Distribusi Seragam Misalkan X Mengalami Harga-Harga
Distribusi Seragam Misalkan X Mengalami Harga-Harga
1. Distribusi Seragam
Misalkan x mengalami harga-harga x1 , x 2 , , x k
x dikatakan mempunyai distribusi seragam bila
1
,
k
f ( xi )
i = 1, 2, 3, , k
X1
X2
X3
Contoh:
Sebuah dadu dilontarkan sekali; x = mata dadu yang tampak
x = 1, 2, 3, 4, 5, 6
f ( x)
1
,
6
x = 1, 2, 3, 4, 5, 6
f ( x)
1
,
k
x x1 , x 2 , x3 , , x k
Ex
x1 x 2 x3 x k
k
k
x
i 1
XK
2. Distribusi Binomial
Usaha Bernoulli: suatu eksperimen yang hasilnya kita klasifikasikan sebagai S
(sukses) dan G (gagal) dengan P( S ) p dan P (G ) q 1 p
Contoh:
1. Ujian pilihan ganda (4 pilihan).
Memilih mendapat jawaban benar
1
3
dan P(G )
4
4
P(S )
n! 1 2 3 n
0! 1
1! 1
2! 1 2
C
n
r
a b 1
a b 2
a b 3
a b n
n
r
n!
r!(n r )!
1
1
a b a1b 0 a 0b1
0
1
2
2
2
a 2 2ab b 2 a 2b 0 a1b1 a 0b 2
0
1
2
a 3 3a 2b 3ab 2 b3
3
a 3b 0
0
a nb 0
0
Usaha Bernoulli
3 1 2 3 0 3
a b a b
2
3
n
n
a n 1b1 a n 2b 2 ........... a 0b n
2
n
a 2b1
P(S) = P
P(G) = g=1-p
0 3
X = 0 GGG P(X = 0) = g3 = p g
0
1 2
X = 1 SGG = pg2 P(X = 1) = 3pg2 = p g
1
GSG = pg2
GGS = pg2
2 1
P(X = 2) = 3p2g = p g
2
X = 2 SSG = p2g
SGS = p2g
GSS = p2g
3 0
X = 3 SSS = P(X = 3) = p3 = p g
3
0 3
1 2
2 1
3 6
P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) = p g p g p g p g
0
1
2
3
= (p + g)3 = 13 = 1
Secara umum
Usaha Bernoulli kita ulang sebanyak u kali secara independent
X menyatakan sukses
n
x
n x
X 0,1,2,....n
F(X) = P(X = X) = p g
x
n x n x
p g
( p g ) n 1n 1
x
x0
F ( x)
x0
n x n x
p g
x 0 x
E(X) =
F ( x)
x 0
n!
px g n x
X . x!(n x)!
x 1
n
px g n x
x 0
n
n!
X . x!(n x)!
n!
( x 1)!(n x)!
px g n x
x 1
(n 1)!
p x g n 1 ( x 1)
x 1 ( x 1)!( n 1 ( x 1)!
n
= n.p
y = x-1
x = 1 => y = 0
x = n => y = n 1
n 1
= n.p
( n 1)!
y!(n 1 y )!
y 0
= n.p (p + g)n -1
= n.p(1)n -1
= np
DISTRIBUSI BINOMIAL
p y g n 1 y
f x n p x q n x
x
; x = 0, 1, 2, . n
Probabilitas suatu barang elektronik tahan guncangan pada waktu pengiriman adalah 0,9.
Tentukan probabilitas dari kiriman 10 barang elektronik, 8 diantaranya masuk dalam
keadaan baik.
P ( S ) 0,9
P (G ) 0,1
10
8
P ( x 8)
n = 10
(0,9) 8 (0,1) 2
x=8
10!
(0,9) 8 (0,1) 2 0,19
8!2!
DISTRIBUSI GEOMETRIK
Misalkan kita mempunyai usaha Bernoulli dengan P( S ) p dan P (G ) q 1 p
Usaha ini kita ulang sampai mendapatkan sukses pertama
x 1
x2
x3
x4
G
GS
GGS
GGGS
G G G
P( x
P( x
P( x
P( x
1) p
1) qp
1) q 2 p
1) q 3 p
G G S
x
Secara umum P ( x x) f ( x) q x 1 . p
x=1, 2,
Contoh:
Suatu proses produksi diketahui bahwa rata-rata 1 diantara 100 butir hasil produksi cacat.
