DISTRIBUSI PELUANG

VARIABEL ACAK
VARIABEL ACAK :
 suatu fungsi yang nilainya berupa bilangan
nyata yang ditentukan oleh setiap unsur
dalam ruang sampel.
Variabel acak ada 2, yaitu :
1. Variabel Random Diskrit/ Cacah
digunakan untuk data cacahan
2. Variabel Random Kontinu
digunakan untuk data ukur
• Contoh :
pada percobaan pelemparan mata uang.
Misal banyaknya muncul gambar
dinyatakan x, maka x = variabel acak
Ruang Sampel :
• Diskrit :
– ruang sampel yang mengandung titik sampel
sebanyak bilangan cacah
• Kontinu :
– mengandung titik sampel sebanyak titik pada
sebuah garis
 DISTRIBUSI PELUANG DISKRIT
• Adalah sebuah tabel atau rumus yang
mencantumkan semua kemungkinan nilai variabel
acak diskrit dan nilai peluangnya

x P(x)
0 ¼
1 2/4
2 ¼
Contoh :
1) Tentukan rumus distribusi peluang
banyaknya sisi gambar bila sebuah uang
logam dilempar 3 kali. Buatlah tabelnya ?
Eksperimen :
pelemparan 1 mata uang 3x, Banyaknya
titik sampel = 23 = 8
S ={AAA, AAG, AGG, GGG, AGA, GAG,
GAA, GGA}
 3 
Banyaknya muncul sisi gambar adalah  
 x
Jadi fungsi peluang adalah :
3 
 
 x
f( x) 
8
Untuk x = 0,1,2,3
Tabel distribusi peluang :
2) Sebuah dadu dilemparkan 2x
Misalkan : x = jumlah titik dadu dalam kedua
lemparan itu, maka
x = 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12
Tabel distribusi probabilitas x :

a) P(x>8) = P(x=9)+P(x=10)+P(x=11)+ P(x=12)

= =
b) P(4<x<7) = P(x=5) + P(x=6)
= =
 Distribusi Peluang Kontinyu
Untuk variabel random x kontinyu, distribusi
probabilitasnya dinyatakan sebagai:
x
f ( x)  P ( X  x)   f ( x)dx
Syarat agar probabilitas dipenuhi,
 maka :


 f ( x)dx  1

dan 0  f ( x)
Probabilitas kejadian a ≤ x ≤ b, dihitung dengan
rumus :
P(a ≤ x ≤ b,) = P(x ≤ b) – P(x ≤ a) = F(b)
– F(a)
 Parameter Distribusi Probabilitas
1. Nilai Ekspektasi (Nilai Harapan Matematik)
Misalkan x suatu variabel random dengan
distribusi probabilitas f(x). Nilai ekspektasi fungsi
g(x) atau harapan matematik fungsi g(x), ditulis
E{g(x)}, didefinisikan oleh:
• E{g ( x)}   g ( x)  f ( x) bila x diskrit
x
• E{g ( x)}   g ( x)  f ( x)dx bila x kontinyu


Dua sifat umum dari ekspektasi:

