DISTRIBUSI NORMAL
Distribusi normal, disebut pula distribusi Gauss, adalah distribusi probabilitas yang paling banyak digunakan dalam berbagai analisis statistika. Distribusi normal baku adalah distribusi normal yang memiliki rata-rata nol dan simpangan baku satu. Distribusi ini juga dijuluki kurva lonceng (bell curve) karena grafik fungsi kepekatan probabilitasnya mirip dengan bentuk lonceng.
Distribusi normal memodelkan fenomena kuantitatif pada ilmu alam maupun ilmu sosial. Beragam skor pengujian psikologi dan fenomena fisika seperti jumlah foton dapat dihitung melalui pendekatan dengan mengikuti distribusi normal. Distribusi normal banyak digunakan dalam berbagai bidang statistika, misalnya distribusi sampling rata-rata akan mendekati normal, meski distribusi populasi yang diambil tidak berdistribusi normal. Distribusi normal juga banyak digunakan dalam berbagai distribusi dalam statistika, dan kebanyakan pengujian hipotesis mengasumsikan normalitas suatu data. (sumber : id.wikipedia.org/wiki/Distribusi_normal)
Kurva normal adalah bila X adalah suatu peupab acak normal dengan nilai tengah µ dan ragam σ2, maka persamaannya adalah
n(x; µ; σ) =
Untuk – ∞ < x < ∞. Dalam hal ini Ï€ = 3.14159… dan e = 2.71828…
Bentuk kurva normal itu sendiri berbeda tergantung dari nilai µ dan σ2 nya. Jika nilai µ berharga positif maka kurva akan bergeser ke kanan dan jika bernilai negatif maka kurva akan bergeser ke kiri dari titik X = 0. Jika nilai σ2 bernilai semakin besar maka kurva normal akan semakin landai dan jika nilai σ2 bernilai semakin kecil maka kurva normal akan semakin curam. Berikut perbandingan kurvanya
Dari gambar di atas maka dapat diperoleh sifat-sifat kurva normal, yaitu :
- Modusnya yaitu titik pada sumbu mendatar yang membuat fungsi mencapai maksimum yang terjadi pada x = µ
- Kurvanya setangkup terhadapa suatu garis tegak yang melalui nilai tengah µ
- Kurva ini mendekati sumbu mendatar secara asimtotik dalam kedua arah bila kita semakin menjauhi nilai tengahnya.
- Luasan daerah yang terletak di bawah kurva tetapi di atas sumbu mendatar sama dengan 1
DISTRIBUSI BINOMIAL (1)
Dalam teori probabilitas dan statistika, distribusi binomial adalah distribusi probabilitas diskret jumlah keberhasilan dalam n percobaan ya/tidak (berhasil/gagal) yang saling bebas, dimana setiap hasil percobaan memiliki probabilitas p. Eksperimen berhasil/gagal juga disebut percobaan bernoulli. Ketika n = 1, distribusi binomial adalah distribusi bernoulli. Distribusi binomial merupakan dasar dari uji binomial dalam uji signifikansi statistik.
Distribusi ini seringkali digunakan untuk memodelkan jumlah keberhasilan pada jumlah sampel n dari jumlah populasi N. Apabila sampel tidak saling bebas (yakni pengambilan sampel tanpa pengembalian), distribusi yang dihasilkan adalah distribusi hipergeometrik, bukan binomial. Semakin besar N daripada n, distribusi binomial merupakan pendekatan yang baik dan banyak digunakan
Distribusi binomial juga didefinisikan bila suatu ulangan binomial mempunyai peluang keberhasilan p dan nilai peluang kegagalan a = 1 – p, maka sebaran peluang bagi peubah acak binomial X, yaitu banyaknya keberhasilan dalam n ulangan yang bebas adalah
b(x,n,p)= 
untuk x = 0,1, 2, …, n
sedangkan untuk nilai tengah dan ragam bagi sebaran binomial adalah µ = np dan σ2 = npq. Hal ini dpat dibuktikan misalkan hasil pada ulangan ke-j dinyatakan oleh peubah acak Ij yang bernilai 0 dan 1, masing-masing dengan peluang q dan p. Ini disebur peubah Bernoulli atau lebih tepat disebut peubah indikator, Karena Ij = 0 berarti kegagalan dan Ij = 1 yang berarti keberhasilan. Dengan demiklian, dalam suatu percobaan binomial banyaknya keberhasilan dapat dituliskan sebagai jumlah n peubah indikator yang bebas, sehingga
X = I1 + I2 + … + In
Nilai tengah Ij adalah E(Ij) = 0.q + 1.p = p. Maka kita mendapatkan nilai tengah bagi sebaran binomial, yaitu
µ = E(X) = E(X1) + E(X2) + … + E(Xn)
= p + p + … + p
= np
Ragam bagi setiap Ij adalah
σ2Ij = E[(Ij – p)2] = E(Ij2) – p2
= (0)2q + (1)2p – p2
= p(1 – p) = pq
Dengan demikian, ragam sebaran binomial adalah
σ2x = σ2I1 + σ2I2 + … + σ2In
= pq + pq + … + pq
= npq
Distribusi Binomial (2)
Suatu percobaan sering kali terdiri atas ulangan-ulangan, dan masing-masin mempuyai dua kemungkinan hasil yang dapat diberi nama berhasil dan gagal. Misalnya saja dalam pelemparan sekeping uang logam sebanyak 5 kali. Hasil setiap ulangan mungkin muncul sisi gambar atau sisi angka. Dan salah satu diantara keduanya ditentukan sebagai “berhasil”. Begitupula, bila 5 kartu diambil berturut-turut. Untuk kartu merah diberi label “berhasil” atau “gagal” jika yang terambil warna hitam.
