BAB I

PENDAHULUAN
1.1 LATAR BELAKANG MASALAH
Baik di dalam dunia engineering, ekonomi, sosial, budaya maupun
dunia teoritis (termasuk dunia komputer tentunya), kita sering menghadapi
suatu yang sering disebut sebagai “ketidakpastian”. Ketidakpastian terjadi
akibat keterbatasan manusia itu sendiri di dalam dunianya dalam
mengukur/menghitung/menalar/meramal sesuatu hal baik yang akan
datang maupun yang ada di depan mata, termasuk yang telah terjadi.
Sudah sejak dari awal zaman, ketidakpastian diantisipasi manusia dengan
berbagai cara. Ada cara yang bersifat prophecy dan supranatural, ada
pula yang lebih rasional dengan mempelajari periodisitas (pengulangan)
gejala alam untuk mengurangi tingkat ketidakpastian itu hingga sampai ke
tingkat yang lebih manageble. Namun, ketidakpastian itu tetap mewarnai
kehidupan manusia karena ketidak pastian itu mungkin menjadi faktor
pemicu dinamika roda kehidupan itu sendiri. Dengan kata lain, walau
ketidakpastian itu seringkali menjadi sumber kesulitan, tatapi juga
sekaligus merupakan blessing.
Teori Probabilitas bisa dikatakan merupakan salah satu ilmu untuk
“mengukur” ketidakpastian hingga ke tingkat yang lebih manageble dan
predictable. Teori probabilitas digunakan bukan hanya untuk hal-hal yang
praktis, bahkan juga untuk hal-hal yang teoritis ketika model-model
matematis tidak dapat lagi disusun secara komprehensif untuk
memecahkan suatu masalah. Apalagi dunia engineering yang pada
umumnya memerlukan pertimbangan yang lebih singkat dan pragmatis
sangat mengandalkan konsep-konsep di dalam teori probabilitas.
Metode statistika adalah “muka” dari teori probabilitas. Metode
statistika digunakan untuk melakukan pengukuran kuantitatif yang
aproksimatif akan suatu hal. Konsep metodologis yang digunakan di
dalam metode statistika dikembangkan berdasarkan teori probabilitas.
Dalam penggunaannya, hasil pengukuran statistika sudah dapat dianggap
memadai. Namun, untuk memahami apa yang ada di balik angka-angka
hasil penghitungan statistika tersebut memerlukan pemahaman
mengenali model probabilitas yang digunakannya, yang artinya perlu
kembali ke teori probabilitas. Tanpa pemahaman tersebut, seringkali
statistik digunakan untuk melegitimasi suatu kebohongan (dikenal sebagai
kebohongan statistika) ketika statistik digunakan sementara model dasar
probabilitas yang terkait tidak sesuai/relevan dengan situasi yang
sebenarnya.
Simulasi dan teori antrian dapat dikatakan juga sebagai turunan
dari teori probabilitas. Dengan simulasi maka perilaku suatu sistem atau
rancangan dapat dipelajari. Teori probabilitas digunakan dalam
menentukan perilaku secara lebih kuantitatif dari apa yang disimulasikan.
Teori antrian merupakan hasil pengembangan lanjutan konsep
probabilitas dan di dalamnya masih berbicara mengenai model-model
probabilitas.
Namun, kembali ke pembicaraan awal, yaitu bahwa probabilitas
hanyalah suatu sistematika ilmu untuk mempelajari ketidakpastian.
Seakurat-akuratnya model probabilitas yang digunakan, tetap saja
ketidakpastian itu masih ada walau dengan kadar yang amat tipis. Dan
ketidak pastian yang tipis itu pada gilirannya dapat menghasilkan hasil
yang ekstrim. Jadi penting bagi kita memahami apa yang bias diberikan
oleh teori probabilitas dan turunan-turunannya. Dalam statistik probabilitas
dikenal dengan distribusi, distribusi ini ada dua macam yaitu distribusi
diskrit dan distribusi kontinue.
1.2 RUMUSAN MASALAH
Dalam pembahasan ini kami menguraikan beberapa hal tentang
macam-macam distribusi random diskrit.
1.2.1 Proses Bernoulli
1.2.2 Distribusi Binomial
1.2.3 Distribusi Geometrik
1.2.4 Distribusi Hipergeometrik
1.2.5 Proses & Distribusi Poisson
1.2.6 Pendekatan untuk Distribusi Binomial
1.3 TUJUAN PEMBAHASAN
Tujuan dari pembahasan ini adalah untuk memenuhi tugas mata
kuliah Statistika Probabilitas pada semester ganjil Tahun Akademik
2009/2010.
1.4 MANFAAT PEMBAHASAN
Manfaat yang diharapkan dari pembahasan ini adalah:
1. Dapat menambah khasanah pengetahuan tentang Statistika
Probabilitas khususnya pada sub pokok bahasan Distribusi Diskrit.
2. Dapat mengetahui macam-macam distribusi diskrit dengan lebih
mendalam
BAB II
PEMBAHASAN
2.1Distribusi Random Diskrit
Distribusi probabilitas variabel acak menggambarkan bagaimana
suatu probabilitas didistribusikan terhadap nilai-nilai dari variabel acak
tersebut. Untuk variabel diskrit X, distribusi probabilitas didefinisikan dengan
fungsi probabilitas dan dinotasikan sebagai p(x).
Dalam pembahasan distribusi Random Diskrit ini akan membahasa antara
lain:
a) Proses Bernoulli
b) Distribusi Binomial
c) Distribusi Geometrik
d) Distribusi Hipergeometrik
e) Proses & Distribusi Poisson
f) Pendekatan untuk Distribusi Binomial
Untuk itu mari kita uraikan lebih lanjut dalam pembahasan
selanjutnya. Selain itu dalam pembahasan ini juga akan kami tambahkan
penyelesaian distribusi random diskrit dalam aplikasi Ms. Excel.
2.2 Proses Bernoulli
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 tersebut bersifat mutually exclusive.
3. Probabilitas sukses, disimbolkan dengan p, adalah tetap atau
konstan. Probabilitas gagal, dinyatakan dengan q, adalah q = 1-p.
Beberapa distribusi yang dilandasi oleh proses Bernoulli adalah :
1. Distribusi binomial,
2. Distribusi geometrik, dan
3. Distribusi hipergeometrik.
(termasuk kategori tersebut adalah distribusi multinomial dan negatif
binomial).
2.3 Distribusi Binomial
Suatu percobaan yang mempunyai 2 kemungkinan yaitu berhasil
atau gagal dan dilakukan berulang-ulang dinamakan percobaan
binom, sehingga ciri-ciri percobaan binom adalah :
1. Percobaan terdiri atas n peristiwa
2. Dalam setiap peristiwa hasilnya dapat digolongkan sebagai
berhasil atau gagal
3. Peluang berhasil dilambangkan dengan p
4. Peristiwa-peristiwa itu bersifat bebas satu sama lain
Variabel x yang menyatakan banyak keberhasilan dalam n
percobaan suatu percobaan binom dan distribusinya peluangnya disebut
Distribusi Binomial dan nilai- nilainya dilambangkan dengan b (x; n,p)
Jika peluang keberhasilan “p” dan peluang kegagalan q = 1 –
p, maka distribusi peluang untuk variable acak binomial x yaitu
banyaknya keberhasilan dalam n peristiwa yang bebas adalah :
Karena distribusi binomial termasuk distribusi variabel diskrit b(x; n,;)
= p(x) = P(X=x)
Perhatikan Contoh berikut:
Berikut ini dalam penyelesaian Excel dimana:
Dengan menggunakan fungsi binomdist, dimana:
Sehingga penyelesaianya adalah sebagai berikut:
Selanjutnya dapatlah dibuat sebuah penyelesaian dalam bentuk tabel seperti
berikut ini:
Berikut ini gambaran dengan grafik..
npq = SD(X) =
: binomial distribusi dari standar Deviasi
) (
: binomial distribusi dari Variansi
) (
: binomial distribusi dari Mean
2
σ
σ
µ
npq X V
np X E
· ·
· ·
7071 . 5 . 0 ) (
5 . 0 ) 5 )(. 5 )(. 5 ( ) (
5 . 2 ) 5 )(. 5 ( ) (
2
: produk 5 dalam A mesin
dari produk jumlah adalah A
· · ·
· · ·
· · ·
H SD
H V
H E
H
H
H
σ
σ
µ
2.4 Distribusi Hipergeometrik
 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.
 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)).
 Dengan demikian:
 sukses C(D,x). C((N-D),(n-x)) atau

