3 Sebaran Peluang Diskrit

3
Peubah Acak Diskrit

dan Sebaran
Peluangnya
1
Peubah Acak Diskrit
• Jika ruang sampel suatu percobaan bersifat
diskrit
• Peubah acak yang memetakan hasil percobaan
tsb akan bersifat diskrit pula.
2
© John Wiley & Sons, Inc. Applied Statistics and Probability for Engineers, by Montgomery and Runger.
Contoh: Voice Lines
• Suatu sistem komunikasi telepon pada
perusahaan terdiri dari 48 jalur eksternal.
• Pada suatu waktu, sistem tsb diamati, dan
terdapat beberapa jalur yang sedang
digunakan.
• X: jumlah jalur yang sedang terpakai.
• X bilangan bulat dari 0, 1, 2, …, 48.
• Jika pada suatu waktu sistem diamati dan
terdapat 10 jalur yang terpakai, maka x = 10.
3
Contoh: Keping Konduktor
• Pada suatu sistem produksi Table 3-1 Uji Keping Konduktor
keping konduktor, 2 keping Hasil
diambil secara acak. Keping ke-
• Setiap keping 1 2 Probability x
diklasifikasikan sebagai TC TC 0.64 2
cacat atau tidak cacat. C TC 0.16 1
• Diasumsikan peluang TC C 0.16 1
terpilihnya satu keping yang C C 0.04 0
tidak cacat adalah 0.8, dan 1.00
masing-masing
pengambilan saling bebas
• X: jumlah keping cacat pada
dua pengambilan
4
Contoh: Keping Konduktor
• Ruang sampel dari Table 3-1 Uji Keping Konduktor
Hasil
percobaan dan Keping ke-
peluangnya tersaji pada 1 2 Probability x
TC TC 0.64 2
Tabel 3-1. C TC 0.16 1
• Peluang bahwa keping TC C 0.16 1
C C 0.04 0
1 tidak cacat dan 1.00
keping 2 cacat:
• P(TC,C) = 0.8 * 0.2 =
0.16.
5
Sebaran Peluang
• Sebaran peluang dari peubah acak X adalah
suatu gambaran nilai peluang untuk masing-
masing nilai yang mungkin bagi X.
• Untuk suatu peubah acak diskrit, sebaran
peluang dapat berupa:
1. Daftar/tabel seluruh nilai yang mungkin bagi X
dengan peluangnya masing-masing.
2. Rumus/fungsi yang digunakan untuk menghitung
peluang dengan menggunakan nilai peubah acak X
sebagai input.
6
Contoh: Digital Channel
• Terdapat peluang terjadi
kesalahan penerimaan
transmisi (satuan bit: kode
0 atau 1) dari suatu
channel pengiriman.
• X: jumlah bit yang diterima Figure 3-1 Probability
secara salah pada 4 distribution for bits in error.
transmisi berikutnya.
P(X =0) = 0.6561
• Sebaran peluang yang P(X =1) = 0.2916
bersesuaian dapat disajikan P(X =2) = 0.0486
dalam bentuk grafik atau P(X =3) = 0.0036
tabel. P(X =4) = 0.0001
1.0000
7
Fungsi Massa Peluang
• Penyajian sebaran peluang dalam bentuk
fungsi dengan X sebagai input atau daerah
asal untuk X peubah acak diskrit
8
Sifat Fungsi Massa Peluang
For a discrete random variable X with possible values x1 ,x 2 , ... x n ,
a probability mass function is a function such that:
(1) f  xi   0
n
(2)  f x  1
i 1
i
(3) f  xi   P  X  xi 
Sec 3-2 Probability Distributions & Probability Mass Functions 9

