MAKALAH STATISTIKA DISTRIBUSI PROBABILITAS

DISUSUN OLEH:
NAMA: Raihan Adi Kusumah
NPM: 203402187
DOSEN PENGAMPU: PROF. DR. KARTAWAN
FAKULTAS EKONOMI dan BISNIS JURUSAN MANAJEMEN

UNIVERSITAS SILIWANGI
TASIKMALAYA
2020
 KATA PENGANTAR

Puji syukur atas kehadirat Allah SWT karena rahmat serta karunia-Nya penulis dapat
menyelesaikan makalah ini.Shalawat serta salam dari Allah SWT semoga selalu tercurahkan
kepada junjungan kita Nabi Nabi Muhammad SAW beserta keluarga, para sahabat dan para
penerusnya diiringi harapan kita senantiasa mendapatkan syafaat dari beliau mulai saat ini sampai
hari kiamat nanti. Dan semoga kita semua tetap berada dalam lindungan Allah SWT. Amin.

Pada kesempatan ini penulis akan menguraikan sedikit tentang Distribusi Probabilitas
Diskrit dan Distribusi Normal. Sebelum kita membahas hal tersebut, perlu kiranya kita mengetahui
apa itu Distribusi Probabilitas Diskrit dan Distribusi Normal.

Distribusi Probabilitas Diskrit adalah sebuah daftar yang berisi seluruh hasil dari
eksperimen dan probabilitas yang berkaitan dengan setiap hasi tersebut. Sedangkan Distribusi
Normal digunakan untuk mempelajari Distrbusi probabilitas kontinu, (variabel acak kontinu
diperoleh dengan cara mengukur sesuatu, seperti : tinggi badan, berat badan, dll. ).Kemudian
penulis tak lupa mengucapkan terima kasih kepada dosen Statistika Dasar,yang telah banyak
membimbing dan memberikan pelajaran kepada penulis.Ucapan terima kasih juga penulis
sampaikan kepada teman-teman di Sekolah Tinggi Teknologi yang tidak henti-hentinya
memberikan bimbingan kepada penulis dalam pembuatan makalah ini.Penulis menyadari bahwa
dalam pembuatan makalah ini tidaklah sempurna. Namun besar harapan penulis agar makalah ini
dapat dijadikan sumber referensi bagi pembaca serta dimanfaatkan untuk memperluas ilmu
pengetahuan khususnya tentang Statistika Dasar.
 DAFTAR ISI
Kata Pengantar ...............................................................................................
BAB 1 Pendahuluan

A. Latar belakang..............................................................................
B. Pengertian distribusi possion........,.............................................
C. Penggunaan distribusi poisson..................................................
D. Rumus distribusi poisson ...................................................................

BAB II PEMBAHASAN ...............................................................................

1. Distribusi Diskrit ................................................................................

2. Distribusi Poisson ..............................................................................
3. Distribusi Binomial ............................................................................
4. Distribusi Geometri ............................................................................
5. Distribusi Kontinu..............................................................................
6. Distribusi Eksponensial .....................................................................
7. Distribusi Normal...............................................................................
8. Distribusi Gamma .............................................................................

BAB III PENUTUP .......................................................................................

Kesimpulan ....................................................................................................
 BAB I
PENDAHULUAN

A. Latar Belakang

Statistika adalah ilmu yang mempelajari bagaimana merencanakan, mengumpulkan,

menganalisis, menginterpretasi, dan mempresentasikan data. Sedangkan statistik adalah data,
informasi, atau hasil penerapan algoritma statistika pada suatu data.

Kejadian yang sering atau jarang terjadi dikatakan mempunyai peluang terjadi yang besar
atau kecil. Keseluruhan nilai-nilai peluang biasa digunakan dalam kehidupan sehari-hari. Dalam
mengaplikasikan statistika terhadap permasalahan sains, industri, atau sosial, pertama-tama
dimulai dari mempelajari populasi.

