Modul 2 Distribusi Poisson Dan Eksponensial
Modul 2 Distribusi Poisson Dan Eksponensial
I. Pendahuluan
1.1 Latar Belakang
Secara umum pemodelan yang berkembang saat ini bisa dikategorikan kedalam dua
proses yaitu proses poisson dan proses deterministik. Pada proses stokastik banyak fenomena
di alam yang bisa dibawa kearah proses poisson. Proses antrian merupakan contoh nyata
proses poisson yang banyak terjadi pada berbagai fasilitas pelayanan saat ini. Proses antrian
suatu proses yang berhubungan dengan kedatangan pelanggan pada suatu fasilitas pelayanan,
menunggu dalam baris antrean jika belum dapat dilayani, kemudian seorang pelanggan begitu
dilayani hanya akan meninggalkan sarana pelayanan tersebut setelah selesai pelayanan.
Bentuk distribusi kedatangan ada dua yaitu distribusi jumlah kedatangan dan distribusi waktu
antar kedatangan. Sedangkan bentuk distribusi pelayanan juga ada dua yaitu distribusi jumlah
pelayanan dan distribusi waktu pelayanan.
Pada proses kedatangan waktu antar kedatangan merupakan distribusi identik dan
independen (bebas). Beberapa distribusi waktu antar kedatangan bisa berdistribusi
eksponensial, general, deterministic atau poisson. Untuk memperoleh distribusi waktu antar
kedatangan beberapa kasus antrean yang terjadi saat ini, seperti panggilan telpon, koneksi
server internet, dan lalu lintas kendaraan dijalan tol pada arus mudik dan arus balik lebaran
serta kedatangan pelanggan dikantor pos pada menjelang tahun baru dan lebaran tidak mudah
didapatkan. Hal ini terjadi karena waktu antar kedatangannya yang sangat kecil sekali,
sehingga sulit untuk mendapatkan data waktu antar kedatangannya, atau dalam interval waktu
kecil, misalkan satu menit jumlah kedatangannya sangat besar.
1.2 Tujuan
a) Membedakan karakteristik distribusi poisson dan eksponensial.
b) Membandingkan distribusi empiris dan distribusi frekuensi teoritis untuk
distribusi poisson dan distribusi eksponensial.
1.3 Pembahasan Masalah
Dalam praktikum kita dituntut untuk dapat membedakan karakteristik dari distribusi
poisson dan eksponensial. Dimana praktikum ini dilakukan dengan metode-metode
pelaksanaan yaitu dengan memperhatikan antrean data yang diperoleh pada selang waktu
tertentu. Pengumpulan data atau pengambilan data pada praktikum kali ini dilakukan dengan
pengambilan secara langsung ke lapangan yang kemudian data diisikan pada front
pengamatan (tabel data).
Selanjutnya penjelasan tentang pengambilan data yang berjenis antrean ini kita lakukan
dengan 3 tahap, dimana:
a) Pengambilan data dengan menghitung jumlah antrean yang masuk pada server dengan
k = 41, dimana pada masing-masing kelas berselang waktu 2 menit.
b) Pengambilan data dengan menghitung jumlah antrean yang masuk pada server dengan
k = 41, dimana waktu berselang selama 1.5 menit.
c) Pengambilan data dengan menghitung jumlah antrean yang masuk pada server dengan
k = 41, dimana waktu dua kedatangan yang berurutan.
BAB I PENDAHULUAN
Berisi dasar teori yang membahas tentang distribusi poisson dengan pembagian
pengertian distribusi poisson, karakteristik, kegunaan dan aplikasi, rumus-rumus,
hubungan dengan distribusi binominal, dan hubungan dengan distribusi normal dan
berisikan tentang landasan teori distribusi eksponensial dengan pembagian pengertian
distribusi eksponensial, karakteristik, kegunaan dan aplikasi, dan rumus-rumus yang
digunakan.
Berisi pengumpulan dan pengolahan data yang akan membahas kasus yang ada dalam
skenario serta penyelesaiannya.
