Stat prob08 distribution_discrete
-
Upload
arif-rahman -
Category
Engineering
-
view
98 -
download
0
Transcript of Stat prob08 distribution_discrete
DISTRIBUSI PROBABILITAS :Variabel Diskrit
ARIF RAHMAN
1
Ruang Sampel dan Variabel AcakRuang sampel (sample space) adalah satu
set lengkap semua keluaran yang mungkin terjadi dalam populasi.
Variabel acak (random variable) adalah suatu nilai bersifat acak dalam numerik (format angka diskrit atau kontinyu) atau nonnumerik yang menandai keluaran dalam ruang sampel tertentu (finite atau infinite).
2
DistribusiDistribusi adalah sebaran variabel acak X
dalam ruang sampel S dengan rentang R yang mempunyai karakteristik unik (parameter atau statistik) dalam interval tertentu (finite atau infinite) dengan fungsi probabilitas yang spesifik.
3
Distribusi Empiris dan TeoritisDistribusi empiris (empirical distribution)
adalah distribusi sebaran data aktual dari observasi atau eksperimen dengan pengelompokan dalam distribusi frekuensi.
Distribusi teoritis (theoretical distribution) adalah distribusi sebaran variabel acak dalam rentang tertentu yang mengikuti fungsi probabilitasnya.
4
Fungsi ProbabilitasFungsi probabilitas menunjukkan tingkat
frekuensi relatif dari variabel acak X bernilai diskrit atau luasan frekuensi relatif dari interval variabel acak X bernilai kontinyu.
5
Fungsi ProbabilitasProbability Mass Function, p(x)Probability Density Function, f(x)Cumulative Distribution Function, F(x)Expectation, E(xn)Variance, V(x)Moment, mr(x)Moment Generating Function , Mr(x)
6
Probability Mass FunctionFungsi massa probabilitas (probability
mass function) adalah fungsi yang memberikan penaksiran probabilitas dari variabel acak diskrit pada nilai tertentu.
Jika X adalah sebuah variabel acak diskrit, penaksiran nilai probabilitas P(X=x)=p(x) untuk setiap x dalam rentang R di mana nilai p(x) memenuhi : p(x)>0 untuk seluruh xR p(x) = 1
7
Probability Density FunctionFungsi kepadatan probabilitas (probability
density function) adalah fungsi yang memberikan penaksiran probabilitas dari variabel acak kontinyu dalam interval tertentu.
Jika X adalah sebuah variabel acak kontinyu, penaksiran nilai probabilitas P(a<X<b)=abf(x) dx untuk setiap interval X dalam rentang R di mana nilai f(x) memenuhi : f(x)>0 untuk seluruh xR f(x) dx = 1
8
Cumulative Distribution FunctionFungsi distribusi kumulatif (cumulative
distribution function) adalah fungsi yang memberikan penaksiran probabilitas kumulatif dari variabel acak diskrit atau kontinyu hingga nilai tertentu.
Jika X adalah sebuah variabel acak, penaksiran nilai probabilitas P(X<b)= F(x) untuk setiap interval X dalam rentang R di mana nilai F(x) memenuhi : F(x) = bp(x) untuk variabel acak diskrit xR F(x) = -bf(x) dx untuk variabel acak kontinyu xR
9
ExpectationNilai ekspektasi (expectation) adalah sebuah
nilai harapan dari sebuah fungsi terhadap fungsi probabilitas variabel acaknya.
Jika X adalah sebuah variabel acak, dan g(x) adalah fungsi dari X, maka nilai ekspektasi dari g(x) didefinisikan sebagai berikut : E((g(x)) = g(x).p(x) untuk variabel acak diskrit xR E((g(x)) = g(x).f(x) dx untuk variabel acak kontinyu
xR
10
xxE )(
VarianceVariansi (variance) adalah nilai ekspektasi
fungsi kuadrat deviasi variabel acak X dengan rata-ratanya terhadap fungsi distribusi probabilitasnya.
