Distrbusi Variabel Acak

1. Distribusi Binomial
Distribusi Binomial atau distribusi Bernoulli (ditemukan oleh James Bernoulli) adalah
suatu distribusi teoritis yang menggunakan variabel random diskrit yang terdiri dari
dua kejadian yang berkomplemen, seperti sukses-gagal, ya-tidak, baik-cacat,
kepalaekor dll.
Ciri-ciri distribusi Binomial adalah sbb :
1. Setiap percobaan hanya memiliki dua peristiwa, seperti ya-tidak, sukses-gagal.
2. Probabilitas suatu peristiwa adalah tetap, tidak berubah untuk setiap percobaan.
3. Percobaannya bersifat independen, artinya peristiwa dari suatu percobaan tidak
mempengaruhi atau dipengaruhi peristiwa dalam percobaan lainnya.
4. Jumlah atau banyaknya percobaan yang merupakan komponen percobaan binomial
harus tertentu.

Rumus Distribusi Binomial
a). Rumus binomial suatu peristiwa
Probabilitas suatu peristiwa dapat dihitung dengan mengalikan kombinasi susunan
dengan probabilitas salah satu susunan.
Berdasarkan hal tersebut, secara umum rumus dari probabilitas binomial suatu
peristiwa dituliskan.


b). Probabilitas binomial kumulatif
Probabilitas binomial kumulatif adalah probabilitas dari peristiwa binomial lebih dari
satu sukses.
Probabilitas binomial kumulatif dapat dihitung dengan menggunakan rumus :

Contoh :
Sebuah dadu dilemparkan keatas sebanyak 4 kali. Tentukan probabilitas dari
peristiwa berikut :
a). Mata dadu 5 muncul 1 kali
b). Mata dadu genap muncul 2 kali
c). Mata dadu 2 atau 6 muncul sebanyak 4 kali.

a). Karena dadu memiliki 6 sisi, yaitu 1, 2, 3, 4, 5, 6, sehingga setiap sisi memiliki
probabilitas 1/6. Jadi, probabilitas untuk mata 1 adalah 1/6, sehigga :
p=1/6; q=5/6; n=4; x=1 (muncul 1 kali )
P(X=1) = C1
4.p1.q3
= 4(1/6)1(5/6)3
= 0,386

b). Mata dadu genap ada 3, yaitu 2,4, dan 6, sehingga :
p = 3/6 = 1/2; q = 1/2; n = 4; x = 2
P(X=2) = C2
4.p2.q2
= 6(1/2)2(1/2)2
= 0,375

c). Muncul mata dadu 2 atau 6 sebanyak 4 kali, sehngga :
p = 2/6; q = 2/3; n = 4; x = 4
P(X=4) = C 4
4.p4.q0 .p .q
= 1(2/6)4(2/3)0
= 0,0123

2. Distribusi Poisson
Distibusi Poisson merupakan distribusi probabilitas untuk variabel diskrit acak yang
mempunyai nilai 0,1, 2, 3 dst. Distribusi Poisson adalah distribusi nilai-nilai bagi suatu
variabel random X (X diskrit), yaitu banyaknya hasil percobaan yang terjadi dalam
suatu interval waktu tertentu atau disuatu daerah tertentu. fungsi distribusi
probabilitas diskrit yang sangat penting dalam beberapa aplikasi praktis.
Poisson memperhatikan bahwa distribusi binomial sangat bermanfaat dan dapat
menjelaskan dengan sangat memuaskan terhadap probabilitas Binomial b(Xn.p)
untuk X= 1,2,3 n. namun demikian, untuk suatu kejadian dimana n sangat besar
(lebih besar dari 50) sedangkan probabilitas sukses (p) sangat kecil seperti 0,1 atau
kurang, maka nilai binomialnya sangat sulit dicari. Suatu bentuk dari distribusi ini
adalah rumus pendekatan peluang Poisson untuk peluang Binomial yang dapat
digunakan untuk pendekatan probabilitas Binomial dalam situasi tertentu.
CIRI-CIRI DISTRIBUSI POISSON
Percobaan Poisson memiliki ciri-ciri berikut :
Hasil percobaan pada suatu selang waktu dan tempat tidak tergantung dari hasil
percobaan di selang waktu dan tempat yang lain yang terpisah
Peluang terjadinya suatu hasil percobaan sebanding dengan panjang selang waktu dan
luas tempat percobaan terjadi. Hal ini berlaku hanya untuk selang waktu yang singkat
dan luas daerah yang sempit
Peluang bahwa lebih dari satu hasil percobaan akan terjadi pada satu selang waktu dan
luasan tempat yang sama diabaikan
PENGGUNAAN DISTRIBUSI POISSON
Distribusi poisson banyak digunakan dalam hal:
a). menghitung Probabilitas terjadinya peristiwa menurut satuan waktu, ruang atau isi,
luas, panjang tertentu, saeperti menghitung probabilitas dari:
Kemungkinan kesalahan pemasukan data atau kemungkinan cek ditolak oleh bank
Jumlah pelanggan yang harus antri pada pelayanan rumah sakit, restaurant cepat saji
atau antrian yang panjang bila ke ancol.
banyaknya bintang dalam suatu area acak di ruangangkasa atau banyaknya bakteri
dalam 1 tetes atau 1 liter air.
jumlah salah cetak dalam suatu halaman ketik
Banyaknya penggunaan telepon per menit atau banyaknya mobil yang lewat selama 5
menit di suatu ruas jalan.
distribusi bakteri di permukaan beberapa rumput liar di ladang.
Semua contoh ini merupakan beberapa hal yang menggambarkan tentang suatu
distribusi Poisson.
b). Menghitung distribusi binomial apabila nilai n besar (n 30) dan p kecil (p<0,1).
Jika kita menghitung sejumlah benda acak dalam suatu daerah tertentu T, maka proses
penghitungan ini dilakukan sebagai berikut :
a. jumlah rata-rata benda di daerah S T adalah sebanding terhadap ukuran S, yaitu
ECount(S)= S. Di sini melambangkan ukuran S, yaitu panjang, luas, volume, dan lain
lain. Parameter > 0 menggambarkankan intensitas proses.
b. menghitung di daerah terpisah adalah bebas.
c. kesempatan untuk mengamati lebih dari satu benda di dalam suatu daerah kecil
adalah sangat kecil, yaitu P(Count(S)2) menjadi kecil ketika ukuran menjadi kecil.
RUMUS DISTRIBUSI POISSON
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 Probabilitas Poisson Suatu Peristiwa
Probabilitas suatu peristiwa yang berdistribusi Poisson dirumuskan:
P(X) = _X . e_ / x!
Keterangan: P(x) = Nilai probabilitas distribusi poisson
= Rata-rata hitung dan jumlah nilai sukses, dimana = n . p
e = Bilangan konstan = 2,71828
X = Jumlah nilai sukses
P = Probabilitas sukses suatu kejadian
! = lambang faktorial
Soal 1
Jumlah emiten di BEJ ada 150 perusahaan. Probabilitas perusahaan memberikan
deviden pada tahun 2002 hanya 0,1. apabila BEJ meminta laporan dari emiten
sebanyak 5 perusahaan, berapa probabilitas 5 perusahaan tersebut adalah perusahaan
yang membagikan deviden?
Jawab:
n = 150, X = 5, dan p = 0,1 (ini merupakan cirri distribusi Poisson, n > 50 dan p kecil
yaitu )
= n . p = 150 x 0,1 = 15
Jadi probabilitas 5 perusahaan sample membagikan deviden hanya 0,002 atau 0,2%