BAB IV PERHITUNGAN DAN PENGUJIAN
BAB VI PENUTUP
Berisi kesimpulan yang membahas hasil praktikum dan isi laporan secara ringkas, serta
saran mengenai hal– hal yang harus diperhatikan oleh praktikan untuk rangkaian
praktikum.
II. Tinjauan Pustaka
2.1 Pengertian Distribusi Poisson
Distribusi poisson adalah distribusi peluang acak poisson x, yang menyatakan
banyaknya sukses yang terjadi dalam suatu selang waktu atau daerah tertentu. Bilangan x
yang menyatakan banyaknya hasil percobaan dalam suatu percobaan poisson disebut peubah
acak poisson dan sebaran peluangnya disebut sebaran poisson.
Distribusi poisson ini hampir sama dengan distribusi binomial, hanya saja jumlah
percobaan yang diulang (sampel) sangat besar dan probabilitasnya terjadi peristiwa sukses
sangat kecil. Maka distribusi poisson paling tepat untuk menggambarkan struktur probabilitas
dari variabel random yang mencakup rentang yang cukup panjang. Sehingga didapat
bahwasanya:
𝜆 = mean dari jumlah kemunculan antara interval o - t
Distribusi poisson sebagai suatu bentuk Pembahasan distribusi binomial pada saat n
besar, sedangkan p mendekati 0, dan np konstan. Sehingga bila n besar dan p mendekati 0,
distribusi poisson dapat digunakan untuk memperkirakan probabilitas binomial, dengan:
𝜆 = n. p
(2.1)
Dalam menyatakan distribusi poisson dari sebuah variabel random perlu diperhatikan
hal-hal sebagai berikut:
Nilai peluang atau relasi matematika untuk menyatakan peluang.
Variabel berikut daerahnya.
Parameter-parameter dan daerahnya.
Dengan catatan:
Variabel: nilai yang ingin diproleh dari pengamatan.
Daerah variabel: semua nilai-nilai variabel yang didapat atau diperoleh dari
pengamatan.
Kemudian mengenai variabel random, yaitu suatu fungsi yang bernilai real yang
harganya ditentukan oleh tiap anggota dalam ruang sampel. Dengan demikian suatu distribusi
poisson dapat saja membangkitkan pengamatan pengamatan bagi peubah acak x pada selang
waktu tertentu. Bilangan x yang menyatakan banyaknya hasil percobaan dalam suatu
percobaan/distribusi poisson dinamakan peubah acak poisson. Selain dari itu ragam pada
distribusi poisson dapat ditunjukkan sama dengan nilai tengahnya.
Keterangan
x = 1, 2, 3, .. n
e = 2.71828
𝜆 = rata-rata banyaknya hasil percobaan yang terjadi selama selang waktu atau dalam daerah
tertentu.
d) Hubungan Distribusi Poisson dengan Distribusi Binomial
Distribusi poisson sebagai suatu bentuk Pembahasan distribusi binomial pada saat n
besar, sedangkan p mendekati 0, dan np konstan. Sehingga bila n besar dan p mendekati 0,
distribusi poisson dapat digunakan untuk memperkirakan probabilitas binomial, dengan 𝜆 =
np.
e) Hubungan Distribusi Poisson dengan Distribusi Normal
Distribusi normal merupakan perkiraan terhadap distribusi binominal dan poisson.
Bila jumlah percobaan binominal besar dan mean dari distribusi poisson besar, maka
perhitungan probabilitas untuk variabel-variabel random tersebut amat sulit. Namun dengan
adanya control limit Theorem bisa dilakukan perkiraan normal terhadap distribusi ini.
Variabel random x menggambarkan jumlah kemunculan kejadian dalam interval
waktu tertentu dan x jumlah kemunculan yang diharapkan, atau mean interval waktu tersebut.
