TUGAS PRAKTIKUM ANALISIS DATA KATEGORI

Disusun untuk memenuhi salah satu syarat tugas mata kuliah Analisis Data Kategori

Dosen Pengampu:
Anna Chadidjah, Dra., MS.

Disusun oleh:
Salsa Nurdini (140610160076)
Kelas: A

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PADJADJARAN
JATINANGOR
2019
A. UJI PROPORSI SATU SAMPEL
Contoh kasus:
Pengamat ekonomi memiliki dugaan bahwa 70% perusahaan besar di Indonesia dimiliki oleh
warga negara asing. Untuk membuktikan dugaannya diambil sampel acak 210 perusahaan yang
digolongkan perusahaan besar. Dari 210 perusahaan besar sebanyak 130 perusahaan dimiliki oleh
orang asing. Dengan tingkat signifikan sebesar 0.05. Lakukan pengujian hipotesisnya.
 Hipotesis:
𝐻0 ∶ 𝑝 = 𝑝0 artinya 70% perusahaan besar di Indonesia dimiliki oleh warga negara asing.
𝐻1 ∶ 𝑝 ≠ 𝑝0 artinya 70% perusahaan besar di Indonesia tidak dimiliki oleh warga negara
asing.
 Alpha (α) : 5%
 Wilayah Kritis : 𝑧 ≤ −𝑧𝛼 atau 𝑧 ≥ 𝑧𝛼
2 2

 Perhitungan Statistik Uji:

𝑥
( ) − 𝑝0
𝑛
𝑧=
√𝑝0 (1 − 𝑝0 )/𝑛
Dimana,
𝑥 = banyaknya kejadian sukses
𝑛 = jumlah sampel
𝑝0 = proporsi peristiwa A.
Dengan software R, dilakukan uji proporsi satu sampel dengan hasil sebagai berikut:

> prop.test(130,210,0.7,conf.level=0.95)
1-sample proportions test with continuity correction
data: 130 out of 210, null probability 0.7
X-squared = 6.1735, df = 1, p-value = 0.01297
alternative hypothesis: true p is not equal to 0.7
95 percent confidence interval:
0.5493720 0.6842925
sample estimates:
p
0.6190476
  Keputusan:
Tolak 𝐻0 bila 𝑧 jatuh dalam wilayah kritis, sebaliknya terima 𝐻0 atau tolak 𝐻0 jika p-
value lebih kecil dari alpha (α).
Dari hasil pengujian di atas, dengan alpha (α) = 5% didapat p-value sebesar 0.01297 yang
lebih kecil dari alpha (α) = 0.05 sehingga 𝐻0 ditolak yang artinya dugaan pengamat
tentang 70% perusahaan besar di Indonesia dimiliki oleh warga negara asing adalah salah.
Terbukti dari nilai propors yang diperoleh yaitu 0.6190476 ≈61.9%.

B. UJI PROPORSI DUA SAMPEL

Contoh kasus:
Suatu kegiatan survey dilakukan sebanyak 2 kali untuk mengetahui apakah ada perbedaan
pilihan masyarakat terhadap calon tertentu dalam pemilihan presiden. data disajikan sebagai
berikut:

Minggu ke-1 Minggu ke-2

Memilih 45 56
Tidak memilih 35 47
 Hipotesis:
𝐻0 ∶ 𝑝1 = 𝑝2 artinya proporsi pilihan masyarakat terhadap calon tertentu dalam pemilihan
presiden adalah sama.
𝐻1 ∶ 𝑝1 ≠ 𝑝2 artinya proporsi pilihan masyarakat terhadap calon tertentu dalam pemilihan
presiden adalah tidak sama.
 Alpha (α) : 5%
 Wilayah Kritis : 𝑧 ≤ −𝑧𝛼 atau 𝑧 ≥ 𝑧𝛼
2 2

 Perhitungan Statistik Uji:

𝑥1 𝑥2 (𝑥1 +𝑥2)
𝑝̂1 = 𝑝̂ 2 = 𝑝̂ =
𝑛1 𝑛2 (𝑛1+𝑛2)
𝑝̂1 −𝑝̂2
𝑧= 1 1
√𝑝̂𝑞̂[(𝑛 )+(𝑛 )]
1 2