Tiga buah sebaran teoritis yang paling terkenal, diantaranya dua buah sebaran peluang yang
diskrit dan sebaran yang kontinyu. Kedua sebaran yang teoritis yang deskrit itu ialah sebaran
binomial dan sebaran Poisson. Sebaran kontinyu nya adalah sebaran normal.

B. Pengertian Distribusi Poisson

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 variable
random (variable acak) diskrit.
Distibusi Poisson merupakan distribusi probabilitas untuk variabel diskrit acak yang
mempunyai nilai 0,1, 2, 3 dst. Distribusi Poisson adalah distribusi nilai-nilai bagi suatu variabel
random X (X diskrit), yaitu banyaknya hasil percobaan yang terjadi dalam suatu interval waktu
tertentu atau disuatu daerah tertentu. fungsi distribusi probabilitas diskrit yang sangat penting
dalam beberapa aplikasi praktis.
 Poisson memperhatikan bahwa distribusi binomial sangat bermanfaat dan dapat menjelaskan
dengan sangat memuaskan terhadap probabilitas Binomial b(X│n.p) untuk X= 1,2,3 …n. namun
demikian, untuk 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 peluang Poisson untuk peluang Binomial yang
dapat digunakan untuk pendekatan probabilitas Binomial dalam situasi tertentu.

Distribusi Poisson sering digunakan untuk menentukan peluang sebuah peristiwa yang
dalam area kesempatan tertentu diharapkan terjadinya sangat jarang. Distribusi ini juga bisa
dianggap sebagai pendekatan kepada distribusi binom, N cukup besar sedangkan = peluang
terjadinya peristiwa A, sangat dekat dengan nol sedemikian sehingga λ = Np tetap, maka distribusi
binom didekati oleh distribusi Poisson.

Satu-satunya parameter distribusi Poisson adalah λ, yaitu mean dan variansi, menyatakan
derajat hitungan dalam satuan waktu atau tempat. Apabila satuan tempat atau waktu berubah
dengan derajat relatif tetap, maka harga λ berubah secara proporsional.

Asumsi sebaran Poisson :

1. Terdapat n tindakan bebas dimana n sangat besar,

2. Hanya satu keluaran yang dipelajari,
3. Terdapat peluang yang konstan dari munculnya kejadian setiap tindakan,
4. Peluang lebih dari satu keluaran pada setiap tindakan sangat kecil atau dapat diabaikan.

Sebaran Poisson merupakan sebaran peluang dari peubah acak Poisson X, yang menyatakan
jumlah keberhasilan dalam suatu selang waktu atau daerah tertentu, adalah :

P(X: ) = , x = 0,1, 2,...

Dimana µ adalah rata-rata keberhasilan selama selang waktu atau daerah tertentu dan e = 2,71828
.. (bilangan alami).

Percobaan Poisson memiliki ciri-ciri berikut :

1. Hasil percobaan pada suatu selang waktu dan tempat tidak tergantung dari hasil percobaan di
selang waktu dan tempat yang lain yang terpisah
2. Peluang terjadinya suatu hasil percobaan sebanding dengan panjang selang waktu dan luas tempat
percobaan terjadi. Hal ini berlaku hanya untuk selang waktu yang singkat dan luas daerah yang
sempit
3. Peluang bahwa lebih dari satu hasil percobaan akan terjadi pada satu selang waktu dan luasan
tempat yang sama diabaikan
Definisi Distribusi Peluang Poisson : e :
bilangan natural = 2.71828...

x : banyaknya unsur BERHASIL dalam sampel m :

rata-rata keberhasilan

Perhatikan rumus yang digunakan! Peluang suatu kejadian Poisson hitung dari rata-rata populasi
(m)

Tabel Peluang Poisson

Seperti halnya peluang binomial, soal-soal peluang Poisson dapat diselesaikan dengan Tabel
Poisson (Statistika 2, hal 163-164). Cara membaca dan menggunakan Tabel ini tidak jauh berbeda
dengan Tabel Binomial

x M = 4.5 m = 5.0 0
0.0111 0.0067 1
0.0500 0.0337 2
0.1125 0.0842
3 0.1687 0.1404

poisson(2; 4.5) = 0.1125 poisson(x < 3; 4.5) = poisson(0;4.5) + poisson(1;

