Anda di halaman 1dari 29

Materi 3

Distribusi Variabel Diskret dan Kontinu



Ir. Risma A. Simanjuntak, MT


Teknik Industri
Fakultas Teknologi industri
Institut Sains & Teknologi AKPRIND
Yogyakarta


Kompetensi
Mampu mengidentifikasi distribusi variabel
diskrit

Mampu mengidentifikai distribusi variabel
kontinu
Pokok Bahasan
Distribusi Binomial
Distribusi Poisson
Distribusi Normal
Distribusi Eksponensial

Pengantar
Dalam melakukan simulasi, pertama-tama harus
diketahui atau dilakukan penarikan random
number . Penarikan random number sangat
tergantung pada fungsi atau distribusi dari data
yang diselidiki, khususnya yang dapat disusun
dalam fungsi-fungsi sebagai berikut :
a. Data dengan fungsi diskret
b. Data dengan fungsi kontinu.
Distribusi Variabel Random Diskret
Distribusi binomial
Distribusi poisson

Distribusi Binomial
Dalam sebuah eksperimen binomial dengan n
percobaan (trial), di mana p adalah probabilitas
sukses dan q = 1- p adalah probabilitas gagal
dalam sekali percobaan, jika suatu variabel acak
X menyatakan banyaknya x sukses yang terjadi
pada n percobaan tersebut.
Distribusi Binomial (lanjut)
Dapat dibentuk suatu distribusi probabilitas
binomial dengan fungsi probabilitasnya:

P
b
(x;n p) =
n
C
x
p
x
(i p
)n-x
=
n
C
x
p
x
q
n-x



di mana:
n
C
x
= kombinasi dari n objek di mana setiap
pemilihan diambil x objek

x = 0,1,2, ..., n
n = 1,2,3, ...
0 p 1
Fungsi distribusi kumulatif dari distribusi probabilitas
binomial di atas dapat dinyatakan sebagai:

( ) ( ) ( )

= =

= =
x
k
x
k
k n
k
k n b b
p p C p n k P p n x F
0 0
1 , ; , ;
1 0
,... 3 , 2 , 1
,..., 2 , 1 , 0
s s
=
=
p
b
n x


=
k n k
k n
q p C
Jadi fungsi probabilitas binomial adalah fungsi
dengan dua parameter yaitu n dan p.
Distribusi Diskret Uniform
Dalam meninjau distribusi ini probabilitas untuk
menyeleksi setiap bilangan integer di antara a dan b
adalah sama saja.
Dengan demikian fx (x=r) = p ---- r = a,....., b

dan diperoleh (b-a+1) p =1 maka


1
1
+
=
a b
p
Distribusi Poisson
Distribusi Poisson ini mempunyai fungsi densitas
probabilitas sebagai berikut:





untuk x = 0,1,2,...

Juga sering disimbolkan dengan P() dan secara
teoritis dapat dilakukan dengan beberapa cara.




!
) (
) (
x
e t
x f
t x


=
Distribusi Poisson (lanjut)
Sebagai contoh:
Dapat dilakukan melalui batasan dan Distribusi
Binomial dengan B(n,p), bila n mencapai nilai
besar tidak terbatas dan juga P sangat kecil
maka dapat dilakukan dengan Poisson Variate.

Dan terdapat melalui hubungan dengan
distribusi eksponensial dengan ().
merupakan parameter eksponensial, apabila
ada Waktu di antara dua event (kejadian)
adalah Independen.


Dengan diketahui ti adalah random variate dari
distribusi eksponensial:
Dengan demikian dari hubungan pada distribusi
eksponensial akan dapat digunakan untuk
menggenerate Random Variate x sebagai suatu
Poisson variate yang dapat dirumuskan melalui
pertabahan waktu t dengan batasan-batasan sebagai
berikut:

= =
< s
n
i
n
i
ti t ti
1 1
InRi ti

1
=
Maka diperoleh:
InRi t InRi
InRi t InRi
n
i
n
i
n
i
n
i


=
+
=
=
+
=
< s
< s
1
1
1
1
1
1
1 1
1 1


InRi t InRi
n
i
n
i

=
+
=
< s
1
1
1

dan dikalikan

Dengan mengalikan angka -1 akan mengubah


ketidaksamaan
Ri In t InRi
n
i
n
i

=
+
=
> >
1
1
1

Juga melalui pembuktian matematis:


Ri In InRi
n
i
n
i

=
+
=
[ =
1
1
1
ln
Maka diperoleh:
Dengan mengubah kembali logaritma normal
akan diperoleh:
InRi t InRi
n
i
n
i
1
1 1
+
= =
[ > > [
IRi e Ri
n
i
t
n
i
1
1 1
+
=

=
[ > > [

Distribusi Variabel Random Kontinu
Distribusi eksponensial
Distribusi normal
Distribusi Exponential
Distribusi eksponensial ini mempunyai PDF
sebagai berikut:
Berarti CDF-nya adalah:


F(x)

=

<

x
e
untukX
x f
1
0 0
) (

/
0
1
1
x
x x
e
dx e

=
=
}
Kemudian untuk mengambil random number bagi
distribusi ini yang dinyatakan dengan R sebagai
random number disusun R=F(x)
Berarti:
Random number yang diambil dari Uniform
Variate (0-1) dapat di ganti dengan R.
R X R X
R X
R e
R e
e x F R
x
x
x
ln ) 1 ln(
) 1 ln( /
) 1 ln( ln
1
1 ) (
/
/
/

= =
=
=
=
= =

Selanjutnya apabila diketahui bukan mean atau rata-rata dari


distribusi eksponensial, namun yang diketahui adalah tingkat
pelayanan dan juga lamanya waktu pelayanan itu, maka:
t = waktu pelayanan
= tingkat pelayanan (service rate) dalam unit waktu
Itu berarti distribusi fungsi densitas eksponensialnya adalah:

untuk t>0

maka untuk CDF akan diperoleh
t
e t f


= ) (
t
t
x
e dx e t F



= =
}
1 ) (
0
R t
R e
R e
e R t F
t
t
t
ln
) 1 ln( ln
1
1 ) (
=
=
=
= =

R t ln
1

=
R e t ln =
Bila dinyatakan dalam random number akan diperoleh:
untuk R = antara 0 dan1
Maka
atau
Fungsi Densitas Uniform



=

lainnya
untuk
x f
a b
0
) (

=
}
a b
x
y
a b
dy
a b
x F
x
x
1
] ) (
1 1
) (
0
0
a b
a x
x F

= ) (
a < = x < = b
Dengan fungsi densitas uniform ini harus di cari fungsi kumulatifnya (CDF)
sebagai berikut:
a dan b adalah bilangan konstan
Ini berarti CDF dari distribusi Uniform adalah:
Apabila disamakan f(x)=R, maka akan
diperoleh:
a x a b R
a b
a x
R x F
=

= =
) (
) (
X=R (b-a) + a
Distribusi Normal
Sebuah variabel acak kontinu X dikatakan memiliki
distribusi normal dengan parameter
x
dan
x
di
mana dan
x
>0 jika fungsi kepadatan
probabilitas (pdf) dariX adalah:

< <
x

) 2 (
) (
2
2
2
1
) , ; (
x
x
x
x
x x N
e x f
o

t o
o

=
< <
x

Di mana:
x = mean
x = deviasi standard

Distribusi Normal (lanjut)

Untuk setiap nilai
x
dan

x
, kurva fungsi akan
simetris terhadap
x
dan memiliki total luas di bawah
kurva tepat 1. Nilai
x
menentukan bentangandari
kurva sedangkan
x
menentukan pusat simetrisnya.

Distribusi normal kumulatif di definisikan sebagai
probabilitas variabel acak normal X bernilai kurang
dari atau sama dengan suatu nilai x tertentu.

Maka fungsi distribusi kumulatif (cdf) dari distribusi
normal ini dinyatakan sebagai:
dt e dt t x X P x F
x
x
t
x
x x
x x x x N
) 2 (
) (
2
2
2
1
) , ; ( ) ( ) , ; (
o

t o
o o


} }
= = s =

Untuk setiap distribusidari popilasi dari suatu variabel acak yang
mengikuti distribusi normal :
68,26% dari nilai- nilai variabel berada dalam 1
x
dari
x
95,46% dari nilai- nilai variabel berada dalam 2x dari x
99,73% dari nilai- nilai variabel berada dalam 3x dari x



Rangkuman :
Random variabel merupakan suatu fungsi
distribusi kumulatif (CDF) termasuk didalamnya
random number. Random variabel ini cukup
penting untuk menghasilkan angka-angka yang
dipakai langsung pada distribusi fungsi tersebut.
Dalam nerumuskan random variabel dari fungsi-
fungsi distribusi yang terdapat pada kehidupan
nyata. Pada umumnya : (a) Random Variabel
dari distribusi fungsi diskret dan (b) fungsi
distribusi kontinu
Soal-soal :
1. Jika diketahui p=0,5 dan k 2 (dari distribusi
binomial)
a. Generate random variabel ini
b. Apabila roses bilangan acak diketahui data
a = 77, Zo = 12357 dan m = 127.
perhitungkan Xn yang optimal diperoleh
untuk 5 kali random number,
Soal-soal (lanjut)
2. Sebuah toko roti membuat kue jenis donat yang
dijual ke toko-toko dengan distribusi diskret
uniform dengan kebutuhan harian maksimum
100 unit dan minimal 40 unit.
Pertanyaan : apabila digunakan random number
dengan data a = 77, m = 127 dan Zo = 12357,
perhitungkan sbanyak 5 kali pengambilan
random number
Kunci jawaban
1. a. (0,25, 0,50, 0,25)
b. ( 0, 0, 1, 1, 2)

2. (42, 41, 66, 85, 100 unit)