•Ec g(x) = c Eg(x), khusus E(c)
= C, c = konstanta
•Eg(x) + h(x) = Eg(x)  + Eh(x)
2. Beberapa Ekspektasi Khusus
A. Mean (Rata-rata Hitung) notasinya 
Misalkan x suatu variabel random dengan
distribusi probabilitas f(x). Nilai ekspektasi
fungsi khusus g(x) = X, ditulis x = E(X),
merupakan mean (rata-rata hitung) yang
didefinisikan oleh:
B. Variansi (x2)
•Misalkan x suatu variabel random dengan
distribusi probabilitas f(x).
 x2
Nilai ekspektasi fungsi khusus g(x) = (x -
x)2, ditulis x2 = E{(x - x)2} = E(X2) - x2,
merupakan variansi yang didefinisikan oleh:
Bila X dan Y variabel random dengan distribusi
probabilitas gabungan f(x,y) maka nilai harapan
fungsi E(X,Y) adalah :
c. Kovariansi (xy)
Misalkan X dan Y adalah dua variabel random
dengan distribusi probabilitas gabungan f(x,y).
Nilai ekspektasi fungsi khusus g(x,y)=(x-x)(y-y),
ditulis Cov(X,Y) atau XY adalah kovariansi dari X
dan Y yaitu:
d. Korelasi (xy)
Korelasi dari variabel random X dan Y adalah
perbandingan antara kovariansi X dan Y
dengan standar deviasi X dan standar deviasi
Y.
Korelasi adalah ukuran hubungan antara 2
variabel X dan Y yang nilainya antara –1 dan
1. Korelasi (X,Y) tidak berubah jika variabelnya
ditambah atau dikalikan bilangan tetap.
Korelasi X dan Y, ditulis Corr(X,Y) atau xy
cov( x, y )  xy
Corr ( x, y ) 
adalah: atau  xy 
dev( x)dev( y )  x y
3. Sifat-sifat Nilai Ekspektasi
Bila a dan b konstanta, maka sifat-sifat nilai
ekspektasi variabel random X dan Y adalah:
• E(aX + b) = aE(X) + b
• E(b) = b
• E(aX) = aE(X)
• E[c(X)  d(X)] = E[c(X)]  E[d(X)]
• E[c(X,Y)  d(X,Y)] = E[c(X,Y)]  E[d(X,Y)]
• E(X  Y) = E(X)  E(Y)
•E(XY) = E(X)E(Y) hanya jika X dan Y variabel
random yang bebas
• Bila X dan Y dua variabel random
yang bebas (independen), maka
XY = 0
• Bila X dan Y saling independen,
maka xy = 0, sehingga xy = 0
Contoh 1:
Dari contoh sebelumnya diketahui :
X 0 1 2
P(X) mean
Tentukan ¼ ½
dan ¼variansi dari variabel
random X.
Jawab :
•Mean (x) = E(X) =  x p(x)
= 0.¼ + 1.½ + 2.¼
=1
•Variansi(x2) = E(x–x)2=E(x-1)2
= (x–1)2p(x)
= (0-1)2.¼ + (1-1)2.½ + (2-1) 2.¼
=½
Contoh2:
Diberikan distribusi probabilitas gabungan dari variabel random X
dan Y sebagai berikut :

X Y 0 1 2

0 0,05 0,05 0

1 0,05 0,10 0,15

2 0,10 0,25 0,10

Tentukan : 3 0 0,10 0,05

• Distribusi marginal X dan Y
• Hitung korelasi antara X dan Y
• Selidiki apakah X dan Y independen.
Jawab: 3
a.P(X) = P ( x, y ) 
y 0
P(x,0) + P(x,1) + P(x,2) + P(x,3)

Untuk:
x = 0  P(0) = P(0,0) + P(0,1) + P(0,2) + P(0,3)
= 0,05 + 0,05 + 0,10 + 0 = 0,20
x = 1  P(1) = P(1,0) + P(1,1) + P(1,2) + P(1,3)
= 0,05 + 0,10 + 0,25 + 0,10 = 0,50
x = 2  P(2) = P(2,0) + P(2,1) + P(2,2) + P(2,3)
= 0 + 0,15 + 0,10 + 0,05 = 0,30
Distribusi marginal untuk X:
X 0 1 2

P(X) 0,20 0,50 0,30

 2
P(Y) =  P( x, y ) = P(0,y) + P(1,y) + P(2,y)
Untuk: x 0
y = 0  P(0) = P(0,0) + P(1,0) + P(2,0)
= 0,05 + 0,05 + 0 = 0,10
y = 1  P(1) = P (0,1) + P (1,1) + P (2,1)
= 0,05 + 0,10 + 0,15 + = 0,30
y = 2  P(2) = P(0,2) + P(1,2) + P (2,2)
= 0 + 0,10 + 0,25 + 0,10 = 0,45
y = 3  P(3) = P(0,3) + P(1,3) + P(2,3)
= 0 + 0,10 + 0,05 = 0,15
Distribusi marginal untuk Y:
  xy
b. Korelasi antara X dan Y : xy 
 x2 . y2
x = x
xP( x) = 0 (0,20) + 1(0,50) + 2 + (0,30) = 1,10