Bila setiap kartu dikembalikan sebelum pengembalian berikutnya, maka kedua percobaan yan dilakukan diatas mempunyai ciri-ciri sama, yaitu bahwa ulangan-ulangan tersebut bersifat bebas dan peluang keberhasilan setiap ulangan tetap sama yaitu sebesar ½. Percobaan semacam ini dinamakan percobaaan binom. Perhatikan bahwa dalam percobaan pengambilan kartu tersebut, peluang keberhasilan dalam setiap ulangan akan berubah ila kartu tidak dikebalikan sebelum pengambilan berikutnya. Karena peluang terambilnya pada pengambilan pertama adalah ½, sedangkan pada engambila yang kedua peluang itu bersifat bersyarat, bernilai 26/51 atau 25/51, bergantung pada hasil pengembalian pertama. Bila demikian halnya percobaan ini bukan bersifat binom. Untuk lebih ringkasnya dapat dilihat pada definisi berikut.
Jika suatu ulangan binomial mempunyai peluang keberhasilan p dan peluang kegagala q=1-p , maka distribusi probabilitas bagi peubah acak binomial x, yaitu banyaknya keberhasilan dalam n ulangn bebas , adalah
B(x;n;p) = Cxn px qn-x
Untuk x=1,2,3,4,……., n
Contoh :
Tentukan peluang mendapatkan tepat tiga bilangan 2 buah dadu setimbang dilempar 5 kali.
Jawab : peluang keberhasilan setiap ulangan yang bebas ini adalah 1/6 dan peluang kegagalan adalah 5/6. Dalam hal itu munculnya bilangan 2 di anggap keberhasilan. Maka :
B {x;5,1/6} = C35 (1/6)3 (5/6)2
= 5! . 52 .
3! 2! 63
= 0,0032
Distribusi Multinomial
Percobaan Binomial menjadi suatu percobaan multinomial bila kita membuat setiap percobaan mempunyai lebih dari 2 keluaran yang mungkin. Penarikan sebuah kartu dari suatu tumpukan dengan pengembalian merupakan percobaan multinomial bila ke-empat jenis kartu menjadi keluarannya.
Secara umum, Bila suatu percobaan dapat menghasilkan salah satu dari k keluaran yan mungkin E1,E2, ………, Ek dengan probabilitas P1,P2, ………, Pk maka sebaran probabilitaspeubah acak X1,X2, ……….., Xk yang mewakili jumlah kejadian untuk E1,E2, ………, Ek didalam n percobaan yang bebas adalah
n X1 X2 ……X3
f(X1,X2,…….xk;P1,P2,…….Pk,n)= X1,X2,….XK P1 P2 PK
Dengan
∑ Xi = n dan ∑ Pi = 1
Contoh : Bila sepasang dadu dilemparkan 6 kali, berapakah probabilitas mendapatkan suatu total 7 atau 11 ebanyak 2 kali , pasangan angka yang sama sekali, dan sembarang gabungan lainnya sebanyak 3 kali.
Jawab : Kita daftar kejadian-kejadian yang mungkin berikut ini :
E1= sebuah total 7 atau 11 muncul
E2 = Pasangan angka yang sama muncul
E3 = Bukan angka sama atau bukan total 7 atau 11 yang muncul
Probabilitas yang berkesuaian untuk percobaan yang diketahui tersebut adalah p1 = 2/9 , p2= 1/6 dan p3 = 11/18. Nilai-nilia in tetap konstan untuk ke 6 percobaan tersebut. Dengan menggunakan sebaran multinomial dengan x1 = 2 , x2 = 1, dan x3=3 kita dapatkan bahwa probabilitas yang diperlukan adalah
Distribusi Hipergeometrik
Bila dalam populasi N benda, k benfda diantaranya diberi label ‘berhasil’ N-k benda lainya diberi label ‘gagal’, maka distribusi probabilitas bagi peubah acak geometrik X, yang menyatakan banyaknya keberhasilan dalam contoh acak berukuran n, adalah
h(x;N,n,k) = .
