Bab I Modul 2

Laporan Pratikum Teori Probabilitas
Modul 2 Distribusi Statistik

Kelompok 11

Program Studi Teknik Industri
1
Universitas Diponegoro
BAB I
PENDAHULUAN

1.1 Latar Belakang
Statistika sudah tidak asing lagi dalam kehidupan kita. Aplikasi distribusi
statistika memberikan banyak manfaat dalam berbagai aspek kehidupan.
Statistika adalah ilmu yang berhubungan dengan mengumpulkan, mengolah data,
menganalisis dan memperkirakan solusi dari permasalah tersebut.
Ilmu statistik semakin lama semakin berkembang karena semakin banyak
manusia yang menyadari bahwa distribusi statistika dapat memberikan perkiraan
solusi dari masalah, contohnya seperti untuk mengetahui rata-rata penghasilan
warga kota Jakarta untuk menentukan suatu pasar penjualan. Ilmu statistik juga
berguna untuk membantu dalam pengambilan keputusan atas suatu permasalahan
yang ada. Distribusi statistika dianggap sukses dalam membantu pengambilan
berbagai keputusan, maka banyak diterapkan pada berbagai bidang ilmu,
contohnya pada bidang ilmu sosial, teknik, kedokteran, dan lainnya, sebagian
akan menggunakan sampel untuk efisiensi kerja penelitian, dan sebagian besar
menuju pada upaya pengambilan suatu kesimpulan tertentu.
Distribusi peluang merupakan konsep yang menjadi dasar pengembangan
statistika inferensial, khususnya penaksiran parameter dan pengujian hipotesis.
Dalam memecahkan atau untuk menemukan solusi dari setiap masalah yang
dihadapi sehari-hari bisa kita lakukan dengan menggunakan ilmu statistik
khususnya distribusi statistik. Tujuan pemilihan distribusi statistik adalah untuk
mengukur ketepatan data tersebut. Dalam melakukan pengukuran dapat dilakukan
dengan bantuan software Easyfit dan Arena.

1.2 Tujuan Praktikum
Tujuan yang ingin dicapai dalam praktikum ini adalah :
- Mengerti dan memahami macam-macam distribusi statistik
- Memahami parameter-parameter distribusi statistik
- Memahami fungsi atau kegunaan distribusi statistik
Kelompok 11

2
- Mengenal software Arena
- Mampu menganalisa output software Arena

1.3 Pembatasan Masalah
Praktikum modul 2 ini adalah mengenai penggunaan software Arena.
Pengolahan data hanya dilakukan untuk mengetahui jenis distribusi yang paling
tepat untuk data hasil survei.
Data yang digunakan adalah data kontinu mata tegak 40 siswa
mahasiswa dan mahasiswi teknik industri Universitas Diponegoro.

1.4 Metodologi Pratikum

1.5 Sistematika Penulisan
Bab I Pendahuluan
Berisi tentang peranan Distribusi Statistik, software easyfit dan
software Arena yang melatarbelakangi diadakannya Praktikum Teori
Probabilitas Modul 2 Distribusi Statistik. Serta berisi tentang latar
belakang, tujuan praktikum, pembatasan masalah, dan sistematika
penulisan.
Bab II Tinjauan Pustaka
Berisi tentang pengertian dan penjelasan mengenai distribusi statistik.
Bab III Pengumpulan dan Pengolahan Data
Start

Identifikasi dan perumusan
Studi Pustaka Observasi
Kelompok 11

3
Berisi tentang data yang diperoleh dan cara pengolahannya
Bab IV Analis Data
Berisi tentang analis data dari output Easyfit, Arena dan perhitungan
manual
Bab V Kesimpulan dan Saran
Kesimpulan berisi tentang rangkuman hasil pengolahan data dalam
laporan praktikum. Saran berisi tentang hal-hal yang harus
diperhatikan oleh praktikan.