3. Distribusi Normal
Distribusi Normal adalah salah satu distribusi teoritis dari variable random kontinu.
Distribusi Normal sering disebut distribusi Gauss.
Distribusi Normal memiliki bentuk fungsi sebagai berikut :
Keterangan :
X = nilai data
= rata-rata
= 3,14
e = 2,71828
= Simpangan baku

Karakteristik Distribusi Normal
Distribusi probabilitas normal dan kurva normal yang menyertainya memiliki
beberapa karakteristik sebagai berikut :
1. Kurva normal berbentuk lonceng
2. Simetris
3. Asimtotis



1. Kurva berbentuk genta (= Md= Mo)2. Kurva berbentuk simetris
3. Kurva normal berbentuk asimptotis
4. Kurva mencapai puncak pada saat X=
5. Luas daerah di bawah kurva adalah 1; di sisi kanan nilai
tengah dan di sisi kiri.

Jenis-jenis Distribusi Normal









Grafik Pendekatan Distribusi Normal dan Binomial












4. DISTRIBUSI SAMPLING
(Distribusi Penarikan Sampel)

Bidang Inferensia Statistik membahas generalisasi/penarikan kesimpulan dan
prediksi/
peramalan. Generalisasi dan prediksi tersebut melibatkan sampel/contoh, sangat
jarang
menyangkut populasi.

Sensus = pendataan setiap anggota populasi

Sampling = pendataan sebagian anggota populasi = penarikan contoh = pengambilan
sampel

Pekerjaan yang melibatkan populasi tidak digunakan, karena:
1. mahal dari segi biaya dan waktu yang panjang
2. populasi akan menjadi rusak atau habis jika disensus
misal : dari populasi donat ingin diketahui rasanya, jika
semua donat dimakan, dan donat tidak tersisa,
tidak ada yang dijual?

Sampel yang baik Sampel yang representatif
Besaran/ciri sampel (Statistik Sampel) memberikan
gambaran yang tepat mengenai besaran ukuran populasi
(Parameter Populasi)

Masih ingat beda antara Statistik Sampel Vs Parameter Populasi? perhatikan tabel
berikut:

Sampel yg baik diperoleh dengan memperhatikan hal-hal berikut :
1. keacakannya (randomness)
2. ukuran
3. teknik penarikan sampel (sampling) yang sesuai dengan
kondisi atau sifat populasi

Sampel Acak = Contoh Random dipilih dari populasi di mana setiap anggota
populasi memiliki peluang yang sama terpilih menjadi anggota ruang sampel.
By asmauna Posted in MATERI KULIAH Tagged binomial


MODUL DISTRIBUSI BINOMIAL
DEFINISI
Distribusi Binomial adalah suatu distribusi probabilitas yang dapat digunakan bilamana suatu proses
sampling dapat diasumsikan sesuai dengan proses Bernoulli. Misalnya, dalam perlemparan sekeping
uang logam sebanyak 5 kali, hasil setiap ulangan mungkin muncul sisi gambar atau sisi angka. Begitu
pula, bila kartu diambil berturut-turut, kita dapat memberi label berhasil bila kartu yang terambil
adalah kartu merah atau gagal bila yang terambil adalah kartu hitam. Ulangan-ulangan tersebut
bersifat bebas dan peluang keberhasilan setiap ulangan tetap sama,taitu sebasar ..(Ronald E.
Walpole)

CIRI CIRI DISTRIBUSI BINOMIAL
Percobaan diulang sebanyak n kali.
Hasil setiap ulangan dapat dikategorikan ke dalam 2 kelas, misal :
BERHASIL atau GAGAL;
YA atau TIDAK;
SUCCESS or FAILED.
Peluang berhasil / sukses dinyatakan dengan p dan dalam setiap ulangan nilai p tetap. Peluang gagal
dinyatakan dengan q, dimana q = 1-p.
Setiap ulangan bersifat bebas (independen) satu dengan lainnya.
Percobaannya terdiri atas n ulangan (Ronald.E Walpole)
Nilai n < 20 dan p > 0.05

RUMUS DISTRIBUSI BINOMIAL
b(x;n,p) = nCx px qn-x dimana x = 0,1,2,3,,n
n : banyaknya ulangan
x : banyaknya keberhasilan dalam peubah acak x
p : peluang berhasil dalam setiap ulangan
q : peluang gagal, dimana q = 1-p dalam setiap ulangan

Catatan : Agar anda mudah dalam membedakan p dengan q, anda harus dapat menetapkan mana
kejadian SUKSES dan mana kejadian GAGAL. Anda dapat menetapkan bahwa kejadian yang menjadi
pertanyaan atau ditanyakan adalah = kejadian SUKSES.

