l.

MAKALAH DISTRIBUSI PROBABILITAS

DISKRIT

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.

Depok, 28 Desember 2015

 Penulis

Daftar Isi

Kata Pengantar
Daftar Isi
BAB I PENDAHULUAN
1. Latar Belakang
2. Pengertian Diskrit
3. Penggunaan Doistribusi Poisson
4. 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

1. 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.

2. 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(Xn.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 = Np tetap, maka distribusi binom didekati oleh distribusi Poisson.
Satu-satunya parameter distribusi Poisson adalah , yaitu mean dan variansi,
menyatakan derajat hitungan dalam satuan waktu atau tempat. Apabila satuan tempat
atau waktu berubah dengan derajat relatif tetap, maka harga 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 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

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)= S. Di sini melambangkan ukuran S, yaitu panjang, luas, volume, dan lain
lain. Parameter > 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.

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) = _X . e_ / x!
Keterangan: P(x) = Nilai probabilitas distribusi poisson
= Rata-rata hitung dan jumlah nilai sukses, dimana = 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 toko-
toko 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 ditreat 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
X30 - X29
 Rata-rata ke 30 kali = 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.
DISTRIBUSI PROBABILITAS DISKRIT DAN
DISTRIBUSI NORMAL
Oleh Choiril Muthohar
Tuesday, July 3, 2012
Bagikan :
Tweet
MAKALAH
DISTRIBUSI PROBABILITAS DISKRIT
DAN
DISTRIBUSI NORMAL

Disusun oleh :
Choiril Muthohar
NIM : 5021002008
Jurusan :Teknik Informatika

SEKOLAH TINGGI TEKNOLOGI

Pendahuluan

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.

Nganjuk,28 Mei 2011

Penulis

Daftar isi
Pendahuluan 2
Daftar isi 3
Distribusi Probabilitas Diskrit 4
Definisi Umum 4
Variabel acak 6
Rata-Rata Distribusi Probabilitas 7
Distribusi Probabilitas Binomial 9
Distribusi Probabilitas Hipergeometris 9
Distribusi Probabilitas Poisson 9

DISTRIBUSI NORMAL 10
Definisi Umum 10
Karakteristik kurva distribusi normal 10
Distribusi probabilitas normal standar 11
Daerah dibawah kurva normal standar 11

PENUTUP 14

A. DISTRIBUSI PROBABILITAS DISKRIT

1. Definisi Umum
Distribusi probabilitas : Sebuah daftar berisi seluruh hasil dari suatu ekperimen dan probabilitas
yang berkaitan dengan setiap hasil tersebut.
Contoh :
Misal kita tertarik terhadap munculnya kepala pada pelemparan koin sebanyak 3 kali. Hasil
yang mungkin adalah : nol kepala, satu kepala, dua dan tiga kepala. Bagaimana distribusi
probabilitas untuk munculnya kepala ?
Jawab :
Terdapat 8 hasil yang mungkin :

Dua karakter penting distribusi probabilitas.

1. Probabilitas dari suatu hasil harus berada antara 0 dan 1
2. Jumlah dari seluruh probabilitas hasil harus sama dengan 1

Soal Pemahaman :
Hasil yang mungkin dari eksperimen pelemparan dadu, adalah : 1 titik, 2 titik, 3 titik, 4 titik, 5
titik dan 6 titik.
a. Buat distribusi probabilitas untuk hasil tersebut.
b. Gambarkan distribusi probabilitas dalam grafik.
c. Berapa jumlah probabilitasnya ?

