Definisi dan Contoh

 Var random X adalah fungsi dari S ruang sampel ke

bilangan real R X : S  R
 Contoh : Menjawab soal multipel choice 2 kali
S = {SS, SB, BS, BB}
 X : VR Banyaknya jawaban benar, maka X = {0,1,2}

S X R
BB
0
SB
1
BS
2
SS
 Probabilitas dan Distribusinya
 P(X=0) =1/4  P(X) >= 0
 P(X=1)= 2/4  Total Prob = 1
 P(X=2)=1/4  Distribusi Peluang
adalah tabel yang
berisi nilai dari
 P(X  x )  1
xX
i
variabel random dan
peluangnya
X 0 1 2 Total
P(X) 1/ 2/ 1/2 1
4 4
Karakteristik Dist
 Rata-rata  E(X)+SD(X)
(Expektasi) dari X
E(X)   x P(X  x )
x i X
i i

 E(X)
 Variansi (Ukuran X

Dispersi )
V(X)  E (X  E (X)) 2
 E (X 2 )  E(X) 2  E(X)-SD(X)
 Contoh Dari Data Lapangan
 Distribusi probabilitas penjualan
komputer perbulan
X 5 6 7 8 Total
P(X=x) 20/10 30/100 40/100 10/10 1
0 0
X.P(X=x) 1 1.8 2.8 0.8 6.4
X2.P(X=x) 5 10.8 19.6 6.4 41.8
E( X )   XP ( X  x )  6.4
V ( X )  41.8  6.4 2  0.84 ; S ( X )  0.9165
 VARIABEL RANDOM
X

DISKRIT KONTINU
1. P( X  x)  0 1. f  x   0

2.  P( X  x)  1 2.  f  x dx  1
x A
xX
b

 f  x dx
b
3. P(a  X  b)   P ( X  x) 3. P ( a  X  b) 
a
xa
 VARIABEL RANDOM DALAM STATISTIKA

DISKRIT BERNOULLI
BINOMIAL
MULTINOMIAL
GEOMERIK
VARIABEL HIPERGEOMETRIK
POISSON
RANDOM

KONTINU NORMAL
UNIFORM KONTINU
BETA
GAMMA
EXPONENTIAL
WEIBULL
CAUCHY
DOUBLE EXPONENTIAL
Distribusi Binomial
 Gabungan dari n kejadian bernoulli yang
saling independen
 Kejadian bernoulli : Suatu kejadian
dengan dua hasil yang mungkin :
 Sukses (S) : peluang p atau
 Gagal (G) dengan peluang 1-p
 Diperhatikan var random X = banyaknya
sukses dalam n trial
Var Rand Binomial
 Diperhatikan
 X = banyaknya S dalam n trial ;
 Harga X yang mungkin : 0,1,2,…,n
 Ada x kejadian sukses dengan peluang
px dan n-x kejadian sukses gagal
dengan peluang (1-p)n-x
 n  x n x
f ( x )  P(X  x )    p q , x  0,1,..., n
x
Lambang
 X~Bin(n;p)
 n parameter banyaknya percobaan
 P adalah parameter peluang sukses
 ~ simbol untuk distribusi
 E(X) = np ; rata-rata (mean) nilai X
 V(X) = npq ; besarnya variansi
Contoh
 Dari lima saham yang diperdagangkan berapakah
peluang :
 Tepat saham A dan B akan naik
 Lebih dari 3 saham naik

X = jumlah saham naik ; p = 0.5 (fifty-2)

X~Bin(5;0.5) ; E(X) = 2.5
 5
 P(2 saham naik ) = f  2    
 2 0 . 5 2
0.5 3

 
 P(X>=3) = 1-P(X<=2)

 Memakai tabel binomial kumulatif

 Contoh : jika diamati 15 orang mahasiswa, berapakah probabilitas
mendapat 9 orang dengan nilai A ? Berapakah rata yang mendapat
nilai A ?
Dengan menunjukkan bahwa
X = banyaknya yang mendapat nilai A 1
adalah variabel random binomial dengan n = 15 dan p = 5

