P. 1
Dalam Teori Probabilitas Dan Statistika

Dalam Teori Probabilitas Dan Statistika

|Views: 735|Likes:
Published by ferdilahh

More info:

Published by: ferdilahh on May 19, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

07/29/2013

pdf

text

original

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.

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

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

71828 3! 2.0067 + 0. Rata – rata seorang sekretaris baru melakukan lima kesalahan mengetik per halaman. X = 3.2650 atau 26. Dua ratus penumpang telah memesan tiket untuk sebuah penerbangan luar negeri.μ X . Tidak ada kesalahan ( x = 0 ) 2. 5) = P( X 4.0067 . p = 200 .2. 5 ) = 0. P ( x . 2.+p(x3.μ X .2 X –2 3 = 0.04 % . 5 ) + P (1. P ( x . P = 0. 5 ) + P ( 3. μ ) +…. 5 ) = 2.1804 atau 18.+p(X 15 –μ –μ –5 –μ –μ .3 ) 3.01 = 2 P(x. μ) . μ = n . μ) = P( 0.5 % c.μ .01 maka berapakah peluang ada 3 orang yang tidak datang. μ ) = e X! P (x ≤ 3 . Berapakah peluang bahwa pada halaman berikut ia : 1.1. μ ) = e X! P ( 0 . Dik : μ = 5 a.…. 5) = P( x 1. μ ) = e X! P (X > 3 . 0.01.1. Tidak lebih dari tiga kesalahan ( x ≤ 3) atau ( 0. 5 ) + P ( 2. μ ) +….1404 = 0. X > 3 . Lebih dari tiga kesalahan ( x > 3 ) atau ( 4.μ X . Dik : n = 200.15) Jawab : 1. x = 0 P ( x .71828 0! b.0842 + 0. Jika probabilitas penumpang yang telah mempunyai tiket tidak akan datang adalah 0.5 0 = 0. x ≤ 3 .0337 + 0.μ)=e X!= 2.

5 ) +….2650 ] = 73. 2. Dalam ilustrasi tadi. 5 ) ] = 1 – [ 0. Tidak memiliki kesamaan bahwa akan lebih dari satu kedatangan dalam interval pendek. 5 ) + …… + P ( 15. Sebagai ilustrasi. 5 ) + P (5.+p ( 3. semakin pendek interval. bisa berarti bahwa adalah tidak mungkin untuk lebih dari satu nasabah yang dapat melawati jalan masuk dalam waktu satu detik. semakin mendekati nol adalah probabilitas yang lebih dari satu kedatangan. Jumlah kedatangan pada interval waktu tidak bergantung pada ( bebas apa yang terjadi di interval waktu yang sudah lewat. μ ) +…. 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.+ p (X 3. Tingkat kedatangan rata – rata setiap unit waktu adalah konstant. 5 ) atau P (X > 3 .5 % Rumus Proses Poisson Distribusi Poisson dalam konteks yang lebih luas dari pada rumus pertama tadi.2 kedatangan setiap menit. Dalam ilustrasi tadi dapat berarti bahwa jika tingkat kedatangan rata – rata untuk periode jam adalah. misalkan 72 kedatangan setiap jam. misalkan pada hari Senin ini adalah jam kerja yang sibuk pada suatu bank. μ) ] = 1 – [ P ( 0. 5) = 1 – [P ( X ≤ 3 . dan kita tertarik oleh jumlah nasabah yang mungkin datang selama jam kerja tersebut. 5 ) ] = 1 – [ P ( X 0. 3.= P( 4. dengan ketertarikan kita sebenarnya terletak pada interval waktu dan jumlah kedatangan dalam interval waktu jika proses kedatangannya mempunyai karakteristik sebagai berikut: 1. Dalam ilustrasi tadi. dapat berarti bahwa kesempatan dari sebuah kedatangan di menit berikutnya adalah sama. Rumus proses poisson : .

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. t .(λ.(λ. ( 72 . 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. ( 1/ 20 ) –λ .! Jawab : Dik : λ = 72 kedatangan setiap jam atau 72 / jam maka 1 jam atau 60 menit adalah unit waktunya. 1 / 20 ) 4 .P(x)=e –λ .1 % –72 . t . berapakah peluang dari x = 4 kedatangan dan t = 3 menit.t) x .191 atau 19. Gunakan proses poisson.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->