Statistik dan Probabilitas

DOSEN : IR. ANDI BUSTAN DIDI, ST., MT.

Pokok Bahasan 3.1

Distribusi Probabilitas - Diskrit

 Tujuan Pokok Bahasan
Setelah menyelesaikan bahasan ini, mahasiswa akan
dapat:
 Menerjemahkan mean dan standard deviasi untuk suatu
distribusi probabilitas diskrit
 Menjelaskan covarians dan aplikasinya
 Menggunakan distribusi binomial untuk mendapatkan
probabilitas
 Menggambarkan kapan menerapkan distribusi binomial
 Menggunakan distribusi hypergeometrik dan Poisson untuk
mendapatkan probabilitas
 Pengantar Distribusi Probabilitas

 Variabel Acak (Random Variable)

 Menggambarkan suatu kemungkinan nilai
numerik dari suatu even yang tidak pasti

Variabel Acak

SAP. 3.1 Variabel Acak Variabel Acak SAP. 3.2

DISKRIT KONTINYU
 Variabel Acak Diskrit
 Asumsi: Jumlah nilai yang dapat dihitung
Contoh:

 Lempar DADU 2 x
Jika X adalah jumlah berapa kali 4 muncul
(maka X adalah 0, 1, or 2 kali)

 Lempar KOIN 5 x.
Jika X adalah jumlah muka
(maka X = 0, 1, 2, 3, 4, or 5)
 Distribusi Probabilitas Diskrit

Percobaan: Lempar 2 Koin. Anggap X = # Muka.

4 kemungkinan hasil
Distribusi Probabilitas
T T Nilai X Probabilitas
0 1/4 = .25
T M 1 2/4 = .50
2 1/4 = .25
M T
Probabilitas

.50

.25
M M
0 1 2 X
 Variabel Acak Diskrit
Ringkasan Pengukuran
 Nilai harapan (or mean) dari distribusi diskrit
(Weighted Average)
N
  E(X)   Xi P( Xi )
i1

 Contoh: Lembar 2 koin, X P(X)

0 .25
X = # Muka,
1 .50
hitung nilai harapan dari X: 2 .25
E(X) = (0 x .25) + (1 x .50) + (2 x .25)
= 1.0
 Variabel Acak Diskrit
Ringkasan Pengukuran
(lanjutan)
 Varians dari variabel acak diskrit
N
σ 2   [X i  E(X)]2 P(Xi )
i1

 Standar Deviasi dari variabel acak diskrit

N
σ  σ2   i
[X
i1
 E(X)]2
P(Xi )

dimana:
E(X) = Nilai harapan dari variabel acak diskrit X
Xi = hasil ke-I dari X
P(Xi) = Probabilitas kejadian ke- I dari X
 Variabel Acak Diskrit
Ringkasan Pengukuran
(lanjutan)

 Contoh: Lempar 2 koin, X = # muka,

hitung standar deviasi (ingat, E(X) = 1)

σ  [X i
 E(X)] P(X2
i )

σ  (0  1)2 (.25)  (1  1)2 (.50)  (2  1)2 (.25)  .50  .707

Kemungkinan jumlah muka

= 0, 1, or 2
 Covarians

 Covarians mengukur kekuatan hubungan linier

antara dua variabel
 Covarias:
N
σ XY   [ Xi  E( X)][( Yi  E( Y )] P( Xi Yi )
i1

dimana: X = variabel diskrit X

Xi = hasil ke-I dari X
Y = variabel diskrit Y
Yi = hasil ke-I dari Y
P(XiYi) = probabilitas terjadinya kondisi yang mempengaruhi
hasil ke-I dari X dan hasil ke-I dari Y
 Jumlah 2 Variabel Acak
 Nilai harapan dari jumlah dari 2 variabel acak:
E(X  Y)  E( X)  E( Y )

 Varians dari jumlah dari 2 variabel acak:

Var(X  Y)  σ 2X Y  σ 2X  σ 2Y  2σ XY
 Standar deviasi dari jumlah dari 2 variabel
acak:
σ X Y  σ 2X Y
 Distribusi Probabilitas
Distribusi
Probabilitas

SAP. Distribusi Distribusi SAP.

