Professional Documents
Culture Documents
Estimasiparameter 120225213605 Phpapp02
Estimasiparameter 120225213605 Phpapp02
MODUL 3
DISTRIBUSI PROBABILITAS DISKRIT DAN KONTINU
Oleh:
FAUZIAH GITRI D. 1311100029
IRMAYA FATWA Y. 1311100068
Asisten Dosen:
BIN HARIYATI
1308100085
Jurusan Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember
Surabaya
2011
ABSTRACT
In everyday of life is assorted by probability model. Uncertainty factor have
many opportunity probability model that draws an effect of which possible happened
if that only happened in certain conditions. Probability of distribution or theoretical
probability represents an possible probability model to study the result of real random
experiment and to anticipate what the result happened. In other word, the real events
look as some events in model and some conditions from distribution of model that it
can fulfill as conditions of experiment.
Probability distribution represents population distribution because that is
relates to all values which possible happened and its population represent random
variable. Pursuant to its variable, the type pertained to the discrete probability
distribution and kontinu probability distribution. Discrete probability distribution is
probability distribution at one particular random changer which the number are
integer. While kontinu probability distribution is probability distribution that an
random changer is kontinu have null in each dot x.
Some example of discrete probability distribution are binomial distribution,
hypergeometric distribution, and poisson distribution. In binomial distribution, it got
the number of success in n free enterprise. The difference with hypergeometric
distribution, that is without needed free enterprise. While for the distribution of
poisson, data will be calculated during by certain time gap or certain area. Contiguity
of binomial formula with poisson formula also investigated a data with almost
poisson distribution to binomial distribution.
The example of kontinu distribution is normal distribution. Normal
distribution have important place in statistic area. An kontinu random changer of X
which its distribution forms like bell referred as normal random changer.
This experiments analyses probability of distribution in certain conditions
such as binomial, hypergeometric, poisson, almost of binomial and poisson, and
normal kontinu distribution. After calculate these distributions, its varians, and mean
of data, it can show how comparison the access parameter result of data with this
theoretically and comparison fisis curve result of data with this theoretically. So that it
expected information is useful for the phase after that, such as test analyse and
making of decision.
DAFTAR GAMBAR
DAFTAR TABEL
Tabel 4.1 Output Minitab Perbandingan Nilai Rata-Rata dan Varians Untuk n=10 ........ 10
Tabel 4.2 Output Minitab Perbandingan Nilai Rata-Rata Dan Varians Untuk n=40 ....... 12
Tabel 4.3 Output Minitab Perbandingan Nilai Rata-Rata dan Varians Hipergeometrik .. 13
Tabel 4.4 Ouput Minitab Peluang Distribusi Poisson ...................................................... 14
Tabel 4.5 Perhitungan µ = n.p ......................................................................................... 15
BAB I
PENDAHULUAN
1.2 Permasalahan
Dalam praktikum ini, permasalahan yang muncul sebagai acuan untuk analisis
adalah sebagai berikut,
1. Bagaimana perbandingan nilai parameter dan perbandingan bentuk fisis kurva
hasil bangkitan data dari distribusi binomial dengan teoritisnya ?
2. Bagaimana perbandingan nilai parameter dan perbandingan bentuk fisis kurva
hasil bangkitan data dari distribusi hipergeometrik dari probabilitas yang mungkin
dengan dengan teoritisnya ?
3. Bagaimana perbandingan nilai parameter dan perbandingan bentuk fisis kurva
hasil bangkitan data dari distribusi poisson dengan teoritisnya ?
4. Bagaimana perbandingan nilai parameter dan perbandingan bentuk fisis kurva
hasil bangkitan data dari hamparan distribusi poisson terhadap binomial?
5. Bagaimana perbandingan nilai parameter dan perbandingan bentuk fisis kurva
hasil bangkitan data dari distribusi dengan teoritisnya ?
1.3 Tujuan
Perumusan masalah di atas menghasilkan tujuan yang akan dicapai dalam
kegiatan praktikum ini, yaitu sebagai berikut,
1. Untuk mengetahui perbandingan nilai parameter dan perbandingan bentuk fisis
kurva hasil bangkitan data dari distribusi binomial dengan teoritisnya.
2. Untuk mengetahui perbandingan nilai parameter dan perbandingan bentuk fisis
kurva hasil bangkitan data dari distribusi hipergeometrik dari probabilitas yang
mungkin dengan teoritisnya.
3. Untuk mengetahui perbandingan nilai parameter dan perbandingan bentuk fisis
kurva hasil bangkitan data dari distribusi poisson dengan teoritisnya.
4. Untuk mengetahui perbandingan nilai parameter dan perbandingan bentuk fisis
kurva hasil bangkitan data dari hamparan distribusi poisson terhadap binomial.
5. Untuk mengetahui perbandingan nilai parameter dan perbandingan bentuk fisis
kurva hasil bangkitan data dari distribusi normal dengan teoritisnya.
1.4 Manfaat
Dari kegiatan praktikum ini, manfaat yang dapat diambil adalah sebagai
berikut,
1. Mampu memahami pengertian variabel acak diskrit dan kontinu.
2. Mampu mengaplikasikan distribusi variabel diskrit maupun distribusi variabel
kontinu pada data yang tersedia.
3. Mampu menyajikan suatu data menjadi sebuah informasi yang lebih jelas dan
menarik.
4. Mampu memahami perbandingan nilai parameter hasil bangkitan data dengan
teoritisnya.
5. Mampu mengetahui perbandingan bentuk fisis kurva hasil bangkitan data dengan
teoritisnya.
BAB II
TINJAUAN PUSTAKA
h( x; N , n, k )
k N k
nk
x
N x = 0,1, 2, ..., n (2.4)
n
Keterangan :
N = ukuran populasi
n = ukuran contoh acak
k = banyaknya penyekatan / kelas
x = banyaknya keberhasilan
Rata-rata dan Ragam untuk Distribusi Hipergeometrik h(x; N, n, k) adalah:
µ = nk
N (2.5)
N−n k k
σ2 = N−1 . n. N (1 − N)
(2.6)
Keterangan :
µ = rata-rata
σ2 = ragam
N = ukuran populasi
n = ukuran contoh acak
k = banyaknya penyekatan/kelas
2.2.3 Distribusi Poisson
Distribusi Poisson adalah distribusi peluang acak diskrit yang menyatakan
banyaknya sukses yang terjadi dalam suatu selang waktu atau daerah tertentu yang
dinyatakan dengan t (Walpole, 1995)
𝑒 −𝜆𝑡 (𝜆𝑡)𝑥
𝑝(𝑥; 𝜆𝑡) = x=0,1,2,...n (2.7)
𝑥!
Keterangan :
x = banyak keberhasilan dalam peubah acak X
𝜆𝑡 = rata-rata banyak sukses yang terjadi per satuan waktu
e= 2,71828...
Rata-rata dan Ragam untuk Distribusi 𝑝(𝑥; 𝜆𝑡)adalah:
µ = σ2 = 𝜆𝑡 (2.8)
Keterangan :
µ = rata-rata
σ2 = ragam
𝜆𝑡 = rata-rata banyak sukses yang terjadi per satuan waktu
Melakukan Percobaan
Mean StDev N
4 0,2463 0,07521 20
Density
0,1561 0,07676 20
0,1755 0,06012 20
3 0,2049 0,07754 20
0,2944 0,1054 20
0
0,0 0,1 0,2 0,3 0,4 0,5
Data
0,4
Density
0,08
0,06 0,3
0,04 0,2
0,02 0,1
0,00 0,0
-2 0 2 4 6 8 10 12 0 1 2 3 4
Data Data
Gambar 4.2 Kurva Perbandingan Nilai Rata-rata dan Varians Distribusi Binomial untuk n=10
Selain itu di dukung pula dengan hasil data dari kurva yang hampir bersentuhan.
Lihat kurva diatas, sebelah kiri menujukkan perbandingan nilai rata-rata antara hasil
bangkitan data dengan teoritisnya sedangkan yang sebelah kanan menunjukkan
perbandingan nilai varians distribusi binomial.
Mean StDev N
8 0,09951 0,04662 20
Density
0,1020 0,03057 20
0,09543 0,03570 20
6 0,1002 0,02958 20
0,1783 0,03056 20
0
0,00 0,05 0,10 0,15 0,20 0,25
Data
Tabel diatas menunjukkan bahwa nilai rata-rata dan variansi distribusi binomial
untuk n=40 dari hasil bangkitan data (minitab) dengan teoritisnya memiliki hasil yang
hampir sama / mendekati, ditunjukkan bahwa semakin besar peluangnya nilai rata-
ratanya semakin mendekati teori dan dengan semakin kecil nilai peluangnya nilai
variansnya semakin mendekati teori.
Selain itu di dukung pula dengan hasil data dari kurva yang hampir bersentuhan.
Lihat kurva dibawah ini, sebelah kiri menujukkan perbandingan nilai rata-rata antara
hasil bangkitan data dengan teoritisnya sedangkan yang sebelah kanan menunjukkan
perbandingan nilai varians distribusi binomial.
Density
0,02 0,10
0,01 0,05
0,00 0,00
0 10 20 30 40 0 2 4 6 8 10 12
Data Data
Gambar 4.4 Kurva Perbandingan Nilai Rata-rata dan Varians Distribusi Binomial untuk n=40
Mean StDev N
2,5 0,48 0,1457 25
0,3762 0,1174 25
0,3092 0,1245 25
Density
2,0
1,5
1,0
0,5
0,0
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8
Data
Variable V ariable
0,9 2,0
µ =nK/n σ^2=(N -n)/(N -1).n.k/N (1-k/N )
Mean V ariance
0,8
Mean StDev N Mean StDev N
0,7 0,8433 0,4665 3 0,4995 0,2007 3
1,5 0,542 0,2815 3
0,8667 0,4388 3
0,6
Density
Density
0,5
1,0
0,4
0,3
0,5
0,2
0,1
0,0 0,0
0,0 0,5 1,0 1,5 0,0 0,2 0,4 0,6 0,8 1,0 1,2
Data Data
Gambar 4.6 Kurva Perbandingan Nilai Rata-rata dan Varians Distribusi Hipergeometrik
8 Variable
p(40;1)
p(40;2)
7
p(40;3)
p(40;4)
6
Mean StDev N
0,2989 0,1050 40
5
0,2068 0,08378 40
Density
0,1651 0,07200 40
4 0,1412 0,05067 40
0
0,0 0,1 0,2 0,3 0,4 0,5
Data
Tabel diatas menunjukkan bahwa nilai rata-rata dan variansi distribusi poisson
dari hasil bangkitan data (minitab) dengan teoritisnya memiliki hasil yang hampir
sama / mendekati. Selain itu di dukung pula dengan hasil data dari kurva yang hampir
bersentuhan. Lihat kurva dibawah ini, sebelah kiri menujukkan perbandingan nilai
rata-rata antara hasil bangkitan data dengan teoritisnya sedangkan yang sebelah kanan
menunjukkan perbandingan nilai varians distribusi poisson.
Histogram of (λt); Mean (µ) Histogram of (λt); Variance
Normal Normal
0,5 Variable Variable
0,4
(λt) (λt)
Mean (µ) Variance
0,4 Mean StDev N Mean StDev N
2 1 3 2 1 3
0,3
2,008 0,8625 3 2,115 1,215 3
0,3
Density
Density
0,2
0,2
0,1
0,1
0,0 0,0
0 1 2 3 4 0 1 2 3 4 5
Data Data
Gambar 4.8 Kurva Perbandingan Nilai Rata-Rata dan Varians Distribusi Poisson
Variable
4
b(15;30,0.03)
p(15;0.03)
Mean StDev N
3 0,3413 0,1042 25
0,3371 0,1004 25
Density
2
0
0,1 0,2 0,3 0,4 0,5
Data
Gambar 4.9 Kurva Perbandingan Distribusi Poisson dengan Distribusi Binomial saat p= 0,03
Variable
5 b(15;30,0.09)
p(15;0.09)
Mean StDev N
4 0,1824 0,08057 25
0,1692 0,07806 25
Density
0
0,00 0,08 0,16 0,24 0,32
Data
Gambar 4.10 Kurva Perbandingan Distribusi Poisson dengan Distribusi Binomial saat p= 0,09
4
Density
0
0,05 0,10 0,15 0,20 0,25 0,30
Data
Gambar 4.11 Kurva Perbandingan Distribusi Poisson dengan Distribusi Binomial saat p= 0,1
Ketiga gambar diatas menunjukkan hasil kurva yang berhimpitan, yang artinya
nilai peluang distribusi binomial sama dengan nilai peluang distribusi poisson
sehingga dapat dikatakan bahwa data pada distribusi poisson bisa dihitung/ didekati
dengan menggunakan disrtribusi binomial .
0
0,00 0,04 0,08 0,12 0,16 0,20 0,24
Data
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
1. Perbandingan nilai parameter dan perbandingan bentuk fisis kurva hasil bangkitan
data dari distribusi binomial saat p=0.2, 0.3, 0.5, 0.7, 0.9 masing-masing untuk
n=10 dan n=40 dengan teoritisnya bahwa puncak tertinggi memiliki nilai variansi
paling kecil sedangkan puncak terendah memiliki nilai variansi paling besar,
ditunjukkan pula bahwa semakin besar peluang nilai rata-ratanya semakin
mendekati teori dan dengan semakin kecil nilai peluangnya nilai variansnya
semakin mendekati teori.
2. Perbandingan nilai parameter dan perbandingan bentuk fisis kurva hasil bangkitan
data dari distribusi hipergeometrik dari probabilitas yang mungkin dengan N=15,
D=2, 3, 4 dan n=3, 4, 5 dengan teoritisnya adalah semakin tinggi n kali usaha dan
k kali sukses, semakin tinggi nilai distribusi hipergeometriknya dan semakin
mendekati teori.
3. Perbandingan nilai parameter dan perbandingan bentuk fisis kurva hasil bangkitan
data dari distribusi poisson dengan 𝜇 = 1,2,3,4 dengan teoritisnya adalah semakin
besar rata-rata populasi semakin tinggi nilai distribusi poisson dan semakin
mendekati teori.
4. Perbandingan nilai parameter dan perbandingan bentuk fisis kurva hasil bangkitan
data dari hamparan distribusi poisson terhadap binomial dengan p=0.03, 0.09, 0.1
dan n=30 memiliki nilai yang hampir sama, artinya untuk mencari nilai peluang
pada distribusi poisson bisa dihitung melalui pendekatan distribusi binomial.
5. Perbandingan nilai parameter dan perbandingan bentuk fisis kurva hasil bangkitan
data dari distribusi normal dengan µ = 10 dan σ=2 untuk n=100, 150, 300 dengan
teoritisnya adalah semakin kecil n kali usaha semakin tinggi nilai distribusi
normal dan semakin mendekati teori. Ditunjukkan pula dengan hasil stem and leaf
bahwa data yang dihasilkan jika ditarik garis kurva akan membentuk kurva yang
simetris (normal).
5.2 Saran
Kegiatan praktikum tentang distribusi probabilitas diskrit dan kontinu hendaknya
dapat dilakukan dengan lebih cermat. Melakukan penghitungan dengan berbagai
macam jenis distribusi melalui percobaan yang dilakukan secara manual dibutuhkan
kesabaran untuk mendapatkan data.
DAFTAR PUSTAKA
Wordpress.Distribusi Normal.Tersedia :
http://hatta2stat.wordpress.com/category/distribusi-normal-2/,diakses 30
Oktober 2011
LAMPIRAN