Bila jumlah kemunculan 𝜆, besar dari interval waktu dipecahkan dalam sub interval yang
sama panjang, maka jumlah total kemunculan adalah jumlah banyaknya kemunculan untuk
tiap sub interval. Dengan demikian sesuai dengan Central Limit Theorem, dapat disimpulkan
bila 𝜆 besar, maka distribusi variabel random. Sehingga untuk distribusi poisson hasil tersebut
dapat digunakan untuk memperkirakan probabilitas, dan bila 𝜆 hanya berukuran sedang akan
dibutuhkan koreksi kontinuitas.
2.2 Distibusi Eksponensial
Salah satu distribusi yang banyak digunakan dalam statistika, khususnya proses
stokastik, adalah distribusi eksponensial. Distribusi eksponensial adalah salah satu kasus
khusus dari distribusi gamma. Peubah acak kontinu berdistribusi eksponensial dengan para
meter 𝜆, bila fungsi padatnya:
f(x) = 𝜆𝑒 −𝜆𝑥 (2.8)
syaratnya x>0, 𝜆>0
f(x) = 0 (2.9)
syaratnya x≤0
Sehingga distribusi eksponensial juga disebut dengan distribusi gama dengan 𝛼= 1.
Distribusi eksponensial juga merupakan suatu distribusi yang berguna untuk mencari selisih
waktu yang terjadi dalam suatu peluang tertentu.
Dalam distribusi eksponensial ini digunakan pencarian atau pengolahan data dengan
menggunakan variabel random. Dimana variabel random itu sendiri adalah variabel yang
berupa nilai atau angka yang merupakan outcome dari eksperimen random. Variabel random
bersifat diskrit bila hanya berupa nilai tertentu yang dapat dihitung. Namun variabel random
bersifat kontinu bila mana berupa suatu nilai manapun dalam suatu interval.
a) Karakteristik Distribusi Eksponensial
Adapun karakeristik distribusi eksponensial sebagai berikut:
Mempunyai nilai variansi
1
V(x) = 𝜆² (2.10)
Untuk mengetahui banyaknya kedatangan pada interval 2 menit, maka kita menghitung 𝜆𝑡 .
𝑡𝑜𝑡𝑎𝑙 𝑘𝑒𝑛𝑑𝑎𝑟𝑎𝑎𝑛
𝜆𝑡 =
𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙
40
𝜆𝑡 =
10
𝜆𝑡 = 4
Setelah mengetahui 𝜆𝑡 maka kita dapat menghitung sebuah peluang dari data yang telah
didapatkan.
Nilai mean (𝜇 ) dan variansi (𝜎 2 ) distribusi poisson 1 pada server 1 adalah sebagai berikut:
Mean (𝜇) = 𝜆
𝜇= 4
Variansi (𝜎 2 ) = 𝜆
𝜎2 = 4
Selanjutnya dari data interval 2 menit dihitung kembali untuk mendapatkan frekuensi
teoritis dan peluang teoritis. Hasil dari perhitungan peluang teoritis adalah sebagai berikut:
Jika x = 0
𝜆𝑡 = 4
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −4 x 40
𝑝 (0) =
0!
0,018 x 1
𝑝 (0) =
0!
0,018
𝑝 (0) =
0!
𝑝 (0) = 0,018
Jika x = 1
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −4 x 41
𝑝 (1) =
1!
0,018 x 4
𝑝 (1) =
1!
0,072
𝑝 (1) =
1!
𝑝 (1) = 0,072
𝑃 (𝑋 = 0) + 𝑃 (𝑋 = 1) = 0,018 + 0,072
= 0.09
Jika x = 2
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −4 x 42
𝑝 (2) =
2!
0,018 x 16
𝑝 (2) =
2!
0,288
𝑝 (2) =
2!
𝑝 (2) = 0,144
𝑃 (𝑋 = 1) + 𝑃 (𝑋 = 2) = 0.09 + 0,144
= 0,234
Jika x = 3
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −4 x 43
𝑝 (3) =
3!
0,018 x 64
𝑝 (3) =
3!
1,152
𝑝 (3) =
3!