Kelompok 11

4
BAB II
TINJAUAN PUSTAKA

Hasil pengukuran yang kita peroleh disebut dengan data mentah. Besarnya
hasil pengukuran yang kita peroleh biasanya bervariasi. Apabila kita perhatikan data
mentah tersebut, sangatlah sulit bagi kita untuk menarik kesimpulan yang berarti.
Untuk memperoleh gambaran yang baik mengenai data tersebut, data mentah
tersebut perlu di olah terlebih dahulu. Pada saat kita dihadapkan pada sekumpulan
data yang banyak, seringkali membantu untuk mengatur dan merangkum data
tersebut dengan membuat tabel yang berisi daftar nilai data yang mungkin berbeda
(baik secara individu atau berdasarkan pengelompokkan) bersama dengan frekuensi
yang sesuai, yang mewakili berapa kali nilai-nilai tersebut terjadi. Daftar sebaran
nilai data tersebut dinamakan dengan Daftar Frekuensi statistik atau Sebaran
Frekuensi (Distribusi Frekuensi).
Dengan demikian, distribusi frekuensi adalah daftar nilai data (bisa nilai
individual atau nilai data yang sudah dikelompokkan ke dalam selang interval
tertentu) yang disertai dengan nilai frekuensi yang sesuai.
(http://smartstat.wordpress.com/2010/03/29/distribusi-frekuensi)
Parameter Statistik
Parameter statistik dalam suatu distribusi statistik ada tiga jenis, yaitu location
parameter, scale parameter, dan shape parameter. Setiap distribusi statistik
mempunyai minimal satu dari ketiga parameter tersebut (Kelton, 2000)
Location parameter digunakan untuk menentukan lokasi titik axis dari suatu
nilai dari distribusi. Biasanya adalah midpoint (contohnya mean untuk
distribusi normal) atau lower endpoint. Location parameter sering disebut shift
parameter . Jika distribusi random variabel X mempunyai location parameter 0,
kemudian distribusi dari random variabel Y = x + mempunyai location parameter
.
Kelompok 11

5
Scale parameter | digunakan untuk menentukan unit dari ukuran nilai dalam
suatu distribusi. Standar deviasi adalah salah satu contoh scale parameter dalam
distribusi normal. Suatu perubahan dalam | menekan atau memperluas pengelompokan
distribusi tanpa merubah bentuk bentuk dasarnya. Jika distribusi dengan random
variabel X mempunyai scale parameter 1, kemudian distribusi random variabel Y = | X
mempunyai scale parameter |.
Shape parameter o menentukan, membedakan location dan scale parameter,
bentuk dasar dari distribusi dengan memperhatikan kelompok distribusi secara umum.
Perubahan di dalam o secara umum merubah isi distribusi (misalnya skewness) lebih
mendasarkan pada perubahan location dan scale parameter. Beberapa distribusi seperti
distribusi eksponensial dan normal tidak mempunyai shape parameter namun distribusi
beta mempunyai 2 buah.

Macam Macam Distribusi Statistik
A. Distribusi Kontinu :
Mempunyai peluang nol pada setiap titik x. ( Walpole, 1995 )
1. Uniform
Aplikasinya adalah digunakan sebagai model pertama untuk kuantitas yang
dirasa bervariasi secara acak antara a dan b. Distribusi U (0,1) terutama dalam
nilai acak umum dari semua distribusi yang lain.
Fungsi padat =
s s
=
lain yang x untuk
b x a jika
a b
x F
, 0
1
) (
Distribusi =
<
s s
<
=
x b jika
b x a jika
a b
a x
a x jika
x F
, 1
,
, 0
) (
Terdiri dari dua nilai, yaitu minimum dan maksimum. ( Kelton, 2000)
2. Eksponensial
Banyak diaplikasikan dalam waktu antar kedatangan konsumen. ( Kelton,2000).
Distribusi gamma khusus dengan = 1 dan =
( walpole, 2005 )
Kelompok 11

6
3. Gamma
Fungsi padat
( )
>
I =

lain yang x untuk
x jika
e x
x F
x a a
0
0
) (
1
o
|
|

Aplikasinya waktu untuk menyelesaikan suatu pekerjaan, seperti customer
service pada reparasi mesin.

4. Weibull
Weibull digunakan untuk waktu menyelesaikan suatu pekerjaan, waktu untuk
rusaknya bagian dari perlengkapan.
Fungsi padatnya =
( )
>
=

lain yang x untuk
x jika e x
x F
x
0
0
) (
1
o
| o o
o|

Logaritma yang biasa pada variabel acak Weibull telah diketahui sebagai
extreme-value atau Distribusi Gumbel.