Contoh: Kontaminasi Keping
• X adalah peubah acak yang menyatakan jumlah keping konduktor yang harus
diperiksa sampai diperolehnya keping dengan partikel kontaminan.
• Asumsi: peluang bahwa keping mengandung partikel kontaminan adalah
0.01, and that the wafers are independent.
• p menyatakan keping mengandung partikel & a menyatakan keping tidak
mengandung partikel atau absent.
• Ruang sampel: S = {p, ap, aap, aaap, …}
• Kemungkinan nilai X : x = 1, 2, 3, 4, …
Probability Distribution
P(X =1) = 0.1 0.1
P(X =2) = (0.9)*0.1 0.09
P(X =3) = (0.9)2*0.1 0.081
P(X =4) = (0.9)3*0.2 0.0729
0.3439
10
Fungsi Sebaran Kumulatif
• Dari contoh transmisi P(X =x ) P(X ≤x )
x
• Dapat dinyatakan peluang terjadinya 3
0 0.6561 0.6561
bit atau kurang jumlah kesalahan
penerimaan: P(X ≤ 3). 1 0.2916 0.9477
• Kejadian (X ≤ 3) adalah gabungan dari 2 0.0486 0.9963
kejadian yang mutually exclusive/saling 3 0.0036 0.9999
lepas (X=0), (X=1), (X=2), (X=3). 4 0.0001 1.0000
• Dari tabel: 1.0000
P(X ≤ 3) = P(X=0) + P(X=1) + P(X=2) + P(X=3) = 0.9999

P(X = 3) = P(X ≤ 3) - P(X ≤ 2) = 0.0036
Sec 3-3 Cumulative Distribution Functions 11

Sifat Fungsi Sebaran Kumulatif
Fungsi sebaran kumulatif dibentuk dari fungsi massa
peluang
The cumulative distribution function of a discrete random variable X ,
denoted as F ( x), is:
F  x   F  X  x    xi
xi  x
For a discrete random variable X , F  x  satisfies the following properties:

(1) F  x   P  X  x    f  xi 
xi  x
(2) 0  F  x   1
(3) If x  y, then F  x   F  y 
12
Contoh: Fungsi Sebaran Peluang
• Fungsi massa peluang dapat ditentukan dari
fungsi sebaran kumulatif
F (x) = 0.0 x < -2 PMF
0.2 -2 ≤ x < 0 f (2) = 0.2
0.7 0≤x <2 f (0) = 0.5
1.0 2≤x f (2) = 0.3
Figure 3-3 Graph of the CDF

13
Ukuran-ukuran Penting Pada Suatu Sebaran Peluang
• Mean adalah ukuran pemusatan dari suatu

sebaran peluang.
• Varians adalah ukuran ketersebaran dari suatu
sebaran peluang.
– Akarnya adalah simpangan baku
14
Sebaran Seragam Diskrit
• Sebaran diskrit yang paling mudah.
• Peubah acak X diasumsikan terbatas untuk
nilai-nilai tertentu, dengan peluang sama bagi
masing-masing nilai.
• Untuk setiap kemungkinan nilai X: x1, x2, …, xn,
fungsi peluangnya:
f(xi) = 1/n (3-5)
15
Contoh: Sebaran Seragam Diskrit
Digit-digit pertama dari suatu nomor serial, dapat

