Kalkulator Distribusi Binomial

Q: Apa itu distribusi binomial?

Distribusi binomial memodelkan jumlah keberhasilan dalam sejumlah percobaan Bernoulli independen yang tetap, masing-masing dengan probabilitas keberhasilan yang sama. Misalnya, ini dapat memodelkan jumlah munculnya angka saat melempar koin 10 kali, atau jumlah barang cacat dalam satu batch berisi 50 barang ketika setiap barang memiliki tingkat kecacatan 5%. Distribusi ini didefinisikan oleh dua parameter: n (jumlah percobaan) dan p (probabilitas keberhasilan pada setiap percobaan).

Q: Apa rumus probabilitas binomial?

Rumus probabilitas binomial adalah P(X = k) = C(n,k) × p^k × (1-p)^(n-k), di mana C(n,k) adalah koefisien binomial 'n choose k', n adalah jumlah percobaan, k adalah jumlah keberhasilan, p adalah probabilitas keberhasilan pada satu percobaan, dan (1-p) adalah probabilitas kegagalan. Koefisien binomial C(n,k) = n! / (k! × (n-k)!).

Q: Apa perbedaan antara PMF dan CDF?

PMF (Probability Mass Function) memberikan probabilitas tepat k keberhasilan: P(X = k). CDF (Cumulative Distribution Function) memberikan probabilitas paling banyak k keberhasilan: P(X ≤ k), yang merupakan jumlah dari semua probabilitas dari 0 hingga k. CDF berguna untuk mencari probabilitas rentang, seperti P(X ≤ 5) atau P(X ≥ 3) = 1 - P(X ≤ 2).

Q: Berapa mean dan varians dari distribusi binomial?

Untuk distribusi binomial dengan parameter n dan p: Mean (μ) = n × p, Varians (σ²) = n × p × (1-p), dan Standar Deviasi (σ) = √(n × p × (1-p)). Misalnya, jika Anda melempar koin yang adil 100 kali (n=100, p=0,5), jumlah angka yang diharapkan adalah 50, dengan standar deviasi 5.

Q: Kapan saya harus menggunakan distribusi binomial dibandingkan distribusi lain?

Gunakan distribusi binomial ketika: (1) Anda memiliki jumlah percobaan yang tetap, (2) setiap percobaan hanya memiliki dua hasil (berhasil/gagal), (3) percobaan bersifat independen, dan (4) probabilitas keberhasilan konstan. Gunakan distribusi Poisson untuk menghitung peristiwa dalam interval tetap ketika n besar dan p kecil. Gunakan aproksimasi normal ketika n×p dan n×(1-p) keduanya lebih besar dari 5.

Q: Bagaimana cara menghitung probabilitas binomial kumulatif?

Untuk menghitung P(X ≤ k), jumlahkan semua probabilitas individu dari X=0 hingga X=k. Untuk P(X ≥ k), gunakan komplemen: P(X ≥ k) = 1 - P(X ≤ k-1). Untuk rentang seperti P(a ≤ X ≤ b), hitung P(X ≤ b) - P(X ≤ a-1). Kalkulator kami menghitung semua probabilitas kumulatif ini secara otomatis.

Hitung probabilitas binomial P(X=k), probabilitas kumulatif P(X≤k), P(X≥k), dengan grafik PMF/CDF interaktif, solusi langkah demi langkah, dan tabel distribusi lengkap.

Gratis digunakanTidak perlu mendaftarDiperbarui Jan 2026

Kalkulator Distribusi BinomialCoba sekarang — gratis ▼

Embed Kalkulator Distribusi Binomial Widget

Tentang Kalkulator Distribusi Binomial

Selamat datang di Kalkulator Distribusi Probabilitas Binomial, alat statistik komprehensif yang menghitung probabilitas binomial eksak dan kumulatif dengan solusi langkah demi langkah, visualisasi distribusi interaktif, dan analisis statistik mendetail. Baik Anda seorang pelajar yang mempelajari teori probabilitas, peneliti yang menganalisis data eksperimen, atau profesional dalam kontrol kualitas, kalkulator ini memberikan presisi dan kejelasan yang Anda butuhkan.

Apa itu Distribusi Binomial?