Contoh Distribusi Binomial :
1.Berdasarkan data biro perjalanan PT Mandala Wisata air, yang khusus menangani perjalanan
wisata turis manca negara, 20% dari turis menyatakan sangat puas berkunjung ke Indonesia, 40%
menyatakan puas, 25% menyatakan biasa saja dan sisanya menyatakan kurang puas. Apabila kita
bertemu dengan 5 orang dari peserta wisata turis manca negara yang pernah berkunjung ke
Indonesia, berapakah probabilitas :
a.Paling banyak 2 di antaranya menyatakan sangat puas.
b.Paling sedikit 1 di antaranya menyatakan kurang puas
c.Tepat 2 diantaranya menyatakan biasa saja
d.Ada 2 sampai 4 yang menyatakan puas
Jawab :
a.X 2
Lihat tabel dan lakukan penjumlahan sebagai berikut :
b(x; n, p) = b(0; 5, 0.20) + b(1; 5, 0.20) + b(2; 5, 0.20) =
0.32768 + 0.40960 + 0.20480 = 0.94208 atau
b(x=0) = 5C0 (0.20)0 (0.80)5 = 0.32768
b(x=1) = 5C1 (0.20)0 (0.80)4 = 0.40960
b(x=2) = 5C2 (0.20)0 (0.80)3 = 0.20480
+
Maka hasil x 2 adalah = 0.94208
b.X 1
Lihat tabel dan lakukan penjumlahan sebagai berikut :
b(1; 5, 0.15) + b(2; 5, 0.15) + b(3; 5, 0.15) + b(4; 5, 0.15) + b(5; 5, 0.15) =
0.3915 + 0.1382 + 0.0244 + 0.002 + 0.0001 = 0.5562 atau
b(x 1; 5, 0.15) = 1 b(x = 0)
1 5C0 (0.15)0 (0.85)5
1 0.4437 = 0.5563
c.X = 2
b(2; 5, 0.25) = 0.2637
d.X 2 X 4
Lihat tabel dan lakukan penjumlahan sebagai berikut :
b(2; 5, 0.40) + b(3; 5, 0.40) + b(4; 5, 0.40) = 0.3456 + 0.2304 + 0.0768 = 0.6528
Analisis masing masing point :
a.Sebanyak paling banyak 2 dari 5 orang dengan jumlah 0.94208 atau 94,28% yang menyatakan
sangat puas adalah sangat besar.
b.Paling sedikit 1 dari 5 orang (berarti semuanya) dengan jumlah 0,5563 atau 55,63% yang
menyatakan kurang puas dapat dikatakan cukup besar (karena lebih dari 50%).
c.Tepat 2 dari 5 orang yang menyatakan biasa saja dengan jumlah 0,2637 atau 26,37% adalah kecil
(karena dibawah 50%).
d.Ada 2 sampai 4 yang menyatakan puas dengan jumlah 0,6528% atau 65,28% dapat dikatakan
cukup besar.
Analisis keseluruhan :
A. Persentase
Jika diambil persentase terbesar tanpa memperhatikan jumlah X, maka persentase terbesar ada di
point pertama (a) yaitu 94,28% yang menyatakan sangat puas. Hal tersebut menandakan banyak
turis manca negara yang sangat menyukai Indonesia.
B. Nilai X
Jika dilihat dari jumlah X, maka perlu diperhatikan point kedua (b). Jumlah X adalah paling sedikit 1
dari 5 orang (berarti X>=1) yaitu 55,63% yang menyatakan kurang puas . Hal tersebut berarti kelima
(semua) turis manca negara kurang puas terhadap kunjungannya ke Indonesia.


2.Kepala bagian produksi PT SAMSUNG melaporkan bahwa rata - rata produksi televisi yang rusak
setiap kali produksi adalah sebesar 15 %. Jika dari total produksi tersebut diambil secara acak
sebanyak 4 buah televisi, berapakah perhitungan dengan nilai probabilitas 2 ?
Jawab : p ( rusak ) = 0,15, q ( baik ) = 0,85, x = 2, n = 4
Rumus : b ( x ; n ; p ) = nCx px q n-x
b (x = 2 ; 4 ; 0,12 ) = 4C2 (0,15)2 (0,85)(4 2)
= 0,0975
Analisis : Dengan jumlah 0,0975 atau 9,75% dari sampel acak sebanyak 4 buah televisi dan rata
rata produk rusak setiap kali produksi adalah sebesar 15%, dapat dikatakan kecil. Namun pada
kenyataannya, meskipun dilihat secara persentase kecil (hanya 9,75%) yang namanya produk rusak
harus tetap dikurangi atau bahkan dihilangkan untuk mengurangi kerugian.