Dengan software R, dilakukan uji proporsi dua sampel dengan hasil sebagai berikut:
 > prop.test(c(a,b),c(n1,n2))
Keterangan: n1,n2 = jumlah setiap kategori dan a = jumalah sampel pertama.
Proporsi untuk sampel kategori memilih:
> prop.test(c(45,56),c(45+35,56+47))
2-sample test for equality of proportions with
continuity correction
data: c(45, 56) out of c(45 + 35, 56 + 47)
X-squared = 0.010813, df = 1, p-value = 0.9172
alternative hypothesis: two.sided
95 percent confidence interval:
-0.1374478 0.1750692
sample estimates:
prop 1 prop 2
0.5625000 0.5436893

 Keputusan:
Tolak 𝐻0 bila 𝑧 jatuh dalam wilayah kritis, sebaliknya terima 𝐻0 atau tolak 𝐻0 jika p-
value lebih kecil dari alpha (α).
Dari hasil pengujian di atas, dengan alpha (α) = 5% didapat p-value sebesar 0.9172 yang
lebih besar dari alpha (α) = 0.05 sehingga 𝐻0 diterima yang artinya proporsi pilihan
masyarakat terhadap calon tertentu dalam pemilihan presiden adalah sama. Terbukti dari
nilai proporsi yang diperoleh dari hasil di atas adalah 𝑝1 = 0.5625 ≈ 56.25% dan 𝑝2 =
0.5436893 ≈ 54.37%

C. TABEL KONTINGENSI DUA ARAH

Ada banyak cara untuk membuat tabel kontingensi di dalam software R.setidaknya ada 3
cara dapat dilakukan untuk membentuk tabel kontingensi.
Contoh kasus 1:
Berikut ini merupakan penelitian mengenai kepercayaan seseorang mengenai adanya
kehidupan setelah kematian (akhirat). Data disajikan dalam pada tabel berikut ini:
 Jenis Kepercayaan
Jumlah
Kelamin Percaya Tidak Percaya
Laki-laki 375 134 509
Perempuan 435 147 582
Jumlah 810 281 1091

 Membuat tabel kontingensi

> afterlife=matrix(c(375,134,435,147),nrow=2,byrow=TRUE)
> afterlife
[,1] [,2]
[1,] 375 134
[2,] 435 147

 Memberi nama kategori baris dan kolom

> dimnames(afterlife)=list(c("Laki-
laki","Perempuan"),c("Percaya","Tidak"))
> afterlife
Percaya Tidak
Laki-laki 375 134
Perempuan 435 147
> names (dimnames(afterlife))=c("JK","kepercayaan")
> afterlife
kepercayaan
JK Percaya Tidak
Laki-laki 375 134
Perempuan 435 147

Dari hasil tabel kontingensi di atas dapat dilihat bahwa dari kategori berjenis kelamin
laki-laki terdapat 375 orang yang percaya mengenai adanya kehidupan setelah kematian
(akhirat) sedangkan 134 orang lainnya tidak percaya. Lalu dari kategori berjenis kelamin
perempuan, 435 orang diantaranya percaya mengenai adanya kehidupan setelah kematian
(akhirat) sedangkan 147 orang lainnya tidak percaya.

 Mencari total dari baris dan kolom

> totBaris=apply(afterlife,1,sum)
 > totKolom=apply(afterlife,2,sum)
> totBaris
Laki-laki Perempuan
509 582

Jadi, dari tabel kontingensi di atas terdapat 509 orang dan 582 orang perempuan.

> totKolom
Percaya Tidak
810 281

Jadi, dari tabel kontingensi di atas terdapat 810 orang yang percaya mengenai adanya
kehidupan setelah kematian (akhirat) dan 281 orang lainnya tidak percaya.

 Menentukan proporsi setiap kategori baris dan kolom

> (Prop.Baris=sweep(afterlife,1,totBaris,"/"))
kepercayaan
JK Percaya Tidak
Laki-laki 0.7367387 0.2632613
Perempuan 0.7474227 0.2525773
> round(Prop.Baris,3)
kepercayaan
JK Percaya Tidak
Laki-laki 0.737 0.263
Perempuan 0.747 0.253
Dari hasil diatas dapat disimpulkan bahwa dari 509 orang laki-laki diantaranya 73.7%
percaya mengenai adanya kehidupan setelah kematian (akhirat) dan sisanya 26.3% tidak
percaya. Sedangkan dari 582 orang perempuan 74.7% diantaranya percaya mengenai
adanya kehidupan setelah kematian (akhirat) dan sisanya 25.3% tidak percaya.