3.1. Probabilitas Probabilitas 3.2.
DISKRIT KONTINU

Binomial Normal

Hypergeometric Uniform

Poisson Exponential
 Distribusi Binomial
Distribusi
Probabilitas

Distribusi
Probabilitas
DISKRIT

Binomial

Hypergeometric

Poisson
 Distribusi Probabilitas Binomial
 Dua kategori yang saling eksklusif dan ekshaus kolektif
 e.g., muka atau belakang pada setiap lemparan koin
 Umumnya disebut sukses atau gagal
 Probabilitas sukses adalah p, probabilitas gagal adalah 1 – p
 Probabilitas yang konstan untuk setiap pengamatan
 e.g., Probabilitas mendapatkan belakang adalah sama pada
setiap kita melempar koin
 Observasi/pengamatan adalah bebas/independen
 Hasil dari suatu pengamatan tidak mempengaruhi hasil dari
yang lainnya
 Aturan Kombinasi

 Jumlah kombinasi dari pemilihan obyek X dari n

obyek adalah

n n!
  
 X  X! (n  X)!
dimana:
n! =n(n - 1)(n - 2) . . . (2)(1)
X! = X(X - 1)(X - 2) . . . (2)(1)
0! = 1 (dari definisi)
 Rumus Distribusi Binomial

n! X nX
P(X)  p (1-p)
X ! (n  X)!

P(X) = probabilitas X sukses pada n percobaan,

dengan probabilitas sukses p pada
Contoh: Putar Koin 4x,
setiap percobaan
anggap x = # muka:

X = Jumlah yang sukses, dalam sampel n=4

(X = 0, 1, 2, ..., n) p = 0.5
n = ukuran sampel (jumlah percobaan 1 - p = (1 - .5) = .5
atau pengamatan) X = 0, 1, 2, 3, 4
p = probabilitas sukses”
 Contoh:
Menghitung Probabilitas Binomial
Berapa probabilitas dari satu sukses dalam lima
pengamatan jika probabilitas sukses adalah .1?
X = 1, n = 5, and p = .1

n!
P( X  1)  p X (1  p)n X
X! (n  X)!
5!
 (.1)1(1  .1)51
1! (5  1)!

 (5)(. 1)(. 9)4

 .32805
 Distribusi Binomial
 Bentuk distribusi binomial tergantung pada nilai dari p
dan n
Mean P(X) n = 5 p = 0.1
.6
 Contoh, n = 5 and p = .1 .4
.2
0 X
0 1 2 3 4 5

P(X) n = 5 p = 0.5
 Contoh, n = 5 and p = .5 .6
.4
.2
0 X
0 1 2 3 4 5
 Karakteristik Distribusi Binomial

 Mean
μ  E(x)  np
 Varians dan Standard Deviasi

σ  np(1 - p)
2

σ  np(1 - p)
Dimana n = ukuran/jumlah sampel
p = probabilitas berhasil/sukses
(1 – p) = probabilitas gagal
 Karakteristik Binomial
Contoh
μ  np  (5)(.1)  0.5
Mean P(X) n = 5 p = 0.1
.6
.4
σ  np(1 - p)  (5)(.1)(1  .1) .2
0 X
 0.6708
0 1 2 3 4 5

μ  np  (5)(.5)  2.5 P(X) n = 5 p = 0.5

.6
.4
σ  np(1 - p)  (5)(.5)(1  .5) .2
0 X
 1.118
0 1 2 3 4 5
 Menggunakan Tabel Binomial
n = 10
x … p=.20 p=.25 p=.30 p=.35 p=.40 p=.45 p=.50
0 … 0.1074 0.0563 0.0282 0.0135 0.0060 0.0025 0.0010 10
1 … 0.2684 0.1877 0.1211 0.0725 0.0403 0.0207 0.0098 9
2 … 0.3020 0.2816 0.2335 0.1757 0.1209 0.0763 0.0439 8
3 … 0.2013 0.2503 0.2668 0.2522 0.2150 0.1665 0.1172 7
4 … 0.0881 0.1460 0.2001 0.2377 0.2508 0.2384 0.2051 6
5 … 0.0264 0.0584 0.1029 0.1536 0.2007 0.2340 0.2461 5
6 … 0.0055 0.0162 0.0368 0.0689 0.1115 0.1596 0.2051 4
7 … 0.0008 0.0031 0.0090 0.0212 0.0425 0.0746 0.1172 3
8 … 0.0001 0.0004 0.0014 0.0043 0.0106 0.0229 0.0439 2
9 … 0.0000 0.0000 0.0001 0.0005 0.0016 0.0042 0.0098 1
10 … 0.0000 0.0000 0.0000 0.0000 0.0001 0.0003 0.0010 0
… p=.80 p=.75 p=.70 p=.65 p=.60 p=.55 p=.50 x