x2= E(x - x)2= E (x2) - x2 =  x 2 P( x) - x2

x
= 0 (0,20)+1 (0,50)+22(0,300)(1,10)2
2 2

= 0 + 0,50 + 1,20 – 1,21 = 0,49

Jadi x2 = 0,49  x = 0,7

y =  yP( y) = 0(0,10) + 1(0,30) + 2(0,45)+ 3 (0,15) =

1,65 y
 y P( y )
2

y2 = E (y)2} - y2 = y

- y2
= 02(0,10) + 12(0,30) + 22(0,45) + 32 (0,15) –
(1,65)2
= 0,7275
Jadi y 2 = 0,7275  y = 0,85
 2 3

 xy = E(XY) - xy =  x 0 y 0

xyP( x, y )

= (0)(0)(0,05) + (1)(0)(0,05) + (2)(0)(0) +

(0)(1)(0,05) + (1)(1)(0,10) + (2)(1)(0,15)
+
(0)(2)(0,10) + (0)(2)(0,25) + (2)(2)(0,10)
+
(0)(3)(0) + (0)(3)(0,10) + (2)(3)(0,050)=
1,90
Jadi xy = 1,90 – (1,10) (1,65) = 0,085
Sehingga korelasi X dan Y adalah :
 xy  xy 0,085
 xy     0,14
 x2 y2  x y (0,70)(0,85)
c) Karena xy  0 , maka X dan Y dependen. 
 Distribusi Variabel Random Diskrit

Proses Bernoulli

Distribusi Binomial

Distribusi Geometrik

Distribusi Hipergeometrik
 Proses & Distribusi Poisson

Pendekatan untuk Distribusi Binomial
 Proses Bernoulli (1)
Percobaan Bernoulli adalah percobaan yang memenuhi
kondisi-kondisi berikut:
1. Satu percobaan dengan percobaan yang lain
independen. Artinya, sebuah hasil tidak
mempengaruhi muncul atau tidak munculnya hasil yang
lain.
2. Setiap percobaan memberikan dua hasil yang mungkin,
yaitu sukses* dan gagal. Kedua hasil tersbut bersifat
mutually exclusive dan exhaustive.
3.Probabilitas sukses, disimbolkan dengan p, adalah
tetap atau konstan. Probabilitas gagal, dinyatakan
dengan q, adalah q = 1-p.
* Istilah sukses dan gagal adalah istilah statistik yang tidak memiliki implikasi positif atau
negatif.
 Proses Bernoulli (2)
Beberapa distribusi yang dilandasi oleh
proses Bernoulli adalah :
Distribusi binomial,
Distribusi geometrik, dan
Distribusi hipergeometrik.
(termasuk kategori tersebut adalah distribusi
multinomial dan negatif binomial).
 Distribusi Binomial (1)
• Sebuah variabel random, X, menyatakan jumlah
sukses dari n percobaan Bernoulli dengan p
adalah probabilitas sukses untuk setiap
percobaan, dikatakan mengikuti distribusi
(diskrit) probabilitas binomial dengan
parameter n (jumlah sukses) dan p (probabilitas
sukses).
• Selanjutnya, variabel random X disebut variabel
random binomial.
 Distribusi Binomial (2)
Secara umum:

1. Probabilitas dari x 2. Jumlah urutan dari n percobaan

sukses dari n yang menghasilkan tepat x sukses
percobaan dengan adalah jumlah pilihan x elemen
probabilitas sukses p dari total n elemen:
dan probabili-tas gagal
q adalah:  n n!
nCx    
pqx (n-x)  x x!( n  x)!
 Distribusi Binomial (3)
Jumlah Probabilitas
Distribusi probabilitas binomial :
P(x)
sukses x n!
 n x ( n  x) n! 0 p 0 q ( n 0)
P( x)    p q  p x q ( n x) 0!( n  0)!
 x x!( n  x)! n!
dimana : 1 p1q ( n 1)
1!( n  1)!
p probabilitas sukses sebuah percobaan, n!
q = 1-p, 2 p 2 q ( n2)
2!( n  2)!
n jumlah percobaan, dan n!
x jumlah sukses. 3 p 3 q ( n  3)
3!( n  3)!
 
n!
n p n q ( nn )
n!(n  n)!

