DITRIBUSI BINOMIAL, DISTRIBUSI NORMAL,

DISTRIBUSI POISSON, DISTRIBUSI SAMPLING,

STATISTIK PENDUGA
April 5th, 2012 Raka Mahendra Sulistiyo Leave a comment Go to comments

Distribusi Binomial

Distribusi Binomial atau distribusi Bernoulli (ditemukan oleh James Bernoulli) adalah suatu
distribusi teoritis yang menggunakan variabel random diskrit yang terdiri dari dua kejadian yang
berkomplemen, seperti sukses-gagal, ya-tidak, baik-cacat, kepala- ekor dll.

Ciri-ciri distribusi Binomial adalah sbb :

1. Setiap percobaan hanya memiliki dua peristiwa, seperti ya-tidak, sukses-1. Setiap percobaan
hanya memiliki dua peristiwa, seperti ya-tidak, sukses-gagal.

2. Probabilitas suatu peristiwa adalah tetap, tidak berubah untuk setiap percobaan.

3. Percobaannya bersifat independen, artinya peristiwa dari suatu percobaan tidak mempengaruhi
atau dipengaruhi peristiwa dalam percobaan lainnya.

4. Jumlah atau banyaknya percobaan yang merupakan komponen percobaan binomial harus
tertentu.

Rumus Distribusi Binomial

a). Rumus binomial suatu peristiwa

Probabilitas suatu peristiwa dapat dihitung dengan mengalikan kombinasi susunan dengan
probabilitas salah satu susunan. Berdasarkan hal tersebut, secara umum rumus dari probabilitas
binomial suatu peristiwa dituliskan :
b). Probabilitas binomial kumulatif

Probabilitas binomial kumulatif adalah probabilitas dari peristiwa binomial lebih dari satu
sukses. Probabilitas binomial kumulatif dapat dihitung dengan menggunakan rumus :
Contoh :

Sebuah dadu dilemparkan keatas sebanyak 4 kali. Tentukan probabilitas dari

peristiwa berikut :

a). Mata dadu 5 muncul 1 kali

b). Mata dadu genap muncul 2 kali

c). Mata dadu 2 atau 6 muncul sebanyak 4 kali.

Penyelesaian :

a). Karena dadu memiliki 6 sisi, yaitu 1, 2, 3, 4, 5, 6, sehingga setiap sisi memiliki probabilitas
1/6. Jadi, probabilitas untuk mata 1 adalah 1/6, sehigga :

b). Mata dadu genap ada 3, yaitu 2,4, dan 6, sehingga :

c). Muncul mata dadu 2 atau 6 sebanyak 4 kali, sehngga :

Distribusi Normal

Distribusi Normal adalah salah satu distribusi teoritis dari variable random kontinu. Distribusi
Normal sering disebut distribusi Gauss. Distribusi Normal memiliki bentuk fungsi sebagai
berikut :

Keterangan :

X = nilai data µ = rata-rata x

π = 3,14

e = 2,71828

σ = Simpangan baku

Karakteristik Distribusi Normal:

Distribusi probabilitas normal dan kurva normal yangmenyertainya memiliki beberapa

karakteristik sebagai berikut :

1. Kurva normal berbentuk lonceng

2. Simetris

3. Asimtotis
KARAKTERISTIK DISTRIBUSI KURVA NORMAL

1. Kurva berbentuk genta (µ= Md= Mo)

2. Kurva berbentuk simetris

3. Kurva normal berbentuk asimptotis

4. Kurva mencapai puncak pada saat X= µ

5. Luas daerah di bawah kurva adalah 1; ½ di sisi kanan nilai

tengah dan ½ di sisi kiri.

JENIS-JENIS DISTRIBUSI NORMAL

Distribusi kurva normal dengan µ sama dan σ berbeda

Distribusi kurva normal dengan µ berbeda dan σ sama

Dist
ribusi kurva normal dengan µ dan σ berbeda
Grafik kurva normal :

P(x≤µ) = 0,5

P(x≥µ) = 0,5 Luas kurva normal :

Luas kurva normal antara x=a & x=b => probabilitas x terletak antara a dan b
Distribusi Poisson

Distribusi poisson adalah

 Distribusi nilai-nilai bagi suatu variabel random X (X diskret), yaitu banyaknya hasil
percobaan yang terjadi dalam suatu interval waktu tertentu atau di suatu daerah tertentu.
 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.

CIRI-CIRI DISTRIBUSI POISSON

 Banyaknya hasil percobaan yang terjadi dalam suatu interval waktu atau suatu daerah
tertentu tidak bergantung pada banyaknya hasil percobaan yang terjadi pada interval
waktu atau daerah lain yang terpisah.

 Probabilitas terjadinya hasil percobaan selama suatu interval waktu yang singkat atau
dalam suatu daerah yang kecil, sebanding dengan panjang interval waktu atau besarnya
daerah tersebut dan tidak bergantung pada banyaknya hasil percobaan yang terjadi di luar
interval waktu atau daerah tersebut.

