Discrete probability distributions vs continues distribution
-
Upload
refqi-kemal-habib -
Category
Documents
-
view
441 -
download
7
description
Transcript of Discrete probability distributions vs continues distribution
Discrete probability distributions
A. Pengertian
Tiap nilai yang mungkin untuk x pada variable bebas, distribusi peluang diskret
menentukan peluang dari nilai observasi tersebut ketika eksperimen dilakukan.
Syaratnya: f ( x ) ≥0 ,nilai peluang lebih dari0 dan ∑all possible x
p ( x )=1.
Sehingga peluang distribusi diskret dapat didefinisikan sebagai tiap nilai x oleh p(x) =
P(X=x) =
B. Proses Bernoulli
Proses Bernoulli harus memiliki sifat sebagai berikut:
1. Percobaan terdiri dari n buah percobaan terulang (repeated trial).
2. Setiap percobaan menghasilkan suatu hasil yang dapat diklasifikasikan sebagai
sukses atau gagal.
3. Probabilitas keberhasilan, dilambangkan dengan p, tetap konstan dari percobaan
yang satu ke percobaan lainnya.
4. Tiap percobaan terulang merupakan saling bebas.
Pertimbangkan kumpulan dari percobaan Bernoulli dimana tiga item dipilih secara
acak dari proses manufaktur, inspeksi, dan diklasifikasi sebagai defektif dan non defektif.
Item yang defektif sebagai “sukses”. Nilai dari sukses merupakan sebuah variabelk acak X
yang diasumsikan sebagai nilai integral dari 0 – 3. Delapan outcomes yang mungkin dan
nilai yang cocok untuk X adalah
Item-itemnya dipilih secara independen dan kita asumsikan bahwa proses menghasilkan
25% “sukses”, P ( D )=14
, P (N )=34
, sehingga kita dapatkan
Dengan penghitungan yang sama untuk mencari peluang outcomes, kita peroleh
C. Macam-macam
2
BAB IPEMBAHASAN
1. Binomial probability distribution
Jumlah X sukses dalam n kali percobaan Bernoulli dinmakan variable bebas
bernouli dan distribusi peluangnya dinamakan distribusi peluang binomial dan
nilainya dinotasikan dengan b(x; n; p). dimana x = banyaknya sukses yang terjadi
dalam n kali percobaan, n = banyaknya pengulangan, p = peluang “sukses”.
Uji Bernoulli dapat menghasilkan sukses dengan probabilitas p dan kegagalan
dengan probabilitas q = 1-p. Maka distribusi probabilitas binomial variabel acak X,
jumlah sukses dalam n percobaan independen, adalah
Nilai Harapan / rata-rata : E ( x )=μ=np
Varian: Var ( x )=σ2=npq=np (1−p )
Simpangan baku: σ=√σ2=√np (1−p )
2. Hypergeometric probability distribution
Distribusi peluang dari variable bebas hypergeometric X, jumlah sukses jumlah
sampel bebas dipilih dari N item yang mana k merupkan notasi “sukses” dan N – k
notasi dari “gagal” adalah
Dimana: x = banyaknya sukses dalam n kali kejadian
N = banyaknya elemen populasi
n = banyaknya kejadian
k = banyaknya sukses dalam populasi
Range dari x dapat ditentukan oleh tiga koefisien binomial dalam pengertiannya,
dimana x dan n−x ≤ k dan N−k ,dan keduanya≥0. Biasanya jika k dan N – k lebih dari
n, maka x = 0.1, …, n.
Nilai MEAN dan Varian dari distribusi peluang hypergeometrik h(x;N,m,k) adalah
3. Multinomial probability distribution
3
Distribusi multinomial adalah sebuah distribusi dimana percobaan akan
menghasilkan beberapa kejadian.
Misalkan ada k kejadian dalam sebuah percobaan yaitu E1, E2, …, Ek. Jika
percobaan diulang sebanyak n kali dan peluang terjadinya setiap kejadian B adalah
P(E1) = p1, P(E2) = P2, …, P(Ek) = px, dengan jumlahnya masing-masing sebanyak x1, x2,
…, xk, maka fungsi distribusi multinomialnya adalah
p ( x1 , x2 , …, xk ; p1 , p2 ,…, pk )=( nx1 , x2 , …, xk ) p1
x1. p2x2…. pk
xk=( n !x1 ! . x2! … .. xk !