,
_

¸
¸

,
_

¸
¸
x n
D N
x
D

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

,
_

¸
¸
n
N
 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 :
otherwise 0
) , min( , , 2 , 1 , ) (
·
·

,
_

¸
¸

,
_

¸
¸

,
_

¸
¸
· D n x
n
N
x n
D N
x
D
x p 
 Distribusi kemungkinan hipergeometrik sering pula
disimbolkan dengan h(x;N;n;D).
Parameter pemusatan dan penyebaran adalahsebagai berikut :

,
_

¸
¸

,
_

¸
¸

,
_

¸
¸
⋅ ·

· n
N
x n
D N
x
D
x X E
D n
x
) , min(
0
/ ) (
N D n / ⋅ · (jika N besar maka D/N=p)
Untuk kasus dimana n<D, maka ekspektasi tersebut adalah

·

,
_

¸
¸

,
_

¸
¸

,
_

¸
¸
·
n
x
n
N
x n
D N
x
D
x X E
0
) (
. Karena
)! ( )! 1 (
)! 1 (
x D x x
D D
x
D
− ⋅ − ⋅
− ⋅
·

,
_

¸
¸
, maka diperoleh

·

,
_

¸
¸

,
_

¸
¸

,
_

¸
¸


·
n
x
n
N
x n
D N
x
D
D X E
0
1
1
) (
.
Contoh:
Sebuah dealer otomotif
menerima lot berukuran 10
dimana hanya 5 diantaranya yang
mendapat pemeriksaan
kelengkapan. 5 kendaraan
diambil secara random. Diketahui
ada 2 kendaraan dari lot
berukuran 10 yang tidak lengkap.
Berapa kemungkinan
sekurangnya ada 1 kendaraan
dari 5 kendaraan yang diperiksa
ternyata tidak lengkap?
( )
( )
( )
( )
( ) ( )
( )
( )
( )
( )
( )
( ) ( )
( )
P
P
( )
!
! !
!
! !
!
! !
.
( )
!
! !
!
! !
!
! !
.
1
2
1
10 2
5 1
10
5
2
1
8
4
10
5
2
1 1
8
4 4
10
5 5
5
9
0 556
2
2
1
10 2
5 2
10
5
2
1
8
3
10
5
2
1 1
8
3 5
10
5 5
2
9
0 222
·


· · · ·
·


· · · ·
¸
¸

_
,

¸
¸

_
,

Sehingga, P(1) + P(2) =
0.556 + 0.222 = 0.778.
Fungsi HYPGEOMDIST
Fungsi ini menghasilkan distribusi hipergeometrik. Fungsi HYPGEOMDIST
digunakan untuk permasalahan dengan populasi terbatas di mana setiap
Transformasikan y=x-1, maka bentuk di atas berubah
menjadi

·

,
_

¸
¸

,
_

¸
¸
− −

,
_

¸
¸

·
n
y
n
N
y n
D N
y
D
D X E
0
1
1
) (
, karena

,
_

¸
¸
− −
− − −
·

,
_

¸
¸
− −

y n
D N
y n
D N
1
) 1 ( ) 1 (
1
dan

,
_

¸
¸


·

·

,
_

¸
¸
1
1
)! ( !
!
n
N
n
N
n N n
N
n
N
maka diperoleh ∑
·

,
_

¸
¸

,
_

¸
¸
− −
− − −

,
_

¸
¸

·
n
y
n
N
y n
D N
y
D
N
nD
X E
0
1
1
1
) 1 ( ) 1 ( 1
) (
Karena penjumlahantersebutmenghasilkannilai satu (sifat
distribusikemungkinan), maka
N
nD
X E · ) (
.
Dapatdibuktikanbahwa
1
) 1 )( 1 (
) 1 (

− −
· −
N
D n
X E
. Ekspektasiperkalian
X dan (X-1) adalah
) ( ) ( )] 1 ( [
2
X E X E X X E − · −
. Karena
N
nD
X E · ) (
dan
1
) 1 )( 1 (
) 1 (

− −
· −
N
D n
X E
, maka
) 1 (
) 1 ( ) 1 (
)] 1 ( [

− −
· −
N N
n n D D
X X E
.
Variansi
2 2 2
) ( µ σ − · X E
, hal ini berarti
2 2
)] 1 ( [ µ µ σ − + − · X X E
atau
ruas kananmenjadi
2
2 2
) 1 (
) 1 ( ) 1 (
N
D n
N
nD
N N
n n D D
− +

− −
. Dengan pengaturan
kembali diperoleh variansi distribusi kemungkinan
hipergeometri k adalah
1
]
1

¸




1
]
1

¸

− ⋅
1
]
1

¸

⋅ · ·
1
1 ) (
2
N
n N
N
D
N
D
n X V σ
(untuk N yang besar hasil ini mendekati npq).
observasi bisa berupa sukses atau gagal dan setiap subset dari ukuran yang
ditentukan dipilih berdasarkan kemungkinan yang sama.
Sintaks: = HYPGEOMDIST (Sampel_s, Jum_sampel, Populasi_s,
Jum_populasi)
Persamaan untuk distribusi hipergeometrik:
Perhatikan contoh berikut:
2.5 Distribusi Multinomial
Distribusi probabilitas binomial digunakan untuk sejumlah sukses dari
n percobaan yang independen, dimana seluruh hasil (outcomes)
dikategorikan ke dalam dua kelompok (sukses dan gagal). Distribusi
probabilitas multinomial digunakan untuk penentuan probabilitas hasil yang
dikategorikan ke dalam lebih dari dua kelompok.
Perhatikan contoh berikut:
Berdasarkan laporan sebuah penelitian tahun 1995, diantara produk
mikroprosesor pentium generasi pertama diketahui terdapat cacat yang
mengakibatkan kesalahan dalam operasi aritmatika. Setiap mikroprosesor
dapat dikategorikan sebagai baik, rusak dan cacat (dapat digunakan dengan
kemungkinan muncul kesalahan operasi aritmatika). Diketahui bahwa 70%
mirkoprosesor dikategorikan baik, 25% cacat dan 5% rusak. Jika sebuah
sample random berukuran 20 diambil, berapa probabilitas ditemukan 15
mikroprosesor baik, 3 cacat dan 2 rusak?
Penyelesaian dari soal diatas sebagai berikut:
( )( )( )
0288 .
05 . 25 . 7 .
! 2 ! 3 ! 15
! 20
) 2 , 3 , 15 (
2 3 15
·
· P
2.6 Distribusi Geometrik
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.
Contoh!
Pada suatu daerah, P-Cola menguasai pangsa pasar sebesar 33.2%
(bandingkan dengan pangsa pasar sebesar 40.9% oleh C-Cola). Seorang
mahasiswa melakukan penelitian tentang produk cola baru dan memerlukan
seseorang yang terbiasa meminum P-Cola. Responden diambil secara
random dari peminum cola. Berapa probabilitas responden pertama adalah
peminum P-cola, berapa probabilitas pada responden kedua, ketiga atau
keempat?
Penyelesaian.
2.7 Distribusi Binomial Negatif
Variabel random binomial X, menyatakan:
 Jumlah sukses dari n percobaan independen Bernoulli.
 p adalah probabilitas sukses (tetap untuk setiap percobaan
Jika ingin diketahui:
 Pada percobaan keberapa (n) sejumlah sukses (c) dapat dicapai
dalam percobaan Bernoulli.
Pertimbangkan sebuah proses inspeksi untuk menemukan produk
cacat (kategori sukses dengan probabilitas 0.1). Batas sebuah penolakan
sebuah lot adalah jika ditemukan 4 buah cacat (D). Ditemukan bahwa sebuah
lot ditolak setelah dilakukan inspeksi pada 10 produk.
 Sebuah kemungkinan adalah DDDGGGGGGD. Dengan teori
multiplikasi, probabilitas urutan tersebut adalah (0.1)4 (0.9)6.
 Karena 10 percobaan tersebut independen, tanpa memper-
hatikan urutan, probabilitas diperoleh 4 cacat dari 10 percobaan adalah
(0.1)4 (0.9)6.
 Karena kriteria penolakan adalah ditemukannya 4 produk cacat,
maka posisi ke-n adalah pasti produk cacat. Sehingga jumlah urutan yang
mungkin adalah kombinasi 3 dari 9, .
099 . 0 ) 668 )(. 332 (. ) 4 (
148 . 0 ) 668 )(. 332 (. ) 3 (
222 . 0 ) 668 )(. 332 (. ) 2 (
332 . 0 ) 668 )(. 332 (. ) 1 (
) 1 4 (
) 1 3 (
) 1 2 (
) 1 1 (
· ·
· ·
· ·
· ·




