1.

Distribusi Binomial
Distribusi

binomial berasal dari percobaan

binomial yaitu suatu proses Bernoulli yang
diulang sebanyak n kali dan saling bebas.
Distribusi Binomial merupakan distribusi
peubah acak diskrit. Distribusi ini
menggambarkan keboleh jadian suatu
pengamatan akan sukses sebanyak x dari n
percobaan dengan keboleh jadian sukses dari
setiap kejadian adalah p.

Ciri ciri percobaan Binomial:

Percobaan tersebut dilakukan berulangulang sebanyak n kali.
Setiap percobaan menghasilkan keluaran
yang dapat dikategorikan sebagai gagal
dan sukses.
Probabilitas sukses p tetap konstan dari
satu percobaan ke percobaan lain.
Percobaan yang berulang adalah saling
bebas

Persamaan distribusi Binomial :

(p + q)N =

pn qN-n

dengan p : peluang berhasil

q : peluang gagal : 1- p
n : 0,1,2,3,n

Secara umum, jumlah titik sampel yang

mungkin untuk menghasilkan x sukses dan n x
gagal dalam n percobaan adalah banyaknya
cara yang berbeda dalam mendistribusikan x
sukses dalam barisan n percobaan, sehingga
terdapat cara. Dan distribusi peluang atau
Probability Mass Function (PMF) X dinyatakan
pada definisi berikut:

Untuk x = 1,2,..., n dan 0 p 1

Pembuktian distribusi Binomial merupakan

suatu PMF
Bukti:
Untuk membuktikan suatu peubah acak
adalah PMF, maka harus ditunjukan:

f(x) 0
2. f (x) = 1
1.

Akan

ditunjukkan distribusi binomial

memenuhi kedua syarat di atas:
1. f(x) 0
Karena 0 p 1 dan nilai kombinasi
pasti positif maka f(x) pasti positif.
2. f (x) = 1
Menggunakan persamaan binomial
Newton pada f (x) , akan diperoleh

Dari 1 dan 2 dapat dikatakan bahwa

distribusi binomial merupakan PMF.

 Mean

Jika X ~ B (n,p) (X variable random

berdistribusi Binomial), maka nilai
ekspektasi dari X adalah
E(X) =

Misalkan m = n 1 dan s = x 1, maka

persamaan diatas menjadi
= 1
= np
Sehingga di dapat mean dari X, E(X) = np

 Variansi

Var(X) = E(X2) (E(X))2

Dalam mencari Var(X), kita harus tahu nilai
ekspektasi dari X2 :

Misalkan m = n -1 dan s = x-1, maka

persamaan di atas menjadi

Var(X)

= E(X2) (E(X))2
= np [np-p+1]-(np)2
=(np)2 np2 + np (np)2
2
=np - np
= np (1-p)

2. DISTRIBUSI POISSON
Ditemukan oleh SD Poisson, Ahli
Matematika asal Perancis.
Distribusi poisson adalah suatu
distribusi teoritis yang memakai
var random diskrit, yaitu
banyaknya hasil percobaan yang
terjadi dalam suatu interval waktu
tertentu.

Ciri-ciri

dari distribusi Poisson, antara lain :

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 :

Menghitung probabilitas terjadinya peristiwa

menurut satuan waktu, ruang atau isi, luas,
panjang seperti:
1. Banyaknya penggunaan telpon per menit,
banyaknya kesalahan ketik per halaman
sebuah buku, banyaknya mobil yang lewat
selama 5 menit di suatu ruas jalan, dsb.
2. Menghitung disktribusi binomial apabila
n-besar (n 30) dan p relatif kecil (p < 0,1)

Distribusi

Poisson, Variabel acak X

dikatakan berdistribusi Poisson dengan
parameter ter > 0, dinotasikan X ~
Poisson (), jika X mempunyai pmf

Persamaan di atas memenuhi

syarat syarat pmf sebab
1. P (x) 0 karena > 0
2. Total peluangnya adalah 1,
sebab

Distribusi Poisson mempunyai mgf

 yang

berlaku untuk setiap bilangan riil t:

karena,

dan,

Maka

Dan

Hasil ini memperlihatkan bahwa distribusi

Poisson mempunyai ciri khas bahwa mean
dan variansinya sama dengan parameternya.

