PELUANG
kelompok 2
Ghanisa Rizkia Rahmadini (220906500015)
Tina Anastasiya (220906501019)
Muh Asra’ul khairi Susanto (220906502047)
Resky Aulia (220906501031)
Muh Aswad Nurdin (220906502054)
PENDAHULUAN
Peluang atau yang sering disebut sebagai probabilitas dapat dipandang sebagai cara untuk
mengungkapkan ukuran ketidakpastian/ ketidakyakinan/ kemungkinan suatu peristiwa terjadi atau
tidak terjadi Untuk menyatakan suatu ketidakpastian atau kepastian diperlukan permodelan
matematis yang secara teoritis dinyatakan dengan sebaran atau distribusi.
Pada aplikasi di kehidupan sehari-hari, peluang distribusi sangat berguna untuk menganalisis
terjadinya suatu peristiwa atau kejadian, jika kejadian bersifat berhingga maka objek sebarannya
berbeda dengan kejadian yang tak berhingga.
Dengan:
·P(x) = peluang variabel acak;
·n = banyaknya percobaan;
·x = jumlah kejadian yang diharapkan (x = 0, 1, 2, 3, dst);
·p = peluang kejadian sukses atau yang diharapkan; dan
·q = peluang kejadian gagal atau yang tidak diharapkan.
DISTRIBUSI POSION
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).
Apabila nilai harapan kejadian pada suatu interval adalah , maka probabilitas terjadi peristiwa sebanyak
k kali (k adalah bilangan bulat non negatif, k = 0, 1, 2, ...) maka sama dengan
Dimana
• e adalah basis logaritma natural (e = 2.71828...)
• k adalah jumlah kejadian suatu peristiwa — peluang yang diberikan oleh fungsi ini
• k! adalah faktorial dari k
• λ adalah bilangan riil positif, sama dengan nilai harapan peristiwa yang terjadi dalam interval tertentu. Misalny
peristiwa yang terjadi rata-rata 4 kali per menit, dan akan dicari probabilitas terjadi peristiwa k kali dalam interval
menit, digunakan distribusi Poisson sebagai model dengan λ = 10×4 = 40.
DISTRIBUSI NORMAL
Distribusi normal, disebut pula distribusi Gauss, merupakan distribusi probabilitas yang paling banyak
digunakan dalam berbagai analisis statistika. Data populasi akan berdistribusi normal jika rata-rata nilainya
sama dengan modus dan sama dengan mediannya.
∞ ∞
Dengan − < 𝑥 < , 𝜋 = 3,14159 …, 𝑒 = 2,72828
Keterangan:
∞
x = peubah acak normal yang nilainya − < 𝑥 < ∞,
μ = rata-rata
σ = standar deviasi
π = konstanta yang nilainya 3,14159
e = konstanta yang nilainya 2,72828
f(x)= fungsi kepadatan peluang
DISTRIBUSI SAMPEL
Distribusi sampling adalah serangkaian bentuuk distribusi probabilitas statistik yang diperoleh dari
sejumlah besar sampel yang diambil dari populasi tertentu. Distribusi sampling dari suatu populasi
merupakan distribusi frekuensi dari beragam hasil berbeda yang mungkin terjadi untuk statistik populasi.
Terdapat 4 hal yang harus diperhatikan dalam distribusi sampling, yaitu:
a. Ukuran statistik (mean, standard deviasi, atau proporsi) yang akan digunakan
b. Pemilihan sampel secara random
c. Ukuran dari sampel
d. Karakteristik dari populasi
Berikut beberapa contoh distribusi sampling:
JENIS-JENIS
DISTRIBUSI SAMPEL
Distribusi rata-rata sampel
Sudjana (2001 : 87) mendefenisikan Distribusi sampling rata-rata adalah kumpulan dari
bilangan-bilangan yang masing-masing merupakan rata-rata hitung dari samplenya
Jika pengambilan sampel dilakukan dengan pengembalian maka banyaknya kemungkinan
kelompok sampel yang dapat terbentuk adalah Nn, sedangkan jika pengambilan sampel
dilakukan tanpa pengembalian maka banyaknya kemungkinan kelompok sampel yang dapat
terbentuk adalah
DISTRIBUSI-T
Distribusi-T adalah distribusi sampling yang membantu profesional data menentukan ukuran
populasi atau varians populasi. Distribusi-T menggunakan skor-t untuk mengevaluasi data yang
tidak sesuai untuk distribusi normal. Misalnya, saat menganalisis sampel yang sangat kecil. Rumus
t-score terlihat seperti ini:
t = [x- µ] / [s/sqrt (n)]
Dalam rumus di atas, “x” adalah mean sampel, “μ” adalah mean populasi dan menandakan deviasi
standar
Distribusi Chi Kuadrat ( X2)
Uji Chi Kuadrat ( X2 )dapat dikatakan sebagai uji proporsi untuk dua peristiwaatau lebih dan data
berjenis nominal, sehingga datanya bersifat dikrit. Dalam uji Chi-Kuadrat dihadapkan pada suatu pengujian
apakah perbedaan antara frekuensi hasilobservasi (disimbolkan fo) dengan frekuensi yang diharapkan oleh
peneliti (disimbolkan fe/fh) dari sampel yang terbatas merupakan perbedaan yang signifikan atau tidak.
Rumus :
Dimana :
• fo = frekuensi observasi
• fe = frekuensi yang diharapkan (teoritis)
• X2 = Chi-Kuadrat
Distribusi F
Distribusi probabilitas F (Fisher-Snedecor) diturunkan dari distribusi probabilitas normal
baku melalui distribusi Chi-kuadrat. Distribusi probabilitas F merupakan rasio antara dua
distribusi Chi-kudrat. Sehingga pada distribusi probabilitas F terdapat dua derajat kebebasan
yakni derajat kebebasan pembilang db (atas) dan derajat kebebasan penyebut db (bawah).
Selanjutnya distribusi F dapat ditulis dengan formula:
F= (S_1^2/S_2^2),dimana
S_1^2 = varians pendekatan distribusi populasi normal ke-1
S_2^2 = varians pendekatan distribusi populasi normal ke-2
KESIMPULAN DAN
SARAN
Kesimpulan
Variabel acak dapat diklasifikasikan ke dalam variabel acak diskrit dan variabel acak kontinu. Variabel
acak diskrit berhubungan dengan hasil sebuah peristiwa yang ruang sampelnya terhingga dan terhitung
Sedangkan distribusi peluangnya disebut distribusi peluang variabel acak diskrit. Umumnya variabel diskrit
berhubungan dengan pencacahan terhadap suatu objek atau indvidu.
Saran
Kami selaku penyusun makalah ini dengan harapan besar agar setelah membaca maupun mendengar makalah ini,
apa yang hendak di sampaikan dapat diterima dan dipahami dengan baik, yakni mengenani Distribusi Peluang. Di
akhir, apabila kemudian didapati kekurangan. Maka, kami selaku penyusun makalah berharap agar para pembaca
dapat memberikan saran dan masukan.
THANKS FOR
WATCHING