Fungsi Densitas Weibull :

5. Normal
Aplikasinya sebagai model data riil diberbagai bidang yang meliputi antara lain :
Kelompok 11

7
Karakteristik fisik mahluk hidup ( contoh berat dan tinggi badan ), kesalahan
kesalahan pengukuran pada eksperimen ilmiah, pengukuran pengukuran
intelejensia. ( Harinaldi, 1998)
Fungsi padatan = ( )
( ) ( )
2 2
2
2
2
1
o
to

=
x
e x f untuk semua nilai x real
Grafiknya berbentuk lonceng

6. Lognormal
Aplikasinya sebagai disttribusi teoritis yang banyak digunakan pada bidang
teknik, sebagai model untuk berbagai jenis sifat material.
Waktu untuk menunjukkan suatu tugas (kepadatannya akan mempunyai bentuk
yang mirip dengan gamma (o|) dan Weibull (o|) dengan o >1, namun bisa
mempunyai paku besar yang mendekati x = 0 yang sering berguna) produk
dalam jumlah yang besar (berdasarkan sifat Teorema Limit Central).
Fungsi padatan lognormal =
>
=
lain yang x untuk
x jika
x
x
x f
0
0
2
) (ln
exp
2
1
) (
2
2
2
o

to

7. Beta
Aplikasinya untuk : Proporsi jumlah cacat dan waktu pengerjaaan tugas.

Fungsi padat =
< <
lain yang x untuk

x jika
B
x x
x F
0
1 0
) , (
) 1 (
) (
2 1
1
1
2 1
o o
o o

Kelompok 11

8
8. Pearson Type V
Waktu untuk menyajikan suatu tugas (kepadatan mempunyai bentuk yang mirip
dengan lognormal, tapi bisa mempunyai lebih besar paku yang dekat dengan x
= 0).
Fungsi padatan =
>
I =

+
lain yang x untuk
x jika
e x
x F
x
0
0
) ( ) (
/ ) 1 (
o |
o
| o

9. Pearson Type VI
Jenis distribusi ini biasanya diaplikasikan untuk suatu waktu yang diperlukan
untuk menyelesaikan suatu tugas.
Fungsi padatan =
>
+ =
+
lain yang x untuk

x jika
x B x F
0
0
)] / ( 1 )[ , (
) /
) (
2 1
1
2 1
1
o o
o
| o o |
| o

10. Log Logistic
Distribusi ini memiliki fit (suaian) yang lebih baik dari distribusi standar lainnya
seperti distribusi gamma, lognormal, dan weibull.
Fungsi padatan =
>
+ =

lain yang x untuk
x jika
x
x
x F
0
0
] ) / ( 1 [
) / (
) (
2
1
o
o
| |
| o

11. Johnson S
B

Distribusi ini adalah distribusi dengan parameter paling lengkap. Distribusi ini
mempunyai tiga parameter yang ada.
Fungsi padatan =
( )
( )( )
< <
(
(
|
|
.
|
\
|
+

=
lain yang x untuk
b x a jika
x b
a x
e
x b a x
a b
x f
0
2
ln
2 1
2
1
2
2
) (
o o
t
o

12. Triangular
Distribusi ini mempunyai tiga parameter. Dengan a, b, dan c adalah bilangan
real. Distribusi ini menggambarkan model secara kasar dimana terjadi absence
data.
Kelompok 11

9
Fungsi Padatnya =
( )
( )( )
( )
( )( )
s <

s s

=
0
,
2
,
2
) ( b x c jika
c b a b
x b
c x a jika
a c a b
a x
x F
13. M. Erlang
Distribusi ini adalah distribusi gamma yang memiliki m integer positif, gamma
(m, | ).
Fungsi padatannya =
( )
>
=

0
0
! 1
) (
1
x jika
k
x
x f
k k
|

( Kelton, 2000 )
14. Chi- Square
Distribusi Chi-kuadrat banyak digunakan untuk pengujian statistik, seperti
analisa variansi. Distribusi khusus dari gamma dengan =
dan = 2, untuk v
bilangan positif. Distribusi ini memiliki parameter tunggal yang disebut derajat
kebebasan. (Harinaldi)

15. Log pearson tipe 3
Aplikasinya biasanya digunakan pada bidang hidrologi
F ()
() () [ ()]

()

16. Distribusi Pareto
Distribusi Pareto digunakan untuk menggambarkan kecenderungan suatu
dampak diatas nilai minimum tertentu.
Kelompok 11

10
Jika X adalah variabel acak dengan distribusi (Tipe I) Pareto, [1] maka
probabilitas bahwa X lebih besar dari beberapa x jumlah yang diberikan oleh :

17. Distribusi Reyleigh
Merupakan bentuk khusus dari distribusi Weibull. Salah satu contoh aplikasinya
adalah ketika kecepatan angin ortogonal yang dianalisis ke dalam 2-dimensi
komponen vektor.
Probabilitas Rayleigh fungsi kepadatannya adalah

18. Distribusi Wakeby
Fungsi densitas distribusi Wakeby

Parameter beta, gamma dan delta adalah parameter bentuk.