3. Distribusi Gauss atau Normal

Distribusi normal berupa kurva

berbentuk lonceng setangkup yang
melebar tak berhingga pada kedua arah
positif dan negatifnya. Tidak semua
distribusi berbentuk lonceng setangkup
merupakan distribusi normal.

 Pada

tahun 1733 DeMoivre menemukan

persamaan matematika kurva normal yang
menjadi dasar banyak teori statistika induktif.

Distribusi normal sering pula disebut

Distribusi Gauss untuk menghormati Gauss
(1777 1855), yang juga menemukan
persamaannya waktu meneliti galat dalam
pengukuran yang berulang-ulang mengenai
bahan yang sama.

Perumusan penurunan distribusi

normal atau distribusi Gauss
Distribusi

normal merupakan
fungsi distribusi kebolehjadian
yang bersifat kontinyu, yang
memiliki makna bahwa setiap
nilai dari variable x yang bebas
adalah mungkin.
Penggunaanya sama dengan
penggunaan kurva distribusi
lainnya. Frekuensi relatif suatu
variabel yang mengambil nilai
antara dua titik pada sumbu

Diperoleh fungsi Gauss

Nilai x

Nilai

Grafik Distribusi Normal

Fungsi densitas distribusi normal
diperoleh dengan persamaan sebagai
berikut:

dimana:
= 3,1416
e = 2,7183
= rata-rata
= simpangan baku

Para

ahli statistik telah menyelidiki bentuk

distribusi normal dengan mempelajari
fungsi tersebut dan didapatkan sifat-sifat
sebagai berikut
Simetris, yaitu mean distribusi terletak di
tengah dengan luas bagian sebelah kiri sama
dengan bagian sebelah kanan (berbentuk
lonceng) sehingga total daerah di bawah kurva
sebelah kiri = total daerah di bawah kurva
sebelah kanan = 0,5.
68% dari nilai variabel terletak dalam jarak 1
(antara -1 dan +1).
95% dari nilai variabel terletak dalam jarak
1,96.
99% dari nilai variabel terletak dalam jarak 3.

Kurva distribusi normal baku diperoleh dari distribusi normal

umum dengan cara transformasi nilai x menjadi nilai z, dengan
formula sebagai berikut:

Kurva

distribusi normal baku

lebih sederhana dibanding kurva
normal umum. Pada kurva
distribusi normal baku, nilai = 0
dan nilai =1, sehingga terlihat
lebih menyenangkan. Namun,
sifat-sifatnya persis sama dengan
sifat-sifat distribusi normal umum

Distribusi

normal menggunakan
dua metode :
Metode Integral
Metode tabel distribusi normal

 Integral

Kebolehjadian Pada
Distribusi Normal

Yang

menyatakan kebolehjadian
suatu hasil ukur dapat ditemukan
di antara x1 dan x2. Tentunya
dengan f(x) adalah fungsi
distribusi normal.

 Tabel distribusi normal

KASUS..
Dari

hasil riset di laboratorium,

diketahui bahwa ketahanan lampu
hemat energi berdistribusi normal,
rata - rata adalah 72 hari, dengan
simpangan baku 8 hari. Jika diambil
secara random, hitunglah probabilitas
ketahanan sebuah lampu, apabila :
Menyala Antara 63 - 78 Hari
Menyala Lebih Dari 82 Hari
Menyala Kurang Dari 70 Hari

Pemecahan Kasus
a.

Menyala Antara 63 - 78 Hari

b.

Menyala Lebih Dari 82 Hari

c.

Menyala Kurang Dari 70 Hari