Probabilitas lebih dari satu hasil percobaan yang terjadi dalam interval waktu yang singkat atau
dalam daerah yang kecil dapat diabaikan. Selain itu, Distribusi poisson banyak digunakan dalam
hal berikut:

Menghitung probabilitas terjadinya peristiwa menurut satuan waktu, ruang atau isi, luas, panjang
tertentu, seperti menghitung probabilitas dari:

 Banyaknya penggunaan telepon per menit atau banyaknya mobil yang lewat selama 5
menit di suatu ruas jalan,

 Banyaknya bakteri dalam satu tetes atau 1 liter air,

 Banyaknya kesalahan ketik per halaman sebuah buku, dan

 Banyaknya kecelakaan mobil di jalan tol selama minggu pertama bulan Oktober.

 Menghitung distribusi binomial apabila n besar (n ³ 30) dan p kecil (p <>

 Rumus Pendekatan Peluang Poisson untuk Binomial

Pendekatan Peluang Poisson untuk Peluang Binomial dilakukan untuk mendekatkan probabilitas
probabilitas dari kelas sukses (x) dari n percobaan Binomial dalam situasi dimana n sangat besar
dan probabilitas kelas sukses (p) sangat kecil. Aturan yang diikuti oleh kebanyakan ahli statistika
adalah bahwa n cukup besar dan p cukup kecil, jika n adalah 20 atau lebih dari 20 dan p adalah
0.05 atau kurang dari 0.05.
Rumus pendekatannya adalah :

P ( x ; μ ) = e –μ . μ X

X ! Dimana : e = 2.71828

μ = rata – ratakeberhasilan = n . p

x = Banyaknya unsur berhasil dalam sampel

n = Jumlah / ukuran populasi

p = probabilitas kelas sukses

Apabila nilai harapan kejadian pada suatu interval adalah \lambda, 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. Misalnya, peristiwa yang terjadi rata-rata 4 kali per menit, dan akan dicari probabilitas
terjadi peristiwa k kali dalam interval 10 menit, digunakan distribusi poisson sebagai model
dengan λ = 10×4 = 40.

Sebagai fungsi k, ini disebut fungsi massa probabilitas. The Distribusi poisson dapat diturunkan
sebagai kasus terbatas distribusi binomial. Distribusi poisson dapat diterapkan pada sistem
dengan kejadian berjumlah besar yang yang mungkin terjadi, yang mana kenyataannya cukup
jarang. Contoh klasik adalah peluruhan nuklir atom.
 Sumbu aksis adalah indeks k. Fungsi ini
hanya didefinisikan untuk bilangan bulat k. Garis penghubung hanya ilustrasi untuk
memudahkan.

Fungsi distribusi kumulatif

Sumbu aksis adalah indeks k. Fungsi

Distribusi Kumulatif diskontinyu pada bilangan bulat k dan lainnya datar, karena variabel yang
digunakan adalah bilangan bulat.
Contoh Soal

Dua ratus penumpang telah memesan tiket untuk sebuah penerbangan luar negeri. Jika
probabilitas penumpang yang telah mempunyai tiket tidak akan datang adalah 0.01 maka
berapakah peluang ada 3 orang yang tidak datang.

Jawaban:

Dik : n = 200, P = 0.01, X = 3, μ = n . p = 200 . 0.01 =2

P ( x ; μ ) = e –μ . μ X

X!

= 2.71828 – 2 . 2 3 = 0.1804 atau 18.04 %

3!

Distribusi Sampling

 Bidang Inferensia Statistik membahas generalisasi/penarikan kesimpulan dan prediksi/

peramalan. Generalisasi dan prediksi tersebut melibatkan sampel/contoh, sangat jarang
menyangkut populasi.
 Sensus = pendataan setiap anggota populasi
 Sampling = pendataan sebagian anggota populasi = penarikan contoh = pengambilan
sampel
 Pekerjaan yang melibatkan populasi tidak digunakan, karena:

1. mahal dari segi biaya dan waktu yang panjang

2. populasi akan menjadi rusak atau habis jika disensus

misal : dari populasi donat ingin diketahui rasanya, jika semua

donat dimakan, dan donat tidak tersisa, tidak ada yang dijual?

 Sampel yang baik ® Sampel yang representative

Beda antara Statistik Sampel Vs Parameter Populasi? perhatikan tabel berikut:

Ukuran/Ciri Parameter Populasi Statistik Sampel

Rata-Rata m : myu
Selisih 2 Rata-rata : nilai mutlak : nilai mutlak
Standar Deviasi = s : sigma S
Simpangan Baku
Varians = Ragam s² s²
Proporsi p : phi atau p
Selisih 2 proporsi : nilai mutlak : nilai mutlak

 Beberapa Teknik Penarikan Sampel :

a. Penarikan Sampel Acak Sederhana (Simple Randomized Sampling)

Pengacakan dapat dilakukan dengan : undian, tabel bilangan acak, program komputer.

b. Penarikan Sampel Sistematik (Systematic Sampling)

Tetapkan interval lalu pilih secara acak anggota pertama sampel

c. Penarikan Sampel Acak Berlapis (Stratified Random Sampling)

Populasi terdiri dari beberapa kelas/kelompok. Dari setiap kelas diambil sampel secara acak.

d. Penarikan Sampel Gerombol/Kelompok (Cluster Sampling)

Populasi juga terdiri dari beberapa kelas/kelompok

Sampel yang diambil berupa kelompok bukan individu anggota

e. Penarikan Sampel Area (Area Sampling)

Prinsipnya sama dengan Cluster Sampling.

