Professional Documents
Culture Documents
DISTRIBUSI PELUANG
A Peubah Acak
Mata Kuliah
: Statistika 1
PadaDosen
percobaan
yang
digunakan
untuk
menjelaskan
setiap proses
yang menghasilkan
Pembimbing
: Nina
Sulistyowati,
S.Kom
pengukuran, sering yang menarik perhatian kita bukan titik sampel itu sendiri melainkan gambaran
numeriknya. Misalnya, sebuah mata uang dengan sisi muka (M) dan Belakang (B) yang dilemparkan
tiga kali memberikan ruang sampel S = {MMM, MMB, MBM, BMM, MBB, BMB, BBM, BBB}.
Bila yang diperhatikan banyaknya sisi muka yang muncul, maka hasil numerik, 0, 1, 2, atau 3
dikaitkan dengan titik sampel.
Transformasi yang memasangkan titik sampel di S ke suatu hasil numeric disebut peubah
acak (random variable). Jika X menyatakan banyaknya sisi muka yang muncul dalam tiga kali
pelemparan mata uang itu, maka X = 0 merupakan gambaran numeric untuk {BBB} , X = 1 untuk
{MBB, BMB, BBM}, X = 2 untuk {MMB, MBM, BMM}, dan X = 3 {MMM}. Karena bilangan
cardinal n(S) = 8, diperoleh nilai-nilai peluang P (X = 3) = 1/8, sesuai ed bilangan cardinal masingmasing peristiwa yang berkaitan dengan nilai X tersebut. Nilai-nilai peluang inilah yang disebut
fungsi distribusi peluang diskrit yang biasa disebut fungsi massa peluang dari peubah acak X, yang
dapat dibuat dalam sebuah tabel sebagai berikut:
1
Fungsi massa peluang munculnya sisi muka dalma tiga kali pelemparan mata uang
X
P (X = x) = p (x)
0
1/8
1
3/8
2
3/8
3
1/8
Karena ruang sampel S adalah ruang sampel diskrit, maka peubah acak X yang diturunkan
dari S juga disebut peubah acak diskrit, dan distribusi peluangnya disebut distribusi peluang diskrit.
Disusun
Oleh:
Peubah acak ditulis dengan
huruf capital,
misalnya X dan symbol nilai pengamatannya dengan huruf
1.
Nurul
Rohmawati
- 186
kecil x. Untuk penyerderhanaan, kita tulis p (x) untuk W
x =10
0, 1,
2, 3 memiliki sifat-sifat sebagai
2.
Kana
Meiyana
10
192
berikut:
10 - 069
1 p(x) 0 untuk x = 0, 1,3.2, 3Abdul Kohir
2
Sifat-sifat diatas dapat dinyatakan secara umum. Untuk setiap peubah acak diskrit X yang
mempunyai terhingga banyaknya nilai x1, x2, x3, ..xn dengan peluang p(xi) = pi untuk i = 1, 2, 3,
n untuk sebaang bilangan asli n, harus memenuhi sifat-sifat fungsi massa peluang berikut:
1 pi 0 untuk i = 1, 2, 3, .n
2
Sifat ini dapat diperluas lagi untuk peubah acak yang memiliki tak hingga banyaknya nilai, dan
masih dapat dipadankan satu-satu dengan bilangan asli A = {1, 2, 3}. Misalkan nilai-nilai peubah
acak X adalah x1, x2, x3.. dengan peluang masing-masing p1, p2, p3.. harus memenuhi sifat-sifat
berikut:
1 pi 0 untuk i = 1, 2, 3, .
2
Ada dua momen penting dari peubah acak yang disebut nilai harapan (expected value) dan
variansi (variance). Rumus kedua momen ini berturut-turut adalah:
x
= E (X) =
i 1
pi
(x
i 1
i ) p i
2 = E (X - )2 =
Symbol E (X) dalam bahasa Inggris dibaca Expected value of X. rumus variansi dapat pula ditulis
x
i 1
2
i
pi
x
= E (X) =
i 1
pi
(x
i 1
i ) p i
2 = E (X - )2 =
Hasil suatu percobaan mungkin saja tak hingga banyaknya dan tidak dapat dipadankan satusatu dengan bilangan asli. Misalnya, penelitian mengenai jarak yang ditempuh sebuah mobil yang
dijalankan dengan lima liter bensin. Jika X menyatakan jarak yang ditempuh oleh mobil itu sampai
bensin itu habis, maka peubah acak ini memiliki nilai tak hingga banyaknya. Perlu diperhatikan
disini bahwa peubah acak X dapat didefinisikan langsung dari percobaan dan tidak melalui
transformasi dari ruang sample S, karena ruang sample itu sendiri sudah dinyatakan dengan bilangan
riil. Ruang sampel yang memuat takhingga banyaknya titik sampel dan tidak dapat dipadankan satusatu dengan bilangan asli disebut ruang sampel kontinu, dan peubah acak yang diturunkannya
disebut peubah acak kontinu.