1.00
 Distribusi Binomial (4)
n=5
p
x 0.01 0.05 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 0.95 0.99
0 .951 .774 .590 .328 .168 .078 .031 .010 .002 .000 .000 .000 .000

1 .999 .977 .919 .737 .528 .337 .187 .087 .031 .007 .000 .000 .000
2 1.000 .999 .991 .942 .837 .683 .500 .317 .163 .058 .009 .001 .000

3 1.000 1.000 1.000 .993 .969 .913 .813 .663 .472 .263 .081 .023 .001

4 1.000 1.000 1.000 1.000 .998 .990 .969 .922 .832 .672 .410 .226 .049

a F(h) P(h)
Distribusi probabilitas Penentuan nilai probabilitas dari
kumulatif binomial dan 0 0.031 0.031
probabilitas kumulatif
distribusi probabilitas 1 0.187 0.156
variabel random binomial 2 0.500 0.313
F ( x)  P ( X  x)   P(i)
all i  x

A, jumlah produk yang 3 0.813 0.313

P(X) = F(x) - F(x - 1)
dihasilkan oleh mesin A 4 0.969 0.156
Contoh :
5 1.000 0.031
(p=0.5) dalam 5 produk 1.000 P (3)  F (3)  F (2)
yang diambil.  .813  .500
 .313
 Distribusi Binomial (5)
60% dari produk yang dihasilkan adalah sempurna.
Sebuah sample random sebanyak 15 diambil. Berapa
probabilitas bahwa paling banyak ada tiga produk
yang sempurna?
n=15
p
.50 .60 .70
0 .000 .000 .000 F (x )  P ( X  x )   P(i )
all i  x
1 .000 .000 .000
2 .004 .000 .000 F (3)  P ( X  3)  .002
3 .018 .002 .000
4 .059 .009 .001
... ... ... ...
Distribusi Binomial (6)
Mean dari distribusi binomial :
  E ( X )  np

Variansi dari distribusi binomial :

 2  V ( X )  npq

Deviasi standar dari distribusi binomial :

 = SD(X) = npq
 Distribusi Binomial (7)
p = 0.1 p = 0.3 p = 0.5
Binomial Probability: n=4 p=0.1 Binomial Probability: n=4 p=0.3 Binomial Probability: n=4 p=0.5
0.7 0.7 0.7

0.6 0.6 0.6

n=4 0.5

0.4
0.5

0.4
0.5

0.4
P(x)

P(x)

P(x)
0.3 0.3 0.3

0.2 0.2 0.2

0.1 0.1 0.1

0.0 0.0 0.0

0 1 2 3 4 0 1 2 3 4 0 1 2 3 4
x x x

Binomial Probability: n=10 p=0.1 Binomial Probability: n=10 p=0.3 Binomial Probability: n=10 p=0.5

0.5 0.5 0.5

n = 10
0.4 0.4 0.4

0.3 0.3 0.3

P(x)

P(x)

P(x)
0.2 0.2 0.2

0.1 0.1 0.1

0.0 0.0 0.0

0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
x
x x

Binomial Probability: n=20 p=0.1 Binomial Probability: n=20 p=0.3 Binomial Probability: n=20 p=0.5

n = 20 0.2 0.2 0.2

P(x)

P(x)

P(x)
0.1 0.1 0.1

0.0 0.0 0.0

0 1 2 3 4 5 6 7 8 9 1011121314151617181920 0 1 2 3 4 5 6 7 8 9 1011121314151617181920 0 1 2 3 4 5 6 7 8 9 1011121314151617181920
x x x

Distribusi binomial cenderung menjadi simetris dengan meningkatnya n dan p .5.

