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 ...................................................................
Kesimpulan ....................................................................................................
BAB I
PENDAHULUAN
A. Latar Belakang
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.
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.
Sebaran Poisson merupakan sebaran peluang dari peubah acak Poisson X, yang menyatakan
jumlah keberhasilan dalam suatu selang waktu atau daerah tertentu, adalah :
Dimana µ adalah rata-rata keberhasilan selama selang waktu atau daerah tertentu dan e = 2,71828
.. (bilangan alami).
Perhatikan rumus yang digunakan! Peluang suatu kejadian Poisson hitung dari rata-rata populasi
(m)
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
= 1 - poisson(x £ 2)
= 1 - [poisson(0;4.5) + poisson(1; 4.5)+ poisson(2; 4.5)]
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.
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.
! = 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
Ganti b = bUi+1
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
Dengan mempergunakan fungsi densitas binomial yang dinyatakan dengan : k = 0,1,2 ..n
Contoh
Tentukan bilangan acak dari distribusi binomial dengan a = 77 z0 = 12357 dan m = 127.
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
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
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
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
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
= 0.445 hari
Biaya untuk memperbaiki mesin yg breakdown ke 30 kali adalah $100 x 0.445 hari
= $ 44.5
= 30
= 0.445 - 0.38
= 0.68 + 30
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. ).
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.