NORMAL DISTRIBUTIONS DAN STANDAR NORMAL DISTRIBUTIONS
Dapatkan link
Facebook
Twitter
Pinterest
Email
Aplikasi Lainnya
Nama : Diotama Saputra
Npm : 19316034
Distribusi peluang geometrik merupakan sebuah fungsi peluang yang menghimpun banyaknya percobaan yang dilakukan untuk memperoleh sukses pertama kali dengan peluang sukses sebesar p dan peluang gagal sebesar q. Jika X menyatakan banyaknya percobaan tersebut maka nilai random variabel x yang mungkin adalah 1, 2, 3, dan seterusnya hingga tak hingga atau x = 1, 2, 3, … , ~. Dengan mudah fungsi peluang distribusi geometrik dinyatakan sebagai berikut:
f(x) = pqx-1 untuk x = 1, 2, 3, … , ~
Artikel kali ini akan membahas beberapa aspek dari distribusi geometrik dengan menggunakan R yaitu: Nilai peluang P(X = x), Peluang Kumulatif P(X <= x) dan Simulasi Data berdistribusi Geometrik.
1. Nilai Peluang P(X=x)
Nilai peluang P(X=x) dapat dihitung menggunakan R dengan perintah dgeom(x-1,p). Berikut beberapa contoh penggunaannya:
P(X=1, p = 0.2) = dgeom(0,0.2) = 0.2
P(X=5, p = 0.3) = dgeom(4,0.3) = 0.07203
P(X=7, p = 0.7) = dgeom(6,0.7) = 0.0005103
2. Peluang Kumulatif P(X <= x)
Nilai peluang kumulatif (CDF) P(X <= x) dihitung dengan R menggunakan perintah pgeom(x-1,p). Jika kita ingin menghitung peluang dari dibutuhkan paling banyak 5 percobaan memasukkan bola basket ke ring basket untuk pertama kali dengan peluang masuk untuk satu shoot adalah 0.8 maka:
Cara singkat yang llebih efisien adalah pgeom(4,0.8) = 0.99968.
3. Simulasi Data berdistribusi Geometrik
Sekarang, mari kita bangkitkan data yang berdistribusi geometrik. Untuk kebutuhann ini, perintah R yang digunakan adalah
rgeom(N,p)
di mana N adalah jumlah data yang akan dibangkitkan dan p adalah peluang sukses terjadi.
Untuk memvisualisasikan data berdistribusi geometrik, kita bisa manfaatkan perintah
hist
untuk membentuk histogram. Lengkapi histogram dengan keterangan yang dibutuhkan. Misalnya kita ingin membangkitkan 1000 data berdistribusi geometrik dengan peluang sukses sebesar 0.2 maka perintah yang bisa digunakan adalah:
hist(rgeom(1000,0.2),main=”Histogram of Geomteric”,col=”steelblue”,prob=TRUE,xlab=”X”)
Adapun output yang dihasilkan sebagai berikut:
Penjelasan Distribusi Poisson
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.
Ciri-ciri ditribusi Poisson
Percobaan Poisson memiliki ciri-ciri berikut bahwa hasil percobaan pada suatu selang waktu dan tempat tidak tergantung dari hasil percobaan di selang waktu dan tempat yang lain yang terpisah, 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 Peluang bahwa lebih dari satu hasil percobaan akan terjadi pada satu selang waktu dan luasan tempat yang sama diabaikan.
Penggunaan Distribusi Poisson yaitu dalam hal :
a)menghitung Probabilitas terjadinya peristiwa menurut satuan waktu, ruang atau isi, luas, panjang tertentu, seperti:
–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 : ü jumlah rata-rata benda di daerah S T adalah sebanding terhadap ukuran S, yaitu ECount(S)= λ S. Di sini melambangkan ukuran S, yaitu panjang, luas, volume, dan lain lain. Parameter λ > <0,1).Jika kita menghitung sejumlah benda acak dalam suatu daerah tertentu T, maka proses penghitungan ini dilakukan sebagai berikut :
–jumlah rata-rata benda di daerah S T adalah sebanding terhadap ukuran S, yaituü ECount(S)= λ S. Di sini melambangkan ukuran S, yaitu panjang, luas, volume, dan lain lain. Parameter λ > 0 menggambarkankan intensitas proses.