Pengelompokan ditentukan oleh letak geografis atau administrative

Distribusi Penarikan Sampel = Distribusi Sampling

 Jumlah Sampel Acak yang dapat ditarik dari suatu populasi adalah sangat banyak.
 Nilai setiap Statistik Sampel akan bervariasi/beragam antar sampel.
 Suatu statistik dapat dianggap sebagai peubah acak yang besarnya sangat tergantung dari
sampel yang kita ambil.
  Karena statistik sampel adalah peubah acak maka ia mempunyai distribusi yang kita
sebut sebagai : Distribusi peluang statistik sampel = Distribusi Sampling = Distribusi
Penarikan Sampel

Distribusi Sampling Rata-Rata

Distribusi Rata-rata akan mendekati distribusi Normal dengan :

Statistik Penduga

Pendugaan Titik dan Interval

Pendugaan/Penaksiran adalah menyimpulkan parameter populasi berdasarkan

statistik sampel.

Misal : menduga rata-rata populasi berdasarkan rata-rata sampel.

Penduga yang baik ialah penduga yang tak bias dan bervarians minimum

• Tak bias

Penaksir Ӧ dikatakan tak bias jika rata-rata harga dari Ӧ yang mungkin sama dengan
θ

• Bervarians minimum
Penduga Ӧ dikatakan bervarians minimum jika Ӧ mempunyai varians terkecil diantara
semua penduga yang mungkin untuk parameter yang sama θ

Cara Menduga

1. Penduga titik

Jika parameter diduga oleh 1 angka tunggal

Misal : µ ditaksir oleh x, dimana x adalah penduga titik

2. Penduga interval

Jika parameter diduga oleh harga diantara batas-batas dua harga

Misal : jika rata-rata sampel tinggi mahasiswa adalah 160 cm, maka rata-rat

populasi bisa antara 155-165, seperti pada gambar berikut :

atau bisa antara 150-170, seperti

pada gambar berikut

Makin besar interval taksiran

akan lebih besar keyakinan benarnya, semakin kecil interval taksiran akan lebih kecil
keyakinan benarnya. Tetapi, semakin kecil interval, semakin baik. Kita akan membuat
interval yang sekecil mungkin tapi dengan tingkat keyakinan benarnya sebesar mungkin,
atau tingkat keyakinannya sebesar mungkin. Tingkat keyakinan dinotasikan dengan ɣ dan
dinyatakan dalam bentuk peluang
Artinya kita yakin bahwa nilai akan berada antara A dan B

sumber:

http://tety.staff.gunadarma.ac.id/Downloads/files/7551/Sampling.doc
http://pianhervian.files.wordpress.com/2010/12/distribusi-teoritis.pdf
http://www.informatika.unsyiah.ac.id/subianto/kuliah/INF201/distNormal.pdf
http://thomasyg.staff.gunadarma.ac.id/Downloads/files/8191/Distribusi+Sampling.pdf
http://baniadams.files.wordpress.com/2011/10/distribusi-probabilitas-diskrit-poisson.pptx
Sebaran Binom
Sebaran Binom atau Distribusi Binomial dinyatakan dengan rumus sebagai berikut :

Dengan P sebagai parameter dan

Rumus ini dinyatakan sebagai:
untuk n = 0, 1, 2, …. ,n
Dengan P sebagai parameter dan

P = Peluang sukses
n = Banyak percobaan
x = Muncul sukses
n-x = Muncul gagal

sumber :lib.ugm.ac.id – Hasil Pencarian

Contoh

Dalam ujian sepuluh soalan aneka pilihan, dengan 4 pilihan setiap soalan, kebarangkalian untuk
mendapatkan 5 dan hanya 5 jawapan betul jika jawapan yang diteka boleh dikira sebagai:

Maka, jika seseorang meneka 10 jawapan pada ujian aneka pilihan dengan 4 pilihan, mereka
mempunyai lebih kurang 5.8% peluang untuk memperoleh 5 dan hanya 5 jawapan yang betul.
Jika 5 atau lebih jawapan betul yang diperlukan untuk lulus, maka, kebarangkalian untuk lulus
boleh dikira dengan menambah kebarangkalian mendapat 5 (dan hanya 5) jawapan betul, 6 (dan
hanya 6) jawappan betul, dan seerusnya hinggal 10 jawapan betul. Jumlah kebarangkalian adalah
lebih kurang 7.8%.