You are on page 1of 12
KONSEP DASAR DISTRIBUSI PELUANG A Peubah Acak Mata Kuliah : Statistika 1 Pada percobaan yang digunakan
KONSEP DASAR DISTRIBUSI PELUANG A Peubah Acak Mata Kuliah : Statistika 1 Pada percobaan yang digunakan

KONSEP DASAR DISTRIBUSI PELUANG

KONSEP DASAR DISTRIBUSI PELUANG A Peubah Acak Mata Kuliah : Statistika 1 Pada percobaan yang digunakan

A

Peubah Acak

Mata Kuliah

: Statistika 1

 

Pada percobaan yang digunakan untuk menjelaskan setiap proses yang menghasilkan

Dosen Pembimbing

: Nina Sulistyowati, S.Kom

pengukuran, sering yang menarik perhatian kita bukan titik sampel itu sendiri melainkan gambaran

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. dapat dibuat dalam sebuah tabel sebagai berikut: 1 X P (X =
dikaitkan dengan titik sampel.
dapat dibuat dalam sebuah tabel sebagai berikut:
1
X
P (X = x) = p (x)
0
1/8
1
3/8
2
3/8
3
1/8

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 masing-

masing 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

Fungsi massa peluang munculnya sisi muka dalma tiga kali pelemparan mata uang

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:
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 W 10 - 186
kecil x. Untuk penyerderhanaan, kita tulis p (x) untuk x = 0, 1, 2, 3 memiliki sifat-sifat sebagai
2.
Kana Meiyana
10 - 192
berikut:
1
p(x) ≥ 0 untuk
x = 0, 1, 2, 3
3.
Abdul Kohir
10 - 069
2

Sifat-sifat diatas dapat dinyatakan secara umum. Untuk

setiap peubah acak diskrit X yang

mempunyai terhingga banyaknya nilai x 1 , x 2 , x 3 , …

..

x n dengan peluang p(x i ) = p i untuk

i = 1, 2, 3,

……n untuk sebaang bilangan asli n, harus memenuhi sifat-sifat fungsi massa peluang berikut:

i = 1, 2, 3, …….n
i = 1, 2, 3, …….n

..

dengan peluang masing-masing p 1 , p 2 , p 3

..

1

p i ≥ 0 untuk

KONSEP DASAR DISTRIBUSI PELUANG A Peubah Acak Mata Kuliah : Statistika 1 Pada percobaan yang digunakan

acak X adalah x 1 , x 2 , x 3

2

Sifat ini dapat diperluas lagi untuk peubah acak yang memiliki tak hingga banyaknya nilai, dan

KONSEP DASAR DISTRIBUSI PELUANG A Peubah Acak Mata Kuliah : Statistika 1 Pada percobaan yang digunakan
KONSEP DASAR DISTRIBUSI PELUANG A Peubah Acak Mata Kuliah : Statistika 1 Pada percobaan yang digunakan

masih dapat dipadankan satu-satu dengan bilangan asli A = {1, 2, 3…}. Misalkan nilai-nilai peubah

harus memenuhi sifat-sifat

berikut:

2

2 Ada dua momen penting dari peubah acak yang disebut nilai harapan (expected value) dan variansi

Ada dua momen penting dari peubah acak yang disebut nilai harapan (expected value) dan

variansi (variance). Rumus kedua momen ini berturut-turut adalah:

i

1

x

i

p

i

= E (X) =

2 = E (X - ) 2 =

i

1

(x

i

) p

i

i

Symbol E (X) dalam bahasa Inggris dibaca Expected value of X. rumus variansi dapat pula ditulis

dengan 2 = E(X 2 ) - 2 , dengan E(X 2 ) =

i

1

x

i

2

p

i

. Untuk peubah acak diskrit X yang nilainya

terhingga banyaknya (n), kedua nomen tersebut dinyatakan oleh rumus yang sama, tetapi batas

sigma yang berbeda sebagai berikut:

n

i

1

x

i

p

i

= E (X) =

2 = E (X - ) 2 =

n

i

1

(x

i

) p

i

i

Hasil suatu percobaan mungkin saja tak hingga banyaknya dan tidak dapat dipadankan satu-

satu 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 satu-

satu 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}

2.



f (x)dx dx

1



3.

