Laporan Distribusi Probabilitas Diskrit

KELOMPOK 2
Beti T. Dupe

(1206087043)

Halena Doko

(1206081025)

Stevania F. Daor

(1306081002)

Vinitria C. Manehat

(1306083068)

Einjel Betrix Liu

(1506080057)

Richmon Joh

(1506080069)

Belinda C. Missa

(1506080055)

Meriani Bobo

(1506080044)

Jublina Dj. Radja Leba (1506080055)

Tri P. Ritoma

(1506080027)

Muhammad Salim

(1506080072)

Wanto I. Missa

(1506080074)

Budhy E. Ly

(1506080012)

Welmy Sinlae

(1506080029)

JURUSAN ILMU KOMPUTER

FAKULTAS SAINS DAN TEKNIK
UNIVERSITAS NUSA CENDANA KUPANG

DISTRIBUSI PROBABILITAS DISKRIT

Distribusi Probabilitas Diskrit dibagi atas 5 jenis yaitu distribusi uniform,

distribusi binomial, distribusi multinomial, distribusi hipergeometrik, dan distribusi
pisson.
1. Distribusi Uniform
Distribusi Uniform adalah distribusi yang paling sederhana dan bila nilai tiap
variabel dirandom, maka memiliki probabilitas yang sama untuk terpilih.
jika variabel random x bisa memiliki nilai x1, x2,.....,xk
notasi f(x;k) menyatakan nilai fungsi f tergantung pada k
Contoh :
1. Sebuah koin ideal memiliki muka : angka dan gambar. jika x menyatakan
banyaknya angka yang muncul, maka x=0,1 dan distribusi probabilitasnya
f(x;2)=1/2 dan x= 0,1.
2. Sebuah dadu ideal memiliki muka : 1,2,3,4,5,6. Jika x menyatakan mata
dadu yang muncul, maka x=1,2,3,4,5,6 dan distribusi probabilitasnya
f(x;6)=1/6 dan x=1,2,3,4,5,6
3. Sebuah kotak berisi 4 buah lampu masing-masing 40watt, 60watt, 100watt
dan 500watt. Jika x menyatakan daya lampunya, dan diambil secara acak 1
lampu, maka distribusi probabilitasnya adalah f(x;4)=1/4 dan x=
40,60,100,500
2. Distribusi Binomial
Distribusi Binomial dibagi atas 2 jenis distribusi yaitu Bernoulli, Binomial
Negatif
a.

Bernoulli
Proses distribusi Bernoulli yang diulang sebanyak n kali dan saling bebas.
Secara langsung, percobaan binomial memiliki ciri-ciri sebagai berikut:
- percobaan tersebut dilakukan berulang-ulang sebanyak n kali
- setiap percobaan menghasilkan keluaran yang dapat dikatagorikan
sebagai gagal dan sukses
- probabilitas sukses p tetap konstan dari satu percobaan ke percobaan
lain
- percobaan yang berulang adalah saling bebas
Contoh :
1.

Sebuah proses Bernoulli untuk QC dilakukan dengan memilih 3

komponen secara simultan dari sebuah proses produksi. Setiap komponen yg
diambil dinyatakan sukses jika ternyata rusak, dan gagal jika ternyata
komponen tsb baik (sebenarnya boleh juga definisinya dibalik!). Variabel
random X didefinisikan sebagai banyaknya sukses dalam pengambilan 3
komponen tsb. Ruang sampel bagi X adalah (S: sukses, G:gagal):

Outcome SSS SSG SGS SGG GSS GSG GGS GGG

X

Misalkan diketahui dari masa lalu, sebanyak 25% produksi komponen

tersebut rusak (S). Jadi probabilitas 1 kali pengambilan menghasilkan
rusak = probabilitas sukses = p= , berarti probabilitas gagal = 1- =
. Sebagai contoh probabilitas outcome= SSG p(SSG)=p(S)p(S)p(G)= *
* = 3/64, jadi untuk X=2, ada 3 outcome yg terkait : SSG, SGS, GSS,
maka jika f(X=2) menyatakan probabilitas X=2, f (X=2) = 3*3/64 = 9/64.
Dengan cara yg sama bisa diturunkan probabilitas untuk X=0,1 dan 3,
dan hasilnya adalah fungsi distribusi probabilitas f(x) sbb: X 0 1 2 3 f(X)
27/64 27/64 9/64 1/64 Variabel random X ini disebut variabel random
binomial, sedangkan fungsi distribusinya f(x) disebut fungsi distribusi
binomial, dan dituliskan sbb: f(x) = b(x;n,p). Untuk menegaskan bahwa
probabilitas x ditentukan oleh banyak eksperimennya (n, dalam contoh di
atas n=3), dan bergantung pada probabilitas sukses di tiap eksperimen (p).
Jadi f(x=2) =b(2;3,0.25) = 9/64
Proses Bernoulli dimana tiap eksperimen (pengambilan) memiliki
probabilitas sukses p (atau probabilitas gagal q=1-p). Maka fungsi distribusi
probabilitas f(x) yang menyatakan dari n kali eksperimen (pengambilan) yg
independen mengandung x buah yg sukses adalah :
x nx
n p q
b(x;n,p)
x

()

Dengan x=0,1,2,.,n
2.