> (Prop.Kolom=sweep(afterlife,2,totKolom,"/"))
kepercayaan
JK Percaya Tidak
Laki-laki 0.462963 0.4768683
Perempuan 0.537037 0.5231317
 > round(Prop.Kolom,3)
kepercayaan
JK Percaya Tidak
Laki-laki 0.463 0.477
Perempuan 0.537 0.523

Dari hasil diatas dapat disimpulkan bahwa dari 810 orang yang percaya mengenai adanya
kehidupan setelah kematian (afterlife) diantaranya 46.3% berjenis kelamin laki-laki dan
sisanya 53.7% berjenis kelamin perempuan. Sedangkan dari 281 orang yang tidak percaya
mengenai adanya kehidupan setelah kematian (afterlife) diantaranya 47.7% berjenis
kelamin laki-laki dan sisanya 52.3% berjenis kelamin perempuan.

 Menguji proporsi untuk kategori laki-laki

 Hipotesis:
𝐻0 ∶ 𝑝1 = 𝑝2 artinya proporsi laki-laki antara yang percaya mengenai adanya
kehidupan setelah kematian (afterlife) dan tidak percaya adalah sama.
𝐻1 ∶ 𝑝1 ≠ 𝑝2 artinya proporsi laki-laki antara yang percaya mengenai adanya
kehidupan setelah kematian (afterlife) dan tidak percaya adalah tidak sama.
 Alpha (α) : 5%
 Wilayah Kritis : 𝑧 ≤ −𝑧𝛼 atau 𝑧 ≥ 𝑧𝛼
2 2

 Perhitungan Statistik Uji:

𝑥1 𝑥2 (𝑥1 +𝑥2)
𝑝̂ 1 = 𝑛1
𝑝̂ 2 = 𝑛2
𝑝̂ = (𝑛1+𝑛2)
𝑝̂1 −𝑝̂2
𝑧= 1 1
√𝑝̂𝑞̂[(𝑛 )+(𝑛 )]
1 2

Dengan software R, dilakukan uji proporsi dua sampel dengan hasil sebagai berikut:
> prop.test(c(375,134),c(810,281))
2-sample test for equality of proportions with
continuity correction
data: c(375, 134) out of c(810, 281)
X-squared = 0.11103, df = 1, p-value = 0.739
alternative hypothesis: two.sided
95 percent confidence interval:
 -0.08404773 0.05623700
sample estimates:
prop 1 prop 2
0.4629630 0.4768683
 Keputusan:
Tolak 𝐻0 bila 𝑧 jatuh dalam wilayah kritis, sebaliknya terima 𝐻0 atau tolak 𝐻0 jika p-
value lebih kecil dari alpha (α).
Dari hasil pengujian di atas, dengan alpha (α) = 5% didapat p-value sebesar 0.739 yang
lebih besar dari alpha (α) = 0.05 sehingga 𝐻0 diterima yang artinya proporsi laki-laki
antara yang percaya mengenai adanya kehidupan setelah kematian (afterlife) dan tidak
percaya adalah sama. Terbukti dari nilai proporsi yang diperoleh dari hasil di atas
adalah 𝑝1 = 0.462963 ≈ 46.3% dan 𝑝2 = 0.4768683 ≈ 47.69% .

 Menguji proporsi untuk kategori perempuan

 Hipotesis:
𝐻0 ∶ 𝑝1 = 𝑝2 artinya proporsi perempuan antara yang percaya mengenai adanya
kehidupan setelah kematian (afterlife) dan tidak percaya adalah sama.
𝐻1 ∶ 𝑝1 ≠ 𝑝2 artinya proporsi perempuan antara yang percaya mengenai adanya
kehidupan setelah kematian (afterlife) dan tidak percaya adalah tidak sama.
 Alpha (α) : 5%
 Wilayah Kritis : 𝑧 ≤ −𝑧𝛼 atau 𝑧 ≥ 𝑧𝛼
2 2

 Perhitungan Statistik Uji:

𝑥1 𝑥2 (𝑥1 +𝑥2)
𝑝̂ 1 = 𝑝̂ 2 = 𝑝̂ =
𝑛1 𝑛2 (𝑛1+𝑛2)
𝑝̂1 −𝑝̂2
𝑧= 1 1
√𝑝̂𝑞̂[(𝑛 )+(𝑛 )]
1 2

