Anda di halaman 1dari 10

BAB 6

DISTRIBUSI BINOMIAL, POISSON DAN NORMAL SERTA KONSEP


CENTRAL LIMIT THEORY

6.1. Distribusi Binomial

6.1.1. Pengantar

Distribusi binomial adalah suatu distribusi probabilitas yang dapat


digunakan bilamana suatu proses sampling dapat diasumsikan sesuai dengan
proses Bernoulli. Ciri-ciri distribusi binomial adalah sebagai berikut :

1. Setiap percobaan hanya mempunyai 2 kemungkinan hasil : sukses (hasil yang


dikehendaki, dan gagal(hasil yang tidak dikehendaki)
2. Setiap percobaan bersifat independen atau dengan pengembalian
3. Probalilita sukses setiap percobaan harus sama, dinyatakan dengan p.
Sedangkan probabilita gagal dinyatakan dengan q, dan jumlah p dan q harus
sama dengan satu
4. Jumlah percobaan, dinyatakan dengan n, harus tertentu jumlahnya.

6.1.2. Rumus
Jika pada tiap percobaan dalam eksperimen, P(A) = 𝜋 harganya tetap maka
percobaan yang berulang-ulang itu dinamakan percobaan Bernoulli. Jika
dilakukan percobaan tersebut sebanyak N kali, X diantaranya menghasilkan
peristiwa A dan sisanya (N – X) peristiwa A. P(A) = 𝜋 maka 1 - 𝜋 = P(A), peluang
terjadinya peristiwa A sebanyak X = x kali diantara N, dihitung dengan cara
berikut :
N
𝑝(𝑥) = 𝑃(𝑋 = 𝑥) = ( ) = 𝜋 𝑥 (1 − 𝜋)𝑁−𝑥
n
Dimana n = banyaknya kejadian yang dikehendaki dan x = kejadian yang
diharapkan
Dengan x = 0,1,2,3,....,N ; 0 < 𝜋 < 1 maka didapat cara mencari koefisien binom :

N 𝑁!
( )=
n 𝑥! (𝑁 − 𝑥)!

Dalam distribusi binomoal dikenal parameter rata-rata (𝜇)dan simpangan baku(𝜎)


μ = Nπ
σ = √Nπ(1 − π)

6.1.3. Contoh Soal


Misal dalam suatu rumah sakit terdapat 4 orang yang mendonorkan
darahnya, dalam populasi tersebut ada 2 kemungkinan yaitu orang yang bertipe
darah O dan bukan darah O, dimana peluang orang bertipe darah O adalah 0,4 dan
peluang bertipe darah bukan O adalah 0,6. Tentukan peluang 3 orang yang bertipe
darah O dari 4 orang itu?
Penyelesaian :

Hal pertama yang harus dilakukan yaitu dengan membuat kemungkinan tipe darah
dari 4 pendonor itu, dilambangkan O yang bertipe darah O dan N yang bertipe
darah bukan O.
Darah yang bertipe Hasil yang mungkin
darah O
NNNN
0
ONNN, NONN, NNON, NNNO
1
OONN, ONON, ONNO, NOON,
2
NONO, NNOO
NOOO, ONOO, OONO, OOON
3
OOOO
4
P(3) = P(NOOO ∪ ONOO ∪ OONO ∪ OOON)
P(3) = P(NOOO) + P(ONOO) + P(OONO) + P(OOON)
P(3) =(0,6)(0,4)3 + (0,4)(0,6)(0,4)2 + (0,4)2(0,6)(0,4) + (0,4)3(0,6)
P(3) = 4 (0,4)3(0,6)
P(3) = 0,1536
Atau bisa juga diselesaikan dengan menggunakan rumus distribusi binomial:
N
𝑝(𝑥) = 𝑃(𝑋 = 𝑥) = ( ) = 𝜋 𝑥 (1 − 𝜋)𝑁−𝑥
n
4
𝑝(3) = ( ) = (0,4)3 (0,6)
3
4!
𝑝(3) = [ ] (0,4)3 (0,6)
3! (4 − 3)!
𝑝(3) = 4(0,4)3 (0,6)

6.2. Distribusi Poisson


6.2.1 Pengantar
Distribusi poisson adalah distribusi probalilitas diskrit yang menyatakan
peluang jumlah peristiwa yang terjadi pada periode waktu tertentu apabila rata-
rata kejadian tersebut diketahui dan dalam wakti yang saling bebas sejak kejadian
terakhir. Ciri-ciri distribusi poisson adalah sebagai berikut :
1. Percobaan di satu selang tertentu tak bergantung pada selang lain
2. Peluang terjadinya satu percobaan singkat atau pada daerah yang kecil
(jarang terjadi)
3. Peluang lebih dari satu hasil percobaan akan terjadi dalam selang waktu
singkat tertentu, dapat diabaikan.