P(a<X<b) =

b

f(x)dx

a

untuk a, b R

Nilai harapan dan variansi peubah acak kontinu dihitung dengan rumus

E(X)



x.f (x)dx



2



(x

2

) .f(x)dx



2

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:

E(X)

B

x.f(x)dx

A

2

B

2

(x ) .f (x)dx

A

B

x .f(x)dx

2

2

A

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 = (n 2 – 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

P (X≤ 4)=

x=0

1

1

1

1 + + 11 =0,4545

1

1

=

+

+

100+1 11 11 11 11

Rata-rata jumlah pesanan perhari yang datang:

μ x

10+0

=

2

=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 = N 2 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:

p(x)

N

x





1



N

2

n

x

N

n

, x

1,2,3,

....

n

Dengan N 1 = Ukuran sub populasi sukses

N 2 = Ukuran sub populasi gagal

N = Ukuran populasi = N 1 + N 2

n = ukuran sampel

x = banyaknya gejala sukses di antara n objek

yang terambil

Nilai harapan dan variansi masing-masing

n.

N

1

N

dan

n(

N

1

N

)(1

N

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?

3

= (

2!2! )( 1!2! )

4!

3!

P(X=2)= C

4

2 C 32

74

= C 2

C

1

C 3

1

C

7

3

7

(

3!4! )

7!

=0,5143

  • 3 Distribusi Rumpun Binomial

Distribusi binomial merupakan salah satu model distribusi peluang untuk peubah aack

yang diskrit. Koefisien binomial menunjukkan peluang timbulnya gejala yang diharapkan (gejala

sukses) dari sejumlah n peristiwa. Model distribusi ini diterapkan pada kasus percobaan Bernoulli

dengan ciri sebagai berikut:

a

Tiap-tiap percobaan hanya memiliki dua kemungkinan hasil, yakni sukses dan gagal (tidak

selalu sama maknanya dengan pengertian sukses dan gagal dalam pembicaraan sehari-hari)

b

Peluang sukses selalu sama pada setiap percobaan, akan tetapi peluang sukses tidak harus

sama dengan peluang gagal.

c

Percobaan diulangi sebanyak n kali dan bersifat bebas (hasil percobaan yang satu tidak

mempengarui hasil percobaan yang lain).

Jika X adalah sebuah peubah acak biomial, maka fungsi massa peluang X adalah:

p(x)

n

x

p

x

(1

p)

n

x

, x

0,1,2

.....

n

Dengan

p = Peluang percobaan sukses

n = banyaknya percobaan

x = banyaknya gejala sukses yang terjadi.

Nilai harapan µ = np dan variansi 2 = np (1-p)

Dalam keadaan khusus, percobaan dilakukan sekali saja, yaitu n = 1, kita peroleh peubah

acak Bernoulli dengan fungsi massa peluang

p

x

(1

p)

n

x

,untuk x

0,1.

Nilai harapan µ = p dan variansi 2 = p (1-p)

Andaikan percobaan Bernoulli diulang untuk mendapatkan k sukses, dan hasil ini

diperoleh setelah y kali percobaan. Dengan demikian, peubah acak Y yang menyatakan banyaknya

percobaan untuk mendapatkan sukses yang ke-k disebut peubah acak binomial negatif. Fungsi

masa peluangnya adalah:

p(y)

y

k

 1    1 
 1 
 1

p

k

(1

p)

y

k

, untuk y

k,k

1, k

2

Nilai harapan µ = k/p dan variansi 2 = k (1-p)/ p 2

Selanjutnya, kita perhatikan keadaan khusus untuk k=1, yaitu peubah acak Y yang

menyatakan banyaknya percobaan yang dilakukan untuk mendapatkan sukses yang pertama, dan

ini disebut peubah acak geometris. Fungsi masa peluangnya dinyatakan dengan:

p(y) = p(1-p) y-1 untuk y = 1, 2, 3, …….