saja berupa angka angka 0 s/d 9 masing-masing
dengan kemungkinan yang sama.
X : angka pada digit pertama nomor serial
X mempunyai sebaran seragam diskrit.
Figure 3-7 Fungsi massa peluang f(x) = 1/10 untuk x = 0, 1, 2, …, 9
16
Sebaran Seragam Diskrit secara Umum
• X adalah peubah acak diskrit dengan kemungkinan
nilai a sampai dengan b untuk a < b.
• Terdapat b – (a-1) nilai pada selang tersebut.
Sehingga:
f(x) = 1/(b-a+1)
• Ukuran pemusatan dan penyebaran:
μ = E(x) = 1/(b-a)
σ2 = V(x) = [(b-a+1)2–1]/12
17
Contoh: Jumlah jalur telepon
X: jumlah jalur telepon yang sedang digunakan
dari 48 jalur yang ada.
X diasumsikan menyebar secara seragam
(diskrit) pada selang 0, 1, …, 48.
Tentukan ukuran pemusatan dan penyebaran
bagi X.
48  0
  24
2
 48  0  1 1
2
2400
X    14.142
12 12
18
Contoh Peubah Acak Binomial
1. Melempar koin 10 kali. X= # gambar dari 10 kali
lemparan.
2. Suatu mesin menghasilkan produk dengan
jumlah cacat 1% dari keseluruhan produksi. X= #
jumlah cacat pada 25 unit yang diproduksi
secara berurutan.
3. Soal ujian pilihan berganda dengan 10
pertanyaan dan 4 pilihan jawaban setiap
pertanyaan. X = # jawaban yang benar dari 10
pertanyaan.
4. Dari 20 bayi yang baru lahir. X = # bayi
perempuan dari 20 bayi yang baru lahir tsb.
19
Sifat-sifat sebaran Binomial
1. Jumlah percobaan yang tetap (n).
2. Setiap percobaan hanya terdiri dari sukses
dan gagal. X adalah jumlah sukses dari n
percobaan tsb.
3. Peluang sukses dari setiap percobaan adalah
tetap, misalkan sebesar p.
4. Hasil dari percobaan yang dilakukan
berturut-turut saling bebas.
20
Peluang bahwa transmisi bit melalui channel digital
diterima secara salah adalah 0.1. Diasumsikan bahwa
Assume that the transmission trials are independent.
Let X = the number of bits in error in the next 4 bits
transmitted. Find P(X=2).
Answer: Outcome x Outcome x
Let E denote a bit in error OOOO 0 EOOO 1
OOOE 1 EOOE 2
Let O denote an OK bit. OOEO 1 EOEO 2
Sample space & x listed in table. OOEE 2 EOEE 3
6 outcomes where x = 2. OEOO 1 EEOO 2
Prob of each is 0.12*0.92 = 0.0081 OEOE 2 EEOE 3
OEEO 2 EEEO 3
Prob(X=2) = 6*0.0081 = 0.0486
OEEE 3 EEEE 4
P  X  2   C24  0.1  0.9 
2 2
Sec 3=6 Binomial Distribution 21

• Peluang bahwa transmisi bit melalui channel
digital diterima secara salah adalah 0.1.
• Diasumsikan bahwa setiap transmisi terjadi
dengan saling bebas.
• X = jumlah bit yang salah diterima pada 4 bit
yang ditransmisikan.
• Tentukan P(X=2).
Sec 2- 22
• Dinotasikan bit yang salah dengan E dan bit yang benar
dengan O
• Ruang sampel dan nilai x (jumlah kesalahan pada 4
transmisi) ditampilkan pada tabel.
• Terdapat 6 hasil dengan x = 2.
• Masing-masing dengan peluang: Hasil x Hasil x
2 2 OOOO 0 EOOO 1
0.1 *0.9 = 0.0081
OOOE 1 EOOE 2
• Prob(X=2) = 6*0.0081 = 0.0486 OOEO 1 EOEO 2
OOEE 2 EOEE 3
OEOO 1 EEOO 2
OEOE 2 EEOE 3
OEEO 2 EEEO 3
OEEE 3 EEEE 4
23
Definisi Sebaran Binomial
• Sebaran dari peubah acak X di mana:
• X adalah jumlah sukses dari n percobaan
peluang sukses p, 0 < p < 1 and n = 0, 1, ....
• Fungsi massa peluangnya:
f  x   C p 1  p 
n x
n
x
x
for x  0,1,...n (3-7)
24
Contoh: Polusi Organik
• Setiap sampel air yang diambil dari suatu
sungai mempunyai 10% kemungkinan
mengandung polutan.
• Diasumsikan bahwa sampel-sampel diambil
secara bebas.
• Tentukan peluang bahwa pada 18
pengambilan sampel berikutnya akan
diperoleh tepat 2 sampel yang mengandung
polutan.
25
• X jumlah sampel yang mengandung polutan dari 18
sampel yang diambil.
• Masing-masing sampel hanya mungkin mengandung
atau tidak mengandung polutan.
• Maka X adalah peubah acak binomial dengan p = 0.1
dan n = 18
P  X  2   C218  0.1  0.9   153  0.1  0.9   0.2835