Dengan software R, dilakukan uji proporsi dua sampel dengan hasil sebagai berikut:
> prop.test(c(435,147),c(810,281))
2-sample test for equality of proportions with
continuity correction
data: c(435, 147) out of c(810, 281)
X-squared = 0.11103, df = 1, p-value = 0.739
alternative hypothesis: two.sided
95 percent confidence interval:
-0.05623700 0.08404773
 sample estimates:
prop 1 prop 2
0.5370370 0.5231317
 Keputusan:
Tolak 𝐻0 bila 𝑧 jatuh dalam wilayah kritis, sebaliknya terima 𝐻0 atau tolak 𝐻0 jika p-
value lebih kecil dari alpha (α).
Dari hasil pengujian di atas, dengan alpha (α) = 5% didapat p-value sebesar 0.739 yang
lebih besar dari alpha (α) = 0.05 sehingga 𝐻0 diterima yang artinya proporsi perempuan
antara yang percaya mengenai adanya kehidupan setelah kematian (afterlife) dan tidak
percaya adalah sama. Terbukti dari nilai proporsi yang diperoleh dari hasil di atas
adalah 𝑝1 = 0.537037 ≈ 53.7% dan 𝑝2 = 0.5231317 ≈ 52.31% .

D. INFERENSI TABEL KONTINGENSI DUA ARAH

Contoh kasus:
Sebuah penelitian memberikan informasi ringkasan data yang disajikan dalam tabel
kontingensi 2 arah yaitu mengenai pasien yang mengonsumsi Placebo atau Aspirin dengan
risiko serangan jantung. Data tercantum dalam tabel berikut:

Serangan Jantung
Konsumsi Obat
Ya Tidak
Placebo 189 10845
Aspirin 104 10933

 Membuat tabel kontingensi dua arah

> phs=matrix(c(189,10845,104,10933),byrow=TRUE,ncol=2)
> phs
[,1] [,2]
[1,] 189 10845
[2,] 104 10933
>
dimnames(phs)=list(Group=c("Placebo","Aspirin"),MI=c("Yes","No")
)
> phs
MI
 Group Yes No
Placebo 189 10845
Aspirin 104 10933
> names(dimnames(phs))=c("Konsumsi Obat","Serangan Jantung")
> phs
Serangan Jantung
Konsumsi Obat Yes No
Placebo 189 10845
Aspirin 104 10933
> test=sum(phs)
> phs/test
Serangan Jantung
Konsumsi Obat Yes No
Placebo 0.008563273 0.4913688
Aspirin 0.004712066 0.4953559
Jadi, proporsi orang yang mengonsumsi obat Placebo dan terkena serangan jantung adalah
sebesar 0.0086, proporsi yang mengonsumsi obat Placebo namun tidak terkena serangan
jantung sebesar 0.4914, untuk yang mengonsumsi obat Aspirin dan terkena serangan
jantung adalah sebesar 0.0047 sedangkan proporsi yang mengonsumsi obat Apirin namun
tidak terkena serangan jantung sebesar 0.4953.

 Menguji proporsi dua sampel untuk pasien yang terkena serangan jantung
 Hipotesis:
𝐻0 ∶ 𝜋0 = 𝜋1 artinya proporsi pasien yang mengonsumsi obat Placebo dan terkena
serangan jantung sama dengan proporsi pasien yang mengonsumsi obat Aspirin dan
terkena serangan jantung.
𝐻1 ∶ 𝜋0 ≠ 𝜋1 artinya proporsi pasien yang mengonsumsi obat Placebo dan terkena
serangan jantung tidak sama dengan proporsi pasien yang mengonsumsi obat aspirin
dan terkena serangan jantung.
 Alpha (α): 5%
 Wilayah Kritis : 𝑧 ≤ −𝑧𝛼 atau 𝑧 ≥ 𝑧𝛼
2 2

 Perhitungan Statistik Uji:

 𝑥1 𝑥2 (𝑥1 +𝑥2)
𝑝̂ 1 = 𝑝̂ 2 = 𝑝̂ =
𝑛1 𝑛2 (𝑛1+𝑛2)
𝑝̂1 −𝑝̂2
𝑧= 1 1
√𝑝̂𝑞̂[(𝑛 )+(𝑛 )]
1 2