Peubah acak kontinu X memiliki fungsi distribusi khusus yang disebut fungsi padat peluang
f (x), dan harus memenuhi sifat-sifat berikut:
1 f(x) 0 untuk semua x R = {bilangan riil}
f (x)dx dx 1
2.
f (x) dx
a
3. P(a<X<b) =
untuk a, b R
Nilai harapan dan variansi peubah acak kontinu dihitung dengan rumus
E(X)
x.f (x)dx
(x ) .f (x)dx x .f (x)dx
2
Rumus-rumus ini dapat dimodifikasi untuk peubah acak kontinu X yang memiliki nilai terbatas,
seperti A X B, untuk bilangan riil A, dan B tertentu. Dalam hal ini, kedua momen tersebut dapat
ditulis:
B
2 (x ) 2 .f (x)dx x 2 .f (x)dx 2
Karakteristik yang paling mendasar untuk dikaji dalam mempelajari tingkah laku suatu distribusi
adalah fungsi massa atau fungsi padat peluang. Dalam fungsi/padat peluang ini terkandung sifat-sifat
mendasar yang menjadi ciri khas distribusi itu. Misalnya, nilai rata-rata dan variansi dapat dihitung
dari fungsi massa/pada peluang.
Selanjutnya, kita akan melihat beberapa fungsi peluang diskrit dan fungsi peluang kontinu,
khususnya yang sudah banyak digunakan dalam statistika terapan. Perhatikan bahwa kita
menggunakan istilah fungsi massa peluang untuk distribusi peluang diskrit dan fungsi pada peluang
untuk peluang kontinu.
B DISTRIBUSI PELUANG DISKRIT
Takhingga banyaknya distribusi peluang diskrit yang terjadi dalam kehidupan nyata, baik yang
mempunyai kecenderungan tertentu dan mudah dinyatakan dengan fungsi matematis maupun yang
sangat khusus dan sulit dinyatakan dengan sebuah fungsi matematis. Kita akan membicarakan
beberapa dari jenis yang pertama.
1 Distribusi Seragam Diskrit
Distribusi Seragam Diskrit merupakan salah satu model distribusi peluang yang sering
muncul dalam kenyataan. Model ini sering di gunakan dalam teori pengambilan keputusan secara
statistik, yakni dalam keadaan dimana kita tidak mengetahui secara pasti apa yang akan terjadi di
antara kemungkinan-kemungkinan yang bakal terjadi.
Model distribusi seragam menganut asumsi bahwa peluang setiap keadaan atau hasil
adalah sama dan tidak berubah sepanjang suatu rangkaian percobaan. Jika X adalah sebuah
peubah acak seragam, fungsi massa peluang dari X adalah:
p( x )= 1/n , x = 1, 2, 3, ... n,
Dengan n menyatakan banyaknya keadaan atau hasil yang dapat terjadi. Perlu di jelaskan
bahwa cara penukisan p(x) = 1/n untuk x = 1, 2, 3, ..., n dimaksudkan bahwa p(x) = 0 untuk nilai x
yang lain. Cara ini akan digunakan untuk keefisienan penukisan. Dengan sedikit pekerjaan
matematis diperoleh rumus nilai rumus nilai harapan = ( n + 1 )/2 dan variansi 2 = (n2 1)/12.
Contoh:
Jumlah pesanan yang datang perhari diketahui berdistribusi seragam diskrit dengan jumlah
pesanan yang di terima minimal 0 dan maksimal 10. Peluang jumlah pesanan yang datang perhari
adalah 4 atau kurang ?
