KELOMPOK 1

Aqilah Salsabila

Nurhidayatullah H051171019

Zulfa Putri Asmawi

Eva Riyantie H051171501

Putri hendri H051171502

Sakinah Oktoni

Anisa Haura Salsa Fatih Yusuf H051171513

Munadiah H051171507

Nur Ukhty hakim H051171511

DISTRIBUSI SAMPLING KATEGORIK

A. Distribusi Poisson

Dalam teori probabilitas dan statistika, distribusi Poisson adalah distribusi probabilitas
diskret yang menyatakan peluang jumlah peristiwa yang terjadi pada periode waktu tertentu
apabila rata-rata kejadian tersebut diketahui dan dalam waktu yang saling bebas sejak kejadian
terakhir. (distribusi Poisson juga dapat digunakan untuk jumlah kejadian pada interval tertentu
seperti jarak, luas, atau volume).

Kegunaan distribusi poisson untuk mengukur probabilitas dari variabel random yang
mencakup rentang yang cukup panjang. Kemudian selain dari pada itu distribusi poisson juga
berguna untuk mengukur peluang yang mungkin terjadi dalam waktu atau daerah tertentu.

Kemudian selain dari pada itu, distribusi poisson juga digunakan untuk menghitung
distribusi binominal dengan mean dari distribusi poisson ditetapkan sesuai dengan nilai mean n.p
dari distribusi binominal yang telah diketahui.

Ciri-ciri distribusi Poisson :

1. Banyaknya hasil percobaan yang satu tidak tergantung dari banyaknya hasil percobaan
yang lain.
2. Probailitas 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 :
o 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 distribusi binominal apabila n-besar (n ≥30) dan p relative kecil (p < 0,1)

Rumus dari distribusi Poisson adalah :

Dimana :

l : n.p

n : banyaknya amatan

p : probabilitas sukses

x : var random diskrit

l : bilangan irasional (e=2.71828)

Salah satu distribusi yang sederhana yaitu Poisson. Berdasarkan parameter tunggalnya,
yaitu rata-rata (mean) 𝑚𝑖 . Fungsi peluangnya adalah:

𝒆𝒙𝒑(−𝑚𝑖 )𝑚𝑖 𝑛𝑖
, 𝑛𝑖 = 0,1,2, …
𝑛𝑖 !

dengan 𝑉𝑎𝑟(𝑛𝑖 ) = 𝐸(𝑛𝑖 ) = 𝑚𝑖 .

Pemodelan sampling Poisson dalam deret {𝑛𝑖 } dapat diasumsikan sebagai variabel bebas
dari Poisson yang bersifat independen. Fungsi peluang bersama untuk {𝑛𝑖 } adalah hasil dari
persamaan 𝐹𝑗|𝑖 = ∑𝑏≤𝑗 𝜋𝑏|𝑖 , 𝑗 = 1, … , 𝐽 dari sel sebanyak N. ukuran total sampel 𝑛 = ∑ 𝑛𝑖 juga
memiliki distribusi Poisson dengan parameter ∑ 𝑚𝑖 . Distribusi Poisson digunakan dalam
perhitungan kejadian yang terjadi secara acak dalam dimensi ruang dan waktu, dimana dalam
periode waktu tertentu akan bersifat independen. Misalnya, 𝑛1 adalah angka terjadinya aborsi
yang sengaja dilakukan, 𝑛2 adalah angka terjadinya aborsi yang tidak sengaja dilakukan dan 𝑛3
adalah angka kelahiran berdasarkan survey di London, Inggris pada November 1990.
B. Sampling Multinomial

Apabila 𝑛 percobaan berulang dapat menghasilkan lebih dari dua outcome yang mungkin
dengan probabilitas masing masing konstanta pada setiap percobaan, akan dihasilkan
distrbusi multinomial.

Distribusi Multinomial. Bila suatu usaha tertentu dapat menghasilkan k hasil 𝐸1 , 𝐸2 , … , 𝐸𝑘

dengan peluang 𝑝1 , 𝑝2 , … , 𝑝𝑘 . Maka distribusi peluang peubah acak 𝑋1 , 𝑋2 , … , 𝑋𝑘 yang
menyatakan banyak terjadinya 𝐸1 , 𝐸2 , … , 𝐸𝑘 dalam n usaha bebas adalah
𝑛
𝑓(𝑥1 , 𝑥1 , … , 𝑥𝑘 ; 𝑝1 , 𝑝2 , … , 𝑝𝑘 ; 𝑛) = (𝑥 , 𝑥 , … , 𝑥 ) 𝑝1 𝑥1 , 𝑝2 𝑥2 , … , 𝑝𝑘 𝑥𝑘
1 1 𝑘

Dengan ∑𝑘𝑖=1 𝑥𝑖 = 𝑛 dan ∑𝑘𝑖=1 𝑝𝑖 = 1

C. Fungsi Likelihood dan Estimasi Nilai Maksimum Likelihood

Estimasi parameter pada distribusi poisson dengan metode MLE

Misalkan X1, X2, ... ,Xn adalah sampel random yang berasal dari populasi berdistribusi
poisson dengan parameter 𝜆. Fungsi kepadatan peluang untuk distribusi poisson dengan
parameter 𝜆 adalah

𝑒 −𝜆 𝜆𝑥
𝑓(𝑥) = { 𝑥! , 𝑥 = 0, 1, 2, …
0, 𝑥 𝑙𝑎𝑖𝑛𝑛𝑦𝑎

Estimator parameter 𝜆 dapat diperoleh dengan metode Maximum Likelihood (MLE).

Langkah-langkah metode tersebut adalah sebagai berikut.

1. Membuat fungsi likelihood distribusi poisson.

𝑛
𝑒 −𝜆 𝜆∑𝑖=1 𝑥𝑖
𝐿(𝜆) =
∏𝑛𝑖=1 𝑥𝑖 !
Membuat fungsi likelihood distribusi poisson.

Membuat turunan fungsi tersebut terhadap parameter 𝜆.

n
∂In L(λ) 1
= −n + ∑ xi
∂λ λ
i=1

Menyamakan hasil turunannya dengan nol.

Dari hasil diatas diperoleh estimator parameter 𝜆.