P
P
P
P
 Probabilitas diperlukan 10 percobaan untuk menghasilkan 4
sukses adalah:
Distribusi negatif binomialny adalah :
Sehingga:
 Perhatikan distribusi kumulatif:
Dimana ruas kanannya
yang dapat diperoleh dari distribusi kumulatif binomial.
Berikut ini adalah aplikasi dalam excel.

,
_

¸
¸
3
9
( ) ( )
6 4
9 . 0 1 . 0
! 6 ! 3
! 9

,
_

¸
¸
∑ ∑
·

·

,
_

¸
¸
· −

,
_

¸
¸


r
c x
r
c n
) 1 ( ) 1 (
1
1
x r x c n c
p p
x
r
p p
c
n
) ; ; 1 ( 1 ) 1 ( 1
1 - c
0 x
p r c B p p
x
r
x r x
− − · −

,
_

¸
¸


·

Sedangkan untuk fungsi lainnya adalah:
2.8 Proses Poison dan Distribusi Poison
 Percobaan bernoulli menghasilkan variabel random X yang
bernilai numerik, yaitu jumlah sukses yang terjadi.
 Jika pengamatan dilakukan 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).
Sifat-sifat Proses Poisson:
 Jumlah sukses yang terjadi dalam suatu selang waktu (atau
daerah tertentu) tidak berpengaruh (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 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 poisson dapat diturunkan dengan
memperhatikan asumsi-asumsi berikut:
•Jumlah kedatangan pada interval yang tidak saling tumpang
tindih ( nonoverlapping interval ) adalah variabel random
independen.
•Ada nilai parameter
λ
positif sehingga dalam sebuah interval
waktu yang kecil
t ∆
akan diperoleh :
i) Kemungkinan bahwa terjadi tepat satu kedatangan pada
interval waktu
t ∆
adalah ( t ∆ ⋅ λ ).
ii) Kemungkinan bahwa terjadi tepat nol kedatangan pada
interval waktu
t ∆
adalah ( t ∆ ⋅ −λ 1 ).
Perhatikan posisi dan rentang waktu berikut:
0
t

t t ∆ +
Untuk suatu titik waktu t yang tetap ( fixed ), kemungkinan
terjadi nol kedatangan diformulasikan sebagai berikut :
[ ] ) ( 1 ) (
0 0
t p t t t p ⋅ ∆ ⋅ − ≅ ∆ + λ . Dengan melakukan penyusunan
kembali akan diperoleh
) (
) ( ) (
0
0 0
t p
t
t p t t p
⋅ − ≅

− ∆ +
λ
. Jika interval
waktu sangat kecil (
t ∆
mendekati nol), maka dapat digunakan
diferensial berikut :
) ( ) (
) ( ) (
lim
0
'
0
0 0
0
t p t p
t
t p t t p
t
λ − · ·
1
]
1

¸


− ∆ +
→ ∆
.
Hal yang sama dapat dilakukan jika terdapat kedatangan
0 > x , sehingga dapat diformulasikan kemungkinan berikut
[ ] ) ( 1 ) ( ) (
1
t p t t p t t t p
x x x
⋅ ∆ ⋅ − + ∆ ⋅ ≅ ∆ +

λ λ
.
Dengan melakukan penyusunan kembali akan diperoleh
). ( ) (
) ( ) (
1
t p t p
t
t p t t p
x x
x x
⋅ − ⋅ ≅

− ∆ +

λ λ
Jika interval waktu sangat kecil (
t ∆
mendekati nol), maka
dapat digunakan diferensial berikut :
) ( ) ( ) (
) ( ) (
lim
1
'
0
t p t p t p
t
t p t t p
x x x
x x
t
λ λ − · ·
1
]
1

¸


− ∆ +

→ ∆
.
Contoh:
Perusahaan telepon memberikan 1000 pilihan pesawat telepon (sebagai
kombinasi warna, type, fungsi, dll). Sebuah perusahaan membuka cabang
baru dan tersedia 200 sambungan telpon dimana setiap karyawan boleh
memilih pesawat telepon sesuka hatinya. Asumsikan bahwa ke-1000 pilihan
tersebut adalah equally likely. Berapa probabilitas bahwa sebuah pilihan tidak
dipilih, dipilih oleh seorang, dua orang atau tiga orang karyawan?
n = 200 ; p = 1/1000 = 0.001 ;
α = np = (200)(0.001) = 0.2
Penyelesaian:
Dari dua persamaan diferensial yang diperoleh (untuk nol
kedatangan dan ada kedatangan 0 > x ), diperoleh solusi
berikut
! / ) ( ) (
) (
x e t t p
t x
x
λ
λ

⋅ ·
. Karena titik waktu
t
adalah tetap
(fixed), maka dapat digunakan notasi
t λ α·
, sehingga
distribusi probabilitas poisson yang diperoleh adalah:
lainnya x 0
, 2 , 1 , 0 , ! / ) ( ) (
·
· ⋅ ·

 x x e x p
x α
α
Parameter pemusatan dan penyebaran adalah:


·


⋅ ·
0
!
) (
x
x
x
e
x X E
α
α

α ·
dan
( )
2
1
2
!
) ( α
α
α

,
_

¸
¸ ⋅
⋅ ·


·

x
e
x X V
x
x

α ·
.
Rata-rata pengiriman bahan baku ke suatu pabrik adalah 10 truk
dan fasilitas bongkar hanya mampu menerima paling banyak 15
truk per hari. Pemasok menginkan agar truk pasokannya dapat
dibongkar pada hari yang sama. Suatu hari, pemasok mengirimkan
sebuah truk ke pabrik tersebut, berapa kemungkinan truk tersebut
harus bermalam karena tidak dapat dibongkar?
X adalah variabel random banyaknya truk bahan baku yang tiba
setiap hari. Dengan distribusi Poisson, kemungkinan sebuah truk
harus bermalam adalah ∑
·
− · ≤ − · >
15
0
) 10 ; ( 1 ) 15 ( 1 ) 15 (
x
x p X P X P
=0.9513
(dari tabel), maka kemungkinan sebuah truk harus bermalam
karena tidak dapat dibongkar adalah 1-0.9513=0.0487.
Berikut Contoh berdasarkanTabel
Pendekatan Binomial – Poisson
Pada distribusi probabilitas binomial, jika
n
sangat besar dan
p
kecil, maka perhitungan kemungkinannya sulit dilakukan.
Pada kondisi tersebut, perhitungan nilai kemungkinan untuk
variabel random binomial dapat didekati dengan perhitungan
(atau tabulasi) pada distribusi poisson.
Teorema :
Jika X adalah variabel random binomial dengan distribusi
kemungkinan b(x;n,p), dan jika bila ukuran sampel
∞ → n
,
nilai proporsi sukses
0 → p
, dan digunakan pendekatan
np · µ
, maka nilai
) ; ( ) , ; ( µ x p p n x b →
.
Bukti :
Fungsi distribusi kemungkinan binomial dapat ditulis sebagai berikut
x n x
q p
x
n
p n x b

,
_

¸
¸
· ) , ; (
=
x n x
p p
x n x
n



) 1 (
)! ( !
!
=
x n x
p p
x
x n n n


+ − −
) 1 (
!
) 1 )...( 1 (
.
Jika dilakukan transformasi
n p / µ ·
maka diperoleh
x x
n n x
x n n n
p n x b

,
_

¸
¸

,
_

¸
¸
+ − −
·
µ µ
1
!
) 1 )...( 1 (
) , ; ( =
, 1
1
1 ...
1
1 1 ·

,
_

¸
¸

,
_

¸
¸

n
x
n
dan dari definisi bilangan natural e, diperoleh hubungan berikut
µ
µ
µ
µ



∞ → ∞ →
·
¹
¹
¹
)
¹
¹
¹
¹
'
¹
1
]
1

¸


+ ·

,
_

¸
¸
− e
n n
n
n n
/
/ ) (
1
1
1
1
lim lim .
Dengan memperhatikan syarat limit di atas dapat diperoleh
,
!
) , ; (
x
e
p n x b
x
µ
µ −

dimana x=0, 1, 2…, yaitu sebuah distribusi poisson
untuk
α µ·
(rata-rata jumlah sukses=rata-rata kedatangan).
Berikut ini aplikasi penggunaan excel pada distribusi Poison:
Contoh
Besarnya kemungkinan ditemukan cacat pada hasil pengelasan titik adalah
0.001. Pada sebuah produk hasil rakitan terdapat 4000 titik pengelasan,
berapa kemungkinan ditemukan lebih dari 6 cacat pada sebuah produk
hasil rakitan?
Variabel random X (binomial) menyatakan jumlah cacat pada hasil rakitan,
maka kemungkinan ditemukan lebih dari 6 cacat tersebut adalah

·

,
_

¸
¸
· ≤
6
0
4000
999 . 0 001 . 0

4000
) 6 (
x
x x
x
X P
.
Perhitungan ini sulit dilakukan sehingga didekati dengan perhitungan untuk
fungsi distribusi kemungkinan Poisson (dimana parameter adalah
4 001 . 0 4000 · ⋅ · α
) sebagai berikut
889 . 0 ! / 4 ) 6 (
6
0
4
· ⋅ · ≤

·

x
x
x e X P
, maka
kemungkinan ditemukan lebih dari 6 cacat adalah 1-0.889=0.111.
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
µ
=(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
0
) 001 , 0 , 8000 ; ( ) 7 (
x
x b X P ∑
·

6
0
) 8 ; (
x
x p
= 0,3134.
BAB III
PENUTUP
3.1 KESIMPULAN
Dari uraian diatas dapatlah disimpulkan antara lain:
1. Bahwa probabilitas sangatlah membantu manusia dalam
mengambil sebuah keputusan. Misalnya untuk memperkirakan apakah
peluang lebih banyak gagal atau sukses dari sebuah usaha.
2. Bahwa dengan menggunakan metode probabilitas yang ada kita
dapat menggunakannya sebagai acuan dalam menyelesaikan berbagai
masalah kemungkinan-kemungkinan.
3. Distribusi diskrit digunakan dalam menentukan sebuah
probabilitas acak yang sudah diketahui nilai dan datanya.
3.2 SARAN
1. Untuk dapatlah dipelajari lebih lanjut tentang probabilitas sehingga
kita dapat lebih paham.
2. Diadakannya praktek probabilitas secara sederhana agar tidaklah
mempelajari hanya dengan teori.
3.3 PENUTUP
Demikian pembahasan dalam makalah perkuliahan ini, semoga dari
paparan yang sudah ada dapatlah memberikan pemahaman dan menambah
pengetahuan kita tentang Statistika Probabilitas khususnya pada
pemahaman tentang Distribusi random diskrit, sehingga diharapkan dapat
membantu kita dalam mengambil sebuah keputusan dari kemungkinan-
kemungkinan yang ada.
DAFTAR PUSTAKA
Pamungkas, Ir. 2005. Trik Pemrograman Microsoft Excel. PT. Elex Media
Komputindo: Jakarta.
http://www2.toki.or.id/probter/doc/diktat/probter-01.pdf, diakses pada tanggal 27
November 2009.
http://budhiaiko.files.wordpress.com/2008/09/statprobpendahuluan.pdf, diakses
pada tanggal 27 November 2009
http://budhiaiko.files.wordpress.com/2008/09/konsepdasarprobabilitas1.ppt,
diakses pada tanggal 27 November 2009.
e-learning Departemen Teknik FTI-ITB, diakses pada tanggal 28 November
2009.
Makalah Perkuliahan
Statistika Probabilitas
Tentang
DISTRIBUSI DISKRIT
(BINOMIAL, POISON, GENOMETRIKAL)
Disusun dalam rangka memenuhi Tugas Mata Kuliah Statistika Probabilitas
Semester Genap Tahun Akademik 2009 / 2010
Oleh :
 Ahmad Ghozali (5020802001)
 M. Nurul Fahmi (
 Eko Septiono (
 Nurmanto (
SEKOLAH TINGGI TEKNOLOGI
PONDOK MODERN SUMBER DAYA AT-TAQWA
STT POMOSDA
Jl. KH. Wachid Hasyim 375 Telp. 0358773351
TANJUNGANOM – NGANJUK – JAWA TIMUR
2009
KATA PENGANTAR