6.2.2. Rumus
Probabilitas dari sebuah distribusi poisson dirumuskan sebagai berikut :

𝑒 −𝜆
𝑝 (𝑥) = 𝑃(𝑋 = 𝑥) =
𝑥!
Dengan x=1,2,3,..., sedangkan e= bilangan konstan = 2,7183 dan 𝜆 = bilangan
tetap. Distrribusi poisson mempunyai parameter :

𝜇= 𝜆
𝜎 = √𝜆
Distribusi poisson sering digunakan untuk menentukan peluang sebuah peristiwa
yang dalam area kesempatan tertentu diharapkan terjadinya sangat jarang. Contoh:
dalam tempo setiap 5 menit, operator telepon banyak menerima permintaan
nomor untuk disambungkan, diharapkan jarang sekali terjadi salah sambung.
Distribusi poisson dapat pula dianggap sebagai pendekatan kepada distribusi
binomial. Jika dalam distribusi binomial, N cukup besar sedangkan π = peluang
terjadinya peristiwa A, sangat dekat kepada nol sedemikian 𝜆 = 𝑁𝑝 tetap maka
distribusi binomial didekati oleh distribusi poisson, untuk penggunaannya, sering
dilakukan pendekatan ini jika N ≥ 50 sedangkan Np < 5.

6.2.3. Contoh Soal


Dalam suatu Posyandu terdapat program suntik Vaksin anti campak.
Peluang seseorang akan mendapat reaksi buruk setelah disuntik besarnya 0,0005.
Dari 4000 orang yang disuntik, tentukan peluang yang mendapat reaksi buruk:
a. Tidak ada
b. Ada 2 orang
c. Lebih dari 2 orang
d. Tentukan ada berapa orang diharapkan yang akan mendapat reaksi buruk

Penyelesaian:
a. Dengan menggunakan distribusi poisson kepada distribusi binomial, maka
𝜆 = 𝑁𝑝 = 4000 𝑥 0,0005 = 2. Jika X = banyak orang yang mendapat
reaksi buruk akibat suntikan itu, maka :
𝑒 −2 20
𝑝 (0) = = 0,1353
0!
b. X = 2 sehingga :
𝑒 −2 22
𝑝 (2) = = 0,2706
2!
c. X = 3,4,5,....
Tetapi p(o) + p(1) + p(2) + p(3) + ... = 1, maka
P(3) + p(4) + ...= 1 - p(0) – p(1) – p(2)
2−2 21
𝑝 (1) = = 0,2706
1!

P(3) + p(4) + ... = 1 – 0,1353 – 0,2706 – 0,2706 = 0,3235

d. 𝜆 = 𝑁𝑝 = 4000 𝑥 0,0005 = 2

6.3. Distribusi Normal


6.3.1. Pengantar
Distribusi yang paling penting dan banyak digunakan semua distribusi
kontinu adalah distribusi normal. Distribusi normal disebut juga distribusi gauss,
distribusi normal berasal dari distribusi dengan peubah acak kontinu. Sifat
distribusi normal:
1. Grafiknya selalu ada diatas sumbu datar x
2. Nilai rata-rata = modus = median
3. Bentuknya simetrik terhadap sumbu x = 𝜇
4. Mempunyai satu modus, jadi kurva unimodal, tercapai pada x = 𝜇 sebesar
𝜎 0,3989
5. Ujung grafiknya hanya mendekati sumbu x atau tidak akan bersinggungan
maupun berpotongan dengan sumbu x
6. Luas daerah grafik selalu sama dengan satu unit persegi
6.3.2. Rumus
Persamaan distribusi gauss adalah sebagai berikut :

1 (𝑥−𝜇)2

𝑓(𝑥) = 𝑒 2𝜎2
𝜎√2𝜋

Keterangan :
F(x) = fungsi densitas peluang normal
𝜋 = konstanta yang nilainya sama dengan 3,1416
e = konstanta yang nilainya sama dengan 2,7183
𝜇 = parameter yaitu nilai rata-rata dari distribusi populasi
𝜎 = parameter yang merupakan simpangan baku distribusi populasi
x = peubah kontinu yang daerah (jangkauan) nialinya -∞ < x < ∞