Distribusi binomial adalah distribusi probabilitas diskret yang memodelkan jumlah keberhasilan dalam sejumlah percobaan Bernoulli independen yang tetap. Setiap percobaan memiliki tepat dua kemungkinan hasil (berhasil atau gagal), dan probabilitas keberhasilan tetap konstan di semua percobaan.

Distribusi binomial dicirikan oleh dua parameter:

n - Jumlah percobaan (eksperimen)
p - Probabilitas keberhasilan pada setiap percobaan

Rumus Probabilitas Binomial (PMF)

Probabilitas tepat k keberhasilan dalam n percobaan diberikan oleh Probability Mass Function (PMF):

Rumus PMF Binomial

$$P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}$$

Di mana:

$\binom{n}{k} = \frac{n!}{k!(n-k)!}$ adalah koefisien binomial ("n choose k")
$p^k$ mewakili probabilitas k keberhasilan
$(1-p)^{n-k}$ mewakili probabilitas (n-k) kegagalan

Fungsi Distribusi Kumulatif (CDF)

CDF memberikan probabilitas paling banyak k keberhasilan:

Rumus CDF Binomial

$$P(X \leq k) = \sum_{i=0}^{k} \binom{n}{i} p^i (1-p)^{n-i}$$

Fitur Utama Kalkulator Ini

📊

Analisis Probabilitas Lengkap

Hitung P(X = k), P(X ≤ k), P(X ≥ k), dan P(X < k) secara bersamaan

📈

Visualisasi Interaktif

Lihat grafik PMF dan CDF dengan nilai yang disorot untuk pemahaman intuitif

📝

Solusi Langkah demi Langkah

Rincian perhitungan mendetail yang menunjukkan setiap langkah rumus

📋

Tabel Distribusi

Tabel probabilitas lengkap untuk semua hasil yang mungkin dari 0 hingga n

📉

Ringkasan Statistik

Mean, varians, standar deviasi, modus, dan kemiringan (skewness) dihitung secara otomatis

📱

Responsif Seluler

Berfungsi penuh di semua perangkat dengan interaksi sentuh yang dioptimalkan

Cara Menggunakan Kalkulator Ini

Masukkan jumlah percobaan (n): Ini adalah total jumlah eksperimen independen. Misalnya, jika melempar koin 10 kali, n = 10.
Masukkan probabilitas keberhasilan (p): Probabilitas keberhasilan pada satu percobaan, antara 0 dan 1. Untuk koin yang adil, p = 0,5.
Masukkan jumlah keberhasilan (k): Jumlah keberhasilan spesifik yang ingin Anda cari probabilitasnya. Harus antara 0 dan n.
Klik Hitung: Lihat analisis probabilitas lengkap, termasuk probabilitas eksak, probabilitas kumulatif, solusi langkah demi langkah, dan visualisasi.

Memahami Hasil

Nilai Probabilitas

P(X = k): Probabilitas tepat k keberhasilan (PMF)
P(X ≤ k): Probabilitas k atau kurang keberhasilan (CDF)
P(X ≥ k): Probabilitas k atau lebih keberhasilan = 1 - P(X ≤ k-1)
P(X < k): Probabilitas kurang dari k keberhasilan = P(X ≤ k-1)

Ukuran Statistik

Mean (μ): Jumlah keberhasilan yang diharapkan = n × p
Varians (σ²): Ukuran penyebaran = n × p × (1-p)
Standar Deviasi (σ): Akar kuadrat dari varians
Modus: Jumlah keberhasilan yang paling mungkin
Kemiringan (Skewness): Ukuran asimetri distribusi

Aplikasi Dunia Nyata

Kontrol Kualitas

Perusahaan manufaktur menggunakan distribusi binomial untuk menentukan probabilitas menemukan sejumlah barang cacat dalam satu batch. Misalnya, jika lini produksi memiliki tingkat kecacatan 2% dan Anda memeriksa 50 barang, berapa probabilitas menemukan lebih dari 3 barang cacat?

Uji Klinis

Peneliti medis menggunakan distribusi binomial untuk menganalisis efektivitas pengobatan. Jika obat baru memiliki tingkat keberhasilan 70% dan diberikan kepada 20 pasien, berapa probabilitas setidaknya 15 pasien akan membaik?

