Tujuan Pembelajaran

 Menjelaskan pengertian distribusi binomial,

mengidentifikasi eksperimen binomial dan menghitung
probabilitas binomial, menghitung ukuran pemusatan
dan penyebaran distribusi binomial
 Menjelaskan pengertian distribusi Poisson,
mengidentifikasi eksperimen Poisson dan menghitung
probabilitas Poisson, menghitung ukuran pemusatan
dan penyebaran distribusi Poisson
 Mengetahui adanya jenis-jenis distribusi probabilitas
variabel acak diskrit lainnya
 Menjelaskan sifat-sifat suatu distribusi normal,
menggunakan mean dan deviasi standard dari variabel
acak kontinyu yang terdistribusi secara normal untuk
mengubah nilai variabel acak menjadi skor standard
 Tujuan Pembelajaran
 Menghitung probabilitas distribusi normal dan
menjelaskan hubungannya dengan luas daerah di
bahwa kurva probabilitas normal, Menentukan skor z
dari persyaratan probabilitas yang ditentukan
 Mengetahui adanya jenis-jenis distribusi probabilitas
variabel acak kontinyu lainnya
 Pokok Bahasan
 Distribusi Probabilitas Variabel Acak Diskrit
- Distribusi Binomial
- Distribusi Poisson
 Distribusi Probabilitas Variabel Acak Kontinyu
- Distribusi Gaussian (Normal)
 Distribusi Probabilitas Variabel
Acak Diskrit – Distribusi Binomial
Eksperimen Binomial
 Suatu distribusi binomial dapat digunakan dengan
tepat dalam suatu eksperimen binomial
 Eskperimen Binomial:
 Setiap percobaan/trial, hanya dapat menghasilkan satu
dari dua hasil yang mungkin, sukses atau gagal
 Probabilitas sukses p, dan demikian pula probabilitas
gagal q = 1 - p selalu tetapdalam setiap percobaan (trial)
 Setiap percobaan/trial saling bebas secara statistik, yang
berarti hasil suatu percobaan tidak berpengaruh pada
hasil percobaan lainnya
 Jumlah percobaan n adalah konstanta yang telah
ditentukan sebelumnya (dinyatakan sebelum eksperimen
dimulai)
 Distribusi Probabilitas Variabel
Acak Diskrit – Distribusi Binomial
Contoh 4.1:
Berikut ini adalah beberapa contoh eksperimen binomial:
 Suatu kuis terdiri dari 5 soal pilihan ganda dengan empat buah
jawaban alternatif, probabilitas banyaknya soal yang benar
dijawab oleh seseorang adalah eksperimen binomial dengan p =
1/4, q = 3/4, n = 5 dan variabel acak diskrit adalah jumlah
jawaban benar, x = 0, 1, 2, 3, 4, 5
 Dalam suatu kajian tentang ketangguhan mesin suatu jenis
mobil didapati bahwa 67 persennya memiliki jarak tempuh lebih
dari 400 ribu kilometer sampai harus turun mesin (overhaul)
yang pertama kalinya. Dua belas mobil jenis yang bersangkutan
dipilih secara acak dan jarak tempuh rata-rata sampai turun
mesin diperiksa. Eksperimen diatas adalah eksperimen binomial
dengan p = 0,67, q = 0,33, n = 12 dan variabel acak diskrit adalah
jumlah mobil yang dapat menempuh jarak lebih dari 400 ribu
kilometer sebelum turun mesin pertama kali, x = 0, 1, 2, 3, 4, 5, 6,
7, 8, 9, 10, 11, 12
 Distribusi Probabilitas Variabel
Acak Diskrit – Distribusi Binomial
Probabilitas Binomial
 Dalam sebuah eksperimen binomial dengan n percobaan
(trial), dimana p adalah probabilitas sukses dan q = 1 – p
adalah probabilitas gagal dalam sekali percobaan, maka
probabilitas variabel acak X yakni banyaknya x sukses yang
terjadi pada n percobaan tersebut dapat dihitung dengan :

P ( X  x)  p ( x)  n C x p x q n  x  n C x p x (1  p ) n  x

Cx = kombinasi dari n obyek yang setiap kali dipilih x obyek

n
 Distribusi kumulatif dari probabilitas binomial :
x x
F ( x)   n Ck p k q n  k   n Ck p k (1  p ) n  k
k 0 k 0
 Distribusi Probabilitas Variabel
Acak Diskrit – Distribusi Binomial
Contoh 4.2:
Distribusi probabilitas pada contoh 4.1 mengenai suatu kuis terdiri dari
5 soal pilihan ganda dengan empat buah jawaban alternatif, yang
merupakan suatu eksperimen binomial (p = 1/4, q = 3/4, n = 5 dan
variabel acak diskrit (X) adalah jumlah jawaban benar), dapat
ditentukan sebagai berikut:
 4  34   34
5! 1
0 5 0 5
P ( X  0)  p (0)  5 C0 1   0, 2373
0!5! 4

 4  4 5! 1
   4
1 4 1 4
P ( X  1)  p (1)  5 C1 1 3  3  0,3955
1!4! 4

 4  4    4
5! 1
2 3 2 3
P ( X  2)  p (2)  5 C2 1 3  3  0, 2637
2!3! 4

 4  34   34
5! 1
3 2 3 2
P ( X  3)  p (3)  5 C3 1   0, 0879
3!2! 4

 4  4    4   0, 0146
5! 1
4 1 4 1
P ( X  4)  p (4)  5 C4 1 3  3
4!1! 4

 4  4    4
5! 1
5 0 5 0
P ( X  5)  p (5)  5 C5 1 3  3  0, 0010
5!0! 4
 Distribusi Probabilitas Variabel
Acak Diskrit – Distribusi Binomial
Ukuran Pemusatan dan Penyebaran
 Mean Aritmatika
(Nilai Harapan) :  x  E ( X )  np
 Varians dan
Standard Deviasi :  x2  npq   x  npq
 Kemencengan q p 2 q p
(skewness) : 1      3  1 
np nq n npq

 Keruncingan 1  6 pq
(kurtosis) : 2  4  3
npq
 Distribusi Probabilitas Variabel
Acak Diskrit – Distribusi Binomial
Contoh 4.3:
Pada distribusi probabilitas dalam contoh 4.1 mengenai suatu kajian
tentang ketangguhan mesin suatu jenis mobil yang merupakan
eksperimen binomial dengan p = 0,67, q = 0,33, n = 12, diperoleh :

 x  E ( X )  np  (12)(0, 67)  8, 04
 x2  npq  (12)(0, 67)(0,33)  2,6532
 x  npq  2,6532  1,6289
q p 2 0,33 0, 67 2
1       1
np nq n (12)(0, 67) (12)(0,33) 12

1  6 pq 1  6(0, 67)(0,33)
2  3 3 2
npq (12)(0, 67)(0,33)

Teknik Mesin – FTUI  Dr. Ir. Harinaldi, M.Eng

 Distribusi Probabilitas Variabel
Acak Diskrit – Distribusi Binomial
Ilustrasi Distribusi Binomial di Bidang Teknik
 Pemeriksaan elemen-elemen benda manufaktur
 Dalam kebanyakan kasus, pemeriksaan menggunakan
dua kategori, rusak atau dapat diterima/dipakai
 Diasumsikan elemen-elemen benda kerja berasal dari
sebuah populasi yang:
 memiliki persentase bagian baik dan buruk yang
tetap
 persentase ini tetap sama pada waktu kita
mengambil sampel untuk diuji
 populasi yang cukup besar
 menggantikan setiap sampel yang terambil dengan
yang lainnya yang memiliki karakteristik serupa
selama kita melakukan pengambilan sampel
 Distribusi Probabilitas Variabel
Acak Diskrit – Distribusi Binomial
Ilustrasi Distribusi Binomial di Bidang Teknik
 probabilitas mendapatkan x elemen baik dari batch
sampel sejumlah n adalah:
P ( X  x)  p ( x)  n C x p x q n  x  n C x p x (1  p ) n  x

 p = probabilitas
mendapatkan elemen
yang baik = 0,25
 q = probabilitas
mendapatkan elemen
yang buruk = 1 – p = 0,75
 n = jumlah elemen dalam
batch yang sedang diuji
=10
 Distribusi Probabilitas Variabel
Acak Diskrit – Distribusi Binomial
Dalam praktek:
 nilai p yang sebenarnya tidak diketahui
 Perkirakan p berdasarkan data yang diperoleh dari jumlah
sampel yang terbatas
 Batas-batas interval kepercayaan untuk p telah dikaji dan
hasilnya telah dibuat dalam bentuk tabel-tabel (n < 30) dan
grafik-grafik (n 30)
 Distribusi Probabilitas Variabel
Acak Diskrit – Distribusi Poisson
Eksperimen Poisson
 Distribusi Poisson digunakan dalam mengamati jumlah
kejadian-kejadian khusus yang terjadi dalam satu
satuan waktu atau ruang
 Suatu distribusi Poisson dapat digunakan dengan tepat
dalam suatu eksperimen Poisson :
 Eksperimen yang meliputi penghitungan/pencacahan
banyaknya kali suatu peristiwa terjadi dalam suatu satuan
waktu atau ruang yang ditentukan
 Probabilitas peristiwa tersebut adalah sama untuk setiap
satuan waktu atau ruang
 Banyaknya peristiwa yang terjadi dalam suatu satuan
waktu atau ruang saling bebas terhadap banyaknya
peristiwa yang terjadi pada suatu satuan waktu atau
ruang lainnya
 Distribusi Probabilitas Variabel
Acak Diskrit – Distribusi Poisson
Contoh 4.4:
Berikut ini adalah beberapa contoh eksperimen Poisson:
 Banyaknya klaim asuransi kecelakaan mobil terhadap suatu
perusahaan asuransi setiap tahunnya
 Banyaknya cacat pada permukaan sebuah panel lembaran
logam yang digunakan dalam produksi suatu satelit ruang
angkasa
 Banyaknya panggilan telepon yang masuk setiap menitnya pada
kantor pelayanan darurat jalan tol
 jumlah yang rusak pada setiap 3000 meter pita pada jalur
manufaktur pita magnetik
 Distribusi Probabilitas Variabel
Acak Diskrit – Distribusi Poisson
Probabilitas Poisson
 Dalam sebuah eksperimen Poisson, probabilitas
memperoleh dengan tepat peristiwa X sebanyak x kejadian
setiap satu satuan waktu atau ruang (jam, menit, meter
persegi, dll) dapat dihitung dengan rumus:
 x e
P( X  x)  p( x) 
x!

 = laju kejadian (rata-rata banyaknya kejadian dalam satu

satuan waktu)
e = basis logaritma natural = 2,71828….
 Distribusi Probabilitas Variabel
Acak Diskrit – Distribusi Poisson
Contoh 4.5:
Contoh yang mudah dijelaskan misalnya adalah pada peristiwa emisi
dari partikel radioaktif yang dideteksi dengan sebuah Geiger counter.
Partikel-partikel ini diemisikan dalam waktu yang acak. Namun, jika kita
hitung jumlah emisi tersebut untuk waktu yang “lama”, maka laju rata-
rata emisi m partikel-partikel perdetik dapat dihitung. Jika kemudian
kita ingin memperkirakan probabilitas P(X=x) atau p(x) dapat
menghitung secara tepat x partikel dalam selang satu detik, fenomena
ini menunjukkan sangat mendekati model matematika Poisson.
m x e m
P( X  x)  p( x) 
x!
Sebagai contoh, jika m = 3 maka probabilitas dengan tepat 5
partikel perdetik adalah
35 e 3 (243)(0, 0498)
P ( X  5)  p (5)    0,1008
5! 120
 Distribusi Probabilitas Variabel
Acak Diskrit – Distribusi Poisson
Ukuran Pemusatan dan Penyebaran
 Mean Aritmatika
(Nilai Harapan) : x  E( X )  
 Varians dan
Standard Deviasi :  x2    x  
 Kemencengan 1 1
(skewness) : 1    3  1 
 

 Keruncingan 1
(kurtosis) : 2  4  3

 Distribusi Probabilitas Variabel
Acak Diskrit – Distribusi Poisson
Ilustrasi Distribusi Poisson di Bidang Teknik
 Pengendali yang akan menghentikan proses saat terjadi
cacat yang tidak normal (laju cacat tinggi), untuk
mengurangi jumlah sisa tak terpakai (scrap)
 Misal cacat terjadi secara acak dan secara rata-rata
terjadi 0,6 cacat untuk setiap 1000 meter produk
 Kondisi syarat untuk menghentikan proses
 Menghentikan proses ketika tidak terjadi kecacatan
 Tidak menghentikan proses ketika terjadi kecacatan
 Keuntungan dan kerugian menggunakan sampel
dengan ukuran tertentu
 Ukuran sampel yang terbaik yang harus digunakan
 Distribusi Probabilitas Variabel
Acak Diskrit – Distribusi Poisson
 Untuk kasus 1 atau lebih cacat, gunakan kurva berlabel x = 0:
 untuk proses normal, kita akan menemukan 1 atau lebih cacat
adalah sekitar 46 persen dari keseluruhan waktu
 Jika kriteria diubah menjadi 2, 3, dan 4 cacat atau lebih maka
proporsinya akan menjadi berturut-turut 13, 3, 0,4 persen dari
keseluruhan waktu
Distribusi Probabilitas Variabel
Acak Diskrit – Distribusi Lain
 Latihan Soal
• Prinsip-prinsip Statistik untuk Teknik dan Sains,
Harinaldi, Hal 89-90 No.2, 3, dan 7

Lab. Fluida Teknik Mesin-FTUI Dr.Ir. Harinaldi, M.Eng