangan). Mengingat aspek waktu saja, observasi dilakukan dengan
interval 30 detik seperti terlihat pada Tabel 6.1.
Misalkan laju 10 kendaraan per menit merupakan tingkat beban lalu lintas kritis.
Tentukan probabilitas bahwa tingkat kritis ini tercapai atau terlampaui.
Misalkan X (0, t) adalah jumlah kendaraan per menit yang melewati suatu titik
pada perkerasan. Dapat diasumsikan bahwa semua kondisi distribusi Poisson
terpenuhi dalam kasus ini. PMf dari X (0, t) diberikan oleh Persamaan (6.44). Dari
data tersebut rata-rata jumlah kendaraan per 30 detik adalah

/(1;)+ 1(32)+2(2;) +·· · + 1(/)

12/ − 2./;.
Oleh karena itu, perkiraan λt adalah 2,08(2) = 4,10. Maka probabilitas yang diinginkan
adalah,

P[X(/, t)≥ 1/]= Σ Σ

∞ pk(/, t)= 1— 1 Pk (/,T)

k=1/ k=/

= 1 — Σ (4.10)ke—
1
4.10
k=/
oke!
− 1 — /.112 = /.//;.

Perhitungan yang dilakukan pada Contoh 6.11 membosankan. Karena

penerapannya yang luas, distribusi Poisson untuk nilai λt yang berbeda
ditabulasikan dalam literatur. Tabel A.2 pada Lampiran A memberikan fungsi
massa untuk nilai λt yang berkisar antara 0,1 hingga 10. Gambar 6.4 juga
memudahkan untuk menentukan

BUKU
 Beberapa Distribusi Diskrit Penting
k= 6 7 8 9 10 15 20 30 40 k= 50
0,99999
4 5
0,9999 k= 50
3
0,999
2
0,99
40
1

0,9
0,8 k=0
P[XT)k]

0,7
0,6 30
0,5
0,4
0,3
0,2
0,1
20

0,01
15
0,001

0,0001
10
0,00001
0,1 0,2 0,3 0,4 0,5 0,6 0,8 1,0 2 3 4 5 67 8 9 10 15 30
νλT

Gambar 6.4Fungsi distribusi probabilitas dari distribusi Poisson (Haight, 1967), Direproduksi dengan izin John Wiley

179
BUKU
180 Dasar-dasar Probabilitas dan Statistik untuk Insinyur

PDF yang terkait dengan variabel acak terdistribusi Poisson. Jawaban Contoh 6.11,
misalnya, dapat dengan mudah dibaca dari Gambar 6.4. Kami menyebutkan lagi
bahwa sejumlah besar paket perangkat lunak komputer tersedia untuk
menghasilkan probabilitas ini. Misalnya, fungsi POISSON di Microsoft®ExcelTM
2000 memberikan probabilitas Poisson yang diberikan oleh Persamaan (6.44) (lihat
Lampiran B).
Contoh 6.12P. roblem: misalkan X 1 dan X 2 adalah dua variabel acak
independen, keduanya berdistribusi Poisson dengan parameter u1 dan u2, dan
misalkan Y X1 X2. Tentukan distribusi Y .
=
Jawaban: kita lanjutkan dengan menentukan terlebih dahulu fungsi karakteristik X
1
dan X 2. Ya

$X1 (t)= Σ unijtk 1k

jtX —
E{e 1 }=e u1
∞ erop
oke!
k=/

= pengalaman[u1(e — 1)]
jt

Dan

$X2 (t)= pengalaman[u2(e jt — 1)].

Karena independensinya, fungsi karakteristik Y, $Y (t), hanyalah hasil kali $X1 (t)
dan $X2 (t) [lihat Persamaan (4.71)]. Karena itu,

$Y (t)= $X1 (t)$X2 (t)= exp[(u1 + u2)(e jt — 1)].