) p1x1 . p2
x2…. pkxk
Dengan ∑i=1
n
x i=ndan∑i=1
n
p i=1
4. Negative binomial distribution
Jiks percobaan terulang dapat menghasilkan sukses dengan dengan peluang p
dan gagal dengan peluang q = 1 – p, kemudian distribusi peluang variable bebas X,
jumlah percobaan yang mana kejadian sukses ke-k terjadi adalah
5. Poisson probability distribution
Sifat percobaan poisson:
- Peluang suatu kejadian adalah sama untuk dua interval yang sama
- Kejadian pada suatu interval saling bebas dengan kejadian pada interval yang
lain
- Terjadinya kejadian sangat jarang terjadi
Fungsi peluang poisson: p ( x )=μx e−μ
x !=¿
Dimana x = banyaknya kejadian pada interval waktu tertentu
μ = rata-rata banyaknya kejadian pada interval waktu
e = 2,71828
Nilai harapan / rata-rata: E ( x )=∑x=0
∞
xp ( x )=μ
Varian: σ 2=μ
Continuous Probability Distributions :
4
Syarat: - f ( x ) ≥0 ,nilai peluang lebih dari0
- ∑i=0
∞
P ( x )=1 , jumlahtotal pada sebuah peluang samadengan1
- peluang dihitunguntuk nilai dalam suatu interval tertentu
- Peluang disuatu titik = 0
- Peluang untuk random variable kontinyu (nilai-nilainya dalam suatu
interval), misalkan antara x1 dan x2 didefinisikan sebagai luas daerah di
bawah kurva (grafik) fungsi peluang antara x1 dan x2.
a. Normal Probability Distribution
Distribusi probabilitas kontinu yang paling penting dalam seluruh bidang statistik
adalah distribusi normal. Grafiknya disebut kurva normal, merupakan kurva
berbentuk. Selain itu, kesalahan dalam pengukuran ilmiah, sangat baik jika didekati
dengan distribusi normal. Pada 1733, Abraham DeMoivre mengembangkan
persamaan matematis dari kurva normal. Ini memberikan dasar dari mana banyak
teori statistik induktif didirikan. Distribusi normal sering disebut sebagai distribusi
Gaussian, untuk menghormati Karl Friedrich Gauss (1777-1855), yang juga berasal
persamaan nya dari studi kesalahan dalam pengukuran ulang dari kuantitas yang
sama.
Persamaan matematika untuk distribusi probabilitas dari variabel normal
tergantung pada dua parameter μ dan σ, mean dan deviasi standar. Oleh karena itu,
kami menyatakan nilai-nilai densitas X dengan n (x; μ, σ). Nilai densitas variable acak
normal X dengan mean μ and variance σ2 adalah
Dimana π=3.14 dan e=2.71828 .
Sifat-sifat distribusi peluang normal adalah
1. Bentuk kurva normal seperti bel dan simetris.
2. Parameter σ, menunjukkan lebar dari kurva normal (semakin besar nilainya,
semakin lebar).
3. Titik tertinggi dari kurva nomal terletak pada nilai rata-rata=median=modus.
5
4. Luas total area di bawah kurva normal adalah 1. (luas bagian di sebelah kiri μ
= sebelah kanan μ).
5. Peluang suatu variabel acak normal sama dengan luas di bawah kurva normal.
b. Student's T Distribution
Misal W variabel acak berdistribusi N(0; 1) dan V variabel acak berdistribusi x2 (r ) .
Misalkan pula W dan V independen sehingga pdf gabungannya adalah perkalian dari
pdf untuk W dan untuk V, yaitu
Untuk −∞<w<∞ ,0<v<∞ dan h (w , v )=0 untuk yang lainnya.
Distribusi dari T dapat dicari dengan teknik perubahan variabel melalui pemisalan
sehingga inversnya …(1)
dengan −∞<t <∞ ,0<u<∞.
Dari persamaan (1) dapat diperoleh Jacobi
Akibatnya, untuk −∞<t <∞ ,0<u<∞, pdf gabungan dari T dan U = V adalah
dan g(t, u) = 0 untuk yang lainnya.
Sementara itu, pdf marjinal untuk T adalah
Jika dimisalkan z = maka
6
Mean dan variansi dari distribusi t: Misal T berdistribusi t dengan derajat bebas r;
sehingga T dapat ditulis sebagai
dengan V berdistribusi N(0, 1) dan W berdistribusi X2(r); dan keduanya independen.