𝑝 (3) = 0,192
𝑃 (𝑋 = 2) + 𝑃 (𝑋 = 3) = 0,234 + 0,192
= 0,426
Jika x = 4
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −4 x 44
𝑝 (4) =
4!
0,018 x 256
𝑝 (4) =
4!
4,608
𝑝 (4) =
4!
𝑝 (4) = 0.192
𝑃 (𝑋 = 3) + 𝑃 (𝑋 = 4) = 0,426 + 0,192
= 0,618
Jika x = 5
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −4 x 45
𝑝 (5) =
5!
0,018 x 1024
𝑝 (5) =
5!
18,432
𝑝 (5) =
5!
𝑝 (5) = 0,154
𝑃 (𝑋 = 4) + 𝑃 (𝑋 = 5) = 0,618 + 0,154
= 0,772
Jika x = 6
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −4 x 46
𝑝 (6) =
6!
0,018 x 4096
𝑝 (6) =
6!
73,728
𝑝 (6) =
6!
𝑝 (6) = 0,102
𝑃 (𝑋 = 5) + 𝑃 (𝑋 = 6) = 0,772 + 0,102
= 0.874
Jika x = 7
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −4 x 47
𝑝 (7) =
7!
0,018 x 16384
𝑝 (7) =
7!
294,912
𝑝 (7) =
7!
𝑝 (7) = 0,05
𝑃 (𝑋 = 6) + 𝑃 (𝑋 = 7) = 0.874 + 0,05
= 0.924
Jika x = 8
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −4 x 48
𝑝 (8) =
8!
0,018 x 65536
𝑝 (8) =
8!
1179.648
𝑝 (8) =
8!
𝑝 (8) = 0,05
𝑃 (𝑋 = 7) + 𝑃 (𝑋 = 8) = 0.924 + 0,03
= 0.954
PERBANDINGAN PELUANG TEORITIS DAN PELUANG EMPIRIS SERVER 1
POISSON 1 (INTERVAL 2 MENIT)
Setelah menghitung peluang teoritis dan peluang empiris pada server 1, maka berikut
ini adalah tabel perbandingan hasil peluang teoritis dan peluang empiris:
1.2
1 1 1 1 1 1 1 1
0.924 0.954
1 0.874 0.874
0.772
0.8
0.618
0.6
0.426
0.4
0.234
0.2 0.072
0
0
1 2 3 4 5 6 7 8 9 10
PELUANG EMPIRIS PELUANG TEORITIS
Gambar 2.1 Grafik Perbedaan Peluang Teoritis dan Peluang Empiris pada Server 1 Interval
2 menit
Berdasarkan grafik diatas maka dapat dilihat bahwa pada perhitungan empiris dan
teoritis distribusi hipergeometri terdapat perbedaan yang signifikan antara data empiris dan
teoritis.
Untuk mengetahui banyaknya kedatangan pada interval 2 menit, maka kita menghitung 𝜆𝑡 .
𝑡𝑜𝑡𝑎𝑙 𝑘𝑒𝑛𝑑𝑎𝑟𝑎𝑎𝑛
𝜆𝑡 =
𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙
40
𝜆𝑡 =
11
𝜆𝑡 = 3.63
Setelah mengetahui 𝜆𝑡 maka kita dapat menghitung sebuah peluang dari data yang telah
didapatkan.
Mean (𝜇) = 𝜆
𝜇 = 3.63
Variansi (𝜎 2 ) = 𝜆
𝜎 2 = 3.63
Selanjutnya dari data interval 2 menit dihitung kembali untuk mendapatkan frekuensi
teoritis dan peluang teoritis. Hasil dari perhitungan peluang teoritis adalah sebagai berikut:
Berikut ini adalah perhitungan peluang teoritis poisson 2 pada server 2 dengan
interval 2 Menit:
Jika x = 0
𝜆𝑡 = 3.63
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −3.63 x 3.630
𝑝 (0) =
0!
0.026 x 1
𝑝 (0) =
0!
0,026
𝑝 (0) =
0!