Jika diperiksa, ini adalah fungsi karakteristik yang sesuai dengan distribusi Poisson
dengan parameter u1 + u2. PMF-nya demikian

k
Pk (kamu+
1 2
kamu )1 pengalaman[—(kamu
2
, +
k /, 1, 2,..................0,4;
Y
(
kamu )])= k!
= (
Seperti halnya distribusi binomial, hasil ini menghasilkan teorema penting berikut,
Teorema 6.2.
Teorema 6.2:distribusi Poisson muncul dengan sendirinya di bawah
penambahan variabel acak independen.
EXample6.13P. masalah:Misalkan peluang seekor serangga bertelur r adalah
uue—uEu!, u 0, 1,=.. ., dan peluang berkembangnya telur adalah p. Dengan asumsi
proses perkembangan individu saling independen, tunjukkan bahwa probabilitas
total k orang yang selamat adalah (pu)ke—puEk!.

BUKU
Beberapa Distribusi Diskrit Penting 181

Jawaban: misalkan X adalah jumlah telur yang dihasilkan serangga, dan Y

adalah jumlah telur yang berkembang.=Kemudian diberikan X r, distribusi Y adalah
binomial dengan parameter r dan p. Dengan demikian,

kamu k kamu—k
P(Y = k|X = u)= k hal (1 — , k = /, 1, . . . , kamu.
hal)

Sekarang, dengan menggunakan teorema probabilitas total, Teorema 2.1 [Persamaan

(2.27)],

Σ∞
P(Y = k)= P(Y = k|X = u)P(X = u)
kam
(0,41)
u=k kamupk(1 — p)u—kuue—
Σu
∞
= .
kamu=k k kamu!
Jika kita membiarkan u = k + n, Persamaan (6.49) menjadi
Σ∞ N +
k Nn+k —kamu

P(Y = k)= k hal (1 — hal) kamu e

n=/ k (n + k)!
∞
(pu)ke—kamu Σ (1 — hal)
= oke! n=/ kamunn
N
!
k —kamu (1 k —pu
= (pu) —p)u
e e (pu )e
= , k = /, 1, 2, . . . .
oke! oke!
(0,5/)

Pengamatan penting dapat dilakukan berdasarkan hasil ini. Artinya, jika suatu
variabel acak X berdistribusi Poisson dengan parameter u, maka variabel acak Y ,
yang diturunkan dari X dengan memilih hanya dengan probabilitas p setiap item
yang dihitung oleh X , juga berdistribusi Poisson dengan parameter pu. Contoh lain
penerapan hasil ini mencakup situasi di mana Y adalah
jumlah badai tingkat bencana ketika X adalah jumlah total badai yang terjadi pada
tahun tertentu, atau Y adalah jumlah penumpang yang tidak dapat menaiki
penerbangan tertentu karena pemesanan berlebih, ketika X adalah jumlah
kedatangan penumpang.

6.3.1 DISTRIBUSI SPASIAL

Distribusi Poisson diturunkan berdasarkan kedatangan yang terjadi dalam waktu,

namun argumen yang sama berlaku untuk distribusi titik dalam ruang.
BUKU
Pertimbangkan distribusi cacat pada suatu material. Jumlah cacat dalam volume
tertentu mempunyai distribusi Poisson jika Asumsi 1–3 valid, dengan interval
waktu diganti dengan

BUKU
182 Dasar-dasar Probabilitas dan Statistik untuk Insinyur

Tabel 6.2Perbandingan distribusi hantaman bom terbang yang

teramati dan teoritis, misalnya Contoh 6.14
tidak k
0 1 2 3 4 ≥5

N
kHai 229 211 93 35 7 1
k
NP 226.7 211.4 98,5 30.6 7.1 1.6

volume, dan jika masuk akal untuk mengasumsikan bahwa kemungkinan

menemukan k cacat di suatu daerah hanya bergantung pada volume dan bukan
pada bentuk daerah tersebut.
Situasi fisik lain yang menggunakan distribusi Poisson mencakup jumlah bakteri
pada cawan Petri, distribusi pupuk yang tersebar di lapangan, dan distribusi polutan
industri di wilayah tertentu.
Contoh 6.14.Contoh yang baik dari penerapan ini adalah penelitian yang
dilakukan oleh Clark (1946) mengenai distribusi serangan bom terbang di salah
satu bagian kota London selama Perang Dunia ke-2. Wilayah tersebut dibagi
menjadi 576 wilayah kecil dengan luas masing-masing 0,25 km2.
Pada Tabel 6.2, jumlah nk area dengan tepat k hit dicatat dan
dibandingkan dengan jumlah prediksi berdasarkan distribusi Poisson, dengan λt
jumlah
= total hit per jumlah area 537/576 0,932. Kami = melihat adanya kesesuaian
yang sangat baik antara hasil yang diprediksi dan hasil yang diamati.
=