9 159
15   1  4
f (9)  P(X  9)       
 9  5 5
9 6
15!  1   4 
    
9! 6!  5   5 
 P X  9   P(X  8) dihitung langsung
 ...
menggunakan tabel distribusi binomial

  np
1
 15 .
5
Dist Poisson
 Var X~Pois(µ)  Contoh
 x e 
 Banyaknya telepon
f ( x; )  ; x  0,1,2,... dalam periode ttt
x!
 Banyaknya pelanggan
 X = jumlah kejadian
pada counter
tertentu dalam satuan
unit waktu atau ruang
 Banayknya kcelakaan
 µ = rata-rata kejadian
 Banyaknya mesin
rusak
 E(X) = V(X) = µ
 dll
 Contoh
 Rata-rata banyaknya kecelakaan disuatu
persimpangan jalan raya adalah 2
perminggu. Anggap mengikuti poisson
 Peluang tidak ada kecelakaan selama 1
mingguP(X  0)  2 0e!  0,135
0 2

 Peluang paling banyak 3 kecelakaan dlm 2

minggu
P(X  3)  P(X  0)  ...  P(X  3)
 0,433
Distribusi Normal
 Fungsi Probabilitas
X ~ N(;  2 )
2
1  x  
1  
2  

 f (x)  e ;    x,    ;  2  0
22

0,5 X
Sifat-Sifat
 Simetris terhadap rata-  Masalah
rata µ  Menghitung
 Rata-rata = median = P(a<X<b)
modus  Dengan integral
analitis : terlalu sukar
 σ sebagai titik belok kurva
 Dengan metode
 34 % data dalam jarak 1 numerik : tidak praktis
σ : tapi sekarang ada
 68 % data dalam jarak 2 kalkulator
σ  Membuat tabel yang
khusus : tabel normal
 97 % data dalam jarak 3
standar
σ
Normal Standart
 Transformasi
z2
X  1 
Z  f (z )  e ;
2
 2
E ( Z)   z  0 ; V( Z)   2z  1

 Diperoleh distribusi normal yang khusus

sehingga tabelnya efisien
 Tabel normal standart

0 z Z
0 zo
zo 0 1 2 … 7 8 9
0,0 0,5000 0,5004 0,5080 0,5279 0,5319 0,5359
0,1 0,5398 0,5348 0,5478 0,5675 0,5714 0,5754
0,2 0,5793 0,5832 0,5871 0,6064 0,6103 0,6141
.
.
.
1,0 0,8413 0,8438 0,8461 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8980 0,8997 0,9015
.
.
.
2,5 0,9938 0,9940 0,9941 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9972 0,9973 0,9974
 Permasalahan
Probabilitas di
bawah luasan
kurva P c  X  d  ?

f(X)

X
c d
 Contoh
 Penghitungan
 P(Z<1,96)=0,975

0 1,96 Z

 P(-1,645<Z<1,96)=P(Z<1,96)-P(Z<-1,645)
= 0,975-0,05

-1,645 0 1,96 Z
Contoh
 Penghitungan
 P(Z>2,33) = 1-P(Z<2,33) = 1- 0,99

0 Z
2,33
 Contoh Nyata
 Produk resistor berdistribusi N(5;1). Jika resistor
yang terpakai dengan hambatan 4,5 s/d 5,5.
Hitunglah produk resistor yang terpakai

5 X~N(5;1)
4,5 5,5

P(4,5  X  5,5)  P( 4,515  X 5

1  5, 5 5
1 )
 P(0,5  Z  0,5)
Contoh Nyata
• Hasil ujian mahasiswa berdistribusi normal dengan
mean = 72 dan variansi = 81 dan diketahui bahwa
5% mendapat nilai A, tentukan nilai terendah
mahasiswa yang mendapat nilai A.
5%

72 X

P( X  a )  P( Z  a  72
9
)  0,95 a = minimal nilai A
a  72
9  1,645 ; a  86,805
 Distribusi Exponential
 P(waktu kedatangan < X ) = 1-e-λX ; X>0

 X : Sebarang nilai dari variabel random X

 Λ : rata-rata jumlah kedatangan perunit waktu
 1/λ : rata-rata waktu antar kedatangan

 Contoh :
 Sopir datang di jembatan tol
 Nasabah datang pada mesin ATM
 Contoh
x
Contoh : Kedatangan
1 
customer 30 per
f  x  e 
 jam. Berapa
f(X)
peluang waktu
= kedatangan antar
0.5 = customer lebih dari
2.0 P(antar kedatagn
5 menit ?  60 )
5

Λ1= 30
P( X  5)
X