Berikut contoh kasusu untuk dua buah kurva normal:


1. Rata-ratanya sama sedangkan simpangan bakunya beda. Simpangan baku
mempengaruhi bentuk kurva normal, semakin besar nilai simpangan baku
maka kurvanya semakin rendah (platikurtik) dan sebaliknya semakin kecil
nilai simpangan baku maka kurvanya semakin tinggi (leptokurtik)
2. Rata-ratanya berbeda, simpangan bakunya sama

3. Rata-rata dan simpangan bakunya berbeda

Untuk pemakaian yang lebih praktis telah dibuat daftar distribusi normal baku.
Distribusi normal baku posisinya memiliki kaitan dengan rata-rata dan
menggunakan simpangan baku sebagai unit pengukurannya. Distribusi normal
memiliki nilai rata-rata 𝜇 = 0 dan simpangan baku 𝜎 = 1.
Persamaannya yaitu sebagai berikut :
1
1 − 𝑍2
𝑓(𝑧) = 𝑒 2 dengan daerah interval z adalah -∞ < x < ∞
√2𝜋

Untuk distribusi populasi,


𝑥−𝜇
𝑧=
𝜎
Untuk distribusi sampel,
𝑥 − 𝑥̅
𝑧=
𝑆𝐵

6.3.3. Contoh Soal


Terdapat 15% daru tamatan SMA merupakan hasil PMDK. Sampel acak
yang berukuran 600 tamatan SMA telah digunakan. Tentukan nilai kemungkinan
yang akan terdapat:
a. Paling sedikit 70 orang dan paling banyak 80 sebagai hasil PMDK
b. Lebih besar atau sama dengan 100 orang yang memperoleh PMDK

Penyelesaian :
a. x letak antara : (70 – 0,5) < x < (80+0,5) atau 69,5 < x < 80,5
𝜇 = 0,15 x 600 = 90
𝜎 = √600 x 0,15 x 0,85 = 8,75
69,5−90 80,5−90
𝑍1 = = 2,34 atau 𝑍2 = = 1,09
8,75 8,75

Untuk luas daerah maka lihat tabel F. Luas daerah Z -2,34 = 0,4904 dan luas daerah
Z -1,09 = 0,3621. Luas daerah antara Z -2,34 dan Z -1,09 = 0,4904 – 0,3621 = 0,1283.
Maka nilai kemungkinan terdapat paling sedikit 70 orang dan paling banyak 80
orang sebagai hasil PMDK ada 0,1283.
b. Lebih besar atau sama dengan 100 artinya x ≥ 99,5

99,5 − 90
𝑧≥ = 1,09
8,75
Luas daerah Z1,09 = 0,1379 maka banyak siswa yang termasuk PMDK
lebih besar atau sama dengan 0,50 – 0,3621 = 0,1379

6.4.Dalil Batas Memusat (The Central Limit Theorem)


Dalil batas memusat adalah suatu dalil yang sangat penting peranannya
dalam distribusi sampling, yang menyatakan bahwa untuk suatu populasi dengan
rata-rata µ dan varian δ, distribusi sampling rata-rata dari semua kemungkinan
sampel berukuran n yang diambil dari populasi akan terdistribusi secara normal
dengan rata-rata µx dan deviasi standar δx, dimana nilai µx sama dengan rata-rata
populasi (µ) dan δx sama dengan deviasi standar populasi dibagi akar n atau δ / √n,
dengan asumsi bahwa ukuran sampel cukup besar. Dengan kata lain, dalam
pemilihan sampel acak sederhana dengan ukuran n dari suatu populasi yang
berasal dari distribusi apapun (binomial, poisson, dsb), distribusi dari rata-rata
sampel dapat didekati dengan distribusi probabilitas normal untuk ukuran sampel
yang besar. Beberapa hal penting yang perlu diingat dari dalil tersebut adalah
sebagai berikut :
1. Jika ukuran sampel (n) cukup besar, distribusi rata-rata sampel akan mendekati
normal, tidak peduli apakah populasinya terdistribusi secara normal atau tidak.
2. µx = µ dan δx = δ / √n
keterangan :
µx = rata-rata dari distribusi sampling rata-rata
µ = rata-rata populasi
δx = deviasi standar dari distribusi sampling rata-rata
δ = deviasi standar populasi
n = ukuran sampel

3. Tidak ada angka yang pasti tentang “ukuran sampel yang cukup besar”, tetapi
biasanya angka n > 30 dianggap cukup besar.