Contoh:
n = 10, p = .35, x = 3: P(x = 3|n =10, p = .35) = .2522
n = 10, p = .75, x = 2: P(x = 2|n =10, p = .75) = .0004
 Distribusi Hypergeometric
Distribusi
Probabilitas

Distribusi
Probabilitas
Diskrit

Binomial

Hypergeometric

Poisson
Rumus Distribusi Hypergeometrik

 A  N  A 
  
 X  n  X 
P( X)    
 N
 
n 
 
Dimana
N = Ukuran populasi
A = Jumlah sukses dalam populasi
N – A = Jumlah gagal dalam populasi
n = Ukuran sampel
X = Jumlah sukses dalam sampel
n – X = Jumlah gagal dalam sampel
 Karakter
Distribusi Hypergeometrik

 Mean dari hypergeometric distribution adalah

nA
μ  E(x) 
N
 Standard deviation adalah
nA(N - A) N - n
σ 2

N N -1
 Menggunakan
Distribusi Hypergeometrik
■ Contoh: 3 komputer berbeda diperiksa dari 10 dalam
suatu kantor. 4 dari 10 komputer menggunakan
software ilegal. Berapa probabilitas 2 dari 3 komputer
yang terpilih mempunyai software ilegal ?
N = 10 n=3
A=4 X=2

 A  N  A   4  6 
     
 X  n  X   2 1  (6)(6)
P(X  2)           0.3
N 10  120
   
n  3 
   
Probabilitas 2 dari 3 komputer terpilih mempunyai software
ilegal is .30, atau 30%.
 Distribusi Poisson
Distribusi
Probabilitas

Distribusi
Probabilitas
Diskrit

Binomial

Hypergeometric

Poisson
 Distribusi Poisson

 Pakai Distribusi Poisson jika:

 Ingin menghitung berapa kali dari suatu even terjadi
pada wilayah peluang yang diketahui/diberikan
 Probabilitas suatu even terjadi dalam satu wilayah
adalah sama untuk semua wilayah probabilitas
 Jumlah even yang terjadi dalam satu wilayah
probabilitas adalah bebas dari jumlah even yang
terjadi dalam wilayah perobabilitas lainnya
 Rumus Distribusi Poisson

 x
e 
P( X) 
X!
dimana:
X = jumlah yang sukses per unit
 = jumlah sukses yang diharapkan per unit
e = berdasarkan sistem logaritma natural (2.71828...)
 Karakteristik
Distribusi Poisson

 Mean
μλ
 Varians dan Standard Deviasi

σ λ
2

σ λ
dimana  = jumlah sukses yang diharapkan per unit
 Menggunakan Tabel Poisson


X 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90

0 0.9048 0.8187 0.7408 0.6703 0.6065 0.5488 0.4966 0.4493 0.4066

1 0.0905 0.1637 0.2222 0.2681 0.3033 0.3293 0.3476 0.3595 0.3659
2 0.0045 0.0164 0.0333 0.0536 0.0758 0.0988 0.1217 0.1438 0.1647
3 0.0002 0.0011 0.0033 0.0072 0.0126 0.0198 0.0284 0.0383 0.0494
4 0.0000 0.0001 0.0003 0.0007 0.0016 0.0030 0.0050 0.0077 0.0111
5 0.0000 0.0000 0.0000 0.0001 0.0002 0.0004 0.0007 0.0012 0.0020
6 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0002 0.0003
7 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000

Contoh: Tentukan P(X = 2) if  = .50

e   X e 0.50 (0.50) 2
P( X  2)    .0758
X! 2!
 Grafik Distribusi Poisson
0.70

Grafik: 0.60

 = .50 0.50

= P(x) 0.40

X 0.50
0.30
0 0.6065
0.20
1 0.3033
2 0.0758 0.10

3 0.0126 0.00
0 1 2 3 4 5 6 7
4 0.0016
5 0.0002 x
6 0.0000
P(X = 2) = .0758
7 0.0000
 Bentuk Distribusi Poisson

 Bentuk distribusi poisson tergantung pada

parameter  :

0.70
 = 0.50 0.25
 = 3.00
0.60
0.20
0.50

0.15
0.40

P(x)
P(x)

0.30 0.10

0.20
0.05
0.10

0.00 0.00
0 1 2 3 4 5 6 7 1 2 3 4 5 6 7 8 9 10 11 12

x x
 Ringkasan Pembahasan

 Probabilitas dari suatu variabel acak diskrit

 Definisi covarians
 Diskusi Distribusi Binomial
 Diskusi Distribusi Hypergeometric
 Review Distribusi Poisson