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.

Apabila nilai harapan kejadian pada suatu interval adalah λ, maka probabilitas terjadi
peristiwa sebanyak k kali (k adalah bilangan bulat non negatif, k = 0, 1, 2, ...) maka sama
dengan
dimana

 e adalah basis logaritma natural (e = 2.71828...)

 k adalah jumlah kejadian suatu peristiwa  — peluang yang diberikan oleh fungsi ini
 k! adalah faktorial dari k
 λ adalah bilangan riil positif, sama dengan nilai harapan peristiwa yang terjadi
dalam interval tertentu. Misalnya, peristiwa yang terjadi rata-rata 4 kali per menit,
dan akan dicari probabilitas terjadi peristiwa k kali dalam interval 10 menit,
digunakan distribusi poisson sebagai model dengan λ = 10×4 = 40.

Sebagai fungsi k, ini disebut fungsi massa probabilitas. The Distribusi poisson dapat
diturunkan sebagai kasus terbatas distribusi binomial. Distribusi poisson dapat diterapkan
pada sistem dengan kejadian berjumlah besar yang yang mungkin terjadi, yang mana
kenyataannya cukup jarang. Contoh klasik adalah peluruhan nuklir atom.

Ciri–Ciri Distribusi Poisson

Ada beberapa ciri untuk menentukan apakah data tersebut temasuk dalam kriteria
Distribusi Poisson atau tidak (Walpole, 1995). Adapun ciri-ciri tersebut adalah:

a. 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.

b. Probabilitas terjadinya hasil percobaan selama suatu interval waktu yang singkat atau
dalam suatu daerah yang kecil, 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.

c. Probabilitas lebih dari satu hasil percobaan yang terjadi dalam interval waktu yang
singkat atau dalam daerah yang kecil dapat diabaikan.

Selain itu, Distribusi poisson banyak digunakan dalam hal berikut:

a. Menghitung probabilitas terjadinya peristiwa menurut satuan waktu, ruang atau isi,
luas, panjang tertentu, seperti menghitung probabilitas dari:

 Banyaknya penggunaan telepon per menit atau banyaknya mobil yang lewat
selama 5 menit di suatu ruas jalan,
 Banyaknya bakteri dalam satu tetes atau 1 liter air,
 Banyaknya kesalahan ketik per halaman sebuah buku, dan
 Banyaknya kecelakaan mobil di jalan tol selama minggu pertama bulan Oktober.

b. Menghitung distribusi binomial apabila n besar (n  30) dan p kecil (p <>

 Rumus Poisson dapat digunakan untuk menghitung probabilitas dari jumlah
kedatangan, misalnya : probabilitas jumlah kedatangan nasabah pada suatu bank pada
jam kantor. Distribusi Poisson ini digunakan untuk menghitung probabilitas menurut
satuan waktu.

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,
jika n adalah 20 atau lebih dari 20 dan p adalah 0.05 atau kurang dari 0.05. Pada
pendekatan ini rumusnya lebih mudah untuk digunakan dibandingkan dengan rumus
Binomial.

Rumus pendekatannya adalah :

P ( x ; μ ) = e –μ . μ X

X ! Dimana : e = 2.71828

μ = rata – ratakeberhasilan = n . p

x = Banyaknya unsur berhasil dalam sampel

n = Jumlah / ukuran populasi

p = probabilitas kelas sukses

Contoh soal :

1. Dua ratus penumpang telah memesan tiket untuk sebuah penerbangan luar negeri.
Jika probabilitas penumpang yang telah mempunyai tiket tidak akan datang
adalah 0.01 maka berapakah peluang ada 3 orang yang tidak datang.
2. Rata – rata seorang sekretaris baru melakukan lima kesalahan mengetik per
halaman. Berapakah peluang bahwa pada halaman berikut ia :

1. Tidak ada kesalahan ( x = 0 )

2. Tidak lebih dari tiga kesalahan ( x ≤ 3) atau ( 0,1,2,3 )

3. Lebih dari tiga kesalahan ( x > 3 ) atau ( 4,…,15)

Jawab :

1. Dik : n = 200, P = 0.01, X = 3, μ = n . p = 200 . 0.01 = 2

P ( x ; μ ) = e –μ . μ X

X!= 2.71828 – 2 . 2 3 = 0.1804 atau 18.04 %

 3!

2. Dik : μ = 5

a. x = 0 P ( x ; μ ) = e – μ . μ X

X!

P ( 0 ; 5 ) = 2.71828 – 5 . 5 0 = 0.0067

0!

b. x ≤ 3 ; P ( x ; μ ) = e – μ . μ X

X!

P (x ≤ 3 , 5) = P( x 1, μ ) +….+p(x3, μ)

= P( 0, 5 ) + P (1, 5 ) + P ( 2, 5 ) + P ( 3, 5 )

= 0.0067 + 0.0337 + 0.0842 + 0.1404

= 0.2650 atau 26.5 %

c. X > 3 ; P ( x ; μ ) = e – μ . μ X

X!

P (X > 3 , 5) = P( X 4, μ ) +….+p(X 15, μ)

= P( 4, 5 ) + P (5, 5 ) + …… + P ( 15, 5 ) atau

P (X > 3 , 5) = 1 – [P ( X ≤ 3 , 5 ) ]

= 1 – [ P ( X 0, μ ) +….+ p (X 3, μ) ]

= 1 – [ P ( 0, 5 ) +….+p ( 3, 5 ) ]

= 1 – [ 0.2650 ]

= 73.5 %
Rumus Proses Poisson

Distribusi Poisson dalam konteks yang lebih luas dari pada rumus pertama tadi.
Sebagai ilustrasi, misalkan pada hari Senin ini adalah jam kerja yang sibuk pada suatu
bank, dan kita tertarik oleh jumlah nasabah yang mungkin datang selama jam kerja
tersebut, dengan ketertarikan kita sebenarnya terletak pada interval waktu dan jumlah
kedatangan dalam interval waktu jika proses kedatangannya mempunyai karakteristik
sebagai berikut:

1. Tingkat kedatangan rata – rata setiap unit waktu adalah konstant.

Dalam ilustrasi tadi dapat berarti bahwa jika tingkat kedatangan rata – rata untuk
periode jam adalah, 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 1.2 kedatangan
setiap menit.

2. Jumlah kedatangan pada interval waktu tidak bergantung pada ( bebas apa yang
terjadi di interval waktu yang sudah lewat. Dalam ilustrasi tadi, dapat berarti
bahwa kesempatan dari sebuah kedatangan di menit berikutnya adalah sama.
3. Tidak memiliki kesamaan bahwa akan lebih dari satu kedatangan dalam interval
pendek, semakin pendek interval, semakin mendekati nol adalah probabilitas yang
lebih dari satu kedatangan. Dalam ilustrasi tadi, bisa berarti bahwa adalah tidak
mungkin untuk lebih dari satu nasabah yang dapat melawati jalan masuk dalam
waktu satu detik.

Rumus proses poisson :

P ( x ) = e –λ . t . ( λ . 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, berapakah peluang dari x = 4 kedatangan
dan t = 3 menit. Gunakan proses poisson.!

Jawab :

Dik : λ = 72 kedatangan setiap jam atau 72 / jam maka 1 jam atau 60 menit adalah unit
waktunya. Berarti 3 menit adalah 3 / 60 = 1 / 20 unit waktu maka t t = 1 / 20 dan x = 4

P ( x ) = e –λ . t . ( λ . t ) x
X!

P ( x ) = e –72 . ( 1/ 20 ) . ( 72 . 1 / 20 ) 4

4!

= 0.191 atau 19.1 %