a)Variabel Acak
Definisi : Variabel yang digunakan untuk memberikan nilai nilai yang berbeda untuk setiap
hasil dari suatu eksperimen.
Contoh :
- Bila kita menghitung jumlah orang yang absen pada hari senin, jumlahnya bisa 1,2,3,4,
jumlah absen ini variabel acak.
- Bila kita melemparkan 2 koin dan menghitung jumlah kepala dapat muncul nol, satu, dua
kepala. Jumlah kepala yang muncul adalah variabel acak.
- Variabel acak yang lain : jumlah lampu yang cacat yang diproduksi dalam seminggu, tinggi
pemain basket.
1. Variabel acak diskrit : variabel acak yang nilai-nilainya dihasilkan dari proses berhitung.
Contoh : skor yang diberikan pada pertandingan senam lantai , seperti : 9,2 ; 7,5 ; 8,0 ; dst.
2. Variabel acak kontinu : Variabel acak yang nilai-nilainya dihasilkan dari proses pengukuran.
Contoh : Berat balok besi produksi pabrik dalam sehari, seperti : 2,5 kg ; 2,52 kg ; 2,499 kg, dst.

Variabel acak : 1. Diskrit : Jumlah absen dalam sehari, jumlah muncul kepala, dan seterusnya.
2. Kontinu : Tinggi pemain basket, berat badan pegulat,dan seterusnya.

b) Rata-Rata Distribusi Probabilitas

Rata-rata disebut juga nilai Ekspektasi ( ) (x) .
Rata-rata merupakan nilai khas yang digunakan untuk menggambarkan distribusi probabilitas
Rata-rata distribusi probabilitas :
=E(x)=[x.P(x)]
P (x) = Probabilitas variabel acak
X = variabel acak
VARIASI STANDAR DAN DEVIASI
Variansi menggambarkan penyebaran dalam suatu distribusi.
Variansi distribusi probabilitas : ^(2 )= [(x-) ^(2 ) P (x)]
Standar Deviasi:SD= (^2 )

2. Distribusi Probabilitas Binomial

Karakteristik distribusi binomial :
a. Hasil dari eksperimen hanya diklasifikasikan menjadi dua, yaitu : Sukses atau Gagal.
b. Variabel acaknya diperoleh dengan cara menghitung jumlah sukses dari suatu percobaan.
c. Probabilitas sukses akan selalu tetap selama percobaan.
d. Setiap percobaan independen, artinya hasil percobaan satu tidak mempengaruhi hasil per
cobaan berikutnya
Untuk membentuk distribusi binomial, kita harus mengetahui :
a. Jumlah percobaan ( trial ).
b. Probabilitas sukses untuk setiap percobaan.
Distribusi Probabilitas Binomial : P(x)= n!/x!(n-x)! ^x.(1-)^(n-x)
n = jumlah trial / percobaan
x = Jumlah sukses
= probabilitas sukses untuk setiap percobaan

Beberapa catatan penting mengenai distribusiBinomial :

1. Bila n tetap, tetapi meningkat dari 0,05 ke 0,95, bentuk distribusi akan berubah. Pada 5,0 <
, grafik miring ke kiri (positive skew), pada 5,0 = grafik simetris, pada 5,0 > grafik miring ke
kanan (negative skew).
2. Bila tetap, namun n meningkat, maka bentuk distribusi binomial semakin simetris.
3. Mean () untuk distribusi binomial: = n .
Variansi (^2) untuk distribusi binomial :^(2 )=n . (1-)

3. Distribusi Probabilitas Hipergeometris

Syarat digunakannya distribusi hipergeometris :
a. Sampel diambil dari suatu populasi terbatas tanpa pengembalian
b. Jumlah sampel n lebih besar dari 5% dari jumlah seluruh populasi N Populasi terbatas (finite
population) : suatu populasi yang terdiri dari sejumlah kecil individu, objek, atau pengukuran.
Distribusi Hipergeometri :P(x)= ((sCx)(n-sCn-x))/Cn
N = jumlah seluruh populasi
S = jumlah sukses dalam populasi
x = jumlah sukses yang diinginkan ( 0,1,2,3,)
n = jumlah sampel atau jumlah percobaan / trial
C = Simbol untuk kombinasi
4. Distribusi Probabilitas Poisson
Distribusi ini sering disebut Hukum kejadian yang tidak mungkin, maksudnya distribusi ini
dipakai pada kejadian dengan probabilitas yang sangat kecil ( 0,05 ).
Distribusi ini memiliki banyak aplikasi diantaranya : menentukan distribusi kesalahan pada input
data, cacat yang terjadi pada proses pengecatan sparepart mobil, jumlah kecelakaan yang terjadi
pada Boeing 737 selama 3 bulan terakhir.
DistrbusiPoisson:
P(x)=(u^x.e^(-n))/x!