–menghitung di daerah terpisah adalah bebas.
–kesempatan untuk mengamati lebih dari satu benda di dalam suatu daerah kecil adalah sangat kecil.
Nama : Diotama Saputra NPM : 19316034 Kelas : TK 19 A Universitas : https://teknokrat.ac.id/ Fakultas : http://ftik.teknokrat.ac.id/ Pengertian Metode Waterfall Metode waterfall atau metode air terjun merupakan salah satu siklus hidup klasic (Classic life cycle) dalam pengembangan perangkat lunak. Metode ini menggambarkan pendekatan yang cukup sistematis juga berurutan pada pengembangan software, mulai dari : Spesifikasi kebutuhan pengguna Perencanaan Permodelan Konstruksi Penyerahan sistem ke pengguna Serta perawatan sistem Tahapan-Tahapan Metode Waterfall Dari pengertian di atas sebetulnya kita sudah mendapatkan tahapan-tahapan metode pengembangan software ini. Supaya lebih jelas berikut ini uraiannya. Requirement Pada tahap ini pengembang harus mengetahui seluruh informasi mengenai kebutuhan sofatware seperti kegunaan software yang diinginkan oleh pengguna dan batasan software. Informasi tersebut biasanya diperoleh dari wawancara, survey, ataupun diskusi. Setelah itu informs
Nama : Diotama Saputra Npm : 19316034 Mengapa dilakukan pengambilan sampel ? Motivasi Kamu bekerja di bagian marketing sebuah perusahaan skin care di negara X. Ingin membuat strategi marketing yang baru. Kamu ingin mengetahui berapa uang yang dikeluarkan oleh wanita di negara X per bulannya untuk skin care. Apa yang akan kamu lakukan ? Collect data Sampling Distribution Bagaimana melakukan interpretasi dari hasil sampel ? Populasi Parameter: ukuran yang sesungguhnya. Nilainya tidak berubah. Contoh: μ,σ, dll Sampel Statistik: ukuran yang diperoleh dari sampel. Contoh: x ̅, s, dll. Nilainya dapat berubah untuk setiap random sampel yang diambil Menentukan Distribusi Sampel Lakukan pengambilan sebanyak 1 kali Tentukan semua kemungkinan hasil Hitung peluang semua kemungkinan hasil Buatlah plot untuk peluang semua kemungkinan hasil Lakukan pengambilan sebanyak 2 kali Tentukan semua kemungkinan sampel mean (x ̅) Hitung peluang semua kemungkinan sampel mean (x ̅) Buatlah plot untuk peluang
Nama : Diotama Saputra Npm : 19316034 Kelas : TK 19 A BAB I PENDAHULUAN Latar Belakang Penelitian Saat ini teknologi informasi dan komunikasi berkembang sangat pesat, banyak digunakan untuk memberikan informasi secara cepat. Perkembangan teknologi informasi banyak mendorong penyedia layanan teknologi telekomunikasi berupa device bergerak (mobile phone) yang langsung dapat terhubung dengan internet. Perangkat mobile phone sudah banyak digunakan oleh masyarakat luas karena kegunaannya yang praktis dan efisien. Dengan adanya layanan internet orang dapat mendapatkan informasi yang dibutuhkan kapan saja dan dimana saja. Kurangnya pengetahuan masyarakat tentang informasi seputar pernikahan berdasarkan negara, agama serta pengetahuan budaya/ adat pernikahan yang ada di indonesia menyebabkan proses penyampaian dan pengetahuan informasi menjadi kendala. Untuk mendapatkan informasi pernikahan yang dibutuhkan biasanya masyarakat secara langsung datang ke Kantor Urusan Agama terdekat. Ini akan me
Komentar
Posting Komentar