 Distribusi Hipergeometrik (1)
• Distribusi binomial digunakan pada populasi yang tidak
terbatas, sehingga proporsi sukses diasumsikan
diketahui.
• Distribusi probabilitas hipergeometrik digunakan
untuk menentukan probabilitas kemunculan sukses jika
sampling dilakukan tanpa pengembalian.
• Variabel random hipergeometrik adalah jumlah sukses
(x) dalam n pilihan, tanpa pengembalian, dari sebuah
populasi terbatas N , dimana D diantaranya adalah
sukses dan (N-D) adalah gagal.
 Distribusi Hipergeometrik (2)
 Penurunan fungsi distribusi hipergeometrik diturunkan
dengan menghitung kombinasi-kombinasi yang terjadi.
 Kombinasi yang dapat dibentuk dari populasi berukuran
N untuk sampel berukuran n adalah kombinasi C(N,n).
 Jika sebuah variabel random (diskrit) X menyatakan
jumlah sukses, selanjutnya dapat dihitung kombinasi
diperoleh x sukses dari sejumlah D sukses dalam
populasi yang diketahui yaitu C(D,x), dan demikian pula
halnya dapat dicari (n-x) kombinasi gagal dari sisanya
(N-D), yaitu kombinasi C((N-D),(n-x)).
 Distribusi Hipergeometrik (3)

• Dengan demikian:
• sukses C(D,x). C((N-D),(n-x)) atau
 D  N  D 
  
 x  n  x 

• yang diperoleh dari total kombinasi yang mungkin C(N,n)

atau
N
 
n
 Distribusi Hipergeometrik (4)
• Sebuah variabel random (diskrit) X menyatakan jumlah sukses
dalam percobaan bernoulli dan total jumlah sukses D
diketahui dari sebuah populasi berukuran N, maka dikatakan x
mengikuti distribusi hipergeometrik dengan fungsi
kemungkinan :

 D  N  D 
  
 x  n  x 
p ( x)  , x  1,2, , min(n, D)
N
 
n
0 otherwise
• Distribusi kemungkinan hipergeometrik sering pula
disimbolkan dengan h(x;N;n;D).
 Distribusi Hipergeometrik (5)

Contoh:
Sebuah dealer otomotif
menerima lot berukuran 10

2
1
 10  2
  
 5  1 
2
1
8
4
2! 8!

1! 1! 4 ! 4 !
5

 
P ( 1)      0 .556
dimana hanya 5 diantaranya 10 10 10 ! 9
5 5
yang mendapat pemeriksaan 5! 5!
kelengkapan. 5 kendaraan
diambil secara random.        
2
1
  
10  2

52
2
1
8
3
2! 8!

1! 1! 3! 5! 2

 
Diketahui ada 2 kendaraan P(2)    
9
 0 . 222
10 10 10 !
dari lot berukuran 10 yang
5 5
tidak lengkap. Berapa 5! 5!
kemungkinan sekurangnya
Sehingga, P(1) + P(2) =
ada 1 kendaraan dari 5
kendaraan yang diperiksa 0.556 + 0.222 = 0.778.
ternyata tidak lengkap?
 Distribusi Geometrik (1)

Berkaitan dengan percobaan Bernoulli, dimana terdapat n percobaan

independen yang memberikan hasil dalam dua kelompok (sukses dan
gagal), variabel random geometric mengukur jumlah percobaan
sampai diperoleh sukses yang pertama kali.

Fungsi distribusi probabilitas

geometrik:P( x)  pq x1
dimana x = 1,2,3,... , p dan q adalah parameter (probabilitas sukses dan gagal).
Rata - rata dan variansi distribudi probabilitas geometrik adalah :
  1p 2 q
p2
 Distribusi Geometrik (2)
Contoh 6
Di dalam suatu proses produksi tertentu diketahui bahwa, secara rata-rata, 1 di dalam
setiap 100 barang adalah cacat. Berapakah probabilitas bahwa barang kelima yang diperiksa
merupakan barang cacat pertama yang ditemukan?
Penyelesaian:
Dengan menggunakan sebaran geometri dengan x = 5 dan p = 0,01, kita peroleh