6.3.2 PENDEKATAN RACUNUNTUK DISTRIBUSI BINOMIAL

Misalkan X adalah variabel acak yang berdistribusi binomial dengan

k
N n—k
pX (k)= kp (1 — p) , k = /, 1, . . . , N.
(0,51)
Pertimbangkan kasus ketika→
N ∞, dan hal→ 0, sedemikian rupa sehingganp
kamu tetap diam. Kita perhatikan bahwa u
=
adalah mean dari X , yang diasumsikan tetap konstan. Kemudian,

Ninggris kamun—k
pX (k)= k 1—n , k = /, 1, . . . , N. (0,52)
N

Sebagai
→n∞, faktorial n! dan (nk)! muncul dalam koefisien binomial dapat didekati
dengan menggunakan rumus Stirling [Persamaan (4.78)]. Kami juga mencatat itu
batas C =e. (0,53)
N
1+ C
n→∞ N
Menggunakan hubungan ini pada Persamaan (6.52) kemudian memberikan, setelah
beberapa manipulasi,
BUKU
Beberapa Distribusi Diskrit Penting 183

PX(k)=

kamuke—kamu
, k = /, 1, . . . . (0,54)
k!
Perkiraan Poisson terhadap distribusi binomial ini dapat digunakan untuk
keuntungan dari sudut pandang kerja komputasi. Hal ini juga membuktikan fakta
bahwa terdapat hubungan erat antara dua distribusi penting ini.
Contoh 6.15.Masalah: misalkan probabilitas suatu transistor yang diproduksi
oleh suatu perusahaan tertentu rusak adalah 0,015. Berapa peluang tidak ada
transistor yang rusak dalam batch 100?
Jawaban: misalkan X adalah banyaknya transistor yang rusak dalam 100.
Peluang yang diinginkan adalah
1//
PX(/)= /
(/./15) (/.1;5)
1//—/ 1//
= (/.1;5) = /.22/0.
/

Karena n besar dan p kecil dalam kasus ini, pendekatan Poisson sesuai dan kita
peroleh

1.5 / e—1.5
pX(/)= ( )/! = e—1.5 =/.223,

yang sangat dekat dengan jawaban pastinya. Dalam praktiknya, pendekatan

Poisson sering digunakan ketika n > 10, dan p < 0:1.
Contoh 6.16.Masalah: dalam eksplorasi minyak, kemungkinan terjadinya
serangan minyak di Laut Utara adalah 1 dari 500 pengeboran. Berapa probabilitas
mempunyai tepat 3 sumur produksi minyak dalam 1000 eksplorasi?
Jawaban: dalam hal ini, n=1000, dan p 1/500
= 0,002, dan pendekatan Poisson
sesuai. Dengan menggunakan Persamaan (6.54),= kita mempunyai u np= 2, dan
probabilitas yang diinginkan adalah

PX(3)=
2233e
=0/..118;..
e—22
33
!

Contoh di atas menunjukkan bahwa distribusi Poisson dapat diterapkan pada

permasalahan yang probabilitas terjadinya peristiwanya kecil. Oleh karena itu
sering disebut dengan sebaran kejadian langka.

6.4 RINGKASAN

Dalam bab ini kami telah memperkenalkan beberapa distribusi diskrit yang
digunakan secara luas dalam sains dan teknik. Tabel 6.3 merangkum beberapa
BUKU
properti penting yang terkait dengan distribusi ini, untuk memudahkan referensi.