Analisis Survei

Lembaga survei menggunakan distribusi binomial untuk menghitung margin kesalahan dan interval kepercayaan. Jika 60% populasi mendukung suatu kebijakan dan Anda mensurvei 100 orang, berapa probabilitas mengamati antara 55 hingga 65 pendukung?

Statistik Olahraga

Analis menggunakan distribusi binomial untuk memprediksi hasil pertandingan. Jika seorang pemain bola basket memiliki tingkat keberhasilan lemparan bebas 75%, berapa probabilitas melakukan setidaknya 8 dari 10 lemparan bebas?

Kondisi untuk Distribusi Binomial

Distribusi binomial tepat digunakan ketika semua kondisi berikut terpenuhi:

Jumlah percobaan tetap: Jumlah eksperimen (n) sudah ditentukan sebelumnya
Dua hasil: Setiap percobaan menghasilkan keberhasilan atau kegagalan
Percobaan independen: Hasil dari satu percobaan tidak mempengaruhi percobaan lainnya
Probabilitas konstan: Probabilitas keberhasilan (p) tetap sama untuk semua percobaan

Pertanyaan yang Sering Diajukan

Apa itu distribusi binomial?

Distribusi binomial memodelkan jumlah keberhasilan dalam sejumlah percobaan Bernoulli independen yang tetap, masing-masing dengan probabilitas keberhasilan yang sama. Misalnya, ini dapat memodelkan jumlah munculnya angka saat melempar koin 10 kali, atau jumlah barang cacat dalam satu batch berisi 50 barang ketika setiap barang memiliki tingkat kecacatan 5%.

Apa rumus probabilitas binomial?

Rumus probabilitas binomial adalah P(X = k) = C(n,k) × p^k × (1-p)^(n-k), di mana C(n,k) adalah koefisien binomial, n adalah jumlah percobaan, k adalah jumlah keberhasilan, dan p adalah probabilitas keberhasilan pada satu percobaan.

Apa perbedaan antara PMF dan CDF?

PMF (Probability Mass Function) memberikan probabilitas tepat k keberhasilan: P(X = k). CDF (Cumulative Distribution Function) memberikan probabilitas paling banyak k keberhasilan: P(X ≤ k), yang merupakan jumlah dari semua probabilitas dari 0 hingga k.

Berapa mean dan varians dari distribusi binomial?

Untuk distribusi binomial dengan parameter n dan p: Mean (μ) = n × p, Varians (σ²) = n × p × (1-p), dan Standar Deviasi (σ) = √(n × p × (1-p)).

Kapan saya harus menggunakan distribusi binomial dibandingkan distribusi lain?

Gunakan distribusi binomial ketika Anda memiliki sejumlah percobaan independen yang tetap dengan hanya dua hasil dan probabilitas konstan. Gunakan distribusi Poisson untuk menghitung peristiwa dalam interval tetap ketika n besar dan p kecil. Gunakan aproksimasi normal ketika n×p dan n×(1-p) keduanya lebih besar dari 5.

Bagaimana cara menghitung probabilitas binomial kumulatif?

Untuk menghitung P(X ≤ k), jumlahkan semua probabilitas individu dari X=0 hingga X=k. Untuk P(X ≥ k), gunakan komplemen: P(X ≥ k) = 1 - P(X ≤ k-1). Kalkulator kami menghitung semua ini secara otomatis.

Sumber Daya Tambahan

Kutip konten, halaman, atau alat ini sebagai:

"Kalkulator Distribusi Binomial" di https://MiniWebtool.com/id/kalkulator-distribusi-probabilitas-binomial/ dari MiniWebtool, https://MiniWebtool.com/

oleh tim miniwebtool. Diperbarui: 15 Jan 2026

API developer tersedia: Jalankan alat ini dari aplikasi, otomatisasi, atau agen Anda dengan satu permintaan HTTP JSON. Lihat dokumentasi API

Anda juga dapat mencoba Penyelesai Matematika AI GPT kami untuk menyelesaikan masalah matematika Anda melalui pertanyaan dan jawaban dalam bahasa alami.