Dari sifat independen ini, maka momen ke-k dari T dapat ditulis
Selanjutnya karena momen ke-k dari distribusi X2(r), adalah
Maka
Akibatnya untuk k = 1; nilai E[T] selalu 0 karena mean dari W adalah 0.
Sementara itu untuk k = 2; momen ke-2 hanya berlaku untuk derajat bebas r > 2:
Karena E[W2]= Var(W) = 1 maka variansi dari T diberikan oleh
Jadi dapat disimpulkan bahwa distribusi t dengan derajat bebas r > 2 mempunyai
mean 0 dan variansi r/(r – 2).
c. Chi-Square Distribution
Jika Z1, …, Zk adalah independen, kemudian jumlah kuadratnya Q=∑i=1
k
(Z i )2
didistribusikan berdasarkan Chi-Square Distribution dengan k derajat bebas. Hal ini
biasanya dinotasikan sebagai Q X2 (k ) atauQ Xk2. Chi-Squared distribution memiliki
satu parameter k yang merupakan bilangan bulat positif.
Fungsi densitas peluang Chi-Squared Distribution (pdf) adalah
f ( x , k )=
xk2−1
e− x2
2k2 Γ ( k
2 )0
x≥0¿
Mean dan Varian dari Chi-Squared Distribution adalah μ=k dan σ2=2k
7
d. F Distribution
Misal U dan V dua variabel acak independen berdistribusi khi-kuadrat dengan
derajat bebas masing-masing r1 dan r2, Karena bersifat independen, pdf gabungan
dari U dan V adalah
untuk 0 < u, v < ∞ dan h(u, v) = 0 untuk yang lainnya. De_nisikan variabel acak baru
dan ingin dicari distribusi dari W.
missal
maka
dengan 0 < w, z < ∞ sehingga J=r1r2
z
akibatnya untuk 0 < w, z < ∞, pdf gabungan dari W dan Z=V adalah
dan g(w,z) = 0 untuk yang lainnya.
Untuk 0<w<∞, pdf marjinalnya adalah
Jika dimisalkan
Maka
Untuk 0<w<∞, dan g1 (w) = 0 untuk w lainnya.
8
Jadi dapat disimpulkan bahwa jika U berdistribusi X2(r1) dan V berdistribusi X2(r2);
dan keduanya independen maka variabel acak
mempunyai pdf seperti pada persamaan (3). Selanjutnya, variabel acak W dikatakan
berdistribusi F dengan parameter r1 > 0 dan r2 > 0, dinotasikan dengan F(r1, r2): Untuk
menyesuaikan dengan nama distribusinya, variabel acak W seringkali ditulis
Contoh Soal
a. Distribusi Binomial
Misalkan sebuah perusahaan asuransi mempunyai 3 calon pelanggan, dan pimpinan
perusahaan yakin bahwa peluang dapat menjual produknya adalah 0,1. Berapa
probabilita bahwa 1 pelanggan akan membeli produknya?
Pada kasus ini, p = 0,1 n = 3 x = 1
P ( x=1 )= 3 !1! (3−1 ) !
0.11 (1−0.1 )3−1= 3!1 ! (2 !)
0.110.92=0.243
Nilai Harapan: E(x) = m = np = 3.(0,1) = 0,3
Varian: Var(x) = s2 = np(1 - p) = 3(0,1)(0,9) = 0,27
Simpangan Baku: s = 0,52
b. Distribusi Multinomial
Pada suatu pemeriksaan hasil pembuatan pipa pada sebuah pabrik memperlihatkan
bahwa 85% produknya baik, 10% produknya tidak baik tapi bisa diperbaiki dan 5%
produknya rusak. Jika diambil sampel berukuran 20, berapa peluang akan terdapat 18
yang baik dan 2 yang tidak baik tapi bisa diperbaiki.
x1 = 18 = banyaknya produk baik
x2 = 2 = banyaknya produk tidak baik tapi bisa diperbaiki
x3 = 0 = banyaknya produk rusak
p1 = 0,85
p2 = 0,19
p3 = 0,05
P (18,2,0 )= 20!(18 !2!1 ! )
0,85180,120.050=0.102
Jadi peluang terambil 18 produk baik dan 2 produk tidak baik tapi bisa diperbaiki
adalah 0,102
c. Distribusi Poisson
Di RS Mercy, rata-rata pasien mendatangi UGD pada akhir minggu adalah 3 pasien
per jam. Berapa peluang ada 4 pasien mendatangi UGD pada akhir minggu?