BUKU
184 Dasar-dasar Probabilitas dan Statistik untuk Insinyur

Tabel 6.3Ringkasan distribusi diskrit

Distribusi Kemungkinan Parameter fungsi massa Berarti Perbedaan

Binomiu N pk(1 — p) n—k n, hal np np(1 — p)

m ,
k
k = /, 1, .. . , N
Hipergeometri N n — n ,N
1 1 ,
mn1 mn1(n — n1)(n — m)
n, n1,
k m—k M m N N2(n — 1)
k = /, 1, .. . , menit (n1, m)
1 1—
Geometris (1 — P)k—1P, P
P halP
k = 1, 2, ... . 2

Binomial negatif k— 1 k kamu(1

pu(1 — p)k— a
(Pascal) kamu m — p)
kamu, u
-1 ke atas P2
P
k = kamu, kamu + 1, .. .
N!
Multinomial pk1 pk2 · · ·Pkkamu , N, P , Saya = 1,·· · , np (1 — hal )
kamunp
1 2 k S
Saya Saya Saya
k1!k2! ·· · ku! a a
k1, .. . , ku = /, 1, 2, ... ,
Σ Σ pi = 1,
kam ki= n, kam
u u

say say
a=1 a=1
saya = 1, .. . , kamu
(λt)ke—λt
racun , k = /, 1, 2, .. . λt λt λt
oke!

BACAAN LEBIH LANJUT

Clark, RD, 1946, 'Penerapan Distribusi Poisson', J. Inst. Aktuaris 72 48–52. Solloway, CB,
1993, 'Model Statistik Sederhana untuk Peluncuran Rudal: III'', TM
312–287, Laboratorium Propulsi Jet, Pasadena, CA.
Distribusi binomial dan Poisson ditabulasikan secara luas dalam literatur. Referensi
tambahan yang memuat tabel-tabel ini adalah:
Arkin, H., dan Colton, R. 1963, Tabel untuk Ahli Statistik, edisi ke-2, Barnes dan Noble,
New York.
Beyer, WH, 1966, Buku Pegangan Tabel Probabilitas dan Statistik, Chemical Rubber Co.,
Cleveland, OH.
Menganugerahkan, EC, 1964, Statistik Kualitas Kontrol, ke-3 edisi, McGraw-H sakit, Baru
York.
Haight, FA, 1967, Buku Pegangan Distribusi Poisson, John Wiley & Sons Inc., New York.
Hald, A., 1952, Tabel dan Rumus Statistik, John Wiley & Sons Inc., New York. Molina, EC,
1949, Batas Binomial Eksponensial Poisson, Von Nostrand, New York. Biro Standar
Nasional, 1949, Tabel Distribusi Probabilitas Binomial:
Seri Matematika Terapan 6, Kantor Percetakan Pemerintah AS, Washington, DC. Owen,
D., 1962, Buku Pegangan Tabel Statistik, Addison-Wesley, Reading, MA. Pearson, ES, dan
Harley, HO (eds), 1954, Tabel Biometrika untuk Ahli Statistik, Volume 1,
Cambridge University Press, Cambridge, Inggris.
BUKU
Beberapa Distribusi Diskrit Penting 185