Berapa probabilitas memeriksa 5 butir dan baru menemukan yang cacat pada yang ke lima?
P(S) = 0,01
o o o o o
B B B B C
P(x=5) = (0,99)4 . (0,01)
DISTRIBUSI POISSON
Misalkan x adalah variabel random diskrit yang menyatakan banyaknya sukses dalam suatu
selang waktu suatu daerah tertentu. Selang waktu bisa dari milidetik sampai dengan tahun.
Daerah pengamatan bisa luasan dari mm2 sampai dengan ha atau km2.
Contoh:
1. Banyaknya langganan yang datang di suatu toko dalam selang waktu 5 menitan.
2. banyaknya telepon yang masuk suatu kantor dalam selang waktu 30 menitan.
3. Banyak salah ketik perhalaman.
4. banyaknya pertandingan sepak bola yang tertunda selama satu musim kompetisi.
Maka f ( x) P ( x x)
e x
x!
, x = 0, 1, 2,
= parameter
x E (x)
Var (x) = x 2
Biasanya ciri-ciri dari distribusi poison adalah diketahui harga rata-ratanya.
Contoh:
1. Rata-rata banyaknya partikel radioaktif yang melewati suatu penghitung selama satu
milidetik dalam suatu percobaan laboratorium adalah empat. Berapakah probabilitas
terdapat 6 partikel yang melewati penghitung selama 1 milidetik tertentu?
4
x6
P ( x 6)
e 4 4 6
6!
2. Rata-rata banyaknya tanker minyak yang tiba tiap hari di suatu pelabuhan adalah
10. Pelabuhan tersebut hanya mampu menampung 15 tanker perhari. Berapakah
probabilitas pada suatu hari tertentu tanker terpaksa disuruh pergi, karena pelabuhan
tidak mampu melayaninya.
Pelabuhan tidak mampu melayani bila x 15
P ( x 15)
1 P ( x 0) P ( x 1) P ( x 15)
diperlukan
tabel
e x
, x = 0, 1, 2,
x!
Contoh:
Dalam suatu proses produksi yang menghasilkan barang dari gelas. Tejadi gelembung atau
cacat yang kadang-kadang menyebabkan barang tersebut sulit dipasarkan. Diketahui bahwa
rata-rata 1 dari 1000 barang yang dihasilakan mempunyai satu atau lebih gelembung.
Berapakah probabilitas bahwa dalam sampel random berjumlah 8000 akan terdapat 7 yang
mempunyai gelembung?
Ini adalah distribusi binomial dengan p=0,001
n = 8000
x=7
np (8000) (0,0001) 8
8000
0,001 7 0,999 80007
7
P ( x 7)
Maka f ( x) P ( x 7)
e 8 (8) 7
7!
x1
x2
x3
x4
100
x disebut variabel random kontinu bila x mengalami harga-harga kontinu pada suatu selang
atau interval.
x diskrit: bila dapat menyusun fungsi distribusi probabilitas, atau fungsi massa probabilitas
dalam suatu tabel.
Untuk x kontinu kita tidak mungkin membuat daftar atau tabel demikian. Tetapi ada fungsi
f(x) yang disebut fungsi kepadatan probabilitas yang fungsinya menyerupai fungsi massa
probabilitas untuk kasus diskrit.
f(x) disebut fungsi kepadatan probabilitas bila
(a.)
f ( x) 0
(b.)
(c.)
P ( a x b)
(d.)
P ( a x b ) = P ( a x b) P ( a x b )
f ( x)dx 1 a b f ( x)dx
b
= P (a x b) a f ( x)dx
P( x a) =
Contoh:
Buktikan bahwa
b f ( x)dx 0
x 2 3 1 x 2
f ( x)
f ( x) 0
f ( x)dx =
=0+
1 f ( x )dx +
1 3
x
9
9
=1
9
P (0 x 1) =
1
0
2 f ( x)dx + f ( x)dx
x2
dx + 0
3
x2
dx
3
8 ( 1) 3
9
1 3
x
9
=
0
1
9
E ( x) x f ( x) dx
Variasi dari x ditulis 2 adalah :
2 = E x x f ( x)dx
2
Deviasi standar atas adalah akar positif dari variasi seperti dalam kasus diskrit berlaku:
2
2 = E ( x) 2 E ( x)
Bukti:
= E x 2
x f ( x )dx
x 2 2 x 2 f ( x)dx
x 2 f ( x )dx 2 x f ( x)dx + 2 f ( x) dx
= E ( x) 2 2 2 2
= E ( x 2 ) E ( x ) 2
Dimana:
2 x f ( x )dx =
2 f ( x)dx = 1
Contoh:
Tentukan dan 2 dari distribusi pada contoh diatas!
