distribusi binomial

Dalam teori probabilitas dan statistika, distribusi binomial adalah distribusi probabilitas diskret jumlah keberhasilan dalam n percobaan ya/tidak (berhasil/gagal) yang saling bebas, dimana setiap hasil percobaan memiliki probabilitas p. Eksperimen berhasil/gagal juga disebut percobaan bernoulli. Ketika n = 1, distribusi binomial adalah distribusi bernoulli. Distribusi binomial merupakan dasar dari uji binomial dalam uji signifikansi statistik. Distribusi ini seringkali digunakan untuk memodelkan jumlah keberhasilan pada jumlah sampel n dari jumlah populasi N. Apabila sampel tidak saling bebas (yakni pengambilan sampel tanpa pengembalian), distribusi yang dihasilkan adalah distribusi hipergeometrik, bukan binomial. Semakin besar N daripada n, distribusi binomial merupakan pendekatan yang baik dan banyak digunakan. Contoh Sebagai contoh, sebuah dadu dilempar sepuluh kali dan dihitung berapa jumlah muncul angka empat. Distribusi jumlah acak ini adalah distribusi binomial dengan n = 10 dan p = 1/6. Contoh lain, sebuah uang logam dilambungkan tiga kali dan dihitung berapa jumlah muncul sisi depan. Distribusi jumlah acak ini merupakan distribusi binomial dengan n = 3 dan p = 1/2.

distribusi poisson
Dalam teori probabilitas dan statistika, distribusi poisson (dilafalkan ejaan Perancis: [pwasɔ̃]) adalah distribusi probabilitas diskret yang menyatakan peluang jumlah peristiwa yang terjadi pada periode waktu tertentu apabila rata-rata kejadian tersebut diketahui dan dalam waktu yang saling bebas sejak kejadian terakhir. (distribusi poisson juga dapat digunakan untuk jumlah kejadian pada interval tertentu seperti jarak, luas, atau volume). Distribusi ini pertama kali diperkenalkan oleh Siméon-Denis Poisson (1781–1840) dan diterbitkan, bersama teori probabilitasnya, pada tahun 1838 dalam karyanyaRecherches sur la probabilité des jugements en matière criminelle et en matière civile (“Penelitian Probabilitas Hukum Masalah Pidana dan Perdata”). Karyanya memfokuskan peubah acak N yang menghitung antara lain jumlah kejadian diskret (kadang juga disebut "kedatangan") yang terjadi selama interval waktu tertentu.

. k = 0. c. dan akan dicari probabilitas terjadi peristiwa k kali dalam interval 10 menit. Ciri–Ciri Distribusi Poisson Ada beberapa ciri untuk menentukan apakah data tersebut temasuk dalam kriteria Distribusi Poisson atau tidak (Walpole. Contoh klasik adalah peluruhan nuklir atom. Probabilitas terjadinya hasil percobaan selama suatu interval waktu yang singkat atau dalam suatu daerah yang kecil. ini disebut fungsi massa probabilitas.Apabila nilai harapan kejadian pada suatu interval adalah λ. sebanding dengan panjang interval waktu atau besarnya daerah tersebut dan tidak bergantung pada banyaknya hasil percobaan yang terjadi di luar interval waktu atau daerah tersebut. Probabilitas lebih dari satu hasil percobaan yang terjadi dalam interval waktu yang singkat atau dalam daerah yang kecil dapat diabaikan.) maka sama dengan dimana • • • • e adalah basis logaritma natural (e = 2. peristiwa yang terjadi rata-rata 4 kali per menit. 2. The Distribusi poisson dapat diturunkan sebagai kasus terbatas distribusi binomial. Misalnya. Banyaknya hasil percobaan yang terjadi dalam suatu interval waktu atau suatu daerah tertentu tidak bergantung pada banyaknya hasil percobaan yang terjadi pada interval waktu atau daerah lain yang terpisah.71828. Sebagai fungsi k. 1.. Distribusi poisson dapat diterapkan pada sistem dengan kejadian berjumlah besar yang yang mungkin terjadi. Adapun ciri-ciri tersebut adalah: a.. digunakan distribusi poisson sebagai model dengan λ = 10×4 = 40. Selain itu. . yang mana kenyataannya cukup jarang.) k adalah jumlah kejadian suatu peristiwa — peluang yang diberikan oleh fungsi ini k! adalah faktorial dari k λ adalah bilangan riil positif. Distribusi poisson banyak digunakan dalam hal berikut: .. b. sama dengan nilai harapan peristiwa yang terjadi dalam interval tertentu. 1995). maka probabilitas terjadi peristiwa sebanyak k kali (k adalah bilangan bulat non negatif.

Menghitung probabilitas terjadinya peristiwa menurut satuan waktu. Pada pendekatan ini rumusnya lebih mudah untuk digunakan dibandingkan dengan rumus Binomial.05 atau kurang dari 0. panjang tertentu.71828 μ = rata – ratakeberhasilan = n . Rumus Pendekatan Peluang Poisson untuk Binomial Pendekatan Peluang Poisson untuk Peluang Binomial dilakukan untuk mendekatkan probabilitas probabilitas dari kelas sukses (x) dari n percobaan Binomial dalam situasi dimana n sangat besar dan probabilitas kelas sukses (p) sangat kecil. ruang atau isi. Banyaknya bakteri dalam satu tetes atau 1 liter air.a.μ)=e –μ . misalnya : probabilitas jumlah kedatangan nasabah pada suatu bank pada jam kantor. jika n adalah 20 atau lebih dari 20 dan p adalah 0. Distribusi Poisson ini digunakan untuk menghitung probabilitas menurut satuan waktu. p x = Banyaknya unsur berhasil dalam sampel n = Jumlah / ukuran populasi p = probabilitas kelas sukses Contoh soal : . luas. Aturan yang diikuti oleh kebanyakan ahli statistika adalah bahwa n cukup besar dan p cukup kecil. Banyaknya kesalahan ketik per halaman sebuah buku. seperti menghitung probabilitas dari:     Banyaknya penggunaan telepon per menit atau banyaknya mobil yang lewat selama 5 menit di suatu ruas jalan. Menghitung distribusi binomial apabila n besar (n  30) dan p kecil (p <> Rumus Poisson dapat digunakan untuk menghitung probabilitas dari jumlah kedatangan. b. dan Banyaknya kecelakaan mobil di jalan tol selama minggu pertama bulan Oktober. Rumus pendekatannya adalah : P(x.05.μ X X ! Dimana : e = 2.

μ ) = e X! P (x ≤ 3 . P ( x . 5 ) + P ( 2. Berapakah peluang bahwa pada halaman berikut ia : 1.μ)=e X!= 2. Dik : n = 200. μ ) = e X! P ( 0 . μ ) +…. 5 ) = 0.1. 5 ) = 2.+p(X 15 –μ –μ –5 –μ –μ . p = 200 . P ( x .15) Jawab : 1. μ) = P( 0. 0.2 X –2 3 = 0. Tidak lebih dari tiga kesalahan ( x ≤ 3) atau ( 0. P = 0.…. Dik : μ = 5 a. X = 3.2. Lebih dari tiga kesalahan ( x > 3 ) atau ( 4.1804 atau 18.01. μ = n . Jika probabilitas penumpang yang telah mempunyai tiket tidak akan datang adalah 0. x ≤ 3 . Dua ratus penumpang telah memesan tiket untuk sebuah penerbangan luar negeri. X > 3 .1.0067 .01 = 2 P(x.5 % c.71828 0! b. Rata – rata seorang sekretaris baru melakukan lima kesalahan mengetik per halaman. 5) = P( x 1.μ X .71828 3! 2. 2.3 ) 3. 5 ) + P (1.1404 = 0.+p(x3. μ ) = e X! P (X > 3 . μ) .μ X . x = 0 P ( x .5 0 = 0.μ X .0842 + 0.01 maka berapakah peluang ada 3 orang yang tidak datang.μ .0337 + 0.0067 + 0. μ ) +….2650 atau 26. 5) = P( X 4.04 % . Tidak ada kesalahan ( x = 0 ) 2. 5 ) + P ( 3.

misalkan pada hari Senin ini adalah jam kerja yang sibuk pada suatu bank. Dalam ilustrasi tadi.2 kedatangan setiap menit. Dalam ilustrasi tadi dapat berarti bahwa jika tingkat kedatangan rata – rata untuk periode jam adalah. Jumlah kedatangan pada interval waktu tidak bergantung pada ( bebas apa yang terjadi di interval waktu yang sudah lewat.+p ( 3. Rumus proses poisson : . semakin pendek interval. 5 ) atau P (X > 3 . dan kita tertarik oleh jumlah nasabah yang mungkin datang selama jam kerja tersebut. dapat berarti bahwa kesempatan dari sebuah kedatangan di menit berikutnya adalah sama. Dalam ilustrasi tadi. 5 ) + P (5.= P( 4. 3. 5) = 1 – [P ( X ≤ 3 . 2. 5 ) ] = 1 – [ 0. bisa berarti bahwa adalah tidak mungkin untuk lebih dari satu nasabah yang dapat melawati jalan masuk dalam waktu satu detik. 5 ) + …… + P ( 15. semakin mendekati nol adalah probabilitas yang lebih dari satu kedatangan.+ p (X 3. Tidak memiliki kesamaan bahwa akan lebih dari satu kedatangan dalam interval pendek. dengan ketertarikan kita sebenarnya terletak pada interval waktu dan jumlah kedatangan dalam interval waktu jika proses kedatangannya mempunyai karakteristik sebagai berikut: 1. misalkan 72 kedatangan setiap jam. maka tingkat ini melambangkan interval waktu pada jam kerja tadi : yaitu tingkat yang dapat dirubah kepada rata – rata yaitu 36 kedatangan setiap ½ jam atau 1.2650 ] = 73. Tingkat kedatangan rata – rata setiap unit waktu adalah konstant. μ ) +…. μ) ] = 1 – [ P ( 0. Sebagai ilustrasi. 5 ) ] = 1 – [ P ( X 0. 5 ) +….5 % Rumus Proses Poisson Distribusi Poisson dalam konteks yang lebih luas dari pada rumus pertama tadi.

( 1/ 20 ) –λ . berapakah peluang dari x = 4 kedatangan dan t = 3 menit. 1 / 20 ) 4 .1 % –72 .! Jawab : Dik : λ = 72 kedatangan setiap jam atau 72 / jam maka 1 jam atau 60 menit adalah unit waktunya. ( 72 .(λ. Gunakan proses poisson.(λ. t . t . Berarti 3 menit adalah 3 / 60 = 1 / 20 unit waktu maka t t = 1 / 20 dan x = 4 P(x)=e X! P(x)=e 4! = 0.t) x .191 atau 19.t) x X! Dimana :λ = Tingkat rata – rata kedatangan tiap unit waktu t = Jumlah unit waktu x = Jumlah kedatangan dalam t unit waktu Contoh soal : Jika rata – rata kedatangan λ = 72 setiap jam.P(x)=e –λ .

Sign up to vote on this title
UsefulNot useful