Jawab:
4
1
1 1 1 1 1
= + + + + =0,4545
11 11 11 11 11
x=0 100+1
P ( X 4 )=
x =
10+0
=5
2
Distribusi Hipergeometris
Distribusi hipergeometris diterapkan pada kasus penarikan sampel (sampling) dimana
objek yang telah diambil tidak dikembalikan lagi ke populasinya. Dalam model ini, populasi yang
berisi sejumlah N sub-populasi sukses yang mempunyai anggota sebanyak N 1 dan sub-populasi
gagal dengan anggota sebanyak N N 1 = N2 yang sifatnya saling berlainan atau bahkan
berlawanan. Pengertian sukses dan gagal disini tidak selalu sama maknanya dengan istilah sukses
dan gagal dalam pembicaraan sehari-hari, tetapi sekedar menunjukkan adanya dua kategori hasil
yang berbeda. Jika X adalah sebuah peubah acak hipergeometris yang menggambarkan
pengambilan n objek dari populasi yang berukuran N, fungsi massa peluang dari X adalah:
N 2
N1
x n x
p(x)
, x 1, 2,3,....n
N
n
Dengan N1 = Ukuran sub populasi sukses
N2 = Ukuran sub populasi gagal
N = Ukuran populasi = N1 + N2
n = ukuran sampel
x = banyaknya gejala sukses di antara n objek yang terambil
Nilai harapan dan variansi masing-masing
N
N
N Nn
n. 1 dan n( 1 )(1 1 )(
)
N
N
N N 1
Contoh:
suatu kotak mengandung 7 komponen yangterdiri dari 4 komponen merek A dan 3 komponen
merek B. Jika komponen diambil secara acak dari kotak, peluang bahwa terdapat 2 komponen
merek A yang terambil adalah?
4!
3!
4 7 4
1 3
C C
C C
2! 2 ! 1 ! 2 !
P ( X=2 ) = 2 732 = 2 7 1 =
=0,5143
7!
C3
C3
3!4!
)( )
( )
Jika X adalah sebuah peubah acak biomial, maka fungsi massa peluang X adalah:
n
p(x) p x (1 p) n x , x 0,1, 2.....n
x
Dengan
Distribusi Multinomial
Perluasan distribusi binomial adalah distribusi multinomial. Misalkan, sebuah percobaan
memberikan hasil yang mungkin h1, h2,..3, n dan p1 + p2 + .. + pk = 1, Andaikan percobaan
ini diulangi secara bebas n kali, maka peubah acak yang menyatakan bahwa kita akan
mendapatkan x1 hasil h1, x2 hasil h2,..xk hasil hk dengan x1 + x2 + + xk = n disebut peubah
acak multinomial. Fungsi masa peluang distribusi multinomial dinyatakan dengan:
p (x1, x2, xk) =
dengan x1 + x2 +.. xk = n, 0 < pi < 1, i= 1, 2, 3,..k dan p1 + p2 +.. pk = 1
Contoh:
Peluan suatu komponen tidak mengalami kerusakan dalam suatu pengujian adalah 0,75. Peluang
tepat terdapat 2 komponen yang tidak mengalami kerusakan jika dilakukan pengujian sebanyak 4
kali?
Jawab:
4!
P ( X=2 ) =C42 (0,75)42=
( 0,75 )2 ( 0,25 )2=0,2109
2!2!
( )
Distribusi Poisson
Distribusi Poisson juga merupakan salah satu model distribusi peluang untuk peubah
acak yang diskrit. distribusi poisson sering digunakan untuk menentukan peluang sebuah
peristiwa yang dalam daerah atau waktu tertentu diharapkan jarang terjadi. Misalnya, banyak
orang yang lewat di depan pasar setiap hari, tetapi sangat jarang terjadi seseorang yang
menemukan barang hilang dan mengembalkan kepada pemilik-nya atau melaporkannya kepada
polisi. Contoh lain, operator telepon banyak menerima permintaan nomor untuk disambungkan,
diharapkan jarang sekali terjadi salah sambung setiap menit. Jika X adalah sebuah peubah acak
Poisson dengan rata-rata = , maka fungsi masa peluang dari X adalah:
Dimana bilangan Euler e = 2,718281828,. adalah konstanta yang dapat ditemukan pada hampir
semua kalkulator, dan juga pada komputer. Menghitung nilai peluang yang menggunakan
bilangan e maupun bilangan factorial dapat dilakukan dengan bantuan kalkulator.
transformasi X menjadi Z =
akan membentuk peubah acak normal baku dengan rata-rata
nol dan simpangan baku satu. Fungsi padat peluang dari distribusi normal baku adalah :
p(x)
e x
, untuk x 0,1, 2.....
x!
