peluang kontinu dengan grafik berbentuk bel/genta. Distribusi normal paling banyak
digunakan dalam berbagai analisis statistika. Banyak sekali kejadian ataupun fenomena baik
dalam ilmu sosial maupun ilmu alam yang dapat dihitung melalui pendekatan dengan
mengikuti distribusi normal. Distribusi normal banyak digunakan dalam berbagai distribusi
dalam statistika, dan kebanyakan pengujian hipotesis mengasumsikan normalitas suatu data.
Variabel acak X
berdistribusi normal dengan rata-rata dan varians 2
jika mempunyai fungsi kepadatan
f(x)=n(x;,)=12e12(x)2
, <x<
mg/liter
Jawab :
Fungsi kepadatan peluangnya adalah f(x)=n(x;,)=12e12(x)2
, <x<
P(x<200)=2001452e12(x21545)2dx
Integral ini sulit di selesaikan
Sebenarnya yang kita cari luas daerah yang diarsir
Seperti pada gambar dibawah ini
<x<
dengan =0
dan =1
Nilai probabilitas Z
seperti P(z1<Z<z2) dapat ditentukan dengan menggunakan table distribusi normal Z
.
The Normal Distribution Function
If Z
has a normal distribution with mean 0 and Variance 1 then, for each value of z
, the table
Gives the value of (z)
, where (z)=P(Zz) , For negative value of z use (z)=1(z)
Distribusi Poisson
Salah satu sebaran atau distribusi diskrit yang sangat bermanfaat adalah sebaran
poisson. Sebaran ini dapat dipandang sebagai penghampir sebaran binomial atau bentuk batas
dari sebaran binomial. Poisson dapat juga didekati sesuai dengan sebaran itu sendiri dengan
pertimbangan proses poisson.
Distribusi poisson merupakan distribusi diskrit yang mengestimasi probabilitas
munculnya suatu keluaran dalam suatu standar unit tertentu sebanyak x kali. Rata-rata
kemunculan keluaran tersebut per unitnya konstan sebesar standar unit ini dapat berupa
interval waktu (menit, detik, hari, dan bulan) atau luas daerah tertentu (walpole, 1982).
Contoh penerapannya adalah jumlah deringan telepon per jam di suatu kantor, jumlah
goresan atau cacat dari suatu permukaan produk, jumlah bakteri dalam suatu kultur, dan
kesalahan sambung pada nomor telepon.
Karakteristik distribusi poisson yaitu terdiri dari n buah percobaan yang saling bebas.
Ukuran n yang sangat besar dalam setiap percobaan hanya satu hasil saja yang dijadikan titik
pengamatan, probabilitas terjadinya suatu hasil sukses konstan untuk setiap percobaan dan
besarnya proposional terhadap selang waktu atau luas daerahnya, dan probabilitas terjadinya
keluaran lebih dari satu dalam suatu selang waktu atau interval yang sangat sempit dapat
diabaikan.
Distribusi poisson disebut juga distribusi peristiwa yang jarang terjadi, distribusi
poisson diberi nama sesuai dengan penemunya yaitu Siemon D. Poisson (1781-1841),
seorang ahli matematika bangsa Perancis. Distribusi poisson termasuk distribusi teoritis yang
memakai
variabel
random
(variabel
acak)
diskret.
Distibusi poisson merupakan distribusi probabilitas untuk variabel diskret acak yang
mempunyai nilai 0,1, 2, 3 dan seterusnya. Distribusi poisson adalah distribusi nilai-nilai bagi
suatu variabel random X (X diskret), yaitu banyaknya hasil percobaan yang terjadi dalam
suatu interval waktu tertentu atau disuatu daerah tertentu. Fungsi probabilitas diskret 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. 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 distribusi poisson untuk peluang binomial yang dapat digunakan untuk
pendekatan probabilitas binomial dalam situasi tertentu.
Ciri-ciri percobaan poisson adalah 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 tersebut atau
besarnya daerah tersebut, dan tidak bergantung pada banyaknya hasil percobaan yang
terjadi di luar selang waktu atau daerah tersebut.
3) Peluang bahwa lebih dari satu hasil percobaan akan terjadi dalam selang waktu yang
singkat tersebut atau dalam daerah kecil tersebut, dapat diabaikan.
Distribusi poisson banyak digunakan dalam hal sebagai berikut.
1) 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. Semua contoh ini merupakan beberapa hal yang menggambarkan tentang suatu
distribusi poisson.
2) 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.
Distribusi poisson sebagai pendekatan dari distribusi binomial.
Uraian ini akan diarahkan pada pembuktian bahwa distribusi poisson sebagai pendekatan dari
distribusi binomial. Distribusi poisson kumulatif adalah probabilitas dari peristiwa poisson
lebih dari satu.