= E (x) +
=
x f ( x)dx
2
= 1
1 3
1
x4
x dx =
3
4
3
1
16 1 = 15 = 5 = 1,25
12
12
4
2
2
= 1 x
E(x 2 )
=
2
1 2
1
1
x5
x dx = 1 2 x 4 dx =
35
3
3
1
32 1 = 33 = 11
15
15
5
= E ( x 2 ) E ( x ) 2 =
11 5
5 4
11 25
176 125
51
=
=
5 16
80
80
1
ba
, a xb
2. Distribusi Eksponensial
x dikatakan mempunyai distribusi eksponensial bila
f ( x)
, 1 0
E (x ) =
f ( x ) dx
1
= e
dx
x d
= d
f ( x)
1
2e
E ( x) = =
= xe
= e
dx
, x0
Contoh:
Misalkan daya tahan suatu komponen dinyatakan dalam variabel random x yang
mempunyai distribusi eksponensial dengan rata-rata sama dengan 5. Tentukan
probabilitas bahwa komponen itu akan berfungsi pada akhir tahun kedelapan atau
P ( x 8)
E (x)
==5
Jadi f (x ) =
1
5e
x
5
P ( x 8) =
1
8 5 e
= e
, x0
x
5
dx
=
8
8
5
1, 6
0,2
Distribusi yang lebih umum dari distribusi eksponensial untuk menyatakan ketahanan
suatu benda adalah distribusi weibull.
x dikatakan mempunyai distribusi weibull bila:
f (x ) =
1 x
, x0
E ( x) =
Var (x) =
P(n) =
1
P 1
2
1
P 1 P 1
n 1
dx
Khusus 1
f (x ) =
distribusi eksponensial
3
2
3. Distribusi Normal
Distribusi yang paling penting dalam statistika adalah distribusi normal karena
kebanyakan data dapat dimodelkan sebagai distribusi normal.
x dikatakan mempunyai distribusi normal bila:
f (x ) =
1
2
Sifat-sifat:
E (x ) =
Var (x) = 2
x
0
kecil
besar
Notasi:
Bila x mempunyai distribusi normal dengan mean dan variasi 2 maka x ditulis:
x N , 2
Khusus 0 dan 1 maka distribusi normal disebut distribusi normal standar dan
distribusi notasi Z.
Z N (0, 1)
Tersedia tabel probabilitas distribusi normal standar. Lihat tabel 4 luas dibawah
kurva normal akan dicari P Z z
z 0,49 0,3121
-0,49
Dibawah z
Z=
disebelah kanan z
0,00
-3,4
-0,4
0,5
1,0
1,4
2,0
2,3
3,4
0,01
0,02
0,04
.
... ... ... ...
.
.
... ... ... ..
.
... ... ... 0,9904
0,05
.
... ..
.
.
0,9245
0,09
.
0,3121
z 2,34 0,9904
2,34
z 1,45 1 z 1,45
1 0,9265
0,0735
1,45
1,27 z 1,65
z 1,65 z 1,27
0,9505 0,1020
0,8485
-1,27
1,65
Mencari kembali
Diketahui prababilitas
Contoh:
Temtukan z agar
P ( z Z z ) = 0,90
P ( z Z z ) = P (0 Z z )
= 0,45
P( z Z )
= P( z 0) P (0 Z z )
= 0,5 + 0,45
= 0,95
0,90
-z
0,04
.
... ... 0,9495
1,6
0,05
.
... ... 0,9505
N ( , 2 )
Dengan transformasi : Z =
, maka Z N (0, 1)
a x b
P ( a x b) = P
b
a
z
= P
X1
xz0
x1 Z 1
x1
0
X2
Z1
Z2
x2 Z 2
x2
0
x N(60,16)
Tentukan P 55 x 63
Misalkan
Adakan transformasi Z =
x 63 Z =
x 55
x
x 60
=
63 60
3
=
= 0,75
4
4
55 60
3
=
= -1,25
4
4
55
60
P (55 x 63)
63
-1,25
0,25
= P( 1,25 z 0,75)
= P ( z 0,75) P ( z 1,25)
= 0,7734 0,1056
= 0,6678
Selanjutnya misalkan
x N(60,16)
10%
60
X0
0,90
4
40
x 60
P Z Z 0 o
0,90
4
Z0 = 1,28
xo 60
= 1,28
4
Xo = 60 + 4 (1,28) = 60+ 5,12 = 65,12
0,08
.