Dengan software R, dilakukan uji proporsi dua sampel dengan hasil sebagai berikut:
> prop.test(phs)
2-sample test for equality of proportions with
continuity correction
data: phs
X-squared = 24.429, df = 1, p-value = 7.71e-07
alternative hypothesis: two.sided
95 percent confidence interval:
0.004597134 0.010814914
sample estimates:
prop 1 prop 2
0.01712887 0.00942285
 Keputusan:
Tolak 𝐻0 bila 𝑥 jatuh dalam wilayah kritis, sebaliknya terima 𝐻0 atau tolak 𝐻0 jika p-
value lebih kecil dari alpha (α).
Dari hasil pengujian di atas, dengan alpha (α) = 5% didapat p-value sebesar 7.71 x
10−7 yang lebih kecil dari alpha (α) = 0.05 sehingga 𝐻0 ditolak proporsi pasien yang
mengonsumsi obat Placebo dan terkena serangan jantung tidak sama dengan proporsi
pasien yang mengonsumsi obat aspirin dan terkena serangan jantung.

Jika pengujian proporsi dua sampel dilakukan dengan koreksi Yates (correct=F)
menggunakan software R maka didapat hasil sebagai berikut:
 Hipotesis:
𝐻0 ∶ 𝜋0 = 𝜋1 artinya proporsi pasien yang mengonsumsi obat Placebo dan terkena
serangan jantung sama dengan proporsi pasien yang mengonsumsi obat Aspirin dan
terkena serangan jantung.
𝐻1 ∶ 𝜋0 ≠ 𝜋1 artinya proporsi pasien yang mengonsumsi obat Placebo dan terkena
serangan jantung tidak sama dengan proporsi pasien yang mengonsumsi obat aspirin
dan terkena serangan jantung.
 Alpha (α): 5%
 Wilayah Kritis : 𝑧 ≤ −𝑧𝛼 atau 𝑧 ≥ 𝑧𝛼
2 2

 Perhitungan Statistik Uji:

 𝑥1 𝑥2 (𝑥1 +𝑥2)
𝑝̂ 1 = 𝑝̂ 2 = 𝑝̂ =
𝑛1 𝑛2 (𝑛1+𝑛2)
𝑝̂1 −𝑝̂2
𝑧= 1 1
√𝑝̂𝑞̂[(𝑛 )+(𝑛 )]
1 2

Dengan software R, dilakukan uji proporsi dua sampel dengan koreksi Yates didapat
hasil sebagai berikut:
> prop.test(phs,correct=F)
2-sample test for equality of proportions without
continuity
correction
data: phs
X-squared = 25.014, df = 1, p-value = 5.692e-07
alternative hypothesis: two.sided
95 percent confidence interval:
0.004687751 0.010724297
sample estimates:
prop 1 prop 2
0.01712887 0.00942285
 Keputusan:

Tolak 𝐻0 bila 𝑥 jatuh dalam wilayah kritis, sebaliknya terima 𝐻0 atau tolak 𝐻0 jika p-
value lebih kecil dari alpha (α).

Dari hasil pengujian proporsi dengan koreksi Yates di atas, dengan alpha (α) = 5%
didapat p-value sebesar 5.692 x 10−7 yang lebih kecil dari alpha (α) = 0.05 sehingga
𝐻0 ditolak proporsi pasien yang mengonsumsi obat Placebo dan terkena serangan
jantung tidak sama dengan proporsi pasien yang mengonsumsi obat aspirin dan terkena
serangan jantung.

 Risiko Relatif
Risiko relative antara peluang Y=j dalam baris X=h dengan X=i, dinyatakan sebagai
berikut:
𝜋𝑗|ℎ
𝑅𝑅 =
𝜋𝑗|𝑖

Dengan software R didapat besarnya nilai risiko relatif sebagai berikut:

> phs.test=prop.test(phs)
> names(phs.test)
 [1] "statistic" "parameter" "p.value" "estimate"
"null.value"
[6] "conf.int" "alternative" "method" "data.name"
> phs.test$estimate
prop 1 prop 2
0.01712887 0.00942285
> phs.test$conf.int
[1] 0.004597134 0.010814914
attr(,"conf.level")
[1] 0.95
> round(phs.test$conf.int,3)
[1] 0.005 0.011
attr(,"conf.level")
[1] 0.95
> phs.test$estimate[1]/phs.test$estimate[2]#relativerisk
prop 1
1.817802
Dari hasil diatas didapat nilai risiko relatif sebesar 1.817802 ≈ 1.82. Maka dapat
disimpulkan bahwa orang yang mengonsumsi obat Placebo 1.82 kali atau 82% lebih
mungkin untuk terkena serangan jantung dibanding orang yang mengonsumsi obat
Aspirin .