4.5)+ poisson(2; 4.5)

= 0.0111 + 0.0500 + 0.1125 = 0.1736 poisson(x > 2;4.5) = poisson(3; 4.5) +

poisson(4; 4.5) +...+ poisson(15;4.5) atau

= 1 - poisson(x £ 2)
= 1 - [poisson(0;4.5) + poisson(1; 4.5)+ poisson(2; 4.5)]

= 1 – [0.0111 + 0.0500 + 0.1125 ] = 1 – 0.1736 = 0.8264

C. PENGGUNAAN DISTRIBUSI POISSON

Distribusi poisson banyak digunakan dalam hal:

a). 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.
banyaknya bintang dalam suatu area acak di ruangangkasa atau banyaknya bakteri dalam 1 tetes
atau 1 liter air.

jumlah salah cetak dalam suatu halaman ketik

Banyaknya penggunaan telepon per menit atau banyaknya mobil yang lewat selama 5 menit di
suatu ruas jalan. distribusi bakteri di permukaan beberapa rumput liar di ladang.

Semua contoh ini merupakan beberapa hal yang menggambarkan tentang suatu distribusi Poisson.

b). 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)= λ
S. Di sini melambangkan ukuran S, yaitu panjang, luas, volume, dan lain lain. Parameter λ > 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.
D. RUMUS DISTRIBUSI POISSON

Rumus Poisson dapat digunakan untuk menghitung probabilitas dari jumlah kedatangan, misalnya
: probabilitas jumlah kedatangan nasabah pada suatu bank pada jam kantor. Distribusi Poisson ini
digunakan untuk menghitung probabilitas menurut satuan waktu.

Rumus Probabilitas Poisson Suatu Peristiwa

Probabilitas suatu peristiwa yang berdistribusi Poisson dirumuskan:

P(X) = µ_X . e_µ / x!

Keterangan: P(x) = Nilai probabilitas distribusi poisson µ = Rata-rata

hitung dan jumlah nilai sukses, dimana µ = n . p e = Bilangan konstan
= 2,71828

X = Jumlah nilai sukses

P = Probabilitas sukses suatu kejadian

! = lambang faktorial
 BAB II

PEMBAHASAN

1. Distribusi Diskrit
Distribusi probabilitas uniform diskrit
Algoritma
Bangkitkan U(0,1) Dapatkan
X = a+(b-a+1)*U Contoh:

- Sebuah perusahaan bakery membuat suatu kelompok jenis donat yang dijual ke tokotoko dengan
distribusi diskrit uniform dengan kebutuhan harian maksimum 100 unit dan minimum 40 unit.

Tentukan bilangan acak dari distribusi diskrit uniform dengan a = 77 z0 = 12357 dan m = 128
2. Distribusi Poisson Algoritma

Hitung a, b =1 dan i =0

Bangkitkan Ui+1= U(0,1)

Ganti b = bUi+1

Jika b<a maka dapatkan X = i dan jika tidak lanjutkan ke langkah 5

Ganti i = i+1 kembali ke langkah 2 Contoh:

Suatu kejadian berdistribusi poisson dengan rata-rata 3 kejadian perjam dan terjadi selama periode
waktu 1,4 jam.

Tentukan bilangan acak dari distribusi poisson dengan a = 17 z0 = 12357 dan m = 1237

3. Distribusi Binomial

Metode transformasi dari distribusi binomial

Dengan mempergunakan fungsi densitas binomial yang dinyatakan dengan : k = 0,1,2 ..n
 Contoh

Dari suatu distribusi binomial, diketahui p =0,5 dan n =2.

Tentukan bilangan acak dari distribusi binomial dengan a = 77 z0 = 12357 dan m = 127.

4. Distribusi Geometri Algoritma

Bangkitkan U(0,1)

Dapatkan X = ln(U)/ln(1-p)

Contoh

Pada seleksi karyawan baru sebuah perusahaan terdapat 30 % pelamar yang sudah mempunyai
keahlian komputer tingkat advance dalam pembuatan program. Para pelamar diinterview secara
insentif dan diseleksi secara acak.
Tentukan bilangan acak dengan a = 43, m = 1237 dan z0 = 12357.

