1. Distribusi Binomial

Kasus 1: Tepat 2 Keberhasilan

Diketahui 10 percobaan dengan peluang keberhasilan 0,3. Hitung peluang tepat 2 keberhasilan.

n <- 10
p <- 0.3
x <- 2

hasil <- dbinom(x, size = n, prob = p)
hasil
## [1] 0.2334744
nilai_x <- 0:n
prob <- dbinom(nilai_x, size = n, prob = p)

barplot(
  prob,
  names.arg = nilai_x,
  col = "skyblue",
  main = "Distribusi Binomial Kasus 1",
  xlab = "Jumlah Keberhasilan",
  ylab = "Probabilitas"
)

Interpretasi: Peluang memperoleh tepat 2 keberhasilan adalah sekitar 0,2335 atau 23,35%.

Kasus 2: Maksimal 5 Keberhasilan

Diketahui 10 percobaan dengan peluang keberhasilan 0,3. Hitung peluang maksimal 5 keberhasilan.

n <- 10
p <- 0.3
x <- 5

hasil <- pbinom(x, size = n, prob = p)
hasil
## [1] 0.952651
nilai_x <- 0:n
prob <- dbinom(nilai_x, size = n, prob = p)

barplot(
  prob,
  names.arg = nilai_x,
  col = ifelse(nilai_x <= x, "steelblue", "lightgray"),
  main = "Distribusi Binomial: Maksimal 5 Keberhasilan",
  xlab = "Jumlah Keberhasilan",
  ylab = "Probabilitas"
)

Interpretasi: Peluang memperoleh maksimal 5 keberhasilan adalah sekitar 0,9527 atau 95,27%.

Kasus 3: Minimal 5 Keberhasilan

Diketahui 10 percobaan dengan peluang keberhasilan 0,3. Hitung peluang minimal 5 keberhasilan.

n <- 10
p <- 0.3
x <- 5

hasil <- 1 - pbinom(x - 1, size = n, prob = p)
hasil
## [1] 0.1502683
nilai_x <- 0:n
prob <- dbinom(nilai_x, size = n, prob = p)

barplot(
  prob,
  names.arg = nilai_x,
  col = ifelse(nilai_x >= x, "orange", "lightgray"),
  main = "Distribusi Binomial: Minimal 5 Keberhasilan",
  xlab = "Jumlah Keberhasilan",
  ylab = "Probabilitas"
)

Interpretasi: Peluang memperoleh minimal 5 keberhasilan adalah sekitar 0,1503 atau 15,03%.

Kasus 4: Nilai Harapan dan Varians

Diketahui jumlah percobaan 25 dan peluang keberhasilan 0,3. Hitung nilai harapan, varians, dan simpangan baku.

n <- 25
p <- 0.3

nilai_harapan <- n * p
varians <- n * p * (1 - p)
simpangan_baku <- sqrt(varians)

nilai_harapan
## [1] 7.5
varians
## [1] 5.25
simpangan_baku
## [1] 2.291288

Interpretasi: Nilai harapan adalah 7,5, varians sebesar 5,25, dan simpangan baku sekitar 2,291.

Latihan 1: Maksimal 4 Keberhasilan

Diketahui 20 percobaan dengan peluang keberhasilan 0,2. Hitung peluang maksimal 4 keberhasilan.

n <- 20
p <- 0.2
x <- 4

hasil <- pbinom(x, size = n, prob = p)
hasil
## [1] 0.6296483
nilai_x <- 0:n
prob <- dbinom(nilai_x, size = n, prob = p)

barplot(
  prob,
  names.arg = nilai_x,
  col = ifelse(nilai_x <= x, "seagreen3", "lightgray"),
  main = "Latihan Binomial: Maksimal 4 Keberhasilan",
  xlab = "Jumlah Keberhasilan",
  ylab = "Probabilitas"
)

Interpretasi: Peluang memperoleh maksimal 4 keberhasilan adalah sekitar 0,6296 atau 62,96%.