= rata-rata aritmatik dari sukses pada suatu interval waktu

e = konstanta (2,71828)
x = jumlah sukses
P(x) = probabilitas dari suatu x

B. DISTRIBUSI NORMAL

Definisi Umum
Untuk mempelajari distribusi probabilitas kontinu, kita menggunakan "distribusi probabilitas
Normal". Variabel acak kontinu diperoleh dengan cara mengukur sesuatu, seperti : berat badan,
tinggi badan, usia pakai baterai dll.

a)Karakteristik Kurva Dstribusi Normal

1. Kurva normal berbentuk lonceng, memiliki puncak pada tengah distribusi. Rata-rata aritmatik,
median, dan mode dari distribusi bernilai sama dan terletak pada puncak.
2. Distribusi probabilitas normal simetris terhadap rata-ratanya.
3. Kurva normal menurun secara perlahan kedua sisinya, namun kurva tidak akan pernah
menyentuh sumbu x .

Standar deviasi ( )menentukan kelandaian kurva : Semakin besar , maka kurva akan landai &
melebar. Semakin kecil , maka kurva akan lancip & menyempit.

b) Distribusi Probabilitas Normal Standar

Untuk menyeragamkan sekian banyak distribusi normal dengan dan yang berbeda, kita dapat
menggunakan Kurva Normal Standar.
Kurva standar ini memiliki = 0 dan = 1. Kurva normal seluruhnya dapat dikonversi ke kurva
standar, dengan cara x menghitung z value(nilai z ). z value ialah jarak antara suatu nilai
terhadap rata-rata , dibagi dengan standar deviasi .
Rumus :(x- )/
x = nilai observasi tertentu
= rata-rata distribusi
= standar deviasi

c) Daerah di Bawah Kurva Normal Standar

Terdapat 3 daerah di bawah kurva normal :
1. 68% bagian bawah kurva normal terletak antara + dan atau daerah 1
2. 95% bagian bawah kurva normal terletak antara 2 2 + dan atau daerah 2
3. 99% bagian bawah kurva normal terletak antara 3 3 + dan , atau daerah 3

Contoh :
1. Suatu tes daya tahan terhadap sejumlah besar baterai alkaline menunjukan bahwa rata-rata
daya tahan baterai adalah 19,0 jam. Distribusi menggunakan distribusi normal, standar deviasi
dari distribusi tersebut adalah 1,2 jam.
a. Diantara nilai manakah bila 68% baterai habis ?
b. Diantara nilai manakah bila 95% balerai habis ?
c. Diantara nilai manakah bila 100% baterai habis ?

Jawaban :
a. 68% baterai habis bila baterai dipakai pada 1 , yaitu : 19,0 1,2 = 17,8 jam 20,2 jam.
b. 95% baterai akan habis bila baterai dipakai pada 2 yaitu ; 19,0 2(1,2) = 16,6 21,4
jam.
c. 100% baterai akan habis bila baterai dipakai pada yaitu : 19,0 3(1,2) = 15,4 22,6 jam. 3

PENUTUP

Demikianlah sedikit uraian tentang Distribusi Probabilitas Diskrit dan Distribusi

Normal.Semoga makalah ini dapat bermanfaat khususnya bagi saya sendiri dan umumnya bagi
pembaca semuanya.Amin ya robbal alamin.
Sekian,terima kasih.