RATA RATA dan RAGAM DISTRIBUSI BINOMIAL
Rata rata = n . p
Ragam 2 = n . p . q
n : ukuran populasi
p : peluang berhasil dalam setiap ulangan
q : peluang gagal, dimana q = 1-p dalam setiap ulangan

Contoh Rata rata dan Ragam Distribusi Binomial :
Untuk b (5; 5, 20) dimana x = 5, n = 5 dan p = 0.20
q = 1-p ; q = 1-0.20 = sehingga q = 0.80
maka : = 5 x 0.20 = 1
2 = 5 x 0.20 x 0.8 = 0.80
0.80= = 0.8944
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 Binomial dan Poisson

Pembahasan
1. Distribusi Binomial
A.Definisi Bistribusi Binomial
Distribusi Binomial adalah suatu distribusi probabilitas yang dapat digunakan bilamana suatu
proses sampling dapat diasumsikan sesuai dengan proses Bernoulli. Misalnya, dalam
perlemparan sekeping uang logam sebanyak 5 kali, hasil setiap ulangan mungkin muncul sisi
gambar atau sisi angka. Begitu pula, bila kartu diambil berturut-turut, kita dapat memberi
label berhasil bila kartu yang terambil adalah kartu merah atau gagal bila yang terambil
adalah kartu hitam. Ulangan-ulangan tersebut bersifat bebas dan peluang keberhasilan setiap
ulangan tetap sama,taitu sebasar ..(Ronald E. Walpole).
B. Syarat Distribusi Binomial
1. jumlah trial merupakan bilangan bulat Contoh melambungkan coin 2 kali, tidak mungkin2
kali.
2. Setiap eksperiman mempunya idua outcome (hasil). Contoh:sukses/gagal,laki/perempuan,
sehat/sakit,setuju/tidaksetuju.
3. Peluang sukses sama setiap eksperimen.
Contoh: Jika pada lambungan pertama peluang keluar mata H/sukses adalah , pada
lambungan seterusnya juga . Jika sebuah dadu, yang diharapkan adalah keluar mata lima,
maka dikatakan peluang sukses adalah 1/6, sedangkan peluang gagal adalah 5/6.Untuk itu
peluang sukses dilambangkan p, sedangkan peluang gagal adalah (1-p) atau biasa juga
dilambangkan q, di mana q = 1-p.

C. Ciri-ciri Distribusi Binomial.

Distribusi Binomial dapat diterapkan pada peristiwa yang memiliki ciri-ciri percobaan
Binomial atau Bernoulli trial sebagai berikut :

1. Setiap percobaan hanya mempunyai 2 kemungkinan hasil : sukses(hasil yang dikehendakai,
dan gagal(hasil yang tidak dikehendaki)
2. Setiap percobaan beersifat independen atau dengan pengembalian.
3. Probabilita sukses setiap percobaan harus sama, dinyatakan dengan p. Sedangkan probabilita
gagal dinyatakan dengan q, dan jumlah p dan q harus sama dengan satu.
4. Jumlah percobaan, dinyatakan dengan n, harus tertentu jumlahnya.





D. Penerapan Distribusi Binomial

Beberapa kasus dimana distribusi normal dapat diterapkan yaitu:

1. Jumlah pertanyaan dimana anda dapat mengharapkan bahwa terkaan anda benar dalam ujian
pilihan ganda.
2. Jumlah asuransi kecelakaan yang harus dibayar oleh perusahaan asuransi.
3. Jumlah lemparan bebas yang dilakukan oleh pemain basket selama satu musim.

Rumus Distribusi Binomial

b(x;n,p) = nCx px qn-x dimana x = 0,1,2,3,,n
n : banyaknya ulangan
x : banyaknya keberhasilan dalam peubah acak x
p : peluang berhasil dalam setiap ulangan
q : peluang gagal, dimana q = 1-p dalam setiap ulangan

Contoh Distribusi Binomial :

1.Berdasarkan data biro perjalanan PT Mandala Wisata air, yang khusus menangani
perjalanan wisata turis manca negara, 20% dari turis menyatakan sangat puas berkunjung ke
Indonesia, 40% menyatakan puas, 25% menyatakan biasa saja dan sisanya menyatakan
kurang puas. Apabila kita bertemu dengan 5 orang dari peserta wisata turis manca negara
yang pernah berkunjung ke Indonesia, berapakah probabilitas :
a) Paling banyak 2 di antaranya menyatakan sangat puas.
b) Paling sedikit 1 di antaranya menyatakan kurang puas
c) Tepat 2 diantaranya menyatakan biasa saja
d) Ada 2 sampai 4 yang menyatakan puas

Jawab :

a.X 2

Lihat tabel dan lakukan penjumlahan sebagai berikut :

b(x; n, p) = b(0; 5, 0.20) + b(1; 5, 0.20) + b(2; 5, 0.20) =
0.32768 + 0.40960 + 0.20480 = 0.94208 atau
b(x=0) = 5C0 (0.20)0 (0.80)5 = 0.32768
b(x=1) = 5C1 (0.20)0 (0.80)4 = 0.40960
b(x=2) = 5C2 (0.20)0 (0.80)3 = 0.20480
+Maka hasil x 2 adalah = 0.94208


b.X 1

Lihat tabel dan lakukan penjumlahan sebagai berikut :

b(1; 5, 0.15) + b(2; 5, 0.15) + b(3; 5, 0.15) + b(4; 5, 0.15) + b(5; 5, 0.15) =
0.3915 + 0.1382 + 0.0244 + 0.002 + 0.0001 = 0.5562 atau
b(x 1; 5, 0.15) = 1 b(x = 0)
1 5C0 (0.15)0 (0.85)5
1 0.4437 = 0.5563

c.X = 2

b(2; 5, 0.25) = 0.2637

d.X 2 X 4

Lihat tabel dan lakukan penjumlahan sebagai berikut :

b(2; 5, 0.40) + b(3; 5, 0.40) + b(4; 5, 0.40) = 0.3456 + 0.2304 + 0.0768 = 0.6528
Analisis masing masing point :

a.Sebanyak paling banyak 2 dari 5 orang dengan jumlah 0.94208 atau 94,28% yang
menyatakan sangat puas adalah sangat besar.
b.Paling sedikit 1 dari 5 orang (berarti semuanya) dengan jumlah 0,5563 atau 55,63% yang
menyatakan kurang puas dapat dikatakan cukup besar (karena lebih dari 50%).
c.Tepat 2 dari 5 orang yang menyatakan biasa saja dengan jumlah 0,2637 atau 26,37% adalah
kecil (karena dibawah 50%).
d.Ada 2 sampai 4 yang menyatakan puas dengan jumlah 0,6528% atau 65,28% dapat
dikatakan cukup besar.