11
RxdxxfxxxV
RxxpxxxV
kontinyu acak abeluntuk vari)(.)()(
diskrit acak abeluntuk vari)(.)()(
2
0
2
22
2
22
)()()(
)(
xExExxE
xVs
MomentMomen origin (moment about the origin
atau raw moment) adalah nilai ekspektasi fungsi deviasi variabel acak X dengan titik origin (nol, 0) dalam orde ke-r terhadap fungsi distribusi probabilitasnya.
12
rrr xEm ''
Rxdxxfxm
Rxxpxm
rrr
rrr
kontinyu acak abeluntuk vari)(.''
diskrit acak abeluntuk vari)(.''0
MomentMomen pusat (central moment) adalah
nilai ekspektasi fungsi deviasi variabel acak X dengan nilai rata-rata dalam orde ke-r terhadap fungsi distribusi probabilitasnya.
13
rrr xxEm )(
Rxdxxfxxm
Rxxpxxm
rrr
rrr
kontinyu acak abeluntuk vari)(.)(
diskrit acak abeluntuk vari)(.)(0
Moment Generating FunctionFungsi pembangkitan momen (moment
generating function) adalah nilai ekspektasi fungsi eksponensial variabel t dan variabel acak X dengan nilai rata-rata terhadap fungsi distribusi probabilitasnya.
14
xteEtM .)(
RxdxxfetM
RxxpetM
xt
xt
kontinyu acak abeluntuk vari)(.)(
diskrit acak abeluntuk vari)(.)(
.
0
.
Moment Generating FunctionHubungan antara Fungsi pembangkitan
momen (moment generating function) dengan momen origin (moment about the origin) ditunjukkan dengan fungsi derivatif.
15
rt
r
r
dttMd ')(
0
Distribusi DiskritHubungan antara p(x) dengan F(x)
16
RxF
xpxXPxFxX
rentang dalam asprobabilit luntuk tota 1)( mana di
)()()(0
p(x) F(x)
Distribusi KontinyuHubungan antara f(x) dengan F(x)
17
RxF
dxxfxXPxFxX
rentang dalam asprobabilit luntuk tota 1)( mana di
)()()(
f(x) F(x)
Proses Stokastik dan Eksperimen AcakProses stokastik (stochastic process)
adalah proses dengan keluaran sekumpulan variabel acak X={X(t), tT}, yang terdistribusi acak pada saat t dalam rentang continuum T.
Eksperimen acak (random experiment) adalah eksperimentasi yang menghasilkan keluaran yang berbeda, meskipun dilakukan perulangan dengan rancangan kondisi eksperimentasi yang sama.
18
Proses StokastikVariabel acak diskrit dalam perubahan
waktu diskritVariabel acak kontinyu dalam perubahan
waktu diskritVariabel acak diskrit dalam perubahan
waktu kontinyuVariabel acak kontinyu dalam perubahan
waktu kontinyu
19
Proses Stokastik20
Proses StokastikRandom point processes, Counting processes, Branching processes, Intensity processes, Cumulative (accumulator) processes, Moving average processes, Bernoulli processes, Birth-death processes, Brownian motion (Wiener) processes, Brownian bridge processes, Gaussian processes, Mark point processes, Markov processes, Martingale processes, Ornstein-Uhlenbeck processes, Poisson processes, Queueing processes, Random walk processes, Renewal processes, White noise processes, Yule processes
21
Bernoulli ProcessesProses Bernoulli (Bernoulli process)
adalah proses eksperimentasi yang melakukan percobaan Bernoulli sebanyak n kali dan setiap percobaan tersebut bebas (independent) dengan peluang sukses p.
Percobaan Bernoulli (Bernoulli trials) merupakan percobaan tunggal yang mempunyai keluaran dikotomi atau 2 nilai mutually exclusive yang mungkin terjadi, yaitu sukses dan gagal.
22
Bernoulli ProcessesProperti dari proses Bernoulli :
X(t){0,1} , di mana 0 menotasikan gagal dan 1 menotasikan sukses.
