Anda di halaman 1dari 12

Distribusi Poisson

dan
Central Limit Theor

DISTRIBUSI POISSON

Lihat distribusi binomial


berikut:
P( X = x) =

, x = 0, 1, 2,, n

Bila bilangan kecil dan p besar, maka perhitungan


probabilita snilai variable acak X tidak mengalami
masalah, karena nilai probabilitas P(X=x) dapat
dihitung secara langsung atau diperoleh dengan
memakai table untuk bilangan n, nilai p, dan nilai x
tertentu. Akan tetapi, jika bilangan n besar dan p kecil
sekali, maka perhitungan probabilitas nilai X tidak bisa
atau sulit dilakukan sehingga dalam hal ini perhitungan
probabilitas distribusi binomial dilakukan dengan
memakai pendekatan distribusi Poisson.

Distribusi poisson merupakan distribusi


yang menghitung banyaknya hasil percobaan
yang terjadi dalam interval waktu tertentu,
yang dirumuskan sebagai berikut:
F(x) = P(X = x) =

Keterangan :
:np
n :Banyaknyaamatan
p :Probabilitassukses
e :Bilanganirrasional ( 2,71828 )
Dimana X = 0, 1, 2,,n

Ciri-ciri ditribusi poisson


1) Banyaknya hasil percobaan yang satu tidak
tergantung dari banyaknya hasil percobaan
yang lain.
2) Probabilitas hasil percobaan sebanding
dengan panjang interval waktu.
3) Probabilitas lebih dari satu hasil percobaan
yang terjadi dalam interval waktu yang
singkat dalam daerah yang kecil dapat
diabaikan.

Distribusi poisson digunakan dalam:


1) Menghitung
probabilitas
terjadinya
peristiwa menurut satuan waktu, ruang
atau isi, luas, panjang seperti: banyaknya
penggunaan telfon permenit, banyaknya
kesalahan ketik perhalaman sebuah buku,
banyaknya mobil yang lewat selama lima
menit di suatu ruas jalan, dsb.
2) Menghitung distribusi binomial apabila nbesar (n 30) dan p relative (p< 0,1)

Contoh :
Rata- ratajumlah hari sekolah ditutup karena salju
selama musim dingindisuatu kota di bagian timur
Amerika Seriat adalah 4.Berapa peluang bahwa sekolahsekolah di kota ini akan ditutup selama 6 hari dalam
suatu musim dingin ?

Jawab :
Dengan menggunakan sebaran Poisson dimana x
=6 dan = 4 maka penyelesaiannya:

CENTRAL LIMIT THEORY


Central Limit Theoremadalah hubungan
antara distribusi populasi dengan bentuk
distribusi sampling rata-rata. Hubungan
tersebut adalah sebagai berikut :
1) Rata-rata dari distribusi rata-rata sample
sama dengan rata-rata populasi dan tidak
bergantung pada besarnya sampel dan
bentuk distribusi populasi.
2) Dengan penambahan jumlah sampel maka
distribusi rata-rata sampel akan mendekati
distribusi normal dan tidak bergantung
pada bentuk distribusi populasi.

Central Limit Theoremsangat penting dalam


statistika inferensia karena dengan teorema
ini memungkinkan kita untuk menafsirkan
parameter populasi dari sampel tanpa harus
mengetahui distribusi populasi.
Dalam teorema ini diketahui bahwa untuk
pendekatan ke distribusi normal, distribusi
rata-rata sampel tidak memerlukan sampel
yang besar. Dengan sampel sebesar 30 telah
terjadi pendekatan ke distribusi normal.

Contoh :
Misalkan, jumlah kunjungan di Puskesmas per
tahun berdistribusi miring ke kiri dengan ratarata 60 orang per hari dan standar deviasi
sebesar 20. Bila kita ambil sampel sebesar 30
hari buka maka berapa probabilitas jumlah
kunjungan lebih dari 65 orang?

Jawab :
Pertama-tama, hitunglah kesalahan baku ratarata kemudian hitung nilai Z untuk 65 orang.

Peluang Z=1,37 adalah 0,085 atau 8,5%

Central limit theorem berlaku untuk :


1) Penarikan sampel dari populasi
yang sangat besar. Populasi
dianggap besar jika sampel yang
diambil lebih dari 30 (n>30).
2) Distribusi populasi tidak
dipersoalkan