Analisis keseluruhan :

A. Persentase
Jika diambil persentase terbesar tanpa memperhatikan jumlah X, maka persentase terbesar
ada di point pertama (a) yaitu 94,28% yang menyatakan sangat puas. Hal tersebut
menandakan banyak turis manca negara yang sangat menyukai Indonesia.

B. Nilai X
Jika dilihat dari jumlah X, maka perlu diperhatikan point kedua (b). Jumlah X adalah paling
sedikit 1 dari 5 orang (berarti X>=1) yaitu 55,63% yang menyatakan kurang puas .
Hal tersebut berarti kelima (semua) turis manca negara kurang puas terhadap kunjungannya
ke Indonesia.

2.Kepala bagian produksi PT SAMSUNG melaporkan bahwa rata - rata produksi televisi
yang rusak setiap kali produksi adalah sebesar 15 %. Jika dari total produksi tersebut diambil
secara acak sebanyak 4 buah televisi, berapakah perhitungan dengan nilai probabilitas 2 ?

Jawab :

p ( rusak ) = 0,15, q ( baik ) = 0,85, x = 2, n = 4
Rumus : b ( x ; n ; p ) = nCx px q n-x
b (x = 2 ; 4 ; 0,12 ) = 4C2 (0,15)2 (0,85)(4 2)
= 0,0975

Analisis : Dengan jumlah 0,0975 atau 9,75% dari sampel acak sebanyak 4 buah televisi dan
rata rata produk rusak setiap kali produksi adalah sebesar 15%, dapat dikatakan kecil.
Namun pada kenyataannya, meskipun dilihat secara persentase kecil (hanya 9,75%) yang
namanya produk rusak harus tetap dikurangi atau bahkan dihilangkan untuk mengurangi
kerugian.

RATA RATA dan RAGAM DISTRIBUSI BINOMIAL

Rata rata = n . p
Ragam 2 = n . p . q
n : ukuran populasi
p : peluang berhasil dalam setiap ulangan
q : peluang gagal, dimana q = 1-p dalam setiap ulangan

Contoh Rata rata dan Ragam Distribusi Binomial :
Untuk b (5; 5, 20) dimana x = 5, n = 5 dan p = 0.20
q = 1-p ; q = 1-0.20 = sehingga q = 0.80
maka : = 5 x 0.20 = 1
2 = 5 x 0.20 x 0.8 = 0.80
= 0.80 = 0.8944.








2. Distribusi Poisson
A .Definisi Distribusi Poisson
Distribusi Poisson diberi nama sesuai dengan penemunya yaitu Siemon D. Poisson. Distibusi
ini merupakan distribusi probabilitas untuk variabel diskrit acak yang mempunyai nilai 0,1, 2,
3 dst. Suatu bentuk dari distribusi ini adalah rumus pendekatan peluang Poisson untuk
peluang Binomial yang dapat digunakan untuk pendekatan probabilitas Binomial dalam
situasi tertentu.
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.

B. 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 ; ) = e

.
X

X ! Dimana : e = 2.71828
= 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, = n . p = 200 . 0.01 = 2
P ( x ; ) = e

.
X

X!
= 2.71828
2
. 2
3
= 0.1804 atau 18.04 %
3!
2. Dik : = 5
a. x = 0 P ( x ; ) = e

.
X

X!
P ( 0 ; 5 ) = 2.71828
5
. 5
0
= 0.0067
0!

b. x 3 ; P ( x ; ) = e

.
X

X!
P (x 3 , 5) = P( x 1, ) +.+p(x3, )
= 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 ; ) = e

.
X

X!
P (X > 3 , 5) = P( X
4
, ) +.+p(X
15
, )
= P( 4, 5 ) + P (5, 5 ) + + P ( 15, 5 ) atau

P (X > 3 , 5) = 1 [P ( X 3 , 5 ) ]
= 1 [ P ( X
0
, ) +.+ p (X
3
, ) ]
= 1 [ P ( 0, 5 ) +.+p ( 3, 5 ) ]
= 1 [ 0.2650 ]
= 73.5 %



C. 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 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
. t
. ( . t )
x

X! Dimana : = Tingkat rata rata kedatangan tiap unit waktu
t = Jumlah unit waktu
x = Jumlah kedatangan dalam t unit waktu

Contoh soal :
Jika rata rata kedatangan = 72 setiap jam, berapakah peluang dari x = 4 kedatangan dan t
= 3 menit. Gunakan proses poisson.!
Jawab :
Dik : = 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
. t
. ( . t )
x

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

4!= 0.191 atau 19.1 %

Distribusi Poisson

Mengenai berapa banyaknya hasil percobaan yang terjadi dalam suatu interval
waktu tertentu akan dipelajari pada Modul Distribusi Poisson. Ada banyak
persoalan-persoalan yang bisa diselesaikan dengan metode Distribusi Poisson.

Pengertian Distribusi Poisson
Distribusi Poisson adalah distribusi nilai-nilai bagi suatu variabel random x (x
diskrit), yaitu banyaknya hasil percobaan yang terjadi dalam suatu interval waktu
tertentu atau disuatu daerah tertentu (Hassan,2001). Distribusi Poisson disebut juga
distribusi peristiwa yang jarang terjadi, ditemukan oleh S.D.Poisson (17811841),
seorang ahli matematika berkebangsaan Prancis. Distribusi Poisson termasuk
distribusi teoretis yang memakai variabel random diskrit.