MASALAH

6.1 Variabel acak X berdistribusi binomial dengan parameter (n, p). Dengan menggunakan
rumus yang diberikan oleh Persamaan (6.10), turunkan fungsi massa probabilitas (pmf),
mean, dan variansnya, lalu bandingkan dengan hasil yang diberikan dalam Persamaan
(6.2) dan (6.8). (H int: lihat Contoh 4.18, halaman 109).
6.2 Misalkan X adalah jumlah suku cadang cacat yang diproduksi pada lini produksi
tertentu. Diketahui bahwa, untuk lot tertentu, X adalah binomial, dengan mean sama
dengan 240, dan varians
48. Tentukan pmf X dan peluang tidak ada satu pun bagian yang rusak dalam lot ini.
6.3 Suatu percobaan diulang sebanyak 5 kali. Dengan asumsi probabilitas keberhasilan
suatu eksperimen adalah 0,75 dan dengan asumsi independensi hasil eksperimen:
(a) Berapa peluang kelima percobaan tersebut berhasil?
(b) Berapa rata-rata eksperimen yang diharapkan berhasil?
6.4 Misalkan probabilitas 0,2 bahwa tingkat polusi udara di suatu wilayah berada dalam
kisaran tidak aman. Berapa probabilitas bahwa level tersebut akan menjadi tidak aman
selama 7 hari dalam sebulan dengan 30 hari? Berapa jumlah rata-rata hari 'tidak aman'
dalam sebulan yang terdiri dari 30 hari?
6.5 Sebuah maskapai penerbangan memperkirakan bahwa 5% orang yang melakukan
reservasi pada penerbangan tertentu tidak akan hadir. Alhasil, kebijakan mereka adalah
menjual 84 tiket untuk penerbangan yang hanya mampu menampung 80 penumpang.
Berapa peluang tersedianya kursi untuk setiap penumpang yang datang? Berapa rata-
rata jumlah ketidakhadiran?
6.6 Dengan asumsi setiap anak mempunyai probabilitas 0,51 untuk menjadi laki-laki:
(a) Tentukan peluang suatu keluarga yang terdiri dari empat anak akan mempunyai (i)
tepat satu anak laki-laki,
(ii) tepat satu perempuan, (iii) paling sedikit satu laki-laki, dan (iv) paling sedikit satu
perempuan.
(b) Tentukan banyaknya anak yang harus dimiliki suatu pasangan agar peluang mereka
mempunyai paling sedikit dua anak laki-laki lebih besar dari 0,75.
6.7 Misalkan ada lima pelanggan yang dilayani oleh sentral telepon dan setiap pelanggan
dapat meminta satu saluran atau tidak sama sekali dalam satu menit tertentu.
Probabilitas meminta satu jalur adalah 0,25 untuk setiap pelanggan, dan permintaannya
bersifat independen.
(a) Apa fungsi distribusi probabilitas dari X, sebuah variabel acak yang mewakili
jumlah garis yang diperlukan pada menit tertentu?
(b) Jika bursa mempunyai tiga jalur, berapa probabilitas semua pelanggan akan puas?
6.8 Fasilitas parkir hanya dengan izin memiliki m tempat parkir. Sebanyak≥ n (nm) izin
parkir dikeluarkan, dan setiap pemegang izin mempunyai probabilitas p untuk
menggunakan fasilitas tersebut dalam periode tertentu.
(a) Tentukan peluang pemegang izin ditolak mendapat tempat parkir dalam jangka
waktu tertentu.
(b) Tentukan perkiraan jumlah orang yang ditolak dalam jangka waktu tertentu.
6.9 Untukdistribusi hipergeometri yang diberikan oleh Persamaan (6.13), tunjukkan → ∞
bahwa sebagai n
SayaTpe nde ka t a n SthebinomiaakudistribusiNakal Hparameter S M
sebuahDn 1 En;ituTadalah ,

M N k
1
N m—k
PZ (k)=k 1—n 1 , k =/,1, . . . ,M.

N
BUKU
sehingga distribusi hipergeometri dapat didekati dengan distribusi binomial sebagai n →
∞.