Nilai harapan µ = l/p dan variansi 2 = (1-p)/ p 2

  • 4 Distribusi Multinomial

Perluasan distribusi binomial adalah distribusi multinomial. Misalkan, sebuah percobaan

memberikan hasil yang mungkin h 1 , h 2 ,…

..

3, n dan p 1 + p 2 + …… ..

+ p k = 1, Andaikan percobaan

ini diulangi secara bebas n kali, maka peubah acak yang menyatakan bahwa kita akan

mendapatkan x 1 hasil h 1 , x 2 hasil h 2 ,…

..

x

k hasil h k dengan x 1 + x 2 + ……+ x k = n disebut peubah

acak multinomial. Fungsi masa peluang distribusi multinomial dinyatakan dengan:

p (x 1 , x 2 , ……x k ) =

dengan x 1 + x 2 +…

..

x k = n, 0 < p i < 1, i= 1, 2, 3,…

..

k

dan p 1 + p 2 +…

..

p k = 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:

P(X=2)=C 4 (0,75) 42 = ( 2!2! ) (0,75) 2 (0,25) 2 =0,2109

2

4!

  • 5 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 = µ, 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.

  • C DISTRIBUSI PELUANG KONTINU

Distribusi dengan peubah acak kontinu yang pertama kali kita bicarakan adalah distribusi

normal, kemudian distribusi student t, distribusi chi kuadrat, dan distribusi F.

  • 1 Distribusi Normal

Distribusi normal yang biasa juga disebut distribusi Gauss banyak digunakan dalam

pengujian hipotesis, teori penaksiran parameter, dan distribusi penyampelan.

Sekarang kita akan tinjau mengenai fungsi padat peluang distribusi normal dengan rata-

rata µ dan simpangan baku sebagai berikut

f(x)

1

e

1/ 2(x

)

2

/

2

,untuk

  

x

 

Dengan adalah nilai konstanta yang bisa ditulis dengan = 3,1416 dan e bilangan Euler yang

sudah dijelaskan sebelumnya. Nilai juga terdapat hampir semua kalkultor. Peubah acak X

dengan daerah nilai -∞ < x < ∞, berdistribusi normal, jika fungsi padat peluangnya seperti f(x) di

atas.

Andaikan X adalah peubah acak normal dengan rata-rata µ dan simpangan baku ,

X

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

x!

, untuk x

0,1,2 .....

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:

f(x)

1

e

1

2

z

2

,untuk

  

z

 

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)

Tabel daftar luas di bawah distribusi normal baku

Z

1

2

……

5

…….

8

9

0,0

 

0.1

 

4842

 

2.1

 

3.9

Karena luas seluruh daerah di bawah kurva sama dengan satu dan kurva simetris terhadap µ =

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

(μ) 60 dan deviasi standar (σ)10. Tentukan nilai variabel normal standar bagi mahasiswa yang

memiliki berat badan 70 dan 50?

Jawab:

Dik: x 1 =70

σ

= 10

x

2 = 50

μ = 60

Dit: Z=

?

(nilai variabel)

Jwb: Z = (x – μ) / σ

Z 1 = (70 – 60) / 10 = 1

Z 2 = (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;

f(t)

 v  1      2  1  v  v
 v
1 
 
2
1
v
v
 
2

(1

t

2

)

v

v

1

2

untuk

 

t

 

Dengan v (baca; nu) adalah parameter distribusi dan Γ (.) menyatakan fungsi gamma yang

didefinisikan dengan

(v)

x

v

1

dx

0

Beberapa sifat dasar fungsi gamma, antara lain sebagai berikut:

Γ (n) = (n-1) Γ (n-1), n>1

Γ (n) = (n-1) !,

n = 1, 2, 3 ……



Γ (1/2) =

Dimana = 3,1415…….Dengan sedikit pekerjaan matematis dapat dibuktikan bahwa fungsi

padat peluang distribusi t memenuhi:

f (t)dt

1



Grafik f(t) menyerupai kurva distribusi normal sebagai berikut.