Grafik f(z) berbenuk simetris terhadap sumbu tegak (sumbu y) dan semuanya di atas
sumbu datar (sumbu z), dan dinamai kurva distribusi normal baku seperti pada gambar berikut;
Luas daerah dibawah kurva normal baku di atas sumbu z sama dengan satu. Hal ini dapat
dibuktikan dengan menggunakan hitung integral yaitu:
1 z2
1
f (x)
e 2 , untuk z
2
Teknik integral banyak dibicarakan dalam buku matematika, khususnya kalkulus, dan kita hanya
memperkenalkan simbolnya dan pada bagian ini tidak dibicarakan lebih mendalam.
Setelah kita memiliki distribusi normal baku yang didapat dari distribusi normal umum
dengan transformasi tersebut di atas, maka daftar distribusi normal baku (lampiran C) dapat
digunakan. Dengan daftar ini bagian-bagian luas dari distribusi normal baku dapat dicari. Untuk
memudakan, kita perhatikan bentuk tabel distribusi normal baku pada lampiran C yang
cuplikannya pada tabel berikut. Cara menggunakan tabel tersebut adalah sebagai berikut:
Hitung nilai z sampai dua decimal
Gambarkan kurvanya
Letakkan nilai z pada sumbu datar, lalu tarik garis vertical sampai memotong kurva
Luas yang tertera dalam daftar adalah luas daerah antara garis ini dengan garis tegak di titik
nol
Dalam daftar di lampiran C, cari tempat nilai z pada kolom paling kiri hanya sampai satu
decimal, dan decimal kedua dicari pada baris paling atas.
Dari z di kolom kiri maju ke kanan dan dari z dibaris atas turun ke bawah, maka di dapat
bilangan yang merupakan luas yang dicari. Bilangan yang didapat harus ditulis dalam bentuk
0,xxxx (bentuk empat desimal)
4842
2.1
3.9
Karena luas seluruh daerah di bawah kurva sama dengan satu dan kurva simetris terhadap =
0, maka luas dari garis tegak pada titik nol ke kiri ataupun ke kanan adalah 0,5.
Contoh:
Berat badan mahasiswa suatu perguruan tinggi mempunyai distribusi normal dengan rata-rata
() 60 dan deviasi standar ()10. Tentukan nilai variabel normal standar bagi mahasiswa yang
memiliki berat badan 70 dan 50?
Jawab:
Dik: x1 =70
= 10
x2 = 50
= 60
Dit: Z=....? (nilai variabel)
Jwb: Z = (x ) /
Z1 = (70 60) / 10 = 1
Z2 = (50 60) /10 = -1
2
Distribusi Student t
Distribusi student t yang biasa disingkat dengan distribusi t dipublikasikan oleh W. S.
Gossett (yang menggunakan nama samara Student) pada tahun 1908 dan disempurnakan oleh R.
A. Fisher pada tahun 1926. Distribusi ini merupakan revolusi statitik untuk sampel kecil.
Informasi tentang hal ini dapat dilihat pada Snedecor (1982). Fungsi padat peluang distribusi t
diberikan oleh;
v 1
2
f (t)
v
2
1
t 2 v1
(1 ) 2 untuk t
v
v
Dengan v (baca; nu) adalah parameter distribusi dan (.) menyatakan fungsi gamma yang
didefinisikan dengan
(v) x v 1dx
0
(1/2) =
Dimana = 3,1415.Dengan sedikit pekerjaan matematis dapat dibuktikan bahwa fungsi
padat peluang distribusi t memenuhi:
f (t)dt 1
12
.
3.9
3
1.78
f (x)
v/2
1 v 1 1 x
1
x 2 e2 , x 0
(v / 2)
f (x)dx 1
matematis bahwa
. Selanjutnya grafik distribusi chi kuadrat umumnya merupakan
kurva positif, yaitu miring ke kanan, yaitu berekor panjang ke kanan. Kemiringan ini semakin
berkurang jika derajat kebebasan makin besar.
Grafik distribusi chi kuadrat secara umum dengan derajat kebebasan dk = v, dimana nilai
peubah acak X ditulis dengan symbol X2 Luas daerah di bawah kurva yang dibayang-bayangi
sama dengan nilai peluang p yaitu luas dari X2p ke sebelah.