Assalamu'alaikum Wr. Wb.
Dengan mengucapkan puji syukur Alhamdulillah kehadirat Allah SWT
yang telah melimpahkan rahmat dan hidayah-Nya kepada penulis didalam
meyelesaikan makalah ini dengan baik dan tepat pada waktunya.
Dengan terselesaikannya makalah ini, penulis mengucapkan banyak
terima kasih kepada yang terhormat:
1. Ibu Fitri Meita Sari, S.Si selaku dosen Mata Kuliah Statistika Probabilitas.
2. Ibu Sriwigatri selaku dosen pendambing Mata Kuliah Statistika
Probabilitas
3. Sahabat-sahabat yang telah memberikan sumbangan berharga bagi
penulis.
Penulis menyadari bahwa dalam penyusunan makalah ini tidak lepas dari
kekurangan dan kelemahan, oleh karena itu penulis berharap agar kekurangan
tersebut dijadikan titik tolak kearah perbaikan dalam penulisan karya ilmiah yang
lebih baik di masa mendatang, dan penulis mengharapkan kritik dan saran yang
bersifat membangun dari pembaca untuk kualitas yang lebih baik.
Wassalamu’alaikum Wr. Wb.
Nganjuk, April 2009
Penulis
DAFTAR ISI
Halaman Judul................................................................................................ i
Kata Pengantar............................................................................................... ii
Daftar Isi......................................................................................................... iii
Bab I Pendahuluan..................................................................................... 1
1.1. Latar Belakang Masalah........................................................... 1
1.2. Rumusan Masalah.................................................................... 1
1.3. Tujuan Pembahasan................................................................. 1
1.4. Manfaat Pembahasan............................................................... 1
Bab II Pembahasan..................................................................................... 9
2.1. Distribusi Random Diskrit ........................................................
2.2. Proses Binoulli.......................................................................... 9
2.3. Distribusi Binomial.................................................................... 9
2.4. Distribusi Hipergeometrik..........................................................
2.5. Distribusi Multinomial................................................................
2.6. Distribusi Geometrik..................................................................
2.7. Distribusi Binomial Negatif........................................................
2.8. Proses Poison dan Distribusi Poison.......................................
2.9.
Bab III Penutup............................................................................................. 10
3.1. Kesimpulan................................................................................. 10
3.2. Saran.......................................................................................... 10
3.3. Penutup
Daftar Pustaka

Namun, kembali ke pembicaraan awal, yaitu bahwa probabilitas hanyalah suatu sistematika ilmu untuk mempelajari ketidakpastian. Seakurat-akuratnya model probabilitas yang digunakan, tetap saja ketidakpastian itu masih ada walau dengan kadar yang amat tipis. Dan ketidak pastian yang tipis itu pada gilirannya dapat menghasilkan hasil yang ekstrim. Jadi penting bagi kita memahami apa yang bias diberikan oleh teori probabilitas dan turunan-turunannya. Dalam statistik probabilitas dikenal dengan distribusi, distribusi ini ada dua macam yaitu distribusi diskrit dan distribusi kontinue.
1.2 RUMUSAN MASALAH Dalam pembahasan ini kami menguraikan beberapa hal tentang macam-macam distribusi random diskrit. 1.2.1 Proses Bernoulli 1.2.2 Distribusi Binomial 1.2.3 Distribusi Geometrik 1.2.4 Distribusi Hipergeometrik 1.2.5 Proses & Distribusi Poisson 1.2.6 Pendekatan untuk Distribusi Binomial 1.3 TUJUAN PEMBAHASAN Tujuan dari pembahasan ini adalah untuk memenuhi tugas mata kuliah Statistika Probabilitas pada semester ganjil Tahun Akademik 2009/2010. 1.4 MANFAAT PEMBAHASAN Manfaat yang diharapkan dari pembahasan ini adalah: 1. Dapat menambah khasanah pengetahuan tentang Statistika Probabilitas khususnya pada sub pokok bahasan Distribusi Diskrit. 2. Dapat mengetahui macam-macam distribusi diskrit dengan lebih mendalam

3. yaitu sukses* dan gagal. adalah q = 1-p. Peluang berhasil dilambangkan dengan p 4. (termasuk kategori tersebut adalah distribusi multinomial dan negatif binomial). Distribusi hipergeometrik. Probabilitas gagal. 2. Probabilitas sukses. adalah tetap atau konstan. Selain itu dalam pembahasan ini juga akan kami tambahkan penyelesaian distribusi random diskrit dalam aplikasi Ms. dinyatakan dengan q. Distribusi geometrik.nilainya dilambangkan dengan b (x. distribusi probabilitas didefinisikan dengan fungsi probabilitas dan dinotasikan sebagai p(x). Dalam pembahasan distribusi Random Diskrit ini akan membahasa antara lain: a) Proses Bernoulli b) Distribusi Binomial c) Distribusi Geometrik d) Distribusi Hipergeometrik e) Proses & Distribusi Poisson f) Pendekatan untuk Distribusi Binomial Untuk itu mari kita uraikan lebih lanjut dalam pembahasan selanjutnya. Satu percobaan dengan percobaan yang lain independen. Excel. Beberapa distribusi yang dilandasi oleh proses Bernoulli adalah : 1. 2. Untuk variabel diskrit X.BAB II PEMBAHASAN 2.p) .2 Proses Bernoulli Percobaan Bernoulli adalah percobaan yang memenuhi kondisi-kondisi berikut: 1. Distribusi binomial. Dalam setiap peristiwa hasilnya dapat digolongkan sebagai berhasil atau gagal 3. sebuah hasil tidak mempengaruhi muncul atau tidak munculnya hasil yang lain. 2.3 Distribusi Binomial Suatu percobaan yang mempunyai 2 kemungkinan yaitu berhasil atau gagal dan dilakukan berulang-ulang dinamakan percobaan binom. Peristiwa-peristiwa itu bersifat bebas satu sama lain Variabel x yang menyatakan banyak keberhasilan dalam n percobaan suatu percobaan binom dan distribusinya peluangnya disebut Distribusi Binomial dan nilai. Percobaan terdiri atas n peristiwa 2. disimbolkan dengan p. Artinya. Kedua hasil tersebut bersifat mutually exclusive. Setiap percobaan memberikan dua hasil yang mungkin. dan 3. 2.1Distribusi Random Diskrit Distribusi probabilitas variabel acak menggambarkan bagaimana suatu probabilitas didistribusikan terhadap nilai-nilai dari variabel acak tersebut. n. sehingga ciri-ciri percobaan binom adalah : 1.

maka distribusi peluang untuk variable acak binomial x yaitu banyaknya keberhasilan dalam n peristiwa yang bebas adalah : Karena distribusi binomial termasuk distribusi variabel diskrit b(x.) = p(x) = P(X=x) Perhatikan Contoh berikut: .. n.Jika peluang keberhasilan “p” dan peluang kegagalan q = 1 – p.

.

dimana: Sehingga penyelesaianya adalah sebagai berikut: Selanjutnya dapatlah dibuat sebuah penyelesaian dalam bentuk tabel seperti berikut ini: .Berikut ini dalam penyelesaian Excel dimana: Dengan menggunakan fungsi binomdist.

5)(.7071 σ = SD(X) = npq Berikut ini gambaran dengan grafik..5 = . .5) = 2.5 σ 2 = V ( X ) = npq Deviasi standar dari distribusi binomial : σ H = SD( H ) = 0.5 2 σ H = V ( H ) = (5)(.Mean dari distribusi binomial : µ = E ( X ) = np Variansi dari distribusi binomial : A adalah jumlah produk dari mesin A dalam 5 produk : µ H = E ( H ) = (5)(.5) = 0.

(n-x)).D). D) N    n   otherwise  Distribusi kemungkinan disimbolkan dengan h(x.N.x). min( n.  Penurunan fungsi distribusi hipergeometrik diturunkan dengan menghitung kombinasi-kombinasi yang terjadi.2.  Distribusi probabilitas hipergeometrik digunakan untuk menentukan probabilitas kemunculan sukses jika sampling dilakukan tanpa pengembalian. 1 ( x   maka diperoleh D 1 D  − N −    x −  n −    x  1   E ( X ) =D ∑ . tanpa pengembalian.  x= 0   n    n n Karena D   D ⋅( D −)! 1  = x  x ⋅( x −)!⋅ D − )! .n) atau N   n    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   .4 Distribusi Hipergeometrik  Distribusi binomial digunakan pada populasi yang tidak terbatas. N  x= 0   n    .(n-x)) atau  D  N − D     x  n − x       yang diperoleh dari total kombinasi yang mungkin C(N.2. sehingga proporsi sukses diasumsikan diketahui. maka ekspektasi tersebut adalah D  N −   D    x  n −   x   E( X ) = x ∑ N  . C((N-D). dari sebuah populasi terbatas N . min(n.  Dengan demikian:  sukses C(D.n). dimana D diantaranya adalah sukses dan (N-D) adalah gagal.n.  Variabel random hipergeometrik adalah jumlah sukses (x) dalam n pilihan. dan demikian pula halnya dapat dicari (n-x) kombinasi gagal dari sisanya (ND). .  Kombinasi yang dapat dibentuk dari populasi berukuran N untuk sampel berukuran n adalah kombinasi C(N.x). D) D  D N   N −   E ( X ) = ∑ x ⋅   / x  n −  n  = ⋅D / N  x   n x= 0      =0 hipergeometrik sering pula Parameter pemusatan dan penyebaran adalahsebagaiberikut : (jika N besar maka D/N=p) Untuk kasus dimana n<D. selanjutnya dapat dihitung kombinasi diperoleh x sukses dari sejumlah D sukses dalam populasi yang diketahui yaitu C(D.  Jika sebuah variabel random (diskrit) X menyatakan jumlah sukses. p( x) =   x = 1. yaitu kombinasi C((N-D).