Setiap kejadian bersifat independent. Kejadian gagal dan sukses mutually exclusive.
(x=0)(x=1)= Probabilitas sukses sebesar p dan probabilitas
gagal sebesar q=1-p.P(x=1) = p dan P(x=0) = 1-p
23
Percobaan Bernoulli24
-1 -1 -1
N-n+2 N-n+1N-n+3N N-1 N-2
-1 -1 -1
p1(x) p2(x) p3(x) ... pn-2(x) pn-1(x) pn(x)
-1 -1 -1
N NNN N N
-1 -1 -1
p1(x) = p2(x) = p3(x) = ... = pn-2(x) = pn-1(x) = pn(x)
Tanpa Pengembalian (without replacement)
Dengan Pengembalian (with replacement)
Proses PoissonProses Poisson (Poisson process) adalah
proses penghitungan (counting process) banyaknya kejadian (N(t), t>0) hingga saat t, dengan parameter laju kemunculan kejadian (>0).
Macam proses Poisson: stationary (homogeneous) Poisson process, nonstationary (nonhomogeneous) Poisson process, generalized Poisson process, compound Poisson process, filtered Poisson process, doubly stochastic Poisson process.
25
Proses PoissonProperti dari proses Poisson :
X(t)=N(t), t>0 N(0) = 0 N(t) > 0, N(t)integer N(t) nondecreasing function. N(ti)<N(tj) jika ti<tj
N(t) mempunyai independent increments, N(tj)-N(ti)=N(t), jika ti<tj dan t=tj-ti
N(t){0,1} untuk t sangat kecil.P(N(t)=1)= .t+o(t) dan P(N(t)>2)= o(t)
26
!)()()(
ntensNstNP
nt
Distribusi BernoulliDistribusi Bernoulli menunjukkan sebaran
variabel acak dari percobaan Bernoulli tunggal pada dua nilai keluaran, gagal (0) dan sukses(1), X{0,1}, dengan probabilitas sukses sebesar p.
Penerapan Distribusi Bernoulli antara lain untuk menunjukkan kejadian acak dengan dua keluaran, misalnya pelemparan koin.
27
Distribusi Bernoulli Parameter p (probability of success) Probability Mass Function, p(x)
Cummulative Distribution Function, F(x)
28
otherxpxp
xp0
0)1(1
)(
p(x)
F(x)
0 1
(1-
p)
p
(1-
p)
p
1
1110)1(
00)(
xxp
xxF
Distribusi BernoulliDinotasikan dengan Bernoulli(x;p)Parameter pMean
Variance
29
p
)1(2 pp
Distribusi Discrete UniformDistribusi Discrete Uniform menunjukkan
sebaran variabel acak pada n buah nilai keluaran berimbang (equally likely) dalam rentang x1=a hingga xn=b, X{x1,x2,...,xn}, dengan probabilitas seragam sebesar 1/n.
Penerapan Distribusi Discrete Uniform antara lain untuk menunjukkan kejadian acak dengan beberapa keluaran berimbang, misalnya pelemparan dadu.
30
Distribusi Discrete Uniform Parameter a (minimum) dan b (maximum) Probability Mass Function, p(x)
Cummulative Distribution Function, F(x)
31
other
baaxabxp
0
,...,1,1)(
1)(
p(x)
F(x)
bx
bxaabax
axxF
11)(1)(
0)(
Distribusi Discrete UniformDinotasikan dengan DU(x;p) Parameter a dan bMean
Variance
32
2ba
121)1( 2
2
ab
Distribusi BinomialDistribusi Binomial menunjukkan sebaran
variabel acak banyaknya sukses dari n buah percobaan Bernoulli bebas dalam rentang semua gagal (0) hingga semua sukses (n), X{0,1,...,n}, dengan probabilitas sukses setiap percobaan sebesar p.