Jenis-jenis distribusi poisson
Ada beberapa jenis dari distrbusi poisson. Distribusi poisson terdiri dari
Probabilitas Poisson, Probabilitas Distribusi Poisson Kumulatif, dan Distribusi
Poisson sebagai Pendekatan Distribusi Binomial. Setiap jenis dari distribusi poisson
memilki karakter masing-masing berikut dengan metode dan fungsi yang berbeda.

Probabilitas Poisson satu peristiwa
Distribusi untuk satu peristiwa yang jarang terjadi didefinisikan sebagai
Probabilitas poisson satu peristiwa.Probabilitas suatu peristiwa yang berdistribusi
Poisson dirumuskan sebagai berikut.

..(50)
Keterangan:
= rata-rata terjadinya suatu peristiwa.
e = bilangan alam = 2,71828.
P (x) =
Rumus terjadinya suatu kedatangan yang mengikuti proses poisson dirumuskan
sebagai berikut.

..(51)
Keterangan:
= tingkat kedatangan rata-rata persatuan waktu.
t = banyaknya satuan waktu.
x = banyaknya kedatangan dalam t satuan waktu.

2.4.2.2 Probabilitas Distribusi Poisson kumulatif
Probabilitas Poisson kumulatif adalah probabilitas dari peristiwa poisson
lebih dari satu. Probabilitas poisson kumulatif dapat dihitung dengan rumus sebagai
berikut.

....(52)


(53)
Distribusi Poisson sebagai
pendekatan distribusi binomial dirumuskan sebagai berikut.

....(54)
keterangan:
np = rata-rata distribusi binomial.

Ciri-Ciri Distribusi Poisson
Penjelasan mengenai distribusi poisson, baik dari pengertian, dan jenis-jenis,
melahirkan beberapa ciri yang dimiliki oleh distribusi poisson. Distribusi Poisson
memiliki ciri-ciri sebagai berikut (Hassan,2001).
P (x) =
PPK =
PPK =
= P(x =0)+P(x=1)+P(x = 2 + +P(x =
n)
P(x) =
1) 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.
2) 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 diluar interval waktu atau daerah tersebut.
3) Probabilitas lebih dari satu hasil percobaan yang terjadi dalam interval waktu yang
singkat atau dalam daerah yang kecil dapat diabaikan.

Rata-rata, varians, dan Simpangan Baku Distribusi Poisson
1) Rata-rata
Untuk mencari nilai rata-rata pada distribusi poisson digunakan rumus sebagai
berikut (Hasan,2001).

....(55)
2) Varians
Untuk mencari nilai varians pada distribusi poisson digunakan rumus sebagai
berikut (Hasan,2001).
....(56)
3) Simpangan baku
Untuk mencari nilai simpangan baku pada distribusi poisson digunakan rumus
sebagai berikut (Hasan,2001).

....(57)

Sebaran Poisson
Percobaan yang menghasilkan nilai-nilai bagi suatu peubah acak x, yaitu
banyaknya hasil percobaan yang terjadi selama suatu selang waktu tertentu atau
disuatu daerah tertentu, sering disebut percobaan Poisson. Selang waktu tersebut
E(x) = = = n . p
E(x - )
2
=
2
= n . p
= =
dapat berapa saja panjangnya, misalnya satu menit, satu hari, satu minggu, satu
bulan atau bahkan satu tahun (Wallpole,1995).
Percobaan Poisson memiliki ciri-ciri sebagai berikut:
1) Banyaknya hasil percobaan yang terjadi dalam suatu selang waktu atau suatu
daerah tertentu, tidak bergantung pada banyaknya hasil percobaan yang terjadi
pada selang waktu atau daerah lain yang terpisah.
2) Peluang terjadinya satu hasil percobaan selama suatu selang waktu yang singkat
sekali atau dalam suatu daerah yang kecil, sebanding dengan panjang selang waktu
atau besarnya daerah tersebut dan tidak bergantung pada banyaknya hasil
percobaan yang terjadi diluar selang waktu atau daerah tersebut.
3) Peluang lebih dari satu hasil percobaan yang terjadi dalam interval waktu yang
singkat atau dalam daerah yang kecil dapat diabaikan.

referensi:
Dajan, Anto. 1972. Pengantar Metode Statistika I. Jakarta: LP3ES.
Hasan, M.Iqbal. 2001. Pokok-pokok Materi Statistika 1. Jakarta: Bumi Aksara.
Walpole, Ronald E dan Myers, Raymond H. 1995. Ilmu peluang dan Statistik
untuk Insiyur dan Ilmuwan. Bandung: ITB.
Sudjana. 1995. Metode Statistik. Bandung: Tarsito.
Sulistiyono. 2006. Matematika SMA dan MA untuk kelas XII Semester 2. Jakarta:
Esis erlangga.
Wirodikromo, Sartono. 1997. Matematika untuk SMA jilid 4 kelas XI. Jakarta:
Erlangga.


MODUL DISTRIBUSI POISSON

1. Pendahuluan
Distribusi Poisson diberi nama sesuai dengan penemunya yaitu Siemon D.
Poisson. Distibusi ini merupakan distribusi probabilitas untuk variabel diskrit
acak yang mempunyai nilai 0,1, 2, 3 dst. Suatu bentuk dari distribusi ini adalah
rumus pendekatan peluang Poisson untuk peluang Binomial yang dapat
digunakan untuk pendekatan probabilitas Binomial dalam situasi tertentu.
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 ; ) = e

.
X

X ! Dimana : e = 2.71828
= 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, = n . p = 200 . 0.01 = 2
P ( x ; ) = e

.
X

X!
= 2.71828
2
. 2
3
= 0.1804 atau 18.04 %
3!
2. Dik : = 5
a. x = 0 P ( x ; ) = e