2 16 2 16
26
• Tentukan peluang bahwa paling sedikit
terdapat 4 sampel yang mengandung polutan.
18
P  X  4   C  0.1  0.9 
18 x 18 x
x
x4
 1  P  X  4
3
 1 C  0.1  0.9 
18 x 18 x
x
x 0
 0.098
Sec 2- 27
Tentukan peluang bahwa akan ada 3 sampai
dengan 7 sampel dengan polutan .
7
P 3  X  7   C  0.1  0.9 
18 x
 0.265
18 x
x
x 3
P  X  7   P  X  2
28
Mean dan Varians Sebaran Binomial
X adalah peubah acak dengan parameter n dan
p
μ = E(X) = np and σ2 = V(X) = np(1-p)
29
Contoh:
Pada kasus transmisi bit, dengan n=4 dan p=0.1.
Tentukan mean (rata-rata) dan varians (ragam) dari
jumlah kesalahan transmisi!
Karena X adalah jumlah kesalahan dari 4 transmisi bit
menyebar binomial maka:
μ = E(X) = np = 4*0.1 = 0,4
σ2 = V(X) = np(1-p) = 4*0.1*0.9 = 3.6
σ = SD(X) = 1.9
30
Sebaran Poisson
Jika jumlah percobaan (n) pada percobaan binomial
semakin banyak (menuju tak hingga) dan rata-rata
binomial (np) tetap, maka sebaran binomial menjadi
sebaran Poisson.
Let   np  E  x  , so p   n
P  X  x  n
x
p 1  p 
x

n x
 n 
n x
  
x

 1   
x  n  n
e   x

x!
31
Contoh Sebaran Poisson
Peubah acak X yang menyebar Poisson menyatakan
jumlah kejadian pada selang tertentu.
1. Jumlah partikel kontaminasi per keping
konduktor
2. Jumlah cacat di setiap gulungan tekstil.
3. Jumlah telepon masuk per jam.
4. Frekuensi listrik padam per bulan.
5. Jumlah partikel atom yang dipancarkan dari
suatu spesimen per detik.
6. Jumlah cacat pada setiap meter kabel.
Sec 3-9 Poisson Distribution 32

Definisi Sebaran Poisson
• Peubah acak X adalah jumlah kejadian pada
proses Poisson dengan parameter λ > 0, dan
fungsi massa peluang:
e   x
f  x  for x  0,1, 2,3,... (3-16)
x!
33
Mean (rata-rata) dan Varians (ragam) Sebaran
Poisson
Jika X adalah peubah acak Poisson dengan
parameter λ maka:
μ = E(X) = λ and σ2=V(X) = λ
34
Contoh Jumlah Kerusakan per Meter Kabel
• Diasumsikan bahwa jumlah kerusakan yang
terjadi di setiap meter kabel menyebar secara
Poisson dengan rata-rata 2.3 cacat per meter.
• X menyatakan jumlah cacat per meter kabel.
• Rata-rata berfungsi sebagai λ, sehingga λ = 2.3.
• Peluang bahwa terdapat tepat dua cacat pada
suatu meter kabel adalah:
e2.3 2.32
P  X  2   0.265
2!
Sec 2- 35

3 Sebaran Peluang Diskrit

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

3 Sebaran Peluang Diskrit

Diunggah oleh

Hak Cipta:

Format Tersedia

3

Peubah Acak Diskrit

Sec 3-2 Probability Distributions & Probability Mass Functions 9

P(X ≤ 3) = P(X=0) + P(X=1) + P(X=2) + P(X=3) = 0.9999

Sec 3-3 Cumulative Distribution Functions 11

For a discrete random variable X , F  x  satisfies the following properties:

Figure 3-3 Graph of the CDF

• Mean adalah ukuran pemusatan dari suatu

f(xi) = 1/n (3-5)

Digit-digit pertama dari suatu nomor serial, dapat

Figure 3-7 Fungsi massa peluang f(x) = 1/10 untuk x = 0, 1, 2, …, 9

Sec 3=6 Binomial Distribution 21

P  X  2   C218  0.1  0.9   153  0.1  0.9   0.2835

μ = E(X) = np and σ2 = V(X) = np(1-p)

μ = E(X) = np = 4*0.1 = 0,4

σ2 = V(X) = np(1-p) = 40.10.9 = 3.6

Sec 3-9 Poisson Distribution 32

μ = E(X) = λ and σ2=V(X) = λ

Anda mungkin juga menyukai