33
Distribusi BinomialVariabel acak x menunjukkan banyaknya
sukses dari n percobaan. Karena gagal dan sukses bersifat mutually exclusive, maka banyaknya gagal ditunjukkan dengan (n-x). Sehingga banyaknya susunan gagal-sukses dalam n menggunakan permutasi obyek sama.
34
xn
xnxn
)!(!!Permutasi obyek sama
(n-x) gagal dan x suksesdalam n obyek
Kombinasi n obyekdiambil x
Distribusi BinomialPenerapan Distribusi Binomial antara lain:
banyaknya kejadian sukses dari n kejadian bebas, banyaknya cacat dalam batch berukuran n, banyaknya item terpilih dalam satu lot atau himpunan berisi n anggota, banyaknya pembelian dengan persediaan n unit, banyaknya jawaban yang benar dalam n soal, banyaknya yang sembuh dari n pasien.
35
Distribusi Binomial Parameter p (probability of success) dan n (number of
trials) Probability Mass Function, p(x)
Cummulative Distribution Function, F(x)
36
other
nxppxn
xpxnx
0
,...,1,0)1()(p(x)
F(x)
0)(
00)(
0
xip
xxF x
i
Distribusi BinomialDinotasikan dengan BIN(x;n,p)Parameter p dan nMean
Variance
37
pn.
)1(.2 ppn
38
Distribusi MultinomialDistribusi Multinomial menunjukkan
kumpulan variabel acak dari n buah percobaan dengan k jenis keluaran (x1,x2,...xk; xi=n) dalam rentang dari null hingga n, Xi{0,1,...,n}, dengan probabilitas setiap jenis keluaran p1, p2, ...,pk.
39
kk xxxn
xxxn
,...,,!!...!!
2121
Permutasi obyeksama k kelompokdalam n obyek
Kombinasi partisi nobyek dalam k kelompok
Distribusi MultinomialPenerapan Distribusi Multinomial antara
lain: banyaknya kejadian di setiap keluaran dari n kejadian bebas dengan peluang banyak keluaran, misalnya banyaknya di setiap keluaran (2,3,...,12) di n pelemparan dua dadu, banyaknya yang dilayani di setiap kasir dari k kasir pada n pembeli.
40
Distribusi Multinomial Parameter p1,p2,...,pk (probability of i-th outcome) dan n
(number of trials) Probability Mass Function, p(x1,x2,...,xk)
Di mana
41
other
nxpppxxx
nxxxp
xkk
xx
kk
0
,...,1,0,...,,),...,,(
22
11
2121
nx
p
k
ii
k
ii
1
1
1
Distribusi Pascal atau Negative BinomialDistribusi Negative Binomial atau Pascal
menunjukkan sebaran variabel acak yang menyatakan banyaknya percobaan Bernoulli yang dilakukan untuk mendapatkan s sukses. Variabel acak dalam rentang semua langsung didapat (s) sampai tak hingga (), X{s,s+1,..., }. Probabilitas sukses setiap percobaan sebesar p.
42
Distribusi Pascal atau Negative BinomialVariabel acak x menunjukkan banyaknya
percobaan untuk mendapatkan s sukses. Karena gagal dan sukses bersifat mutually exclusive, maka banyaknya gagal ditunjukkan dengan (x-s). Sukses ke-s menjadi penutup susunan (urutan ke-x), sehingga banyaknya susunan gagal-sukses menggunakan permutasi obyek sama.
43
11
)!()!1()!1(
sx
sxsx
Permutasi obyek sama(x-s) gagal dan s suksesdalam x obyek dengansukses ke-s ada di akhir
Kombinasi (x-1) obyekdiambil (s-1)
Distribusi Pascal atau Negative BinomialPenerapan Distribusi Pascal atau Negative
Binomial antara lain: banyaknya kejadian bebas dengan s kejadian sukses, banyaknya produksi (termasuk cacat) untuk mendapatkan s produk baik, banyaknya anggota himpunan yang terwakili s anggota, banyaknya persediaan yang diperlukan agar terjadi pembelian sebanyak s unit.