Untuk x = 0,1,2,3, ………., k
Contoh :
Bila 5 kartu diambil secara acak dari seperankat kartu bridge, berapa probabilitas diperoleh 3 kartu hati.
Jawab : Dengan menggunakan sebaran hipergeometrik untuk n= 5, N=52 , k=13, dan x=3, maka probabilitas memperoleh 3 kartu hati adalah,
h(3;52,5,13)= ¬¬¬¬¬¬¬¬¬¬¬¬¬¬¬¬¬¬¬¬¬¬¬______________
sedangkan nilai rata-rata dan ragam bagi distribusi hipergeometrik h(x;N,n,k) adalah
μ = n k .
N
σ2 = N –n . n k . { 1 - k .}
N – 1 N N
Contoh : Dari contoh di atas tentukan μ dan σ2 nya
Jawab :
μ = (5) (13) . =1.25
52
σ2 = (47/51)(5)(13/52)(1-13/42)
Distribusi ini merupakan distribusi probabilitas untuk variabel diskrit acak yang mempunyai nilai 0, 1, 2, 3 dan seterusnya. Suatu bentuk dari distribusi ini adalah rumus pendekatan peluang poisson untuk peluang binomial yang dapat digunakan untuk pendekatan probabilitas binomial dalam situasi tertentu (http://www.snapdrive.net, 2010).
Distribusi poisson dapat digunakan untuk menentukan probabilitas dari sejumlah sukses yang ditentukan. Kejadian-kejadian terjadi dalam ruang kontinyu. Proses poisson seperti proses Bernoulli, hanya berbeda pada sifat kontinuitasnya saja (Haryono, 1994). Distribusi poisson banyak digunakan dalam hal berikut:
1. Menghitung probabilitas terjadinya peristiwa menurut satuan waktu, ruang, luas, atau panjang tertentu, seperti menentukan probabilitas dari:
a. Banyaknya penggunaan telepon per menit atau banyaknya mobil yang lewat selama 5 menit di suatu ruas jalan.
b. Banyaknya bakteri dalam 1 tetes atau 1 liter air.
c. Banyaknya kesalahan ketik per halaman sebuah buku.
d. Banyaknya kecelakaan mobil di jalan tol selama minggu pertama pada bulan April.
2. Menghitung distribusi binomial apabila nilai n besar (n≥ 30) dan p kecil (p < 0,1).
Percobaan poisson adalah percobaan yang menghasilkan peubah acak X yang bernilai numerik,yaitu banyaknya sukses selama selang waktu tertentu atau dalam daerah tertentu. Selang waktu tertentu dapat berupa sedetik, semenit, sejam, sehari, seminggu maupun sebulan. Daerah tertentu dapat berupa satu meter, satu kilometer persegi dan lain-lain. Distribusi peluang peubah acak poisson X, yang menyatakan banyaknya sukses yang terjadi dalam suatu selang waktu atau daerah tertentu, diberikan oleh (http://kur2003.if.itb.ac.id, 2010):
x : 0,1,2, …
μ : Rata-rata banyaknya sukses.
e : Bilangan alam (2,71828).
Pengertian Distribusi Poisson
Distribusi peluang suatu peubah acak poisson X disebut distribusi poisson dan dinyatakan dengan p(x;μ), karena nilainya hanya tergantung pada μ, yaitu rata-rata banyaknya sukses yang terjadi pada selang waktu atau daerah tertentu. Rataan dan variansi distribusi poisson p(x; μ) keduanya sama dengan μ. Berikut ini adalah penjelasan mengenai populasi (n) dan peluang (p) pada distribusi poisson.
1. Bila n besar dan p dekat dengan nol, distribusi poisson dapat digunakan, dengan μ = np, untukmenghampiri peluang binomial.
2. Bila p dekat dengan 1, distribusi poisson masih dapat dipakai untuk menghampiri peluang binomial dengan mempertukarkan apa yang telah dinamai dengan sukses dan gagal, jadi dengan mengganti p dengan suatu nilai yang dekat dengan nol (http://kur2003.if.itb.ac.id, 2010).
Sebaran poisson dan binom memiliki histrogram yang bentuknya hampir sama bila n besar dan p kecil (dekat dengan 0). Kedua kondisi itu dipenuhi sebaran poisson dengan 
= np dapat digunakan untuk menghampiri peluang binom. P nilainya dekat dengan 1 dapat saling menukarkan apa yang telah didefinisikan sebagai keberhasilan dan kegagalan, dengan demikian mengubah p menjadi suatu nilai yang dekat dengan 0 (Walpole, 1995).