BUKU
186 Dasar-dasar Probabilitas dan Statistik untuk Insinyur

6.10 Sebuah perusahaan manufaktur menerima 100 komponen, dimana 5 diantaranya rusak.
Misalkan perusahaan menerima seluruh 100 suku cadang jika dan hanya jika tidak
ditemukan suku cadang cacat dalam sampel 10 suku cadang yang dipilih secara acak
untuk diperiksa. Tentukan peluang diterimanya lot tersebut.
6.11 Pengiriman 10 kotak daging berisi 2 kotak barang terkontaminasi. Seorang inspektur
secara acak memilih 4 kotak; misalkan Z adalah jumlah kotak daging yang
terkontaminasi di antara 4 kotak yang dipilih.
(a) Berapa pmf dari Z?
(b) Berapa probabilitas paling sedikit satu dari empat kotak tersebut terkontaminasi?
(c) Berapa banyak kotak yang harus dipilih agar peluang terambilnya satu kotak
terkontaminasi lebih besar dari 0,75?
6.12 Dalam rangkaian percobaan Bernoulli dengan peluang keberhasilan p, tentukan
peluang terjadinya r keberhasilan sebelum s kegagalan.
6.13 Mobil tiba secara mandiri di suatu persimpangan. Misalkan rata-rata 25% mobil
berbelok ke kiri dan lajur belok kiri dapat menampung 5 mobil, berapa peluang
tercapainya kapasitas pada lajur belok kiri bila 10 mobil terhambat oleh sinyal
merah? ?
6.14 Misalkan n langkah independen harus diambil dalam prosedur sterilisasi untuk
percobaan biologis, yang masing-masing memiliki probabilitas keberhasilan p. Jika
kegagalan pada salah satu dari n tahap akan menyebabkan kontaminasi, berapa
peluang kontaminasi jika n = 1/ dan p = /.11A
6.15 Percobaan diulangi di laboratorium teknik sipil. Hasil eksperimen ini dianggap
independen, dan probabilitas keberhasilan eksperimen adalah 0,7.
(a) Berapa probabilitas bahwa tidak lebih dari 6 percobaan yang diperlukan untuk
menghasilkan 3 percobaan yang berhasil?
(b) Berapa rata-rata jumlah kegagalan sebelum 3 percobaan berhasil dilakukan?
(c) Misalkan seseorang memerlukan 3 percobaan sukses berturut-turut. Berapa
probabilitas bahwa tepat 6 kali percobaan diperlukan?
6.16 Definisi banjir 100 tahun diberikan pada Contoh 6.7.
(a) Tentukan peluang terjadinya tepat satu banjir yang sama dengan atau melebihi
banjir 100 tahun dalam periode 100 tahun.
(b) Tentukan peluang terjadinya satu atau lebih banjir yang sama dengan atau
melebihi banjir 100 tahun dalam periode 100 tahun.
6.17 Pengiriman suku cadang elektronik diambil sampelnya dengan menguji barang secara
berurutan hingga ditemukan suku cadang cacat pertama. Jika 10 bagian atau lebih diuji
sebelum bagian cacat pertama ditemukan, pengiriman diterima sesuai spesifikasi.
(a) Tentukan peluang diterimanya kiriman jika mengandung 10% bagian yang rusak.
(b) Berapa banyak item yang perlu diambil sampelnya jika ingin pengiriman dengan
25% komponen cacat ditolak dengan probabilitas paling sedikit 0,75?
6.18 Mobil memasuki persimpangan dari selatan. Rata-rata 40% ingin ke barat, 10% ke
timur, dan 50% lurus ke utara. Dari 8 mobil yang memasuki simpang susun:
(a) Tentukan fungsi massa probabilitas gabungan (jpmf) dari X 1 (mobil menuju ke
barat),
X2 (mobil arah timur), dan X 3 (mobil lurus).
(b) Tentukan peluang separuhnya menuju ke barat dan separuh lagi menuju timur.
(c) Tentukan peluang lebih dari separuhnya akan menuju ke barat.

BUKU
Beberapa Distribusi Diskrit Penting 187

6.19 UntukContoh 6.10, tentukan jpmf dari X 1 dan X 2. Tentukan peluang bahwa, dari 10
orang yang diteliti, kurang dari 2 orang termasuk dalam kelompok berpendapatan
rendah dan kurang dari 3 orang termasuk dalam kelompok berpendapatan menengah.
6.20 Berikut ini penjelasan prosedur hitung mundur yang disederhanakan untuk
meluncurkan 3 kendaraan luar angkasa dari 2 landasan:
●
Dua kendaraan dipasang secara bersamaan pada dua landasan dan penghitungan
mundur dilakukan pada satu kendaraan.
●
Ketika penghitungan mundur telah berhasil diselesaikan pada kendaraan pertama,
penghitungan mundur dimulai pada kendaraan kedua, keesokan harinya.
●
Bersamaan dengan itu, pad yang sudah dikosongkan segera dibersihkan dan disiapkan
untuk
kendaraan ketiga. Ada periode penundaan (tetap) selama r hari setelah peluncuran
sebelum pad yang sama dapat digunakan untuk upaya peluncuran kedua (waktu
penyelesaian).
●
Setelah kendaraan ketiga dipasang di lahan yang dikosongkan, prosedur hitung
mundurnya adalah
bukandimulai sampai hari setelah kendaraan kedua diluncurkan.
●
Setiap kendaraan tidak tergantung dan identik satu sama lain. Pada setiap upaya
hitung mundur, ada kemungkinan p penyelesaian berhasil dan a
probabilitas q (q =1 —
p) kegagalan. Kegagalan apa pun mengakibatkan penghentian
upaya hitung mundur tersebut dan upaya baru dilakukan pada hari berikutnya.
Artinya, setiap kegagalan menyebabkan penundaan satu hari. Diasumsikan bahwa
upaya hitung mundur yang berhasil dapat diselesaikan dalam satu hari.
●
Kegagalan menyelesaikan hitungan mundur tidak mempengaruhi upaya selanjutnya
dengan cara apa pun; Artinya, uji coba tersebut bersifat independen dari hari ke hari
dan juga dari satu kendaraan ke kendaraan lainnya.
Misalkan X adalah jumlah hari hingga hitungan mundur ketiga berhasil. Tunjukkan
bahwa pmf dari X diberikan oleh:

(k — kamu)!
) + — qu—1
P(X k ) = (k — kamu — 1)p2qk—u—2(1 p3qk—3,
k = u + 2, u + 3, .. . . 2(k — kamu —

6.21 Turunkan varians dari variabel acak X yang terdistribusi Poisson seperti yang
diberikan oleh Persamaan (6.47).
6.22 Tunjukkan bahwa, untuk distribusi Poisson, hal k(/, t) meningkat secara monoton dan
kemudian menurun secara monoton seiring bertambahnya k, mencapai maksimum
ketika k adalah bilangan bulat terbesar yang tidak melebihi λt.
6.23 Di pabrik tertentu, kecelakaan terjadi rata-rata 1 kali setiap 2 bulan. Asumsikan bahwa
kecelakaan terjadi secara independen.
(a) Berapa rata-rata jumlah kecelakaan per tahun?
(b) Berapa peluang tidak terjadi kecelakaan pada bulan tertentu?
6.24 Asumsikan jumlah kecelakaan lalu lintas di Negara Bagian New York selama 4 hari
hari peringatan akhir pekan berdistribusi Poisson dengan parameter
= λ 3,25 per hari.
Tentukan probabilitas jumlah kecelakaan kurang dari 10 dalam periode 4 hari ini.
6.25 Suatu sumber radioaktif diamati selama 7 interval waktu, setiap interval berdurasi 10
detik. Jumlah partikel yang dipancarkan selama setiap periode dihitung. Misalkan
jumlah partikel yang dipancarkan, katakanlah X, selama setiap periode pengamatan
mempunyai laju rata-rata 0,5 partikel per detik.
(a) Berapa peluang terpancarnya 4 partikel atau lebih dalam setiap interval?
(b) Berapa probabilitas bahwa dalam paling sedikit 1 dari 7 selang waktu, 4 partikel
atau lebih akan dipancarkan?

BUKU
188 Dasar-dasar Probabilitas dan Statistik untuk Insinyur

6.26 Setiap pengatur lalu lintas udara di suatu bandar udara diberi tanggung jawab untuk
memantau paling banyak 20 kali lepas landas dan mendarat per jam. Selama periode
tertentu, rata-rata lepas landas dan mendarat adalah 1 kali setiap 2 menit. Dengan
asumsi kedatangan dan keberangkatan Poisson, tentukan probabilitas bahwa 2
pengontrol akan dibutuhkan dalam periode waktu ini.
6.27 Banyaknya kendaraan yang melintasi suatu titik tertentu pada suatu jalan raya selama
satuan waktu mempunyai distribusi Poisson dengan parameter λ. Penghitung lalu lintas
digunakan untuk mencatat nomor ini, tetapi karena kapasitasnya yang terbatas,
penghitung lalu lintas mencatat jumlah maksimum 30 setiap kali penghitungannya
sama atau melebihi 30. Tentukan pmf Y jika Y adalah jumlah kendaraan yang dicatat
oleh penghitung.
6.28 Sebagai penerapan pendekatan Poisson pada distribusi binomial, perkirakan
probabilitas bahwa dalam sebuah kelas yang terdiri dari 200 siswa, tepat 20 siswa akan
berulang tahun pada hari tertentu.
6.29 Sebuah buku setebal 500 halaman berisi rata-rata 1 kesalahan cetak per halaman.
Perkirakan kemungkinan bahwa:
(a) Halaman tertentu berisi setidaknya 1 kesalahan cetak.
(b) Minimal 3 halaman akan berisi minimal 1 kesalahan cetak.
6.30 Gempa bumi tercatat dengan frekuensi rata-rata 250 kali per tahun di suatu wilayah.
Misalkan probabilitas 0,09 bahwa gempa apa pun akan berkekuatan lebih besar dari 5
skala Richter. Dengan asumsi gempa bumi terjadi secara independen, tentukan pmf
dari X , jumlah gempa bumi yang lebih besar dari 5 skala Richter per tahun.
6.31 Misal X adalah banyaknya kecelakaan yang melibatkan seorang pengemudi selama t
tahun. Dalam mengusulkan distribusi untuk X , 'kemungkinan kecelakaan' Ω bervariasi
dari satu pengemudi ke pengemudi lainnya dan dianggap sebagai variabel acak.
Misalkan pmf bersyarat pXΩ(x|λ)diberikan oleh distribusi Poisson,
k
(λt) e—λt
PXΩ (k|λ)= , k =/,1,2, . . . ,
oke!