44
Distribusi Pascal atau Negative Binomial Parameter p (probability of success) dan s (number of
succeeds) Probability Mass Function, p(x)
Cummulative Distribution Function, F(x)
45
other
ssxppsx
xpsxs
0
,...,1,)1(11
)(p(x)
F(x)
sxip
sxxF x
si
)(
0)(
Distribusi Pascal atau Negative BinomialDinotasikan dengan NEGBIN(x;s,p)Parameter p dan sMean
Variance
46
ps
22 )1(
pps
Distribusi Pascal atau Negative BinomialBeberapa literatur lain menyatakan variabel acak
x menunjukkan banyaknya gagal sebelum mendapatkan s sukses. Karena gagal dan sukses bersifat mutually exclusive, maka banyaknya percobaan Bernoulli ditunjukkan dengan (x+s). Sukses ke-s menjadi penutup susunan (urutan ke-x), sehingga banyaknya susunan gagal-sukses menggunakan permutasi obyek sama.
47
xsx
xssx 1
!)!1()!1)((
Permutasi obyek samax gagal dan s suksesdengan sukses ke-sada di akhir
Kombinasi (x+s-1)obyek diambil x
Distribusi Pascal atau Negative Binomial Parameter p (probability of success) dan s (number of
succeeds) Probability Mass Function, p(x)
Cummulative Distribution Function, F(x)
48
other
xppxxs
xpxs
0
,...,1,0)1(1
)(p(x)
F(x)
0)(
00)(
0
xip
xxF x
i
Distribusi Pascal atau Negative BinomialDinotasikan dengan NEGBIN(x;s,p)Parameter p dan sMean
Variance
49
pps )1(
22 )1(
pps
Distribusi GeometricDistribusi Geometric menunjukkan
sebaran variabel acak yang menyatakan banyaknya percobaan Bernoulli yang dilakukan untuk mendapatkan sukses pertama. Variabel acak dalam rentang pertama kali langsung didapat (1) sampai tak hingga (), X{1,2,..., }. Probabilitas sukses setiap percobaan sebesar p.
50
Distribusi GeometricVariabel acak x menunjukkan banyaknya
percobaan hingga mendapatkan sukses. Karena gagal dan sukses bersifat mutually exclusive, maka banyaknya gagal ditunjukkan dengan (x-1). Sukses menjadi penutup susunan (urutan ke-x).
51
Distribusi GeometricPenerapan Distribusi Geometric antara lain:
banyaknya kejadian bebas hingga mencapai kejadian sukses, banyaknya produksi hingga cacat yang pertama, banyaknya audisi hingga terpilih, banyaknya penawaran penjualan hingga terjadi pembelian.
52
Distribusi Geometric Parameter p (probability of success) Probability Mass Function, p(x)
Cummulative Distribution Function, F(x)
53
otherxpp
xpx
0,...,2,1)1.(
)(1
p(x)
F(x)
1)1(110
)(xpx
xF x
Distribusi GeometricDinotasikan dengan GEOM(x;p)Parameter pMean
Variance
54
p1
22 )1(
pp
Distribusi GeometricBeberapa literatur lain menyatakan variabel
acak x menunjukkan banyaknya gagal sebelum mendapatkan sukses pertama kali. Karena gagal dan sukses bersifat mutually exclusive, maka banyaknya percobaan Bernoulli ditunjukkan dengan (x+1). Sukses menjadi penutup susunan (urutan ke-x).
55
Distribusi Geometric Parameter p (probability of success) Probability Mass Function, p(x)
Cummulative Distribution Function, F(x)
56
otherxpp
xpx
0,...,1,0)1.(
)(
p(x)
F(x)
0)1(100
)( 1 xpx
xF x
Distribusi GeometricDinotasikan dengan GEOM(x;p)Parameter pMean
Variance
57
pp)1(
22 )1(
pp
Distribusi HypergeometricDistribusi Hypergeometric menunjukkan
sebaran variabel acak yang menyatakan banyaknya sukses dari n percobaan tanpa pengembalian pada himpunan berisikan N anggota dengan D sukses. Variabel acak dalam rentang tanpa sukses (0) hingga semua sukses (n), X{1,2,...,n; n<D} atau hingga total sukses terpilih (D), X{1,2,...,n; n>D}.