 Beda Peluang

𝐵𝑒𝑑𝑎 𝑃𝑒𝑙𝑢𝑎𝑛𝑔 = 𝜋𝑗|ℎ − 𝜋𝑗|𝑖

Dengan software R didapat besarnya nilai risiko relatif sebagai berikut:

> phs.test$estimate[1]-phs.test$estimate[2]
prop 1
0.007706024
Dari hasil diatas didapat nilai beda peluang sebesar 0.007706024. Maka dapat
disimpulkan bahwa beda peluang antara orang yang mengonsumsi obat Placebo dan
terkena serangan jantung dengan orang yang mengonsumsi obat Aspirin dan terkena
serangan jantung adalah sebesar 0.007706024 .

 Odds Ratio
Apabila X dan Y merupakan respons maka berdasarkan definisi peluang bersyarat odds
dalam baris i untuk Y=j dan k adalah
𝛹𝑖 (𝑗, 𝑘 ) = 𝜋𝑖𝑗 / 𝜋𝑖𝑘
Dengan software R didapat besarnya odds ratio sebagai berikut:
> odds=phs.test$estimate/(1-phs.test$estimate)
> odds
prop 1 prop 2
0.017427386 0.009512485
> #langsung#
> odds[1]/odds[2]
prop 1
1.832054
Dari hasil diatas didapat nilai odds ratio 1.832054 ≈ 1.83. Maka dapat disimpulkan bahwa
orang yang diberi obat Placebo 1.83 kali atau 83% lebih mungkin terkena serangan
jantung disbanding orang yang diberi obat Aspirin.
Dengan selang kepercayaan:
> theta=odds[1]/odds[2]
> ASE=sqrt(sum(1/phs))
> ASE
[1] 0.1228416
> logtheta.CI=log(theta)+c(-1,1)*1.96*ASE
> logtheta.CI
[1] 0.3646681 0.8462073
> exp(logtheta.CI)
[1] 1.440036 2.330790
Dari hasil diatas didapat selang kepercayaan odds ratio [1.44 ; 2.33]. dari selang
kepercayaan tersebut dapat dilihat bahwa angka 1 tidak termasuk didalamnya, sehingga
dapat disimpulkan bahwa asosiasi antara kedua variabel adalah signifikan atau terdapat
asosiasi antara variabel respon Y (serangan jantung) dengan variabel X (jenis obat).

Asosiasi antara X dan Y diperlihatkan melalui ratio dua buah odds atau disebut odds ratio.
Untuk dua buah level X, h dan i, odds ratio respons j dan k adalah:
𝛹ℎ𝑖 (𝑗, 𝑘 ) = (𝜋𝑗|ℎ 𝑥 𝜋𝑘|𝑖 )/(𝜋𝑗|𝑖 𝑥 𝜋𝑘|ℎ )
Dengan software R didapat besarnya odds ratio sebagai berikut:
> #satu-satu#
> (phs[1,1]*phs[2,2])/(phs[2,1]*phs[1,2])#as cross-prod ratio
[1] 1.832054
Dari hasil di atas dapat disimpulkan bahwa orang yang diberi obat Placebo 83% lebih
mungkin terkena serangan jantung disbanding orang yang diberi obat Aspirin.
E. MENGHITUNG BEDA PELUANG
Untuk distribusi Binomial dengan n = 10 dan peluang 0.25, maka hitunglah peluang dari:
 P (X = 3)

> dbinom(3,size=10,prob=0.25
[1] 0.2502823

Dari hasil diatas dapat disimpulkan bahwa peluang untuk distribusi Binomial saat X = 3
adalah sebesar 0.2502823.

 P (X ≤ 3)

> pbinom(3,size=10,prob=0.25)
[1] 0.7758751

Dari hasil diatas dapat disimpulkan bahwa peluang untuk distribusi Binomial saat X ≤ 3
adalah sebesar 0.7758751.

Untuk distribusi Poisson dengan 𝜆 = 0.4, maka hitunglah peluang dari;

 P (X = 2)
> dpois(2,0.4)
[1] 0.0536256
Dari hasil diatas dapat disimpulkan bahwa peluang untuk distribusi Poisson saat X = 2
adalah sebesar 0.0536256.

 P (X ≤ 2)

> ppois(2,0.4)
[1] 0.9920737

Dari hasil diatas dapat disimpulkan bahwa peluang untuk distribusi Poisson saat X ≤ 2
adalah sebesar 0.9920737.