DISTRIBUSI PELUANG

KONSEP PENTING:
 Variabel Acak (Random Variables)
 Tipe Distribusi Peluang (Diskrit & Kontinu)
 Nilai harapan (Expected Value) dan Varian (Variance)
 Berbagai Jenis Distribusi Peluang Diskrit
 Uniform  Poisson
 Binomial  Hypergeometrik
 Berbagai Jenis Distribusi Peluang Kontinu
 Uniform
 Normal
 Eksponensial
1
KONSEP PENTING
 Variabel Acak (Random Variables)
 Anderson (2002):
Variabel acak merupakan gambaran secara
numerik mengenai hasil dari suatu percobaan

 Walpole (1982):
Variabel acak merupakan suatu fungsi yang
nilainya berupa bilangan nyata yang ditentukan
oleh setiap unsur dalam ruang contoh.

2
 Variabel Acak
 Pada saat melakukan percobaan acak biasanya kita tertarik untuk
mengkuantifikasi hasil percobaan.
 Misal: percobaan tentang rata-rata berat badan, maka kita akan
menimbang berat badan seseorang untuk mengetahui kilogram berat
badan orang tersebut.
 Contoh-contoh tersebut menunjukkan adanya konsep variabel acak
 Peubah acak X adalah suatu fungsi yang memetakan setiap hasil
eksperimen  didalam ruang sampel ke bilangan riil X()
 keacakannilai yang diamati adalah akibat dari keacakan
argumen dari fungsi X, yang disebut hasil eksperimen .
 Variabel acak dapat berupa:
 Variabel diskret: nilai yang keluar pada pelemparan dadu
 Varibel kontinyu: berat badan seseorang
KONSEP PENTING (L)
 Variabel acak dapat dibagi dalam 2 jenis:
 Diskret, yaitu bila suatu ruang contoh mengandung
jumlah titik contoh yang terhingga atau suatu barisan
unsur yang tidak pernah berakhir tetapi yang sama
banyaknya dengan bilangan cacah (bilangan bulat
yang tidak negatif: 0, 1, 2, 3, …).
Contoh: Jumlah produk yang terjual pada suatu hari
tertentu
 Kontinyu, yaitu bila suatu ruang contoh mengandung
takhingga banyaknya titik contoh yang sama dengan
banyaknya titik pada sebuah ruas garis
Contoh: Pendapatan seseorang dalam perbulan
4
Konsep Dasar
 Variabel
 Variabel Diskret versus Variabel Kontinyu
 Sama dengan variabel Kategori versus Variabel Dimensional
Terminologi Dasar
 Data Kuantitatif
 Data Dimensional/Data Pengukuran versus Data Kategori/Data
Frekuensi Penghitungan
 Dimensional
 Ketika kuantitas sesuatu hal diukur dan dinyatakan dalam bentuk bilangan /
angka (data kontinum / rangkaian)

 Menjawab pertanyaan “berapa hasil pengukurannya”

 Misal: skor ujian, pengukuran berat badan, dan sebagainya.
Terminologi Dasar
 Kategori
 Ketika jumlah entitas (anggota) sebuah kelompok diskret harus
dihitung
 Jenis kelamin adalah contoh dimana anggota-anggota

(entitas) sebuah kelompok diskret dapat dihitung

berdasarkan kategori jenis kelamin tersebut – berapa jumlah
yang berjenis kelamin laki-laki atau perempuan
 Menjawab pertanyaan “berapa banyak”
 Contoh: jumlah laki-laki dan perempuan, prosentase orang yang
berwarna rambut tertentu
DEFINISI DISTRIBUSI
PELUANG
 Distribusi peluang untuk suatu random variabel
menggambarkan bagaimana peluang terditribusi
untuk setiap nilai random variabel.
 Distribusi peluang didefinisikan dengan suatu fungsi
peluang, dinotasikan dengan f(x), yang menunjukkan
peluang untuk setiap nilai random variabel.
 Ada 2 tipe distribusi peluang:
1. Diskret

2. Kontinyu

8
DISTRIBUSI PELUANG
DISKRET
 Distribusi peluang diskret, yaitu apabila random
variabel yang digunakan diskret.

 Syarat:
a. f(x) ≥ 0
b.  f(x) = 1

 Distribusi peluang diskret dapat digambarkan

dalam bentuk tabel, grafik, maupun persamaan.

9
CONTOH
 Contoh distribusi peluang diskret
Menggunakan data penjualan TV di Toko JSL,
distribusi peluang adalah sebagai berikut:
Jumlah TV Terjual Jumlah hari x f(x)
0 80 0 0,40
1 50 1 0,25
2 40 2 0,20
3 10 3 0,05
4 20 4 0,10
200 1,00

10
CONTOH
 Contoh: Toko JSL
Representasi distribusi peluang data penjualan TV di
Toko JSL secara grafik adalah sebagai berikut:
.50
.40
Peluang

.30
.20
.10

0 1 2 3 4
Nilai variabel acak x (penjualan TV) 11
PENGGOLONGAN DISTRIBUSI
PELUANG DISKRET
1. Seragam (Uniform)

Fungsi Peluang Uniform

1
x )  semua nilai x
f (untuk
n

dimana n merupakan banyaknya obyek dan

diasumsikan memiliki sifat yang sama.

12
PENGGOLONGAN DISTRIBUSI
PELUANG DISKRET
2. Binomial
Sifat percobaan Binomial

Misalkan percobaan pelemparan koin lima ratusan. Bila hasil

pelemparan koin menampakkan gambar angka 500, maka
percobaan dikategorikan “sukses”.
 Percobaan (eksperimen) dilakukan dalam n kali ulangan
yang sama.
 Kemungkinan yang terjadi pada tiap ulangan hanya ada
2, yaitu “sukses” atau “gagal”.
 Peluang “sukses” (yang dinotasikan dengan p) selalu
tetap pada tiap ulangan.
 Tiap ulangan saling bebas (independent).
13
PENGGOLONGAN DISTRIBUSI
PELUANG DISKRET
2. Binomial (Lanjutan)

Fungsi Peluang Binomial

n!
p 1  p 
n x
f (x)  x

x ! ( n  x )!

dimana x = banyaknya sukses yang terjadi dalam n

kali ulangan
p =peluang “sukses”
n =banyaknya ulangan
14
PENGGOLONGAN DISTRIBUSI
PELUANG DISKRET
2. Binomial (Lanjutan)

 Nilai Harapan (Expected Value)

E(x) =  = np

 Varian
Var(x) = 2 = np(1 - p)

 Simpangan Baku (Deviation Standard)

SD( x)    np(1  p)
15
CONTOH
2. Binomial (Lanjutan)

CONTOH: PERUSAHAAN ASURANSI

Misalkan sebuah perusahaan asuransi mempunyai 3
calon pelanggan, dan pimpinan perusahaan yakin
bahwa peluang dia dapat menjual produk asuransinya
adalah sebesar 0,1. Berapa peluang bahwa 1 (satu)
orang pelanggan akan membeli produk asuransinya?

Perhatikan bahwa:
Pada kasus ini, p = 0.1 n=3 x=1

16
CONTOH
2. Binomial (Lanjutan)
CONTOH: PERUSAHAAN ASURANSI
3!
f (1)  (0.1)1 (0.9) 2
1!(3  1)!
= (3)(0.1)(0.81) = 0.243

Nilai Harapan: E(x) =  = np = 3 (0.1) = 0.3

Varian: Var(x) = 2 = np(1 - p) = 3 (0.1) (0.9) = 0.27
Simpangan Baku:  = 0.2

17
CONTOH
2. Binomial (Lanjutan)

CONTOH: PERUSAHAAN ASURANSI

Menggunakan Tabel Binomial

p
n x .10 .15 .20 .25 .30 .35 .40 .45 .50
3 0 .7290 .6141 .5120 .4219 .3430 .2746 .2160 .1664 .1250
1 .2430 .3251 .3840 .4219 .4410 .4436 .4320 .4084 .3750
2 .0270 .0574 .0960 .1406 .1890 .2389 .2880 .3341 .3750
3 .0010 .0034 .0080 .0156 .0270 .0429 .0640 .0911 .1250

18
PENGGOLONGAN DISTRIBUSI
PELUANG DISKRET
3. Poisson
Sifat percobaan Poisson

Misalkan ada kejadian yaitu antrian (mengantri) untuk membeli

tiket bioskop.
 Peluang suatu kejadian (antrian bioskop) adalah sama
untuk 2 (dua) interval yang sama.
 Kejadian pada suatu inverval saling bebas dengan
kejadian pada interval yang lain
 Percobaan Poisson digunakan untuk menghitung peluang
timbulnya gejala yang diharapkan (gejala sukses) dari
sejumlah n kejadian (n sampel), dimana jumlah sampel n-
nya besar dan peluang “sukses” p-nya sangat kecil.
19
PENGGOLONGAN DISTRIBUSI
PELUANG DISKRET
3. Poisson (Lanjutan)

Fungsi Peluang Poisson

x 
 e
f ( x)  ,   np
x!
dimana:
x = banyaknya kejadian pada interval waktu tertentu
 = rata-rata banyaknya kejadian pada interval waktu
tertentu
e = 2.71828
20
PENGGOLONGAN DISTRIBUSI
PELUANG DISKRET
3. Poisson (Lanjutan)

 Nilai Harapan (Expected Value)

E(x) =  = np

 Varian
Var(x) = 2 = np(1 - p)

 Simpangan Baku (Deviation Standard)

SD ( x)    np (1  p )
21
CONTOH
3. Poisson (Lanjutan)

CONTOH: RUMAH SAKIT MERCY

Di RS Mercy, rata-rata pasien mendatangi UGD pada
akhir minggu adalah 3 pasien per jam. Berapa
peluang ada 4 pasien yang mendatangi UGD pada
akhir minggu?

 = 3 pasien perjam, x = 4
34 (2.71828) 3
f ( 4)   0.1680
4!
PENGGOLONGAN DISTRIBUSI
PELUANG DISKRET
3. Poisson (Lanjutan)

CONTOH: RUMAH SAKIT MERCY

Menggunakan Tabel Poisson
m
x 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0
0 .1225 .1108 .1003 .0907 .0821 .0743 .0672 .0608 .0550 .0498
1 .2572 .2438 .2306 .2177 .2052 .1931 .1815 .1703 .1596 .1494
2 .2700 .2681 .2652 .2613 .2565 .2510 .2450 .2384 .2314 .2240
3 .1890 .1966 .2033 .2090 .2138 .2176 .2205 .2225 .2237 .2240
4 .0992 .1082 .1169 .1254 .1336 .1414 .1488 .1557 .1622 .1680
5 .0417 .0476 .0538 .0602 ..0668 .0735 .0804 .0872 .0940 .1008
6 .0146 .0174 .0206 .0241 .0278 .0319 .0362 .0407 .0455 .0504
7 .0044 .0055 .0068 .0083 .0099 .0118 .0139 .0163 .0188 .0216
8 .0011 .0015 .0019 .0025 .0031 .0038 .0047 .0057 .0068 .0081
23
PENGGOLONGAN DISTRIBUSI
PELUANG DISKRET
4. Hipergeometrik
 Pada distribusi hipergeometrik, antar-ulangan
dalam percobaan (dalam eksperimen) adalah
tidak bebas, dan peluang sukses berubah dari
satu ulangan ke ulangan yang lain.
 Fungsi Peluang Hipergeometrik
dimana
 r  N  r 
   x = banyaknya sukses dalam
 x  n  x  n kali ulangan (ruang
f (x)  sampel)
N 
  n = banyaknya ulangan (sampel)
n N = banyaknya elemen populasi
r = banyaknya sukses dalam
populasi 24
 PENGGOLONGAN DISTRIBUSI
PELUANG DISKRET
25

 Distribusi Hipergeometrik diterapkan pada kasus-kasus

penarikan sampel, dimana sampelnya tidak dikembalikan
lagi ke populasi.
 Dalam distribusi hipergeometrik, suatu populasi yang berisi
sejumlah N obyek dapat dibagi menjadi 2 kelompok (sub-
populasi), yaitu sub populasi “sukses” dan sub populasi
“gagal”, yang sifatnya saling berlainan atau berlawanan.
 Pengertian “sukses” dan “gagal” maknanya tidak selalu
sama dengan pengertian sehari-hari, tetapi sekedar
menunjukkan adanya dua kategori yang berbeda.
 PENGGOLONGAN DISTRIBUSI
PELUANG DISKRET

Nilai rata-rata harapan (expected value) dan

varian dari suatu fungsi distribusi
hipergeometrik adalah:

 N1 
E ( x)  n. 
N 

V ( x) 
 N  n    N1   N1  
n. .1  

 N  1   N   N 
26
 CONTOH
4. Hipergeometrik (Lanjutan)

CONTOH: BATERAI BOB

Bob berniat mengganti 2 baterai yang mati, namun
ketika ia sudah mengeluarkan 2 baterai mati itu dari jam
dinding, ia tidak sengaja mencampurnya dengan 2
baterai lain yang masih baru. Jadi ada 4 baterai yang
merupakan campuran antara 2 baterai mati dan 2
baterai baru. Keempat baterai terlihat identik. Berapa
peluang Bob mengambil 2 baterai yang masih baru?
 r  N  r   2  2   2!  2! 
        
 x  n  x   2  0   2!.0! 0!.2! 1
f ( x)      0.167
N  4  4!  6
      27
n
  2
   2 !.2 ! 
28

SEKIAN &
SEE YOU NEXT SESSION