222 = 0. hal ini berarti σ2 =E[ X ( X − )] +µ−µ atau D(D − )n( n − ) nD n 2 D 2 1 1 ruas kanan menjadi N ( N − ) + N − N 2 1 . Denganpengaturan kembalidiperolehvariansidistribusikemungkinan hipergeometrik adalah V ( X ) =σ 2 (untuk N yang besar hasil ini mendekatinpq).556 + 0. P(1) + P(2) = dari 5 kendaraan yang diperiksa ternyata tidak lengkap? 0. N− 1 1 1 ( 1 D −  ( N −) − D −)      y    n − −y  1 1 N  N! N N −  nD      =  maka diperoleh E ( X ) = ∑ =  n  n!( N − )! n n −  N − 1 N y=  n 0    1  n −    1 nD Ekspektasiperkalian nD X dan (X-1) adalah E[ X ( X −1)] =E ( X 2 ) −E ( X ) . maka bentuk di atas berubah 1 D D −  N −      y n−−   1 y   menjadi E ( X ) =D y∑ N  . Diketahui 1  ( 5 − 2)  1 3 2 1!1! 3! 5! P( 2) = = = = = 0 . ). D   D  N −n  =n ⋅ ⋅ − ⋅ 1 1 N   N  N −  Contoh: 2  ( 10 − 2 )    2 8 2! 8! Sebuah dealer otomotif 1  ( 5 − 1)  1 4 5 1 ! 1! 4 ! 4 ! menerima lot berukuran 10 P ( 1) = = = = = 0. N− 1 1 maka E[ X ( X − )] = D( D − )n( n − ) 1 1 . Dapat dibuktikanbahwa E( X −1) = (n − )( D − ) 1 1 . Karena E ( X ) = N 1 dan E ( X − ) = ( n − )(D − ) 1 1 . N (N − ) 1 2 2 2 2 1 Variansiσ =E ( X ) −µ . 5 kendaraan 2  ( 10 − 2)  2 ! 8! 2 8   diambil secara random.  = 0   n    n karena n − −y =  1   n D ( 1 ( 1  N −   N −) − D −)   dan  1 y    n−−  Karena penjumlahantersebut menghasilkannilai satu (sifat distribusi kemungkinan maka E ( X ) = N .778. 5 5 5! 5! Berapa kemungkinan sekurangnya ada 1 kendaraan Sehingga.Transformasikany=x-1. Fungsi HYPGEOMDIST digunakan untuk permasalahan dengan populasi terbatas di mana setiap () () () () ( )( ) () ( )( ) () . Fungsi HYPGEOMDIST Fungsi ini menghasilkan distribusi hipergeometrik.222 ada 2 kendaraan dari lot 9 10 ! 10 10 berukuran 10 yang tidak lengkap.556 10 10 10 ! 9 dimana hanya 5 diantaranya yang 5 5 mendapat pemeriksaan 5! 5! kelengkapan.

Jum_sampel. Jum_populasi) Persamaan untuk distribusi hipergeometrik: Perhatikan contoh berikut: .observasi bisa berupa sukses atau gagal dan setiap subset dari ukuran yang ditentukan dipilih berdasarkan kemungkinan yang sama. Sintaks: = HYPGEOMDIST (Sampel_s. Populasi_s.

dimana seluruh hasil (outcomes) dikategorikan ke dalam dua kelompok (sukses dan gagal).0288 . Diketahui bahwa 70% mirkoprosesor dikategorikan baik. Perhatikan contoh berikut: Berdasarkan laporan sebuah penelitian tahun 1995.253 .2.2) = 20! . Distribusi probabilitas multinomial digunakan untuk penentuan probabilitas hasil yang dikategorikan ke dalam lebih dari dua kelompok. diantara produk mikroprosesor pentium generasi pertama diketahui terdapat cacat yang mengakibatkan kesalahan dalam operasi aritmatika. 3 cacat dan 2 rusak? Penyelesaian dari soal diatas sebagai berikut: P (15. rusak dan cacat (dapat digunakan dengan kemungkinan muncul kesalahan operasi aritmatika). berapa probabilitas ditemukan 15 mikroprosesor baik.3.05 2 15!3!2! ( )( )( ) = .5 Distribusi Multinomial Distribusi probabilitas binomial digunakan untuk sejumlah sukses dari n percobaan yang independen.715 . 25% cacat dan 5% rusak. Jika sebuah sample random berukuran 20 diambil. Setiap mikroprosesor dapat dikategorikan sebagai baik.

Dengan teori multiplikasi.1)4 (0.9)6. Sehingga jumlah urutan yang mungkin adalah kombinasi 3 dari 9. Berapa probabilitas responden pertama adalah peminum P-cola.332 P (2) = (.  Karena 10 percobaan tersebut independen.099 2.9)6. P-Cola menguasai pangsa pasar sebesar 33.668) ( 2−1) = 0. tanpa memperhatikan urutan.332)(. dimana terdapat n percobaan independen yang memberikan hasil dalam dua kelompok (sukses dan gagal).222 P (3) = (.2% (bandingkan dengan pangsa pasar sebesar 40.668) ( 4−1) = 0.6 Distribusi Geometrik Berkaitan dengan percobaan Bernoulli.332)(. ketiga atau keempat? Penyelesaian.1)4 (0. .148 P (4) = (. .668) (1−1) = 0. menyatakan:  Jumlah sukses dari n percobaan independen Bernoulli. Contoh! Pada suatu daerah.  Karena kriteria penolakan adalah ditemukannya 4 produk cacat. Pertimbangkan sebuah proses inspeksi untuk menemukan produk cacat (kategori sukses dengan probabilitas 0. Ditemukan bahwa sebuah lot ditolak setelah dilakukan inspeksi pada 10 produk.2.332)(. maka posisi ke-n adalah pasti produk cacat.668) ( 3−1) = 0.9% oleh C-Cola).332)(. Responden diambil secara random dari peminum cola. berapa probabilitas pada responden kedua. Seorang mahasiswa melakukan penelitian tentang produk cola baru dan memerlukan seseorang yang terbiasa meminum P-Cola.  Sebuah kemungkinan adalah DDDGGGGGGD. P (1) = (. variabel random geometric mengukur jumlah percobaan sampai diperoleh sukses yang pertama kali. Batas sebuah penolakan sebuah lot adalah jika ditemukan 4 buah cacat (D).1). probabilitas urutan tersebut adalah (0. probabilitas diperoleh 4 cacat dari 10 percobaan adalah (0.  p adalah probabilitas sukses (tetap untuk setiap percobaan Jika ingin diketahui:  Pada percobaan keberapa (n) sejumlah sukses (c) dapat dicapai dalam percobaan Bernoulli.7 Distribusi Binomial Negatif Variabel random binomial X.

p )   x =0  x  yang dapat diperoleh dari distribusi kumulatif binomial. . Berikut ini adalah aplikasi dalam excel. Probabilitas diperlukan 10 percobaan untuk menghasilkan 4 sukses adalah: 9 Distribusi negatif binomialny adalah :    3 Sehingga:    9!  4 6  ( 0.1) ( 0.9 )  3!6!   r Perhatikan distribusi kumulatif: r  n − 1 c r   p (1 − p ) n−c = ∑   p x (1 − p ) r − x ∑  c − 1    n =c  x =c  x  Dimana ruas kanannya c -1 r   1 − ∑   p x (1 − p ) r − x = 1 − B (c − 1. r .