λ = 3 pasien perjam, x = 4
P (4 )=34 e−3
4 !=0.168
Jadi peluang ada 4 pasien mendatangi UGD pada akhir minggu adalah 0,1680
d. Distribusi Hypergeometrik
Sebuah anggota komite terdiri dari 5 orang, 3 wanita dan 2 laki-laki. Jika dari komite
itu dipilih 2 orang untuk mewakili dalam sebuah pertemuan, maka peluang yang terpilih
1 wanita dan 1 laki-laki adalah :
N = 5 n = 2
r = jumlah wanita = 3
N – r = jumlah laki-laki = 5 – 3 = 2
x = jumlah wanita yang terpilih = 1
n – x = jumlah laki-laki yang terpilih = 2 – 1 = 1
P (1 )=(31)(5−32−1)
(52)=
( 3 !1!2 ! )( 2!
1 !1 ! )( 5!2 !3 ! )
=0,6
Jadi peluang terpilih 1 wanita dan 1 laki-laki adalah 0,6
10
BAB III
KESIMPULAN
Distribusi Peluang adalah deskripsi/gambaran peluang terjadinya setiap nilai dalam sutu
populasi dari percobaan. Ada beberapa macam distribusi peluang, diantaranya:
1. Distribusi Peluang Diskret
2. Distribusi Peluang Kontinyu
Distribusi peluang diskrit dibagi lagi menjadi beberapa macam, seperti:
1. Distribusi Peluang Binomial
2. Distribusi Peluang multinomial
3. Distribusi Peluang hypergeometrik
4. Distribusi Peluang poisson
5. Distribusi Peluang binomial negative
Sedangkan distribusi peluang kontinyu ada beberapa macam, diantaranya:
1. Distribusi Peluang Normal
2. Distribusi Peluang T student
3. Distribusi Peluang Chi-Squared
4. Distribusi Peluang F
Dibawah ini akan diberikan rumus-rumusnya:
1. Distribusi Binomial:
Fungsi peluang binomial : P ( x )= n !x ! (n−x )!
px (1−p )n− x
Nilai Harapan / rata-rata : E ( x )=μ=np
Varian: Var ( x )=σ2=np (1−p )
Simpangan baku: σ=√σ2=√ np (1−p )
2. Fungsi distribusi Multinomial:
p ( x1 , x2 , …, xk )=( n !x1 ! . x2! … .. xk !
) p1x1 . p2
x2…. pkx k
3. Distribusi Poisson
Fungsi peluang poisson: p ( x )=μx e−μ
x !
Dimana x = banyaknya kejadian pada interval waktu tertentu
11
μ = rata-rata banyaknya kejadian pada interval waktu
e = 2,71828
Nilai harapan / rata-rata: E ( x )=∑x=0
∞
xp ( x )=μ
Varian: σ 2=μ
4. Fungsi Peluang hipergeometrik:
p ( x )=(rx)(N−r
n−x )(N
n )Dimana: x = banyaknya sukses dalam n kali kejadian
N = banyaknya elemen populasi
n = banyaknya kejadian
r = banyaknya sukses dalam populasi
5. Persamaan Distribusi Normal adalah f ( x )= 1σ √2π
e−12 ( x−μ
σ )2
Dimana: μ= rata-rata
σ = simpangan baku
π = 3,14159
e = 2.71828
12
Daftar Pustaka
Walpole, Ronald E. 2012. Probability & statistics for engineers & scientists 9th edition. Boston:
Pearson Education, Inc
https://www.google.co.id/url?
sa=t&rct=j&q=&esrc=s&source=web&cd=10&sqi=2&ved=0CG4QFjAJ&url=http%3A%2F
%2Fnunung.blog.unsoed.ac.id%2Ffiles
%2F2012%2F04%2F35Distribusi_F_dan_t.pdf&ei=rkN-
UdLAJ9CHrAfJuYEg&usg=AFQjCNE0zSPqYFFNYGAs0QF3M9yQO0TbLw&sig2=U9LoAGi5s
VhXNU47a5T_rA&bvm=bv.45645796,d.bmk
http://en.wikipedia.org/wiki/Chi-squared_distribution#Definition
13