.
X

X!
P ( 0 ; 5 ) = 2.71828
5
. 5
0
= 0.0067
0!
b. x 3 ; P ( x ; ) = e

.
X

X!
P (x 3 , 5) = P( x 1, ) +.+p(x3, )
= 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 ; ) = e

.
X

X!
P (X > 3 , 5) = P( X
4
, ) +.+p(X
15
, )
= P( 4, 5 ) + P (5, 5 ) + + P ( 15, 5 ) atau

P (X > 3 , 5) = 1 [P ( X 3 , 5 ) ]
= 1 [ P ( X
0
, ) +.+ p (X
3
, ) ]
= 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 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
. t
. ( . t )
x

X! Dimana : = Tingkat rata rata kedatangan tiap unit waktu
t = Jumlah unit waktu
x = Jumlah kedatangan dalam t unit waktu

Contoh soal :
Jika rata rata kedatangan = 72 setiap jam, berapakah peluang dari x = 4
kedatangan dan t = 3 menit. Gunakan proses poisson.!
Jawab :
Dik : = 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
. t
. ( . t )
x

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

4!
= 0.191 atau 19.1 %








Distribusi Binomial dan Poisson

Pembahasan
1. Distribusi Binomial
A.Definisi Bistribusi Binomial
Distribusi Binomial adalah suatu distribusi probabilitas yang dapat digunakan bilamana suatu
proses sampling dapat diasumsikan sesuai dengan proses Bernoulli. Misalnya, dalam
perlemparan sekeping uang logam sebanyak 5 kali, hasil setiap ulangan mungkin muncul sisi
gambar atau sisi angka. Begitu pula, bila kartu diambil berturut-turut, kita dapat memberi
label berhasil bila kartu yang terambil adalah kartu merah atau gagal bila yang terambil
adalah kartu hitam. Ulangan-ulangan tersebut bersifat bebas dan peluang keberhasilan setiap
ulangan tetap sama,taitu sebasar ..(Ronald E. Walpole).
B. Syarat Distribusi Binomial
1. jumlah trial merupakan bilangan bulat Contoh melambungkan coin 2 kali, tidak mungkin2
kali.
2. Setiap eksperiman mempunya idua outcome (hasil). Contoh:sukses/gagal,laki/perempuan,
sehat/sakit,setuju/tidaksetuju.
3. Peluang sukses sama setiap eksperimen.
Contoh: Jika pada lambungan pertama peluang keluar mata H/sukses adalah , pada
lambungan seterusnya juga . Jika sebuah dadu, yang diharapkan adalah keluar mata lima,
maka dikatakan peluang sukses adalah 1/6, sedangkan peluang gagal adalah 5/6.Untuk itu
peluang sukses dilambangkan p, sedangkan peluang gagal adalah (1-p) atau biasa juga
dilambangkan q, di mana q = 1-p.

C. Ciri-ciri Distribusi Binomial.

Distribusi Binomial dapat diterapkan pada peristiwa yang memiliki ciri-ciri percobaan
Binomial atau Bernoulli trial sebagai berikut :

1. Setiap percobaan hanya mempunyai 2 kemungkinan hasil : sukses(hasil yang dikehendakai,
dan gagal(hasil yang tidak dikehendaki)
2. Setiap percobaan beersifat independen atau dengan pengembalian.
3. Probabilita sukses setiap percobaan harus sama, dinyatakan dengan p. Sedangkan probabilita
gagal dinyatakan dengan q, dan jumlah p dan q harus sama dengan satu.
4. Jumlah percobaan, dinyatakan dengan n, harus tertentu jumlahnya.





D. Penerapan Distribusi Binomial

Beberapa kasus dimana distribusi normal dapat diterapkan yaitu:

1. Jumlah pertanyaan dimana anda dapat mengharapkan bahwa terkaan anda benar dalam ujian
pilihan ganda.
2. Jumlah asuransi kecelakaan yang harus dibayar oleh perusahaan asuransi.
3. Jumlah lemparan bebas yang dilakukan oleh pemain basket selama satu musim.

Rumus Distribusi Binomial

b(x;n,p) = nCx px qn-x dimana x = 0,1,2,3,,n
n : banyaknya ulangan
x : banyaknya keberhasilan dalam peubah acak x
p : peluang berhasil dalam setiap ulangan
q : peluang gagal, dimana q = 1-p dalam setiap ulangan

Contoh Distribusi Binomial :

1.Berdasarkan data biro perjalanan PT Mandala Wisata air, yang khusus menangani
perjalanan wisata turis manca negara, 20% dari turis menyatakan sangat puas berkunjung ke
Indonesia, 40% menyatakan puas, 25% menyatakan biasa saja dan sisanya menyatakan
kurang puas. Apabila kita bertemu dengan 5 orang dari peserta wisata turis manca negara
yang pernah berkunjung ke Indonesia, berapakah probabilitas :
a) Paling banyak 2 di antaranya menyatakan sangat puas.
b) Paling sedikit 1 di antaranya menyatakan kurang puas
c) Tepat 2 diantaranya menyatakan biasa saja
d) Ada 2 sampai 4 yang menyatakan puas