Sedangkan untuk fungsi lainnya adalah: .

.8 Proses Poison dan Distribusi Poison  Percobaan bernoulli menghasilkan variabel random X yang bernilai numerik. yaitu jumlah sukses yang terjadi.  Jika perhatian ditujukan pada kejadian sukses yang muncul (lahir) pada suatu rentang yang kecil.2.  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.  Jika pengamatan dilakukan pada suatu rentang interval waktu.  Kemungkinan terjadinya lebih dari satu sukses dalam interval waktu yang pendek dapat diabaikan. Sifat-sifat Proses Poisson:  Jumlah sukses yang terjadi dalam suatu selang waktu (atau daerah tertentu) tidak berpengaruh (independent) terhadap kejadian pada selang waktu atau daerah yang lain. maka dapat diamati bahwa variabel random X adalah terjadinya sukses selama waktu tertentu. maka terjadi sebuah proses kelahiran (birth atau arrival process) atau dikenal sebagai proses Poisson (Poisson process).

• Ada nilai parameter λpositif sehingga dalam sebuah interval t waktu yang kecil ∆ akan diperoleh : i) Kemungkinan bahwa terjadi tepat satu kedatangan pada t ⋅ t interval waktu ∆ adalah ( λ∆). ∆ λ t 1 Dengan melakukan penyusunan kembali akan diperoleh t Jika interval waktu sangat kecil ( ∆ mendekati nol). ∆ 0 t→ ∆ t   . interval waktu ∆ adalah ( 1 − ⋅∆ Perhatikan posisi dan rentang 0 t waktu berikut: t +t ∆ Untuk suatu titik waktu t yang tetap ( fixed ). Jika interval −⋅ ∆ t nol). maka dapat digunakan diferensial berikut : p ∆ p  0 (t + t ) − 0 (t )  lim =' −0 p : ∆ 0  p0 (t ) = λ (t ) . Dengan m ∆ [ λ 1 ∆ elakukan penyusunan kem bali diferensial akan diperoleh berikut w aktu sangat t kecil ( ∆m endekati p 0 (t + t ) − 0 (t ) ∆ p ≅ λp 0 (t ) . ii) Kemungkinan bahwa terjadi tepat nol kedatangan pada t λ t ). Variabel random Poisson menghitung kemunculan pada interval waktu yang kontinyu.Distribusi probabilitas Poisson bermanfaat dalam penentuan probabilitas dari sejumlah kemunculan pada rentang waktu atau luas/volume tertentu. Fungsi distribusi poisson dapat diturunkan dengan memperhatikan asumsi-asumsi berikut: Jumlah kedatangan pada interval yang tidak saling tumpang • tindih ( nonoverlapping interval ) adalah variabel random independen. t→ ∆ t   p x (t + t ) − x (t ) ∆ p ≅ ⋅p x −(t ) − ⋅p x (t ). sehingga dapat diformulasikan kemungkinan berikut 0 [1 λ t ] p x (t + t ) ≅ ⋅∆p x −(t ) + − ⋅∆⋅p x (t ) . λ 1 λ ∆ t p ∆ p  ( t + t ) − x (t )  ' lim  x p λ 1 λ = x (t ) = p x −(t ) − p x (t ) . m aka dapat digunakan Hal yang sama dapat dilakukan jika terdapat kedatangan x > . kem ungkinan terjadi nol kedatangan diform ulasikan sebagai berikut : p 0 (t + t ) ≅ − ⋅ t ]⋅p 0 (t ) .

10) =0. p = 1/1000 = 0. maka kemungkinan sebuah truk harus bermalam karena tidak dapat dibongkar adalah 1-0. berapa kemungkinan truk tersebut harus bermalam karena tidak dapat dibongkar? X adalah variabel random banyaknya truk bahan baku yang tiba setiap hari. dll). sehingga distribusi probabilitas poisson yang diperoleh adalah: α p( x ) =αx ⋅e − / x!. pemasok mengirimkan sebuah truk ke pabrik tersebut. diperoleh solusi x − t) (λ ( t berikut p x (t ) =λ) ⋅e / x!. Suatu hari.001 . Karena titik waktu t adalah tetap =t (fixed).2. ( ) x = . kemungkinan sebuah truk 15 1 P 15 1 ∑ harus bermalam adalah P ( X > ) = − ( X ≤ ) = − p( x. fungsi.9513=0.Dari dua persamaan diferensial yang diperoleh (untuk nol 0 kedatangan dan ada kedatangan x > ). x= 0 . Berapa probabilitas bahwa sebuah pilihan tidak dipilih. maka dapat digunakan notasi α λ. Dengan distribusi Poisson. type.9513 15 (dari tabel).2 Penyelesaian: Rata-rata pengiriman bahan baku ke suatu pabrik adalah 10 truk dan fasilitas bongkar hanya mampu menerima paling banyak 15 truk per hari.1. Sebuah perusahaan membuka cabang baru dan tersedia 200 sambungan telpon dimana setiap karyawan boleh memilih pesawat telepon sesuka hatinya.0487. α α ∑   x= 0 x! x 1 = x!  Contoh: Perusahaan telepon memberikan 1000 pilihan pesawat telepon (sebagai kombinasi warna. Pemasok menginkan agar truk pasokannya dapat dibongkar pada hari yang sama.001) = 0. α = np = (200)(0. dipilih oleh seorang.  0 x lainnya = 0 Parameter pemusatan dan penyebaran adalah: x α x − α ∞ ∞ α ⋅e −  x  ( ) E(X ) = x ⋅ = dan V ( X ) = ∑2 ⋅α⋅e −α2 = . Asumsikan bahwa ke-1000 pilihan tersebut adalah equally likely. dua orang atau tiga orang karyawan? n = 200 .

Berikut Contoh berdasarkanTabel .

. 1 1 − = . p ) → .Pendekatan Binomial – Poisson Pada distribusi probabilitas binomial. n.(n − + ) µ  µ 1 x 1   b( x. maka nilai b( x. n  n  Dengan memperhatikan syarat limit di atas dapat diperoleh µ x e− µ b( x.jika n sangat besar dan p kecil. dan njika bila−). perhitungan nilai kemungkinan untuk variabel random binomial dapat didekati dengan perhitungan (atau tabulasi) pada distribusi poisson. n. n→  ∞ n→  ∞  n        1  x −  1 . 2….. diperoleh hubungan berikut −/µ n   1      1 1 − = 1 + e −µ lim  n lim  ( − ) / µ   = . µ .p). n.n.  p→ 0 Teorema : nilai proporsi sukses ..(n −x + ) x ukuran sampel nn−x ∞ n  n! n(n 1 1 b ( x. 1. yaitu sebuah distribusi poisson untuk µ= (rata-rata jumlah sukses=rata-rata kedatangan). kemungkinanb(x. n. maka perhitungan kemungkinannya sulit dilakukan. p ) = p x q n −x = p x (1 −p ) −x = p (1 −p) . p )=µpn xmaka diperoleh dilakukan transformasi n(n −).. α . Bukti : Jika X adalah variabel random binomial dengan distribusi Fungsi distribusi kemungkinan binomial dapat ditulis sebagai berikut →.. p) = 1  −  x! n n  − µ x − x 1 =1 − dan dari definisi bilangan natural e.. Pada kondisi tersebut. x! dimana x=0. ) / Jika µ= . dan digunakan pendekatan x! (n − )! x x! x  np →( .