19. Distribusi Error
Fungsi densitas pada distribusi error adalah :
()
-1
(||)

20. Distribusi Students
Distribusi students t adalah distribusi probabilitas kontinu yang muncul ketika
memperkirakan rata-rata populasi yang terdistribusi normal dalam situasi di
mana ukuran sampel kecil dan deviasi standar populasi tidak diketahui. Hal ini
memainkan peran dalam sejumlah analisis statistik banyak digunakan, termasuk
Kelompok 11

11
Student t-test untuk menilai signifikansi statistik perbedaan antara dua berarti
sampel, pembangunan interval kepercayaan untuk selisih antara dua mean
populasi, dan dalam regresi linier analisis.

di mana adalah jumlah derajat kebebasan dan adalah fungsi Gamma. Hal ini
juga dapat ditulis sebagai

B. Distribusi Diskrit
1. Bernauli
Aplikasinya : Membangkitkan variasi random diskrit yang lain ( Kelton,
2000).
Fungsi padat = ( )

=
0
1
p
p
x p
jika 0 = x , jika 1 = x untuk nilai x yang lain

2. Discret uniform
Aplikasi distribusi ini adalah kejadian random dengan sejumlah hasil yang
mungkin, digunakan untuk model awal dalam menghitung variasi antara
integer I melalui j
Fungsi padat = ( )
+ =
0
1
1
i j x p
3. Binomial
Kelompok 11

12
Aplikasinya : Jumlah sukses dalam t usaha Bernoulli dengan peluang p dari
setiap jumlah usaha pada cacat dalam golongan pada ukuran t.
Fungsi padat = ( )
( ) { }
e
|
|
.
|
\
|
=

0
,...., 1 , 0 1
1
t x jika p p
x
t
x p
x x

4. Geometric
Nilai dari kegagalan sebelum sukses pertama dalam urutan percobaan
Bernoulli bebas dengan kemungkinan p adalah sukses untuk setiap
percobaan; jumlah dari item yang diperiksa sebelum menghadapi item
pertama yang kurang baik, jumlah item dalam sekumpulan ukuran random,
jumlah dari item diminta dari inventaris.
Fungsi padat = P(x) =
( ) { }
e
sebaliknya jika
x jika p p
x
0
,... 1 , 0 1

5. Negative Binomial
Aplikasinya : Untuk pengetesan sukses penggunaan suatu obat apakah
bermanfaat atau tidak dalam menyembuhkan suatu penyakit.
Bila usaha saling bebas dilakukan berulang kali, menghasilkan sukses
dengan peluang P, maka peluang gagal adala q = p 1

Fungsi padat = P(x) =
( ) { }
e
+
sebaliknya jika
X jika p p
x s
x
x s
, 0
,... 1 , 0 , ) 1 (
1

6. Poisson
Aplikasinya : Digunakan untuk menghasilkan pengamatan untuk peubah
acak x, contohnya menyatakan banyaknya sekolah yang tutup karena banjir
dan banyaknya saluran telepon kantor per jam ( Walpole, 1995 )
( )
( )
,... 2 , 1 , 0 ,
!
; = =

x
x
t e
t x p
t

t menyatakan rata-rata banyaknya sukses yang terjadi per satuan waktu
atau daerah tersebut.
Kelompok 11

13

Uji Goodness of Fit
Uji goodness of fit adalah uji hipotesis statistik yang digunakan untuk menaksir
bentuk apakah observasi X
1
,X
2
,X
n
adalah independen sampel dari distribusi
khusus dengan fungsi distribusi F. uji goodness of fit dapat digunakan untuk
menguji serangkaian uji hipotesis nol. Terdapat tiga macam uji goodness of fit,
yaitu Chi-square test, Kolmogorov-Smirnov Test, dan Anderson Darling.
(Brownlee, 1965)
Tiga macam uji goodness of fit :
A. Uji Chi- Square
Uji Chi-square dapat dipakai untuk menentukan sejauh mana distribusi-distribusi
teoretis (seperti distribusi normal, binomial, dan sebagainya) sesuai dengan
distribusi-distribusi empiris, yaitu yang diperoleh dari data sampel. (Spiegel, 1988).
Uji ini adalah uji test hipotesis tertua yang ditemukan oleh K. Pearson (1900).
Langkah untuk melakukan pengujian ini adalah dengan membagi data ke dalam
interval serta menentukan frekuensi amatan dan harapan. Bentuk uji statistik ini
adalah
=