𝑝 (0) = 0,026
Jika x = 1
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −3.63 x 3.631
𝑝 (1) =
1!
0.026 x 3.63
𝑝 (1) =
1!
0,094
𝑝 (1) =
1!
𝑃 (𝑋 = 0) + 𝑃 (𝑋 = 1) = 0,026 + 0,094
= 0.12
Jika x = 2
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −3.63 x 3.632
𝑝 (2) =
2!
0.026 x 13.1769
𝑝 (2) =
2!
0,34
𝑝 (2) =
2!
𝑝 (2) = 0,171
𝑃 (𝑋 = 1) + 𝑃 (𝑋 = 2) = 0.12 + 0,171
= 0.291
Jika x = 3
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −3.63 x 3.633
𝑝 (3) =
3!
0.026 x 35.937
𝑝 (3) =
3!
0,934
𝑝 (3) =
3!
𝑝 (3) = 0,155
𝑃 (𝑋 = 2) + 𝑃 (𝑋 = 3) = 0,291 + 0,155
𝑝 (3) = 0,446
Jika x = 4
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −3.63 x 3.634
𝑝 (4) =
4!
0.026 x 173.630
𝑝 (4) =
4!
4.514
𝑝 (4) =
4!
𝑝 (4) = 0,188
𝑃 (𝑋 = 3) + 𝑃 (𝑋 = 4) = 0,446 + 0,188
= 0,634
Jika x = 5
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −3.63 x 3.635
𝑝 (5) =
5!
0.026 x 630.279
𝑝 (5) =
5!
16.387
𝑝 (5) =
5!
𝑝 (5) = 0.136
𝑃 (𝑋 = 4) + 𝑃 (𝑋 = 5) = 0,634 + 0.136
= 0.770
Jika x = 6
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −3.63 x 3.636
𝑝 (6) =
6!
0.026 x 2287.914
𝑝 (6) =
6!
59.485
𝑝 (6) =
6!
𝑝 (6) = 0.083
𝑃 (𝑋 = 5) + 𝑃 (𝑋 = 6) = 0.770 + 0.083
= 0,853
Jika x = 7
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −3.63 x 3.637
𝑝 (7) =
7!
0.026 x 8305.128
𝑝 (7) =
7!
215.933
𝑝 (7) =
7!
𝑝 (7) = 0.047
𝑃 (𝑋 = 6) + 𝑃 (𝑋 = 7) = 0,853+ 0.047
= 0.91
Setelah menghitung peluang teoritis dan peluang empiris pada server 2, maka berikut
ini adalah tabel perbandingan hasil peluang teoritis dan peluang empiris:
Tabel 1.5 Perbandingan Peluang Teoritis dan Peluang Empiris
NO PELUANG EMPIRIS PELUANG TEORITIS
1 0.026 0.026
2 0.634 0.12
3 1 0.291
4 1 0.446
5 1 0.634
6 1 0.77
7 1 0.853
8 1 0.91
9 1 1
10 1 1
11 1 1
Dari hasil tabel tersebut maka dapat digambarkan secara grafik perbandingan antara
peluang teoritis dan peluang empiris sebagai berikut:
1.5
0.5
0
1 2 3 4 5 6 7 8 9 10 11
Gambar 2. Grafik Perbedaan Peluang Teoritis dan Peluang Empiris pada Server 2 Interval 2
menit
Berdasarkan grafik diatas maka dapat dilihat bahwa pada perhitungan empiris dan
teoritisdistribusi hipergeometri terdapat perbedaan yang signifikan antara data empiris dan
teoritis.
B. Poisson 2
Untuk mengetahui banyaknya kedatangan pada interval 1,5 menit, maka kita menghitung
𝜆𝑡 .
𝑡𝑜𝑡𝑎𝑙 𝑘𝑒𝑛𝑑𝑎𝑟𝑎𝑎𝑛
𝜆𝑡 =
𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙
40
𝜆𝑡 =
13
𝜆𝑡 = 3.07
Mean (𝜇) = 𝜆
𝜇 = 3.07
Variansi (𝜎 2 ) = 𝜆
𝜎 2 = 3.07
Selanjutnya data interval 1.5 menit dihitung kembali untuk mengetahui peluang empiris.
