Get Me Ready…
As Us So…
huooko
• Distribusi probabilitas yg paling sederhana
adalah jikalau tiap nilai variabel random
memiliki probabilitas yg sama untuk
terpilih.
• Distribusi probabilitas spt ini diberi nama
Distribusi Probabilitas Uniform Diskrit
• Jika variabel random X bisa memiliki nilai x1,x2, …, x dan
masingmasing bisa muncul dengan probabilitas yg sama
maka distribusi probabilitasnya diberikan oleh:
• f(x;k)=1/k untuk x= x1,x2, …, x
• Notasi f(x;k) menyatakan nilai fungsi f tergantung pada k!
• Contoh 2.
• Sebuah dadu ideal memiliki muka : 1,2,3,4,5,6. Jika x
menyatakan mata dadu yg muncul, maka x= 1,2,3,4,5,6 dan
distribusi probabilitasnya
• f(x;6)=1/6 x=1,2,3,4,5,6
• Proses Bernoulli adalah, sebuah proses eksperimen statistik yg
memiliki ciri-ciri:
• Eksperimen terdiri dari n kali pengulangan
• Tiap kali, outcome hanya dua macam, dilabeli “sukses” dan “gagal”
• Probabilitas “sukses” di tiap percobaan, p, besarnya tetap dari satu
percobaan ke berikutnya.
• Satu percobaan dan yg berikutnya bersifat independen
• Kasus distribusi binomial umum:
• dilakukan eksperimen sebanyak n kali pengambilan
• dari n tsb, sebanyak x dikategorikan “sukses”, jadi sebanyak n-x
adalah “gagal”
• probabilitas “sukses” di tiap percobaan = p, berarti probabilitas
“gagal “, q=1-p.
Distribusi Probabilitas
Diskret
1. Random Variabel
2. Distribusi Probabilitas Variabel
Random Diskret.
1. Definisi Random
Variabel
Variabel random adalah suatu
fungsi yang memetakan setiap
anggota ruang sample S ke
bilangan real.
Simbol : huruf kapital (X, Y, Z, dll)
Example
Pelemparan 2 Banyaknya
0, 1, 2
mata uang logam muncul gambar
Remember!!
Variabel
Random
0 f (x) 1
n
f (x) 1
f (x) P (X x)
ilustrasi
Hasil penjualan mobil selama 300 hari pada PT.
Indah Caraka Motor.
Jumlah mobil yang terjual
Jumlah hari
dalam sehari
0 54
1 117
2 72
3 42
4 12
5 3
Total 300
Jika X menyatakan jumlah mobil yang terjual
dalam sehari, maka f(0) menyatakan
probabilitas 0 mobil terjual per hari.
x f(x)
0 0,18
1 0,39
2 0,24
3 0,14
4 0,04
5 0,01
Total 1
Fungsi Probabilitas Kumulatif (CDF)
variabel random diskret
Digunakan untuk menyatakan
jumlah dari seluruh nilai fungsi
probabilitas yang lebih kecil atau
sama dengan nilai yang
ditetapkan.
F (x) P ( X x)
Example
Pada pelemparan 2 mata uang logam.
Misalkan X adalah banyaknya muncul angka,
kemudian PDF dari X didefinisikan sebagai
berikut: 1
4 , x 0, x 2
1
f ( x) , x 1
2
0, yang lain
Tentukan :
a) Nilai variabel random
b) PDF
c) CDF
a) Nilai variabel random = 0, 1, 2
b) PDF:
f(0) = ¼
f(1) = ½
f(2) = ¼
c) CDF:
F(0) = ¼
F(1) = f(0) + f(1) = 1/4 + ½ = ¾
F(2) = f(0) + f(1) + f(2) = 1
x 0 1 2
1. Binomial
2. Hipergeometrik
3. Poisson.
1. Distribusi Hipergeometrik
8 20 8
3 5 3
f (3) 0, 23
20
5
1. Distribusi Poisson
Sebuah eksperimen dikatakan mengikuti distribusi
hipergeometrik, jika eksperimen itu memenuhi sifat-
sifat sebagai berikut:
1. Banyaknya pengulangan eksperimennya sangat
besar.
2. Peluang terjadinya peristiwa yang diperhatikan
mendekati nol.
xe
f ( x) P ( X x) , x 0,1, 2, 3, ...
x!
Example
•
e 3 30
f (0) 0, 05
0!
Example
• Probabilitas sebuah komponen mobil tidak rusak ketika
dijatuhkan adalah ¾. Berapakah probabilitasnya ada 2
dari 4 komponen yg dijatuhkan akan tidak rusak.
Example
• Probabilitas seorang pasien yg sakit suatu penyakit flu
sembuh adalah 40%. Jikalau 15 orang diketahui telah
tertular penyakit ini, berapakah probabilitasnya bahwa
(a) paling tidak 10 orang sembuh, (b) antara 3 hingga 8
orang sembuh (c)tepat 5 orang sembuh?
FIN for today