=
k
np
np N
j
j
j j
1
) (
2
2
_

Langkah Prosedur uji Chi-square untuk tes satu sampel adalah :
- Meletakkan frekuensi-frekuensi terobservasi dalam k kategori. Jumlah
frekuensi itu seluruhnya harus N, yakni banyak observasi-observasi
independen.
- Menentukan frekuensi yang diharapkan dari H
0
(Harga E
i
nya) untuk tiap-tiap
k sel itu. Mana kala k > 2, dan bila lebih dari 20% dari E
i
lebih kecil dari 5,
kemudian menggabungkan kategori-kategori yang berdekatan apabila hal ini
memungkinkan, dan dengan demikian kita mengurangi harga k serta
meningkatkan harga beberapa E
i
. Apabila k=2, tes
2
_ untuk kasus satu sampel
Kelompok 11

14
dapat digunakan secara memadai jika tiap-tiap frekuensi yang diharapkan
adalah lima atau lebih.
- Menghitung, dengan memakai rumus berikut,
2
_
=

=
k
np
np N
j
j
j j
1
) (
2
2
_
- Menetapkan harga derajat bebas, sebesar k-1. Dimana k adalah jumlah sel
atau kelas. Adapun cara yang lain dalam menentukan jumlah kelas yaitu
dengan menggunakan persamaan
k = 1 + 3,32 log (M. Iqbal Hasan, 2001)
- Menetapkan probabilitas yang dikaitkan dengan terjadinya suatu harga yang
sebesar harga
2
_ , hitungan untuk harga derajat bebas yang bersangkutan
dengan melihat tabel. Jika harga ini sama atau dari o, maka H
0
ditolak.

B. Uji Kormogolov Smirnov
Uji Kolmogorov-Smirnov adalah suatu uji Goodness of Fit. Artinya yang
diperhatikan adalah tingkat kesesuaian antara distribusi serangkaian harga sampel
(skor yang diobservasi) dengan suatu distribusi teoritis tertentu. Uji ini menetapkan
apakah skor-skor dalam sampel dapat secara masuk akal dianggap berasal dari suatu
populasi dengan distribusi teoretis itu.
Seperti pada ujiuji statistik nonparametik yang lain, uji Kolmogorov-Smirnov
ini tidak memerlukan anggapan / persyaratan tertentu tentang populasi dari mana
sampel diambil. Persyaratan yang diperlukan hanyalah bahwa nilai variabel random
dari dua kelompok yang diperbandingkan adalah kontinyu.
Untuk menguji apakah skor skor kelompok eksperimen berbeda dengan skor
skor kelompok kontrol digunakan uji dua sisi, sedang untuk menguji apakah skor
skor kelompok eksperimen lebih tinggi dari skor skor kelompok kontrol
digunakan uji satu sisi. Sampel-sampel penelitian dapat didasarkan pada sampel
kecil (bila n
1
= n
2
dan bila baik n
1
maupun n
2
s 40) atau didasarkan sampel besar
(bila n
1
dan n
2
> 40).
Kelompok 11

15
Langkah Prosedur uji Kolmogorov-Smirnov untuk tes satu sampel adalah :

- Menetapkan fungsi kumulatif teoretisnya, yaitu distribusi kumulatif yang
diharapkan di bawah H
0
.
- Mengatur skor-skor yang diobservasi dalam suatu distribusi kumulatif dengan
memasangkan setiap interval S
N
(X), yaitu distribusi frekuensi kumulatif yang
diobservasi, dengan interval F
0
(X), yaitu fungsi distribusi frekuensi kumulatif
yang ditentukan, yang sebanding.
S
N
(X) =
N
k

dimana : k = banyaknya observasi yang sama utau kurang dari X
X = sembarang skor yang mungkin
n = jumlah observasi
- Mengurangi F
0
(X) dengan S
N
(X) untuk tiap-tiap jenjang pada distribusi
kumulatif.
- Mencari D dengan memakai rumus di berikut
( ) ( ) X S X F maksimum D
N
=
0

- Melihat tabel untuk menentukan kemungkinan (dua sisi) yang dikaitkan
dengan munculnya harga-harga sebesar harga D observasi di bawah H
0
. Jika p
sama atau kurang dari o, maka H
0
ditolak. (Siegel, 1992)