Hasil perhitungan peluang empiris dengan x = 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 adalah sebagai
berikut.
Tabel 1.6 Frekuensi Teoritis dan Peluang Teoritis
Berikut ini adalah perhitungan peluang teoritis poisson 2 pada server 1 dengan
interval 1,5 Menit:
Jika x = 0
𝜆𝑡 = 3.07
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −3.07 x 3.070
𝑝 (0) =
0!
0.046 x 1
𝑝 (0) =
0!
0,046
𝑝 (0) =
0!
𝑝 (0) = 0,046
Jika x = 1
𝜆𝑡 = 3.07
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −3.07 x 3.071
𝑝 (1) =
1!
0,046 x 3.07
𝑝 (1) =
1!
0,141
𝑝 (1) =
1!
𝑝 (1) = 0,141
= 0,187
Jika x = 2
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −3.07 x 3.072
𝑝 (2) =
2!
0,046 x 9.425
𝑝 (2) =
2!
0,433
𝑝 (2) =
2!
𝑝 (2) = 0,216
𝑃 (𝑋 = 1) + 𝑃 (𝑋 = 2) = 0,187 + 0,216
= 0,403
Jika x = 3
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −3.07 x 3.073
𝑝 (3) =
3!
0,046 x 28.934
𝑝 (3) =
3!
1.33
𝑝 (3) =
3!
𝑝 (3) = 0.221
𝑃 (𝑋 = 2) + 𝑃 (𝑋 = 3) = 0,403 + 0,221
= 0,624
Jika x = 4
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −3.07 x 3.074
𝑝 (4) =
4!
0,046 x 88.829
𝑝 (4) =
4!
4.086
𝑝 (4) =
4!
𝑝 (4) = 0.17
𝑃 (𝑋 = 3) + 𝑃 (𝑋 = 4) = 0,624 + 0,17
= 0.794
Jika x = 6
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −3.07 x 3.076
𝑝 (6) =
6!
0,046 x 837.202
𝑝 (6) =
6!
38.511
𝑝 (6) =
6!
𝑝 (6) = 0.06
𝑃 (𝑋 = 5) + 𝑃 (𝑋 = 6) = 0,898 + 0,06
= 0.958
𝑝 (7) = 0.033
𝑃 (𝑋 = 6) + 𝑃 (𝑋 = 7) = 0,958 + 0,033
= 0.991
Berikut ini adalah tabel perbandingan hasil peluang teoritis dan peluang empiris:
Dari hasil tabel tersebut maka dapat digambarkan secara grafik perbandingan antara peluang
teoritis dan peluang empiris sebagai berikut:
Poisson Server 1 Interval !.5 Menit
2.5
0.991 1 1 1 1 1
0.898 0.958
2 0.794
0.624
0.403
1.5
0.187
0.991 1 1 1 1 1 1 1 1 1 1
0.898
1
0.5
0.046
0.046
0
1 2 3 4 5 6 7 8 9 10 11 12 13
Gambar 2. Grafik Perbedaan Peluang Teoritis dan Peluang Empiris pada Server 1 Interval
1,5 menit
Berdasarkan grafik diatas maka dapat dilihat bahwa pada perhitungan empiris dan
teoritisdistribusi hipergeometri terdapat perbedaan yang signifikan antara data empiris dan
teoritis.
i. Poisson 2 Server 2
Setelah melakukan pengamatan di pom bensin, maka didapatkan sebuah data yang sudah
dibagi kedalam interval 1,5 menit sebagai berikut:
Untuk mengetahui banyaknya kedatangan pada interval 2 menit, maka kita menghitung 𝜆𝑡 .