Simulasi Distribusi Binomial

Simulasi dilakukan sebanyak 1.000 kali dengan jumlah percobaan 10 dan peluang keberhasilan 0,3.

set.seed(123)

simulasi_binomial <- rbinom(
  1000,
  size = 10,
  prob = 0.3
)

head(simulasi_binomial)
## [1] 2 4 3 5 5 1
hist(
  simulasi_binomial,
  breaks = seq(-0.5, 10.5, 1),
  col = "skyblue",
  main = "Simulasi Distribusi Binomial",
  xlab = "Jumlah Keberhasilan",
  ylab = "Frekuensi"
)

Interpretasi: Simulasi menghasilkan 1.000 data dengan jumlah keberhasilan antara 0 sampai 10. Sebagian besar hasil berada di sekitar nilai harapan, yaitu 3 keberhasilan.

2. Distribusi Poisson

Kasus 5: Antara 2 sampai 4 Kejadian

Diketahui rata-rata kejadian sebanyak 3 kali dalam suatu interval. Hitung peluang terjadinya 2 sampai 4 kejadian.

lambda <- 3

hasil <- ppois(4, lambda) - ppois(1, lambda)
hasil
## [1] 0.616115
nilai_x <- 0:10
prob <- dpois(nilai_x, lambda = lambda)

barplot(
  prob,
  names.arg = nilai_x,
  col = ifelse(nilai_x >= 2 & nilai_x <= 4, "orange", "lightgray"),
  main = "Distribusi Poisson: 2 sampai 4 Kejadian",
  xlab = "Jumlah Kejadian",
  ylab = "Probabilitas"
)

Interpretasi: Peluang terjadinya 2 sampai 4 kejadian adalah sekitar 0,6161 atau 61,61%.

Kasus 6: Rata-Rata 150 Kejadian

Diketahui rata-rata kejadian sebanyak 150 kali. Hitung peluang tepat 150 kejadian, maksimal 150 kejadian, dan lebih dari 150 kejadian.

lambda <- 150

prob_tepat <- dpois(150, lambda)
prob_maksimal <- ppois(150, lambda)
prob_lebih <- 1 - ppois(150, lambda)

prob_tepat
## [1] 0.03255541
prob_maksimal
## [1] 0.5216972
prob_lebih
## [1] 0.4783028
nilai_x <- 120:180
prob <- dpois(nilai_x, lambda = lambda)

plot(
  nilai_x,
  prob,
  type = "h",
  lwd = 3,
  col = "steelblue",
  main = "Distribusi Poisson dengan Lambda 150",
  xlab = "Jumlah Kejadian",
  ylab = "Probabilitas"
)

Interpretasi:

  • Tepat 150 kejadian: sekitar 3,26%.
  • Maksimal 150 kejadian: sekitar 52,17%.
  • Lebih dari 150 kejadian: sekitar 47,83%.

Kasus 7: Perbandingan Binomial dan Poisson

Diketahui jumlah percobaan 50 dan peluang keberhasilan 0,03. Bandingkan distribusi Binomial dan Poisson.

n <- 50
p <- 0.03
lambda <- n * p

nilai_x <- 0:10

prob_binomial <- dbinom(nilai_x, size = n, prob = p)
prob_poisson <- dpois(nilai_x, lambda = lambda)

data_perbandingan <- data.frame(
  Jumlah_Kejadian = nilai_x,
  Binomial = prob_binomial,
  Poisson = prob_poisson
)

data_perbandingan
##    Jumlah_Kejadian     Binomial      Poisson
## 1                0 2.180654e-01 2.231302e-01
## 2                1 3.372145e-01 3.346952e-01
## 3                2 2.555182e-01 2.510214e-01
## 4                3 1.264420e-01 1.255107e-01
## 5                4 4.594928e-02 4.706652e-02
## 6                5 1.307423e-02 1.411996e-02
## 7                6 3.032682e-03 3.529989e-03
## 8                7 5.895641e-04 7.564262e-04
## 9                8 9.800743e-05 1.418299e-04
## 10               9 1.414540e-05 2.363832e-05
## 11              10 1.793695e-06 3.545748e-06
plot(
  nilai_x,
  prob_binomial,
  type = "b",
  pch = 16,
  col = "blue",
  ylim = range(c(prob_binomial, prob_poisson)),
  main = "Perbandingan Distribusi Binomial dan Poisson",
  xlab = "Jumlah Kejadian",
  ylab = "Probabilitas"
)

lines(
  nilai_x,
  prob_poisson,
  type = "b",
  pch = 17,
  col = "red"
)

legend(
  "topright",
  legend = c("Binomial", "Poisson"),
  col = c("blue", "red"),
  pch = c(16, 17),
  lty = 1
)

Interpretasi: Nilai lambda adalah 1,5. Kedua distribusi menghasilkan probabilitas yang relatif berdekatan. Poisson dapat digunakan sebagai pendekatan Binomial ketika jumlah percobaan besar dan peluang keberhasilan kecil.