Jawab :

a.X 2

Lihat tabel dan lakukan penjumlahan sebagai berikut :

b(x; n, p) = b(0; 5, 0.20) + b(1; 5, 0.20) + b(2; 5, 0.20) =
0.32768 + 0.40960 + 0.20480 = 0.94208 atau
b(x=0) = 5C0 (0.20)0 (0.80)5 = 0.32768
b(x=1) = 5C1 (0.20)0 (0.80)4 = 0.40960
b(x=2) = 5C2 (0.20)0 (0.80)3 = 0.20480
+Maka hasil x 2 adalah = 0.94208



b.X 1

Lihat tabel dan lakukan penjumlahan sebagai berikut :

b(1; 5, 0.15) + b(2; 5, 0.15) + b(3; 5, 0.15) + b(4; 5, 0.15) + b(5; 5, 0.15) =
0.3915 + 0.1382 + 0.0244 + 0.002 + 0.0001 = 0.5562 atau
b(x 1; 5, 0.15) = 1 b(x = 0)
1 5C0 (0.15)0 (0.85)5
1 0.4437 = 0.5563

c.X = 2

b(2; 5, 0.25) = 0.2637

d.X 2 X 4

Lihat tabel dan lakukan penjumlahan sebagai berikut :

b(2; 5, 0.40) + b(3; 5, 0.40) + b(4; 5, 0.40) = 0.3456 + 0.2304 + 0.0768 = 0.6528
Analisis masing masing point :

a.Sebanyak paling banyak 2 dari 5 orang dengan jumlah 0.94208 atau 94,28% yang
menyatakan sangat puas adalah sangat besar.
b.Paling sedikit 1 dari 5 orang (berarti semuanya) dengan jumlah 0,5563 atau 55,63% yang
menyatakan kurang puas dapat dikatakan cukup besar (karena lebih dari 50%).
c.Tepat 2 dari 5 orang yang menyatakan biasa saja dengan jumlah 0,2637 atau 26,37% adalah
kecil (karena dibawah 50%).
d.Ada 2 sampai 4 yang menyatakan puas dengan jumlah 0,6528% atau 65,28% dapat
dikatakan cukup besar.

Analisis keseluruhan :

A. Persentase
Jika diambil persentase terbesar tanpa memperhatikan jumlah X, maka persentase terbesar
ada di point pertama (a) yaitu 94,28% yang menyatakan sangat puas. Hal tersebut
menandakan banyak turis manca negara yang sangat menyukai Indonesia.

B. Nilai X
Jika dilihat dari jumlah X, maka perlu diperhatikan point kedua (b). Jumlah X adalah paling
sedikit 1 dari 5 orang (berarti X>=1) yaitu 55,63% yang menyatakan kurang puas .
Hal tersebut berarti kelima (semua) turis manca negara kurang puas terhadap kunjungannya
ke Indonesia.

2.Kepala bagian produksi PT SAMSUNG melaporkan bahwa rata - rata produksi televisi
yang rusak setiap kali produksi adalah sebesar 15 %. Jika dari total produksi tersebut diambil
secara acak sebanyak 4 buah televisi, berapakah perhitungan dengan nilai probabilitas 2 ?

Jawab :

p ( rusak ) = 0,15, q ( baik ) = 0,85, x = 2, n = 4
Rumus : b ( x ; n ; p ) = nCx px q n-x
b (x = 2 ; 4 ; 0,12 ) = 4C2 (0,15)2 (0,85)(4 2)
= 0,0975

Analisis : Dengan jumlah 0,0975 atau 9,75% dari sampel acak sebanyak 4 buah televisi dan
rata rata produk rusak setiap kali produksi adalah sebesar 15%, dapat dikatakan kecil.
Namun pada kenyataannya, meskipun dilihat secara persentase kecil (hanya 9,75%) yang
namanya produk rusak harus tetap dikurangi atau bahkan dihilangkan untuk mengurangi
kerugian.

RATA RATA dan RAGAM DISTRIBUSI BINOMIAL

Rata rata = n . p
Ragam 2 = n . p . q
n : ukuran populasi
p : peluang berhasil dalam setiap ulangan
q : peluang gagal, dimana q = 1-p dalam setiap ulangan

Contoh Rata rata dan Ragam Distribusi Binomial :
Untuk b (5; 5, 20) dimana x = 5, n = 5 dan p = 0.20
q = 1-p ; q = 1-0.20 = sehingga q = 0.80
maka : = 5 x 0.20 = 1
2 = 5 x 0.20 x 0.8 = 0.80
= 0.80 = 0.8944.








2. Distribusi Poisson
A .Definisi Distribusi Poisson
Distribusi Poisson diberi nama sesuai dengan penemunya yaitu Siemon D. Poisson. Distibusi
ini merupakan distribusi probabilitas untuk variabel diskrit acak yang mempunyai nilai 0,1, 2,
3 dst. Suatu bentuk dari distribusi ini adalah rumus pendekatan peluang Poisson untuk
peluang Binomial yang dapat digunakan untuk pendekatan probabilitas Binomial dalam
situasi tertentu.
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.

B. 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 ; ) = e

.
X

X ! Dimana : e = 2.71828
= 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, = n . p = 200 . 0.01 = 2
P ( x ; ) = e

.
X

X!
= 2.71828
2
. 2
3
= 0.1804 atau 18.04 %
3!
2. Dik : = 5
a. x = 0 P ( x ; ) = e

.
X

X!
P ( 0 ; 5 ) = 2.71828
5
. 5
0
= 0.0067
0!

b. x 3 ; P ( x ; ) = e

.
X

X!
P (x 3 , 5) = P( x 1, ) +.+p(x3, )
= 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 ; ) = e

.
X

X!
P (X > 3 , 5) = P( X
4
, ) +.+p(X
15
, )
= P( 4, 5 ) + P (5, 5 ) + + P ( 15, 5 ) atau

P (X > 3 , 5) = 1 [P ( X 3 , 5 ) ]
= 1 [ P ( X
0
, ) +.+ p (X
3
, ) ]
= 1 [ P ( 0, 5 ) +.+p ( 3, 5 ) ]
= 1 [ 0.2650 ]
= 73.5 %






C. 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 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
. t
. ( . t )
x

X! Dimana : = Tingkat rata rata kedatangan tiap unit waktu
t = Jumlah unit waktu
x = Jumlah kedatangan dalam t unit waktu

Contoh soal :
Jika rata rata kedatangan = 72 setiap jam, berapakah peluang dari x = 4 kedatangan dan t
= 3 menit. Gunakan proses poisson.!
Jawab :
Dik : = 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
. t
. ( . t )
x

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

4!= 0.191 atau 19.1 %