Probabilitas sebuah komponen mobil tidak rusak ketika dijatuhkan

adalah . Berapakah probabilitasnya ada 2 dari 4 komponen yg dijatuhkan
akan tidak rusak.
Penyelesaian :
Misal kita definisikan sukses = tidak rusak, probabilitas sukses,
p=3/4. Jadi probabilitas gagal, q= 1-3/4 = . Total percobaan ada n=4,
jumlah yg tidak rusak, sukses, x=2. Jadi probabilitas 2 dari 4 komponen yg
dijatuhkan tidak rusak diberikan oleh:
Sifat dari b(x;n,p) sebagai fungsi distribusi probabilitas adalah:
Karena seringkali kita memerlukan probabilitas untuk X dalam sebuah
interval, misal P(X<r) atau P(a<Xb) maka, dibuat tabel fungsi distribusi
binomial kumulatif sbb:

3.

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?

Penyelesaian
Ini adalah proses Bernoulli. Probabilitas sukses, yaitu sembuh adalah
p=0.4. Variabel random X menyatakan banyak orang yang sukses = sembuh,
sedangkan total percobaannya adalah n=15.
a. P (paling tidak 10 sembuh) = P(X10) =1- P(X<10)=1
B(r=9;n=15,p=0.4) = 1 0.9662 = 0.0338
b. P (antara 3 sd 8 sembuh) = P(3X8) =P(X8) P(X<3)=B(r=8;n=15,p=0.4) - B(r=2;n=15,p=0.4) = 0.9050-0.0271=0.8779
c. P (5 sembuh) = P(X=5) =P(X5) - P(X<5)=B(r=5;n=15,p=0.4)B(r=4;n=15,p=0.4) = 0.4032-0.2173=0.1859
b. Binomial Negatif
Suatu distribusi binomial negatif dibentuk oleh suatu eksperimen yang
memenuhi kondisi-kondisi berikut:
a. Eksperimen terdiri dari serangkaian percobaan yang saling bebas
b. Setiap percobaan (trial) hanya dapat menghasilkan satu dari dua
keluaran yang mungkin, sukses atau gagal
c. Probabilitas sukses p, dan demikian pula probabilitas gagal q = 1 p selalu konstan dalam setiap percobaan (trial)
d. Eksperimen terus berlanjut (percobaan terus dilakukan) sampai
sejumlah total k sukses diperoleh, dimana k berupa bilangan bulat
tertentu
Jadi pada suatu eksperimen binomial negatif, jumlah suksesnya tertentu
sedangkan jumlah percobaannya yang acak. Distribusi Binomial Negatif bila
percobaan bebas berulang dapat menghasilkan sebuah sukses dengan
probabilitas p dan gagal dengan probabilitas q=1-p, maka distribusi probabilitas
dari variabel acak X, jumlah percobaan n dimana sukses ke-k terjadi diberikan
oleh:

Contoh:
Carilah probabilitas bahwa seseorang yang melemparkan tiga koin akan
mendapatkan kepala semua atau ekor semua untuk kali ke dua pada pelemparan
yang ke 5!
Penyelesaian:
Dengan menggunakan sebaran binomial negatif dengan x = 5, k = 2, dan p = 1/4,
kita dapatkan

b* 5; 2,
4

1 3

4 4

4! 33
27
. 5
1!3! 4
256

3. Distribusi Multinomial
Sebagai generalisasi dari distribusi binomial adalah dengan melonggarkan
kriteria banyaknya outcome yg mungkin jadi > 2. Dalam hal ini maka percobaannya
disebut percobaan multinomial sedangkan distribusi probabilitasnya disebut distribusi
multinomial.
Definisi:
Misal setiap percobaan bisa menghasilkan k outcome yg berbeda, E1, E2, ,Ek
masing-masing dengan probabiliitas p1, p2, ,pk. Maka distribusi multinomial f(x1,x2,
,xk; p1,p2, ..,pk, n) akan memberikan probabilitas bahwa E1 akan muncul sebanyak x1
kali,E2 akan muncul sebanyak x2 kali, dst dalam pengambilan independen sebanyak n
kali, jadi x1+ x2+ .+ xk=n dengan p1+p2+ + pk =1 dan

Contoh :
Sebuah airport memiliki 3 buah landas pacu (runway), dan probabilitas sebuah runway
dipilih oleh pesawat yg akan mendarat adalah:
runway -1 : 2/9
runway -2 : 1/6
runway -3 : 11/18
Berapakah probabilitas 6 pesawat yg datang secara acak di distribusikan ke dalam
runway-runway tersebut seperti berikut:
runway -1 : 2 pesawat
runway -2 : 1 pesawat
runway -3 : 3 pesawat
Penyelesaian :
Pemilihan runway acak dan independen, dengan p1=2/9, p2=1/6 dan p3=11/18.
Probabilitas untuk x1=2, x2= 1 dan x3=3 adalah