g 5;0,01  0,010,90   0,0096

4
 Proses & Distribusi Poisson
• Percobaan bernoulli menghasilkan variabel random X
yang bernilai numerik, yaitu jumlah sukses yang terjadi.
• Jika pengamatan dilakukan pada pada suatu rentang
interval waktu, maka dapat diamati bahwa variabel
random X adalah terjadinya sukses selama waktu
tertentu.
• Jika perhatian ditujukan pada kejadian sukses yang
muncul (lahir) pada suatu rentang yang kecil, maka
terjadi sebuah proses kelahiran (birth atau arrival
process) atau dikenal sebagai proses Poisson (Poisson
process).
 Proses & Distribusi Poisson
Sifat-sifat Proses Poisson:
 Jumlah sukses yang terjadi dalam suatu selang waktu
(atau daerah tertentu) tidak dipengaruhi (independent)
terhadap kejadian pada selang waktu atau daerah yang
lain.
 Kemungkinan terjadinya suatu sukses (tunggal) dalam
interval waktu yang pendek (t mendekati nol)
sebanding dengan panjang interval dan tidak tergantung
pada banyaknya sukses yang terjadi di luar interval
tersebut.
 Kemungkinan terjadinya lebih dari satu sukses dalam
interval waktu yang pendek dapat diabaikan.
 Distribusi Probabilitas Poisson

Distribusi probabilitas Poisson bermanfaat dalam

penentuan probabilitas dari sejumlah kemunculan pada
rentang waktu atau luas/volume tertentu. Variabel random
Poisson menghitung kemunculan pada interval waktu yang
kontinyu.

Fungsi distribusi probabilitas Poisson :

 x e 
P( x)  untuk x = 1,2,3,...
x!
dimana  adalah rata-rata distribusi (yang juga merupakan variansi) dan
e adalah bilangan logaritmik natural (e=2.71828...).
Contoh

Jika rata – rata kedatangan λ = 72 setiap jam,

berapakah peluang dari x = 4 kedatangan dan t =
3 menit. Gunakan proses poisson.!
Jawaban:
Dik : λ = 72 kedatangan setiap jam atau 72 / jam
maka 1 jam atau 60 menit adalah unit waktunya.
Berarti 3 menit adalah 3 / 60 = 1 / 20 unit waktu
maka t = 1/20 dan x = 4

P ( x ) = e –λ . t . ( λ . t ) x
X!
P ( x ) = e –72 . ( 1/ 20 ) . ( 72 . 1 / 20 ) 4
4!
= 0.191 atau 19.1 %
 Contoh soal

Rata-rata jumlah panggilan lewat telepon yang

masuk bagian pelayanan Telkom per menit
adalah 5 buah. Berapa probabilitas dalam satu
menit tertentu tidak terdapat panggilan yang
masuk dari pelanggan? Berapa probabilitas
dalam satu menit ada 3 panggilan masuk?
Berapa probabilitas ada 2 panggilan masuk
dalam 15 detik?
Pendekatan Binomial - Poisson
P a d a d is t r ib u s i p r o b a b ilit a s b in o m ia l, jik a n s a n g a t b e s a r d a n
p k e c il, m a k a p e r h it u n g a n k e m u n g k in a n n y a s u lit d ila k u k a n .
P a d a k o n d is i t e r s e b u t , p e r h it u n g a n n ila i k e m u n g k in a n u n t u k
v a r ia b e l r a n d o m b in o m ia l d a p a t d id e k a t i d e n g a n p e r h it u n g a n
( a t a u t a b u la s i) p a d a d is t r ib u s i p o is s o n .
T e o re m a :
J ik a X a d a la h v a r ia b e l r a n d o m b in o m ia l d e n g a n d is t r ib u s i
k e m u n g k in a n b ( x ; n , p ) , d a n jik a b ila u k u r a n s a m p e l n   ,
n ila i p r o p o r s i s u k s e s p  0 , d a n d ig u n a k a n p e n d e k a t a n
  np , m a k a n ila i b ( x ; n , p )  p ( x ;  ) .
Pendekatan Binomial - Poisson
C o n to h
B e s a r n y a k e m u n g k in a n d it e m u k a n c a c a t p a d a h a s il p e n g e la s a n t it ik a d a la h
0 . 0 0 1 . P a d a s e b u a h p r o d u k h a s il r a k it a n t e r d a p a t 4 0 0 0 t it ik p e n g e la s a n ,
b e r a p a k e m u n g k in a n d it e m u k a n le b ih d a r i 6 c a c a t p a d a s e b u a h p r o d u k
h a s il r a k it a n ?
V a r ia b e l r a n d o m X ( b in o m ia l) m e n y a t a k a n j u m la h c a c a t p a d a h a s il r a k it a n ,
m a k a k e m u n g k in a n d it e m u k a n le b ih d a r i 6 c a c a t t e r s e b u t a d a la h
6  4000  x 4000  x
P (X  6)     0 . 001  0 . 999 .
x 0 x 
P e r h it u n g a n in i s u lit d ila k u k a n s e h in g g a d id e k a t i d e n g a n p e r h it u n g a n u n t u k
f u n g s i d is t r ib u s i k e m u n g k in a n P o is s o n ( d im a n a p a r a m e t e r a d a la h
6
  4000  0 . 001  4 ) s e b a g a i b e r ik u t P ( X  6 )   e  4  4 x / x !  0 . 889 , m a k a
x 0