5. Distribusi Kontinu

Distr probabilitas uniform kontinu

Algoritma

Bangkitkan U(0,1)

Dapatkan X = a+(b-a)*U

Contoh

Pada suatu sentra telpon ternyata distribusi pelayanan telponnya berdistribusi uniform kontinu
dengan minimal waktu 3 menit dan maksimal 5 menit. Tentukan bilangan dengan a = 173 z0 =
12357 dan m = 1237.
6. Distribusi Eksponensial

Algoritma

Bangkitkan U(0,1)

Dapatkan X

Dengan rata-rata dengan nilai > 0

Contoh

Pada suatu sentra telpon ternyata distribusi penerimaan telponnya berdistribusi eksponensial
dengan mean = 0,1 menit. Tentukan bilangan 10 acak dengan a = 173 z0 = 12357 dan m = 1237.

7. Distribusi Normal

Algoritma

Bangkitkan U1,U2= U(0,1)

Hitung V1= 2U1-1 dan V2= 2U2-1

Hitung W = V12 + V22

Jika W > 1 maka kembali ke langkah 1 dan jika tidak lanjutkan ke langkah 5
Contoh

Sebuah rumah sakit berniat mempelajari penggunaan suatu alat pada ruang emergency. Jika
diketahui bahwa lamanya seorang pasien yang di’treat’ menggunakan alat tsb berdistribusi normal
dgn mean 0.8 jam dan standard deviasi 0.2 jam, tentukan bilangan acak yang mewakili lamanya
penggunaan alat tersebut oleh 6 orang pasien.
8. Distribusi Gamma Algoritma

Bangkitkan U1 dan U2 X = - ln (U1 *

U2) di mana adalah parameter.

Contoh:

Mesin pada suatu pabrik perlu diperbaiki setiap saat ‘breakdown’ dengan biaya

$100/hari. Jika lama perbaikan mesin berdistribusi gamma dengan parameter = 2 dan

= 1/3, tentukan rata-rata biaya untuk 30 kali ‘breakdown’, jika diketahui mesin breakdown ke
29 kali mengalami lama perbaikan selama 0.38 hari dengan rata-rata lama perbaikan 0.68 hari dgn
variansi S2 = 0.02.

Jawab:

U1 = 0.818

U2 = 0.322

X30 =- ln (U1 * U2)

= - 1/3 ln (0.818 * 0.322)

= 0.445 hari

Biaya untuk memperbaiki mesin yg breakdown ke 30 kali adalah $100 x 0.445 hari
= $ 44.5

Rata-rata ke 30 kali = X30 = X29 + X30 - X29

= 30

= 0.445 - 0.38

= 0.68 + 30

= 0.68 + 0.0022 = 0.6822

BAB III
 PENUTUP

Kesimpulan

Distribusi Probabilitas Diskrit adalah sebuah daftar yang berisi seluruh hasil dari
eksperimen dan probabilitas yang berkaitan dengan setiap hasi tersebut. Sedangkan Distribusi
Normal digunakan untuk mempelajari Distrbusi probabilitas kontinu, (variabel acak kontinu
diperoleh dengan cara mengukur sesuatu, seperti : tinggi badan, berat badan, dll. ).

Statistika adalah ilmu yang mempelajari bagaimana merencanakan, mengumpulkan,

menganalisis, menginterpretasi, dan mempresentasikan data. Sedangkan statistik adalah data,
informasi, atau hasil penerapan algoritma statistika pada suatu data.

Kejadian yang sering atau jarang terjadi dikatakan mempunyai peluang terjadi yang besar
atau kecil. Keseluruhan nilai-nilai peluang biasa digunakan dalam kehidupan sehari-hari. Dalam
mengaplikasikan statistika terhadap permasalahan sains, industri, atau sosial, pertama-tama
dimulai dari mempelajari populasi.