Pada fungsi distribusi ini adalah bilangan v yang disebut derajat kebebasan (dk). Dalam praktek,

derajat kebebasan itu sama dengan ukuran sampel dikurang satu, atau dk = v = n – 1. Jika sebuah

populasi mempunyai model dengan fungsi padat peluang sama dengan f(t) maka populasi itu

dapat dianggap berdistribusi t dengan dk = n – 1. Untuk nilai-nilai n yang besar, biasanya n ≥

30, distribusi t mendeteksi distribusi normal baku.

Untuk perhitungan daftar distribusi t telah disediakan (lampiran D). tabel tersebut

berisikan nilai-nilai t untuk dk dan peluang tertentu. Kolom paling kiri, kolom v = dk, berisikan

derajat kebebasan, baris teratas berisikan peluang.

Tabel daftar luas di bawah kurva distribusi t

V

t 0,995

t 0,99

t 0,95

……

…… …….

t 0,55

1

 

12

 

1.78

….

 

3.9

  • 3 Distribusi Chi Kuadrat

Distribusi chi kuadrat adalah distribusi peubah acak kontinu yang mempunyai fungsi

padat peluang.

 

1

1

v

1

  • 1 x

f(x)

  • 2 v / 2

(v / 2)

x

2

e

2

, x

0

 

f(x)dx

1

 



dengan v = derajat, kebebasan dan dapat dibuktikan secara

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 X 2 Luas daerah di bawah kurva yang dibayang-bayangi

sama dengan nilai peluang p yaitu luas dari X 2 p 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

… ..

X 2 0,95

……

X 2 0,005

1

 

2

14

 

23.7

 
  • 4 Distribusi Snedecor F

Fungsi padat peluang peubah acak yang berdistribusi Snedecor F atau dengan singkat

distribusi F adalah

f (x)

v

1

v

2

v

2

2

v

2

2

v

1

2

1

v

v

1

2

(

x

v

1

2

1)

(1

v

1

v

2

x)

(

v

1

v

2

2

)

Untuk x > 0, dengan v 1 = dk pembilang dan v 2 = 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 v 2 . Peluang ini

sama dengan luas daerah ujung kanan yang dibayang-bayangi, sedangkan dk = v 1 ada pada baris

paling atas dan dk = v 2 pada kolom paling kiri.

Untuk tiap pasang dk, v 1 dn v 2 tabel berisikan nilai-nilai F dengan kedua luas daerah yaitu 0,01

dan 0,05. Untuk setiap dk (v 1 , v 2 ), tabel sebagai berikut:

v

2 = dk

v

1 = dk pembilang

penyebut

 
 

24

   

3.12

 

8

5.28

A. Kesimpulan

Distribusi yang diturunkan dari hasil suatu percobaan dapat dibedakan atas :

  • 1 Distribusi diskrit

  • 2 Distribusi kontinu

Jadi, kalau ruang sampelnya diskrit, distribusinya juga disebut distribusi diskrit. Demikian

juga kalau ruang sampelnya kontinu, distribusinya disebut distribusi kontinu.

Fungsi distribusi terletak pada peubah acak. Peubah acak (random variable) yaitu

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.

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.

  • 2. 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.

  • 3. Apakah fungsi distribusi student t? Jawab: Distribusi ini merupakan revolusi statitik untuk sampel yang kecil.

  • 4. 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.

  • 5. 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?

3

= (

2!2! )( 1!2! )

4!

3!

P(X=2)= C

4

2 C 32

74

= C 2

C

1

C 3

1

C

7

3

7

(

3!4! )

7!

=0,5143