= np dapat digunakan untuk menghampiri peluang binom. P nilainya dekat dengan 1 dapat saling menukarkan apa yang telah didefinisikan sebagai keberhasilan dan kegagalan, dengan demikian mengubah p menjadi suatu nilai yang dekat dengan 0 (Walpole, 1995).
Sifat Percobaan Poisson
Suatu percobaan yang dilakukan sebanyak N kali, menghasilkan peubah acak X, misalkan banyaknya sukses selama selang waktu tertentu, dimana peluang yang sangat kecil (p mendekati 0), maka percobaan tersebut dinamakan poisson (http://elearning.gunadarma.ac.id, 2010). Beberapa sifat distribusi poisson adalah sebagai berikut (http://kur2003.if.itb.ac.id, 2010):
Suatu percobaan yang dilakukan sebanyak N kali, menghasilkan peubah acak X, misalkan banyaknya sukses selama selang waktu tertentu, dimana peluang yang sangat kecil (p mendekati 0), maka percobaan tersebut dinamakan poisson (http://elearning.gunadarma.ac.id, 2010). Beberapa sifat distribusi poisson adalah sebagai berikut (http://kur2003.if.itb.ac.id, 2010):
1. Banyaknya sukses terjadi dalam suatu selang waktu atau daerah tertentu tidak terpengaruh oleh apa yang terjadi pada selang waktu atau daerah lain yang dipilih (bebas).
2. Peluang terjadinya suatu sukses (tunggal) dalam selang waktu yang amat pendek atau dalam daerah yang kecil sebanding dengan panjang selang waktu atau besarnya daerah dan tidak tergantung pada banyaknya sukses yang terjadi di luar selang waktu atau daerah tersebut.
3. Peluang terjadinya lebih dari satu sukses dalam selang waktu yang pendek atau daerah yang sempit tersebut dapat diabaikan.
Bilangan X yang menyatakan banyaknya hasil percobaan dalam suatu percobaan poisson disebut peubah acak poisson dan sebaran peluangnya disebut sebaran poisson, karena nilai-nialai peluangnya hanya bergantung pada , yaitu rata-rata banyaknya hasil percobaan yang terjadi selama selang waktu atau daerah yang diberikan (Walpole, 1995).
, yaitu rata-rata banyaknya hasil percobaan yang terjadi selama selang waktu atau daerah yang diberikan (Walpole, 1995).
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 lebihdari 20 dan p adalah 0,05 atau kurang dari 0,05. Pendekatan ini rumusnya lebih mudah untuk digunakan dibandingkan dengan rumus binomial. Rumus pendekatannya adalah (http://www.snapdrive.net, 2010):
Keterangan:
e : Bilangan alam (2,71828).
x : Banyaknya unsur berhasil dalam sampel.
n : Jumlah data.
p : Probabilitas kelas sukses.
Peristiwa Kedatangan pada Distribusi Poisson
Suatu proses atau peristiwa kedatangan yang terjadi dalam suatu interval waktu tertentu dapat digolongkan sebagai proses keatangan poisson jika memenuhi beberapa kriteria tertentu. Berikut ini adalah beberapa kriteria pada peristiwa kedatangan dalam distribusi poisson (http://ma-dasar.gunadarma.ac.id/wp-content, 2010)
1. Tingkat kedatangan rata-rata setiap unit waktu adalah konstan.
2. Jumlah kedatangan pada interval waktu tidak bergantung pada apa yang terjadi di interval waktu yang sudah berlalu. Hal ini memiliki makna bahwa kesempatan dari sebuah kedatangan di waktu berikutnya adalah sama.
3. Probabilitas untuk peristiwa lebih dari satu kedatangan akan semakin mendekati nol jika interval semakin pendek. Misalnya, jumlah pengunjung suatu restoran tidak mungkin lebih dari satu orang yang dapat melalui pintu masuk dalam waktu satu detik.
Proses perhitungan secara manual dapat digunakan untuk menentukan probabilitas suatu kedatangan yang berdistribusi poisson. Perobabilitas kedatangan yang sesuai dengan kriteria distribusi poisson dapat dihitung dengan menggunakan rumus berikut:
Proses perhitungan secara manual dapat digunakan untuk menentukan probabilitas suatu kedatangan yang berdistribusi poisson. Perobabilitas kedatangan yang sesuai dengan kriteria distribusi poisson dapat dihitung dengan menggunakan rumus berikut:
Keterangan:
λ : Tingkat kedatangan rata-rata tiap unit waktu.
t : Jumlah unit waktu.
x : Jumlah kedatangan dalam t unit waktu.