1,2
..
0,8447
x = mean sampel
Mean ini akan berbeda dari sampel ke sampel tetapi diharapkan mempunyai pola
tertentu yang bisa kita selidiki.
Contoh populasi 2,3,4
= 23 4 3
3
x =
Sampel
(2,2)
x
2
(2,3)
2,5
(2,4)
(3,2)
2,5
(3,3)
(3,4)
3,5
(4,2)
(4,3)
3,5
(4,4)
3
9
9
23 4
3
3
Sampel berukuran 2
(2,2) x 2
(2,3) x 2,5
(2,4) x 3
(4,4) x 4
x
2
n
2
n
x2
x
x
Z
x
n
x
disebut standar error atau galat standar dari x
n
n
3. Bila populasi mempunyai distribusi normal maka x juga mempunyai distribusi normal.
4. Apapun bentuk distribusi populasi bila ukuran sampel n 30 maka x mempunyai
distribusi normal. Hasil terakhir ini dikenal sebagai teorema limit pusat.
Contoh:
1. Dari suatu populasi diketahui bahwa 82 dan 12 . Dari populasi tersebut
diambil sampel random berukuran n 64 . Tentukan P (80,8 x 83,2)
2
x 80,8
N ( x ; 82
x)
83,2 X
144
) atau
64
12
1,5
8
P (80,8 x 83,2)
x 82 83,2 82
80,8 82
1
,
5
1,5
1,5
= P
1,2
1,2
Z
= P ( 0,8 Z 0,8)
1,5
1,5
= P
= P( Z 0,8) P ( Z 0,8)
= 0,7881 0,2119
= 0,5762
2. Sebuah perusahaan memproduksi lampu yang umumnya berdistribusi normal dengan
mean 800 jam dan deviasi standar 40 jam. Hitunglah probabilitas bahwa suatu sampel
random dengan 16 bola lampu akan mempunyai umur rata-rata kurang dari 775 jam.
Walaupun n 16 30 , karena populasi mempunyai distribusi normal maka x juga
mempunyai distribusi normal.
x N (800 ;
40
10
4
( 40) 2
)
16
775
800
10
10
P ( x 775) = P
= P Z
25
P ( Z 25)
10
= 0,0062
Teori Penaksiran (Theory of Estimation)
Statistika adalah ilmu yang mempelajari generalisasi harga parameter berdasar harga
statistika.
Generalisasi ini juga disebut dengan inferensi
Inferensi statistik
Teori Estimasi
Uji Hipotesa
Secara umum teori estimasi berurusan dengan penaksiran harga parameter berdasar harga
statistika pada tingkat probabilitas tertentu.
Estimasi mean populasi () statistik yang digunakan adalah x
n 30
2
x
x N , Z
N (0,1)
P Z
Z = 1
2
2
atau
P x Z x Z
2
2 n
= 1
(1- )
X Z
2 n
X Z
2 n
Interval
x Z , x Z disebut interval konfidensi (1 ) untuk . . Untuk n 30
2 n
2 n
bila tidak diketahui maka bisa kita dekati dengan deviasi standar sampel S =
x
i 1
n 1
Contoh:
Mean dari deviasi standar indeks prestasi 36 mahasiswa adalah 2,6 dan 0,3. tentukan
interval konfidensi 95% untuk indeks prestasi seluruh mahasiswa.
(1 ) 100% = 95%
= 0,05
= 0,025
0,025
0,025
2,6 1,96
xZ
2
n
S
n
0,3
0,3
2,6 1,96
6
6
2,50 2,70
Ukuran sampel n 30
x
mempunyai distribusi
; n 1
2
; n 1
2
P t
; n 1
t
; n 1
2
2
S
n
= 1
S
S
P x t ; n 1 x t ; n 1
2
n
n
2
= 1
Contoh :
Tujuh botol yang mirip masing-masing berisi asam sulfat 9,8; 10,2; 10,4; 9,8; 10,0; 10,2
dam 9,6. Tentukan interval kepercayaan 95% untuk mean isi botol semacam itu bila
distribusinya dianggap normal.
x
9,8
9,6
10,0
7
= 0,05
= 0,025
Derajat kebebasan 6
0,10
0,025
0,005
2,447
t ; n 1
7
7
10 2,447