k e m u n g k in a n d it e m u k a n le b ih d a r i 6 c a c a t a d a la h 1 - 0 . 8 8 9 = 0 . 1 1 1 .
Pendekatan Binomial - Poisson
Contoh
Sebuah proses menghasilkan barang-barang dari plastik yang sering kali
memiliki gelembung atau cacat. Diketahui bahwa rata-rata terdapat 1 dari
1000 barang yang dihasilkan mempunyai satu atau lebih cacat.
Berapa kemungkinan bahwa dari sampel acak berjumlah 8000 produk plastik
akan terdapat 7 produk yang memiliki cacat gelembung?
Pada dasarnya, kasus produk plastik cacat ini mengikuti distribusi binomial
dengan n=8000 dan p=0,001. Karena p sangat kecil dan mendekati nol serta
n sangat besar, maka perhitungan nilai kemungkinan dapat didekati dengan
distribusi Poisson dengan dimana  =(8000)(0,001)=8, sehingga
kemungkinan bahwa dari sampel acak berjumlah 8000 produk plastik akan
terdapat 7 produk yang memiliki cacat dapat dihitung sebagai berikut
6 6
P( X  7)   b( x;8000,0,001)   p( x;8) = 0,3134.
x 0 x 0
 Soal 1

Sebuah dadu dilemparkan ke atas

sebanyak 4 kali. Tentukan
probabilitas dari peristiwa berikut :
a. Mata dadu 5 muncul 1 kali.
b. Mata dadu genap muncul 2 kali.
c. Mata dadu 2 dan 6 muncul 4 kali.
 Soal 2
Sebanyak 7 mahasiswa akan mengikuti
ujian sarjana dan diperkirakan
probabilitas kelulusannya adalah 0,4.
Hitunglah probabilitas :
a. paling banyak 2 orang lulus.
b. yang akan lulus antara 2 sampai 4
orang.
c. paling sedikit 4 di antaranya lulus.
Soal 3
Sebuah toko alat tulis mengirimkan 20 buah tas
buku kepada suatu panitian seminar sebagai
hadiah sponsor, 5 di antaranya merupakan tas
berkualitas nomor dua. Bila secara acak panitia
mengambil 4 buah tas.
Berapa probabilitas bahwa di antaranya
terdapat :
a) tidak ada tas kualitas nomor dua ?
b) 2 buah tas kualitas nomor dua ?
c) semua tas kualitas nomor dua ?
Soal 4
Seorang operator telepon rata-rata mene-
rima satu panggilan telepon (permintaan
sambung) setiap menit dengan kecende-
rungan berdistribusi poisson.
a) Berapa probabilitas ia tidak menerima
satupun panggilan telepon dalam satu
menit?
b) Berapa probabilitas ia menerima kurang
dari empat panggilan dalam satu menit?
 Contoh:
Dari penelitian golongan darah mahasiswa
pada sebuah universitas, diketahui bahwa
dari 10 mahasiswa terdapat:
2 mahasiswa bergolongan darah A,
5 mahasiswa bergolongan darah B,
3 mahasiswa bergolongan darah O.
Apabila diambil 5 orang mahasiswa, berapa
probabilitas 1 orang bergolongan darah A, 2
orang B dan 2 orang O.