Latihan 2: Minimal 13 Kejadian

Diketahui rata-rata kejadian sebanyak 20 kali. Hitung peluang minimal 13 kejadian.

lambda <- 20

hasil <- 1 - ppois(12, lambda = lambda)
hasil
## [1] 0.960988
nilai_x <- 0:40
prob <- dpois(nilai_x, lambda = lambda)

barplot(
  prob,
  names.arg = nilai_x,
  col = ifelse(nilai_x >= 13, "seagreen3", "lightgray"),
  main = "Latihan Poisson: Minimal 13 Kejadian",
  xlab = "Jumlah Kejadian",
  ylab = "Probabilitas"
)

Interpretasi: Peluang terjadinya minimal 13 kejadian adalah sekitar 0,9610 atau 96,10%.

Latihan 3: Tidak Ada Kejadian

Diketahui 1.000 percobaan dengan peluang kejadian 0,001. Hitung peluang tidak terjadi kejadian sama sekali menggunakan Poisson dan Binomial.

n <- 1000
p <- 0.001
lambda <- n * p

prob_poisson <- dpois(0, lambda = lambda)
prob_binomial <- dbinom(0, size = n, prob = p)

prob_poisson
## [1] 0.3678794
prob_binomial
## [1] 0.3676954
hasil_perbandingan <- data.frame(
  Distribusi = c("Poisson", "Binomial"),
  Probabilitas = c(prob_poisson, prob_binomial)
)

hasil_perbandingan
##   Distribusi Probabilitas
## 1    Poisson    0.3678794
## 2   Binomial    0.3676954
barplot(
  hasil_perbandingan$Probabilitas,
  names.arg = hasil_perbandingan$Distribusi,
  col = c("orange", "steelblue"),
  main = "Perbandingan Probabilitas Tidak Ada Kejadian",
  xlab = "Distribusi",
  ylab = "Probabilitas"
)

Interpretasi: Probabilitas tidak terjadi kejadian sama sekali menggunakan Poisson maupun Binomial adalah sekitar 36,79%. Hasil keduanya sangat berdekatan.

Simulasi Distribusi Poisson

Simulasi dilakukan sebanyak 1.000 kali dengan rata-rata kejadian sebanyak 3 kali.

set.seed(123)

simulasi_poisson <- rpois(
  1000,
  lambda = 3
)

head(simulasi_poisson)
## [1] 2 4 2 5 6 0
hist(
  simulasi_poisson,
  breaks = seq(-0.5, max(simulasi_poisson) + 0.5, 1),
  col = "orange",
  main = "Simulasi Distribusi Poisson",
  xlab = "Jumlah Kejadian",
  ylab = "Frekuensi"
)

Interpretasi: Simulasi menghasilkan 1.000 data jumlah kejadian. Sebagian besar hasil berada di sekitar rata-rata 3 kejadian.

3. Kesimpulan

Distribusi Binomial digunakan untuk menghitung peluang keberhasilan dari sejumlah percobaan tetap, sedangkan distribusi Poisson digunakan untuk menghitung peluang banyaknya kejadian dalam suatu interval.

Melalui RStudio, perhitungan distribusi Binomial dapat dilakukan menggunakan fungsi dbinom(), pbinom(), dan rbinom(). Sementara itu, distribusi Poisson menggunakan fungsi dpois(), ppois(), dan rpois().

Simulasi dan grafik membantu memahami pola distribusi serta membandingkan hasil perhitungan. Dengan demikian, RStudio dapat digunakan untuk melakukan perhitungan, simulasi, dan visualisasi distribusi probabilitas.