58
Distribusi Hypergeometric Variabel acak menunjukkan banyaknya sukses terpilih dari
D titik sampel. Karena gagal dan sukses bersifat mutually exclusive, maka banyaknya gagal sebesar (n-x) terpilih dari (N-D) titik sampel. Ruang sampel terbentuk dari kombinasi N objek terambil n. Sedangkan kejadian terbentuk dari kombinasi D objek terambil x beririsan dengan kombinasi (N-D) objek terambil (n-x).
59
nN
xnDN
xD
. {xD}{(n-x)(N-D)}
Kombinasi N obyekdiambil n
Distribusi HypergeometricPenerapan Distribusi Hypergeometric
antara lain: banyaknya kejadian sukses dari sumber terbatas dengan sebagian bernilai sukses, banyaknya produk cacat yang terpilih dari persediaan yang ada, banyaknya wanita yang terpilih sebagai pengurus harian koperasi dari anggota koperasi.
60
Distribusi Hypergeometric Parameter N(number of sample points) , D(number of
succeeds) dan n (number of trials) Probability Mass Function, p(x)
Cummulative Distribution Function, F(x)
61
other
Dnx
nN
xnDN
xD
xp
0
),min(,...,1,0.
)( p(x)
F(x)
0)(
00)(
0
xip
xxF x
i
Distribusi HypergeometricDinotasikan dengan HGEOM(x;N,D,n)Parameter N, D dan nMean
Variance
62
NDn
112
NnN
ND
NDn
Distribusi Multivariate HypergeometricDistribusi Multivariate Hypergeometric
menunjukkan sekumpulan variabel acak dari n percobaan tanpa pengembalian dengan k jenis keluaran (x1,x2,...xk; xi=n) pada himpunan berisikan N anggota dengan k bagian (D1,D2,...Dk; Di=N). Variabel acak dalam rentang null hingga n, Xi{1,2,...,n; n<Di} atau hingga Di, X{1,2,...,n; n>Di}.
63
Distribusi Multivariate Hypergeometric Variabel acak menunjukkan banyaknya sukses terpilih dari
masing-masing Di titik sampel bagian dari N. Karena gagal dan sukses bersifat mutually exclusive, maka banyaknya gagal sebesar (n-x) terpilih dari (N-D) titik sampel. Ruang sampel terbentuk dari kombinasi N objek terambil n. Sedangkan kejadian terbentuk dari irisan semua kombinasi Di objek terambil xi.
64
nN
xD
xD
xD
k
k2
2
1
1 . {xiDi}
Kombinasi N obyekdiambil n
Distribusi Multivariate HypergeometricPenerapan Distribusi Multivariate
Hypergeometric antara lain: banyaknya kejadian terpilih di setiap bagian dari sumber terbatas, banyaknya dan jenis item yang terbeli dari persediaan yang ada. banyaknya anggota yang terpilih sesuai daerah asal sebagai pengurus organisasi.
65
Distribusi Multivariate Hypergeometric Parameter N(number of sample points) , Di(number of
succeeds on i-th group) dan n (number of trials) Probability Mass Function, p(x)
di mana
66
other
Dnx
nN
xD
xD
xD
xxxp ik
k
k
0
),min(,...,1,0.
),...,,(2
2
1
1
21
nxNDk
ii
k
ii
11
dan
Distribusi PoissonDistribusi Poisson menunjukkan sebaran
variabel acak yang menyatakan banyaknya sukses dari proses Poisson yang terjadi dalam satu horison waktu (continuum) dengan laju . Variabel acak dalam rentang tidak ada kejadian (0) sampai tak hingga (), X{1,2,..., }. Laju ekuivalen dengan n.p distribusi binomial.