𝑡𝑜𝑡𝑎𝑙 𝑘𝑒𝑛𝑑𝑎𝑟𝑎𝑎𝑛
𝜆𝑡 =
𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙
40
𝜆𝑡 =
14
𝜆𝑡 = 2.857
Mean (𝜇) = 𝜆
𝜇 = 2.857
Variansi (𝜎 2 ) = 𝜆
𝜎 2 = 2.857
FREKUENSI DAN PELUANG TEORITIS SERVER 2 POISSON 2 (INTERVAL 1,5
MENIT)
Selanjutnya data interval 1.5 menit dihitung kembali untuk mengetahui peluang
teoritis. Hasil perhitungan peluang teoritis dengan x = 0, 1, 2, 3, 4 adalah sebagai berikut.
Berikut ini adalah perhitungan peluang teoritis poisson 2 pada server 2 dengan interval
1,5 Menit:
Jika x = 0
𝜆𝑡 = 2.857
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −2.857 x 2.8570
𝑝 (0) =
0!
0.057 x 1
𝑝 (0) =
0!
0,057
𝑝 (0) =
0!
𝑝 (0) = 0,057
Jika x = 1
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −2.857 x 2.8571
𝑝 (1) =
1!
0.057 x 2.857
𝑝 (1) =
1!
0,169
𝑝 (1) =
1!
𝑝 (1) = 0,169
𝑃 (𝑋 = 1) + 𝑃 (𝑋 = 2) = 0,057 + 0,169
= 0.226
Jika x = 2
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −2.857 x 2.8572
𝑝 (2) =
2!
0.057 x 8.162
𝑝 (2) =
2!
0,465
𝑝 (2) =
2!
𝑝 (2) = 0,232
𝑃 (𝑋 = 1) + 𝑃 (𝑋 = 2) = 0.226 + 0,232
= 0.458
Jika x = 3
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −2.857 x 2.8573
𝑝 (3) =
3!
0.057 x23.32
𝑝 (3) =
3!
1.329
𝑝 (3) =
3!
𝑝 (3) = 0.443
𝑃 (𝑋 = 2) + 𝑃 (𝑋 = 3) = 0.458 + 0.443
= 0.901
Jika x = 4
𝑒 −𝜆𝑡 x 𝜆𝑡 𝑥
𝑝 (𝑥) = 𝑃 (𝑋 = 𝑥) =
𝑥!
𝑒 −2.857 x 2.8574
𝑝 (4) =
4!
0.057 x 66.625
𝑝 (4) =
4!
3.797
𝑝 (4) =
4!
𝑝 (4) = 0.158
𝑃 (𝑋 = 3) + 𝑃 (𝑋 = 4) = 0.901 + 0,158
= 1.059
Berikut ini adalah tabel perbandingan hasil peluang teoritis dan peluang empiris:
Dari hasil tabel tersebut maka dapat digambarkan secara grafik perbandingan antara peluang
teoritis dan peluang empiris sebagai berikut:
Poisson Server 2 Interval 1.5 menit
2.5
1 1 1 1 1 1 1 1 1 1
0.901
2
0.458
1.5
0.226
1 1 1 1 1 1 1 1 1 1 1 1
0.901
1
0.5
0.057
0.057
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Gambar 2. Perbandingan Peluang Teoritis dan Peluang Empiris pada Server 2 Interval 1,5
Menit
Berdasarkan grafik diatas maka dapat dilihat bahwa pada perhitungan empiris dan
teoritis terdapat perbedaan yang signifikan antara data empiris dan teoritis.
V. Analisa
Pada praktikum mata kuliah statistika industri ini kami mempelajari distribusi poisson dan
distribusi eksponensial. Kami mengambil data di 2 server dengan interval 2 menit lalu diolah
menjadi 1,5 menit dan diolah menjadi data eksponensial.
1.2
1 1 1 1 1 1 1 1
0.924 0.954
1 0.874 0.874
0.772
0.8
0.618
0.6
0.426
0.4
0.234
0.2 0.072
0
0
1 2 3 4 5 6 7 8 9 10
PELUANG EMPIRIS PELUANG TEORITIS