dan misalkan fungsi kepadatan probabilitas (pdf) dari (a, b > 0)

Ωadalah dari bentuk
,
, sebuah—1

A aλ e—aλ/b, untuk λ ≥ /,
ƒΩ(λ)= BГ(A)
,,
di tempat lain,
B
/,

dimana Г(a) adalah fungsi gamma, yang didefinisikan oleh

∫∞
Г(a)= Xsebuah—1e-Xdx.
/

Tunjukkan bahwa pmf dari X mempunyai distribusi binomial negatif dalam bentuk
k
Г(a + k) A bt
A , k =/,1,2, . . . .
PX(k)= a + bt a + bt
k!Г(a)
Beberapa Distribusi Diskrit Penting Poisson bergantung pada waktu dan
diberikan oleh
6.32 Misalkan λ, rata-rata tingkat
kedatangan, dalam distribusi ayv—1
λ=w.
BUKU
 umus
Tentukan pmf halk(/, Kemerdekaan
T),probabilitas tepat k Sterling, 107
kedatangan dalam interval waktu Siswa ent 'st - d ist r ib ut ion , tabel 298–
[0, t). [Perhatikan bahwa 299, 370
persamaan diferensial seperti Jumlah variabel acak, 93,
Persamaan (6.39) dan (6.42) 145–146
sekarang memiliki koefisien fungsi karakteristik, 104–105
yang bergantung pada waktu.] momen, 94
distribusi probabilitas, 106, 146
6.33 Turunkan jpmf dari dua variabel =
acak Poisson X 1 dan X 2,
dimana = X 1 X (0, t1), dan X2 Uji hipotesis, 316
X(/, t2), t2 > ≤ ∩ rata-rata
t1, dengan Teorema probabilitas total,
tingkat kedatangan ≤ λ yang sama. 23 Diagram pohon, 27–28
Tentukan peluang P(X1 λt1 X2
λt2). Ini adalah probabilitas Ketidakberpihakan, 265
jumlah kedatangan pada interval Distribusi seragam, 57, 189, 236
[0, t1) dan [0, t2) sama dengan
atau kurang dari rata-rata bivariat, 193
kedatangan pada interval [0, t1) maksudnya, 192, 236
dan [0, t2) varians, 192, 236
intervalnya masing-masing. Distribusi unimodal, 79
Varians, 79, 82
Diagram Venn, 9
Contoh momen, 263–264
Titik sampel, 12
Distribusi Weibull, 235
Ruang sampel, 12
Varians sampel, 262–263
maksudnya, 262
varians, 262
Ketimpangan Schwarz, 92
Atur, 8–12
pelengkap dari, 9
dapat dihitung
(enumerable), 8
terputus-putus, 10
elemen, 8
kosong, 9
terbatas, 8
tak terbatas, 8
bagian dari, 8
tak terhitung
(tidak terhitung), 8
Atur operasi, 9–12
perbedaan, 10
persimpangan
(produk), 10
serikat
(jumlah), 9
Tingk
at
signifi
kansi,
319
Sprea
dsheet
,3
Deviasi standar, 79–81
Statistik, 260
cukup, 275
St atistica l kemerdekaan, lihat
R
BUKU