0.8000 . Pada sebuah produk hasil rakitan terdapat 4000 titik pengelasan. Berapa kemungkinan bahwa dari sampel acak berjumlah 8000 produk plastik akan terdapat 7 produk yang memiliki cacat gelembung? Pada dasarnya. maka perhitungan nilai kemungkinan dapat didekati dengan distribusi Poisson dengan dimana µ =(8000)(0. maka 6 x= 0 Contoh kemungkinan ditemukan lebih dari 6 cacat adalah 1-0. sehingga kemungkinan bahwa dari sampel acak berjumlah 8000 produk plastik akan terdapat 7 produk yang memiliki cacat dapat dihitung sebagai berikut P ( X < ) = b( x. kasus produk plastik cacat ini mengikuti distribusi binomial dengan n=8000 dan p=0.001 ⋅0.001) ≅ p ( x. Diketahui bahwa rata-rata terdapat 1 dari 1000 barang yang dihasilkan mempunyai satu atau lebih cacat.889 . Sebuah proses menghasilkan barang-barang dari plastik yang sering kali memiliki gelembung atau cacat.001)=8. berapa kemungkinan ditemukan lebih dari 6 cacat pada sebuah produk hasil rakitan? Variabel random X (binomial) menyatakan jumlah cacat pada hasil rakitan.  x  .Contoh Besarnya kemungkinan ditemukan cacat pada hasil pengelasan titik adalah 0.001. 7 ∑ ∑ x= 0 6 6 x= 0 Berikut ini aplikasi penggunaan excel pada distribusi Poison: .3134.999  x= 0  Perhitungan ini sulit dilakukan sehingga didekati dengan perhitungan untuk fungsi distribusi kemungkinan Poisson (dimana parameter adalah e 4 α=4000 ⋅0. maka kemungkinan ditemukan lebih dari 6 cacat tersebut adalah 6  4000  x 4000 − x P ( X ≤6) =∑  0 . Karena p sangat kecil dan mendekati nol serta n sangat besar.111.889=0.001 =4 ) sebagai berikut P ( X ≤6) =∑− ⋅4 x / x! =0.8) = 0.001.

Untuk dapatlah dipelajari lebih lanjut tentang probabilitas sehingga kita dapat lebih paham. Diadakannya praktek probabilitas secara sederhana agar tidaklah mempelajari hanya dengan teori. Distribusi diskrit digunakan dalam menentukan sebuah probabilitas acak yang sudah diketahui nilai dan datanya. Bahwa probabilitas sangatlah membantu manusia dalam mengambil sebuah keputusan. 3. Bahwa dengan menggunakan metode probabilitas yang ada kita dapat menggunakannya sebagai acuan dalam menyelesaikan berbagai masalah kemungkinan-kemungkinan. Misalnya untuk memperkirakan apakah peluang lebih banyak gagal atau sukses dari sebuah usaha.BAB III PENUTUP 3.1 KESIMPULAN Dari uraian diatas dapatlah disimpulkan antara lain: 1. 2. 3.2 SARAN 1. . 2.

3 PENUTUP Demikian pembahasan dalam makalah perkuliahan ini. sehingga diharapkan dapat membantu kita dalam mengambil sebuah keputusan dari kemungkinankemungkinan yang ada. .3. semoga dari paparan yang sudah ada dapatlah memberikan pemahaman dan menambah pengetahuan kita tentang Statistika Probabilitas khususnya pada pemahaman tentang Distribusi random diskrit.

PT.DAFTAR PUSTAKA Pamungkas. Ir.com/2008/09/statprobpendahuluan.pdf. Trik Pemrograman Microsoft Excel. 2005.toki.wordpress. http://budhiaiko.com/2008/09/konsepdasarprobabilitas1.files.ppt. diakses pada tanggal 27 November 2009.wordpress. Elex Media Komputindo: Jakarta. e-learning Departemen Teknik FTI-ITB. diakses pada tanggal 27 November 2009.or.pdf. http://www2. diakses pada tanggal 28 November 2009.files. pada tanggal 27 November 2009 diakses http://budhiaiko.id/probter/doc/diktat/probter-01. .

Makalah Perkuliahan Statistika Probabilitas Tentang DISTRIBUSI DISKRIT (BINOMIAL. GENOMETRIKAL) Disusun dalam rangka memenuhi Tugas Mata Kuliah Statistika Probabilitas Semester Genap Tahun Akademik 2009 / 2010 Oleh :     Ahmad Ghozali M. Wachid Hasyim 375 Telp. KH. Nurul Fahmi Eko Septiono Nurmanto (5020802001) ( ( ( SEKOLAH TINGGI TEKNOLOGI PONDOK MODERN SUMBER DAYA AT-TAQWA STT POMOSDA Jl. POISON. 0358773351 TANJUNGANOM – NGANJUK – JAWA TIMUR 2009 .

Wb. Sahabat-sahabat yang telah memberikan sumbangan berharga bagi penulis. Dengan mengucapkan puji syukur Alhamdulillah kehadirat Allah SWT yang telah melimpahkan rahmat dan hidayah-Nya kepada penulis didalam meyelesaikan makalah ini dengan baik dan tepat pada waktunya. oleh karena itu penulis berharap agar kekurangan tersebut dijadikan titik tolak kearah perbaikan dalam penulisan karya ilmiah yang lebih baik di masa mendatang. Ibu Fitri Meita Sari.KATA PENGANTAR Assalamu'alaikum Wr. Penulis menyadari bahwa dalam penyusunan makalah ini tidak lepas dari kekurangan dan kelemahan. Ibu Sriwigatri selaku dosen pendambing Mata Kuliah Statistika Probabilitas 3. Wassalamu’alaikum Wr. Wb. Dengan terselesaikannya makalah ini. S. penulis mengucapkan banyak terima kasih kepada yang terhormat: 1. dan penulis mengharapkan kritik dan saran yang bersifat membangun dari pembaca untuk kualitas yang lebih baik. 2. Nganjuk. April 2009 Penulis .Si selaku dosen Mata Kuliah Statistika Probabilitas.

............ Saran.... Kata Pengantar..................... Manfaat Pembahasan.................................................DAFTAR ISI Halaman Judul.............. Proses Poison dan Distribusi Poison........................... Proses Binoulli............4.........................................4.........................................2....................... 2......................... Distribusi Multinomial...................................... Latar Belakang Masalah.................8...................................................................1...............................................................2..........7........................................................................................................... 2..........................................................1.... 1................................. 3............................. Bab II Pembahasan....................................................... 1.. 2....................................3............................ 2............................................................3.......... Distribusi Geometrik.6.................................2.......... Rumusan Masalah................................................. 3........ 2............ Daftar Isi.......... Distribusi Binomial Negatif.............. 2........................ Distribusi Random Diskrit ........... 2................................... 3...............................................................5......................................................... Bab I Pendahuluan.......1...... 1...............3. Bab III Penutup.............. Distribusi Binomial................................................... 2. 1................................................. Tujuan Pembahasan...................... Distribusi Hipergeometrik... 2....................................... Kesimpulan............................................9.......................... Penutup Daftar Pustaka 10 10 10 i ii iii 1 1 1 1 1 9 9 9 ........

Sign up to vote on this title
UsefulNot useful