Langkah-langkah penggunaan uji Kolmogorov Smirnov dua sampel independen,
diikhtisarkan sebagai berikut:
Menyusun masing-masing kelompok skor dalam suatu distribusi frekuensi
komulatif, menggunakan interval-interval atau klasifikasi-klasifikasi yang sama
untuk kedua kelompok.
Menghitung selisih frekuensi kumulatif dari kedua kelompok tersebut untuk
tiap-tiap interval atau klasifikasi yang ada.
Kelompok 11

16
Menentukan selisih frekuensi kumulatif terbesar (maksimum) dan dinotasikan
dengan D. Untuk uji satu sisi, D adalah selisih terbesar dalam arah yang
diramalkan.
Signifikan tidaknya nilai D ditentukan berdasarkan ukuran sampel dan sifat
hakikat H
1
:
Bila n
1
= n
2
dan besarnya s 40, digunakan Tabel K yaitu tabel nilai-nilai
kritis K
D
untuk taraf signifikansi 0,05 dan 0,01 untuk uji dua sisi dan uji satu
sisi.
Bila n
1
dan n
2
keduanya > 40 di mana n
1
dan n
2
keduanya > 40 dimana n
1
dan
n
2
tidak perlu sama, digunakan tabel L niai-nilai kritis D dihitung dengan
rumus-rumus yang tercantum pada tabel tersebut. (uji dua sisi)
Bila n
1
dan n
2
keduanya > 40 dengan uji satu sisi, digunakan pendekatan
Chi-Square. Signifikansi harga uji statistik _
2
tersebut ditentukan dengan
membandingkan nilai kritis _
2
dengan taraf signifikansi tertentu dan derajat
bebas 2 (Periksa Tabel). Rumus tersebut juga digunakan untuk kasus sampel
kecil dengan ukuran yang tidak sama.

C. Uji Anderson Darling
Salah satu kekurangan dari test K-S yaitu diberikannya beban yang sama
untuk
.
) ( ) ( x F x F
n
yang berbeda untuk setiap nilai dari x, dimana banyak
distribusi statistik dengan keuntungan yang berbeda pada bagian akhir. Test
Anderson-Darling (A-D) , di lain pihak, didisain untuk mendeteksi
ketidakcocokan pada bagian akhir dan memiliki kemampuan yang lebih
besar daripada K-S test saat diterapkan pada distribusi yang beraneka ragam.
Statistik A-D didefinisikan pada persamaan 2.12 di bawah ini.
}

. .
+ = dx x f x x F x F n A
n n
) ( ) ( )] ( ) ( [
2 2

Kelompok 11

17
dimana fungsi berat )]}. ( 1 )[ ( /{ 1 ) ( x F x F x
. .
= + Kemudian
2
n
A adalah rata-
rata dari selisih yang dikuadratkan [
2
)] ( ) ( x F x F
n
.
, dan beratnya adalah
yang terbesar untuk F(x) mendekati 1 (akhiran kanan) dan
.
F (x) mendekati
0 (akhiran kiri). Jika Z
1
=
( )
) (
i
X F
.
Untuk 1 = 1, 2, ., n, maka dihasilkan
persamaan 2.13
n n Z Z i A
n
i
i n i n

|
|
.
|
\
|
)
`
+ =

=
+
/ )] 1 ln( )[ln 1 2 (
1
1
2

yang merupakan bentuk statistik yang dipakai untuk perhitungan aktual.
Karena
2
n
A adalah jarak, aturan dalam pengujian adalah, menolak
hipotesis nol (H
o
) jika
2
n
A melebihi suatu nilai kritis a
n,1-
dimana adalah
tingkat dari uji tersebut.
Nilai kritis a
n,1-
tersedia untuk A-D test untuk lima distribusi kontinu yang
sama seperti pada K-S test. Kemudian
.
F (x) dihitung dengan cara seperti
sebelumnya. A-D test dilengkapi dengan pengaturan penggunaan test
statistic (kecuali untuk kasus yang diketahui semua parameternya) dan nilai
kritis yang telah dimodifikasi. Bila hasil tes statistik lebih besar dari nilai
kritis maka H
o
ditolak. Untuk Pearson tipe V menggunakan fakta jika X
memiliki distribusi Pearson tipe V, lalu 1/X memiliki distribusi gamma.
(Kelton, 2000)

Bab I Modul 2

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Bab I Modul 2

Uploaded by

Copyright:

Available Formats

Laporan Pratikum Teori Probabilitas

Modul 2 Distribusi Statistik

lain yang x untuk

lain yang x untuk

You might also like