67
Distribusi Poisson Variabel acak menunjukkan banyaknya sukses dari proses
Poisson yang terjadi dalam satu horison waktu (continuum) dengan laju . Dengan t=1 satuan waktu, maka X=X(t)=N(t) dari proses Poisson dengan t=, sehingga probabilitas P(X=x) sebagai berikut :
68
!)(
xexXP
x
Distribusi PoissonPenerapan Distribusi Poisson antara lain:
banyaknya kejadian sukses selama interval waktu tertentu dengan laju stasioner, banyaknya item dalam satu batch, banyaknya permintaan setiap satuan waktu tertentu.
69
Distribusi Poisson Parameter (rate of occurences) Probability Mass Function, p(x)
Cummulative Distribution Function, F(x)
70
other
xx
exp
x
0
,...,1,0!)(
p(x)
F(x)
0)(
00)(
0
xip
xxF x
i
Distribusi PoissonDinotasikan dengan Poisson(x;)Parameter Mean
Variance
71
2
72
Pendekatan Distribusi DiskritPendekatan Distribusi Binomial pada variabel
acak berdistribusi Hypergeometric saat banyaknya anggota ruang sampel sangat banyak (limit N)
Pendekatan Distribusi Poisson pada variabel acak berdistribusi Binomial saat banyaknya trial sangat banyak (limit n) dan probabilitas sukses sangat kecil (limit p0)
73
Dist. Binomial Dist. HypergeometricVariabel acak distribusi Binomial dapat ditinjau
sebagai bentuk pendekatan distribusi Hypergeometric dengan anggota ruang sampel sangat banyak (limit N) dan rasionya dengan banyaknya trial sangat kecil (limit n/N 0), di mana rasio banyaknya sukses dalam ruang sampel dengan banyaknya seluruh anggota ruang sampel (D/N) ekuivalen dengan probabilitas kejadian sukses (p) yang menjadi parameter distribusi Binomial.
74
Dist. Binomial Dist. Hypergeometric
75
NDp
NnN
0
lim
n
xnx
N
NDND
xxnn
nnNNN
xnxnDNDNDN
xxDDD
nnNN
xnxnDNDN
xxDDnN
xnDN
xD
xXPN
n
).(.!)!(
!!
)1)...(1.()!(
))())...((1).((.!
)1)...(1.(!)!(
!)!())!()((
)!(.!)!(
!
.)(lim
0
xnx
Npp
xn
xXPN
n
)1()(lim
0
nann
)(lim
Dist. Binomial Dist. HypergeometricDist. BinomialMean
Variance
Dist. HypergeometricMean
Variance
76
pn.
)1.(.2 ppn
NDp
NnN
0
lim
pnNDn
.
.
1.1..1
.1..2
ppnN
nNND
NDn
NaNN
)(lim
Dist. Poisson Dist. BinomialVariabel acak distribusi Poisson dapat ditinjau
sebagai bentuk pendekatan distribusi Binomial dengan banyaknya trial sangat banyak (limit n) dan probabilitas sukses sangat kecil (limit p0), di mana rata-rata banyaknya kejadian sukses (E(x)=n.p) ekuivalen dengan laju munculnya kejadian sukses () yang menjadi parameter distribusi Poisson.
77
Dist. Poisson Dist. Binomial
78
pnxE
pn
.)(lim0
xnx
xnx
x
xnx
xnx
pn
nx
nnxnxnnn
nnxxnn
ppxn
xXP
01.1.!
.1
1.1.!
.)1)...(1.(
1..!)!.(
!
1..)(lim0
a
n
ne
na
1lim
!.)(lim
0xexXP
x
pn
1)(lim
nan
n
0lim n
an
Dist. Poisson Dist. BinomialDist. PoissonMean
Variance
Dist. BinomialMean
Variance
79
pn.
)1.()1.(.2
ppn
apap
)(lim0
2
pnxE
pn
.)(lim0
80
81
Terima kasih ...Terima kasih ...
... Ada pertanyaan ???... Ada pertanyaan ???