Untuk nilai dengan pasangan dk = v dan peluang p yang besarnya tertentu dapat dilihat
pada tabel khusus distribusi chi kuadrat. Untuk menjelaskan cara penggunaan tabel khusus ini,
terdapat pada baris paling atas terdiri kebebasan n ada pada kolom paling kiri.
Tabel Daftar luas di bawah kurva chi kuadrat
V
1
2
..
X2 0,95
X20,005
23.7
14
Distribusi Snedecor F
Fungsi padat peluang peubah acak yang berdistribusi Snedecor F atau dengan singkat
distribusi F adalah
v v 2
v1
1
v v
v 2 ( v1 1)
v1 ( 12 2 )
2
1
2
f (x)
(1 x)
x
v2
v1 v 2 v 2
2 2
Untuk x > 0, dengan v1 = dk pembilang dan v2 = dk penyebut. Distribusi F memiliki dua buah
derajat kebebasa. Grafik distribusi F tidak simetris dan umumnya sedikit miring positif. Seperti
juga distribusi lainya, untuk keperluan perhitungan dengan distribusi F, tabel distribusi F telah
disediakan nilai F untuk peluang 0,01 dan 0,05 dengan derajat kebebasan v 1 dan v2. Peluang ini
sama dengan luas daerah ujung kanan yang dibayang-bayangi, sedangkan dk = v 1 ada pada baris
paling atas dan dk = v2 pada kolom paling kiri.
Untuk tiap pasang dk, v1 dn v2 tabel berisikan nilai-nilai F dengan kedua luas daerah yaitu 0,01
dan 0,05. Untuk setiap dk (v1, v2), tabel sebagai berikut:
v2 = dk
v1 = dk pembilang
penyebut
24
3.12
8
5.28
A. Kesimpulan
Distribusi yang diturunkan dari hasil suatu percobaan dapat dibedakan atas :
1
Distribusi diskrit
Distribusi kontinu
Jadi, kalau ruang sampelnya diskrit, distribusinya juga disebut distribusi diskrit. Demikian
transformasi yang memasangkan titik sampel di semesta ke suatu hasil numeric. Ruang sampel yang
memuat takhingga banyaknya titik sampel dan tidak dapat dipadankan satu-satu dengan bilangan asli
disebut ruang sampel kontinu dan peubah acak yang diturunkannya disebut peubah acak kontinu.
B. Sumber
http://masbied.files.wordpress.com
http://docs.google.com/solehpunya.files.wordpress.com/2008/03/00-kuliah-03-01-distribusiprobabilitas-diskret-teoritis.pdf+contoh+distribusi+hipergeometris
http://docs.google.com/elearning.gunadarma.ac.id/docmodul/statistik_industri1/bab7beberapa_distribusi_peluang_diskrrit.pdf+contoh+distribusi+multinominal
C. Tanya Jawab Diskusi
1. Apakah fungsi dari distribusi poisson?
2.
3.
4.
5.
Jawab: distribusi poisson sering digunakan untuk menentukan peluang sebuah peristiwa yang
muncul dalam daerah atau waktu tertentu diharapkan jarang terjadi. Contohnya, saat
anda melewati pasar peluang untuk menemui orang yang jika menemukan dompet yang
terjatuh dan mengembalikan kepada pemiliknya.
Adakah fungsi dari distribusi normal?
Jawab : Distribusi normal yang biasa juga disebut distribusi Gauss banyak digunakan dalam
pengujian hipotesis, teori penaksiran parameter, dan distribusi penyampelan.
Apakah fungsi distribusi student t?
Jawab: Distribusi ini merupakan revolusi statitik untuk sampel yang kecil.
Bentuk umum dari distribusi peluang?
Jawab: Jika ruang sampelnya diskrit, maka distribusinya juga disebut distribusi diskrit.
Demikian juga kalau ruang sampelnya kontinu, distribusinya disebut distribusi
kontinu. Dalam hal ini masing-masing dari bentuk distribusi peluang, memiliki bentuk
perhitungan masing-masing.
Contoh distribusi hipergeometris?
Jawab: suatu kotak mengandung 7 komponen yangterdiri dari 4 komponen merek A dan 3
komponen merek B. Jika komponen diambil secara acak dari kotak, peluang bahwa
terdapat 2 komponen merek A yang terambil adalah?
4!
3!
4 7 4
1 3
C C
C C
2! 2 ! 1 ! 2 !
P ( X=2 ) = 2 732 = 2 7 1 =
=0,5143
7!
C3
C3
3!4!
)( )
( )