4. Distribusi Hipergeometrik
Distribusi Hipergeometrik sangat serupa dengan distribusi binomial,
Persamaannya:
Keduanya menyatakan probabilitas sejumlah tertentu percobaan masuk dalam
kategori tertentu.
Perbedaannya:

Binomial mengharuskan ketidak bergantungan dari satu percobaan (trial) ke

percobaan berikutnya. Jadi sampling harus dilakukan dengan dikembalikan
(replaced)
Hipergeometrik tidak mengharuskan ketidakbergantungan, jadi sampling
dilakukan tanpa mengembalikan outcome yg sudah keluar. Distribusi
Hipergeometrik dari variabel random X yang menyatakan banyaknya outcome
yang sukses dari sampel random sebanyak n yg diambil dari populasi
sebanyak N, dimana dari N tsb sebanyak k buah adalah sukses dan sisanya
N-k adalah gagal:

Suku pembagi (denominator) menyatakan banyak kombinasi yg terjadi jika

dari N obyek diambil n tiap kali. Faktor pertama suku terbagi (numerator)
menyatakan banyaknya kombinasi dari obyek berjenis sukses yg berjumlah k jika
tiap kali diambil sebanyak x buah. Faktor kedua suku terbagi (numerator) menyatakan
banyaknya kombinasi dari obyek berjenis gagal sebanyak N-k jika tiap kali diambil
sebanyak (n-x) buah.
Contoh 1
Sebuah komisi dengan anggota 5 orang akan dipilih secara acak dari 3 ahli
kimia dan 5 fisikawan. Carilah sebaran probabilitas untuk jumlah ahli kimia dalam
komisi tersebut
Penyelesaian:
Misalkan peubah acak X sebagai jumlah ahli kimia dalam komisi tersebut.
Kedua sifat percobaan hipergeometri tersebut terpenuhi. Sehingga
3 5

0 5
1
P X 0 h 0;8,5,3

56
8

5
3 5

1 4
15
P X 1 h 1;8,5,3

56
8

5

 3 5

2 3
30
P X 2 h 2;8,5,3

56
8

5
3 5

3 2
10
P X 3 h 3;8,5,3

56
8

5
Dalam bentuk tabel sebaran hipergeometri X adalah sebagai berikut:
X

h(x;8,5,3

1
56

15
56

30
56

10
56

Sebaran probabilitas tersebut dinyatakan dengan rumus

5
3

x 5 x

h x;8,5,3
,
8

5

x 0,1, 2,3

Contoh 2
Tumpukan 40 komponen masing-masing dikatakan dapat diterima bila isinya
tidak lebih dari 3 yang cacat. Prosedur penarikan contoh tumpukan tersebut adalah
memilih 5 komponen secara acak dan menolak tumpukan tersebut bila ditemukan suatu
cacat. Berapakah probabilitas bahwa tepat 1 cacat ditemukan dalam contoh itu bila ada 3
cacat dalam keseluruhan tumpukan itu?
Penyelesaian:
Dengan menggunakan sebaran hipergeometri dengan n = 5, N = 4, k = 3 dan x = 1
kita dapatkan probabilitas perolehan satu cacat menjadi

 3 37

1 4
h 1; 40,5,3
0,3011
40

5
5. Distribusi Poisson
Percobaan yg menghasilkan variabel random X yg menyatakan banyaknya
outcome selama interval waktu tertentu atau dalam area atau luas tertentu
dinamakan percobaan Poisson.
X : variabel random Poission yg menyatakan banyaknya outcome selama percobaan.
: rata-rata banyak outcome = t dimana t adalah lama intervalnya dan adalah laju
terjadinya outcome
Contoh:
X : banyak panggilan telepon per jam
X : banyak hari-hari sekolah tutup karena bencana alam dalam setahun
X : banyaknya penundaan pertandingan bola karena hujan dalam semusim
pertandingan
X : banyak tikus per hektare
X : banyaknya kesalahan ketik per halaman
Distribusi probabilitas dari variabel random Poisson X yg menyatakan
banyaknya outcome dalam interval waktu tertentu t (atau daerah tertentu) dengan
menyatakan laju terjadinya outcome persatuan waktu atau per satuan daerah diberikan
oleh (tidak diturunkan!):

Contoh:
Dalam percobaan radioaktif, rata-rata jumlah cacahan radioaktif yg terekam di
counter adalah 4 cacahan per mili detik. Berapakah probabilitasnya dalam 1 milidetik
tertentu tercacah sebanyak 6 cacahan?
Penyelesaian
Rata-rata jumlah outcome per milidetik : = t = 4
Probabilitas tercacah X=6 dalam 1 milidetik: