Disusun oleh :
KELOMPOK V
1. KARINA NURWIJAYANTI (15709251028)
2. ERNI KURNIANINGSIH (15709251021)
dalam interval terbatas, katakan interval terbuka ( a , b ), dan pandang bahwa pdf
(fungsi densitas) berupa konstanta , katakan f(x) = c pada interval tersebut. Sifat (2.3.5)
luar interval, maka sifat tersebut juga dipenuhi. Distribusi khusus ini dikenal sebagai
{
1
f ( x ; a , b )= ba ; a< x <b (3.3 .1)
0 ; x yang lain
Notasi yang melambangkan bahwa X mempunyai pdf dari bentuk tersebut adalah
X~UNIF( a , b ) (3.3.2)
titik secara random pada interval ( a , b ). Contoh yang lebih khusus adalah waktu
menunggu secara acak bus penumpang pada contoh 2.3.1. Sebagaimana yang dicatat di
awal, tidak masalah apakah akan melibatkan atau tidak, titik batas a =0 dan b =5.
Barangkali aplikasi yang lebih penting terjadi dalam kasus simulasi komputer
yaitu terkait dalam pembentukan bilangan random. Pembentuk bilangan random adalah
fungsi dalam bahasa komputer atau dalam suatu kasus program subrutin yang didesain
untuk menghasilkan bilangan-bilangan tertentu jika mereka adalah data dari UNIF(0,1).
2.5 , dimana secara umum titik batas menggunakan a dan b , daripada 0 dan 5.
E ( X )= x . f (x) dx
a b
x . f (x) dx + x . f (x) d x + x . f (x) dx
a b
a b
1
x .(0)dx + x .( )dx+ x .(0)dx
a ba b
b
1
0+ x .( ) dx+0
a ba
1
ba
x () dx
b
E( X)=
a
2
x
b
2(ba) a |
b2 a2 b2a2
2(ba) 2(ba) 2(ba)
(b+ a)(ba)
2(ba)
a+ b
E( X)=
2
Lebih lanjut,
E ( X 2 ) = x 2 . f ( x)dx
a b
x 2 . f ( x)dx + x2 . f (x )dx+ x 2 . f ( x)dx
a b
a b
1
x 2 .0 dx + x 2 .
a
( )
ba
dx+ x 2 .0 dx
b
b
1
0+ x 2 .
a
( ba ) dx+0
1
ba
2
x ()dx
b
2
E( X )=
a
3
x
b
3 (ba) a |
3 3
b a
3 (ba) 3(ba)
b3 a3
3 (ba)
3( ba)
2 2
a + ab+b
E( X 2)=
3
2 2
Menurut definisi 2.4.3 : Var ( X ) = E ( X ) dimana E ( X )= ,
sehingga :
Var ( X )=E ( X 2 )[ E( X )2 ]
2
a2 +ab+ b2 ( a+b )
Var ( X )=
3 4
2 2
a 2 ab+b
12
b 22 ab+ a2
12
2
(ba)
Var (X )=
12
Dalam masalah ini, kita daat menyimpulkan bahwa rata-rata distribusi adalah
titik tengah, dan varians adalah berbanding lurus dengan kuadrat interval ( a , b . Ini
konsisten dengan interpretasi bahwa rata-rata dan varians digunakan untuk mengukur
masing-masing dari "titik pusat " dan "variasi" dalam suatu populasi.
Sebagai contoh, bacaan suhu (dalam derajat fahrenheit) pada waktu yang dipilih
secara acak di beberapa lokasi adalah variabel random X UNIF (50,90 ) , dan bacaan
Rata-ratanya adalah :
50+90
x =E ( X )= =70
2
30+110
y =E (Y )= =70
2
x = y =70,
Rata-ratanya adalah sama yaitu tetapi varians berbeda yaitu
400 2 1600
2x = < y =
3 3 , seperti yang dijelaskan dibawah ini.
Persentil 100 x pth, yang diperoleh dengan menyamakan sisi kanan persamaan (3.3.3)
untuk p dan memecahkan solusi untuk x , x p=a+ ( ba ) p . Hal ini diperoleh dari
F(xp) = p
x pa
=p
ba
x pa=( ba) p
x p=a+(ba) p
M ( X ) ( t )= etx f ( x ) dx
b
1
e .0 dx+ e .
tx
a ba
dx+ etx .0 dx
b
tx
( )
b
1
( ) e dx
ba a
tx
1
( ba ) ( 1t e |ba)tx
e bt eat
M ( X ) ( t )= ;t 0
t ( ba )
bt at
e e
lim M X t =lim
( )
t t 0 t (ba)
b . e bt a . e at
lim
t0 t (ba)
ba
ba
Parameter Distribusi Seragam :
Rataan, varians, dan fungsi pembangkit momen dari distribusi seragam dirumuskan
lim M X ( t berikut
sebagai )=1 :
t0
a+b
=E ( X )=
1. 2
2 (ba)2
2. =Var (X )=
12
ebt e at
3. M X (t)= ;t 0
t ( ba )
b) Distribusi Gamma
Distribusi kontinu yang sering terdapat dalam aplikasi adalah distribusi Gamma.
Nama tersebut terkait dengan fungsi yang disebut fungsi Gamma.
Definisi 3.3.1
( )= t 1 et dt (3.3.4)
0
t
t
| t =lim
t =0 t
( )= t 1 et dt
0
Keterangan :
K1 K2
u=t du=(k1) e dt
dv=et dt v=et
()= uv
0
vdu
( )=t 1 t
|
(e ) t= et ( 1 ) t 2 dt
t=0 0
( )=0+(1) t 2et dt
0
( )=(1) t 2 et dt
0
( )=(1) (1)
( n )= ( n1 ) ( n2 )( n3 ) ( n3 )
( n )= ( n1 ) ! ( 1 )
Batas-batas :
Untuk t=0 maka x=0
Untuk t= maka x=
= (x 2) 2 ex 2 x dx
2 0
1
()
2
= x 1 ex 2 x dx
2 0
1
()
2
=2 e x dx
2 0
[ ( )] ( )(
1
2
= 2 e
0
x 2
dx 2 e
0
x2
dx
)
2
[ ( )]
1
2
=4
0 0
2
e( x + y ) dxdy
2
[ ( )] [ (
1
2
=4
0 0
exp x 2+ y 2 ) ] dx dy
dengan :
x= cos
y=sin
2 2
[
1
2 ( )] =4 exp[( ( cos ) +( sin ) )] d d
=0 =0
2 2
2 2
[ ( )]
1
2
=4 exp [ ( 2 cos 2 + 2 sin 2 ) ] dd
=0 =0
2 2
[
1
2 ( )] =4 exp[ ( ) ] d d
=0 =0
2
' 1
2
p =p
'
2 d=d d= dp '
Misalkan : maka 2
Batas-batas :
Untuk =0 maka ' =0
[ ( )]
1
2
=4 e ' 12 dp ' d
=0 =0
2 2
[
1
2 ( )] =2 e =0 =0
'
dp ' d
2 2
[ ( )]
1
2
=2 ( 1 ) d
=0
|
2
[ ( )]
1
2
=2 2
0
2
[ ( )] ( )
1
2
=2
2
0
[ ( )]
1
2
=
( 12 )=
Variabel random kontinu X dikatakan berdistribusi gamma dengan parameter >0
dan > 0 jika mempunyai pdf yang berbentuk :
x
1
f ( x ; , )= x 1 e
x> 0 (3.3.8)
( )
dan fungsi bernilai nol untuk sebaliknya. Fungsi yang diberikan oleh persamaan (3.3.8)
x
t=
memenuhi sifat-sifat umum (2.3.4) dan (2.3.5), yang dihasilkan dari substitusi
(K )
pada integral f ( x ; , ) dx , menghasilkan (K )
=1 .
0
Notasi khusus, yang menunjuk bahwa X memiliki pdf diberikan oleh persamaan
(3.3.8), adalah
X GAM ( , ) (3.3.9)
dasar grafik pdf. Secara khusus, ada bentuk dasar, tergantung pada apakah <1, =1 atau
>1. Ini diilustrasikan pada Gambar 3.2, yang menunjukkan grafik dari persamaan (3.3.8)
1
untuk = 5 ,1, dan 2.
f ( 0 ; , )=0.
x t
1
F ( x ; , )= t 1 e dt (3.3.10)
0 ()
t
u=
Substitusi pada hasil integral
x
F ( x ; , )=F ( ; 1, ) (3.3.11)
x
Yang bergantung hanya pada hanya melalui variabel . Parameter ini seperti
=12, maka
Jika kita menganggap waktu Y yang akan diukur dalam satu minggu, maka model yang
sama masih dapat dicapai dengan mempertimbangkan Y menjadi variabel gamma dengan
seperti sebelumnya. Dengan demikian, skala yang berbeda dari pengukuran dapat
diakomodasi dengan mengubah nilai parameter skala dalam kasus ini tanpa mengubah ke
bentuk umum yang berbeda.
CDF diperoleh dalam persamaan (3.3.10) umumnya tidak dapat diselesaikan
secara eksplisit, tetapi jika adalah bilangan bulat positif, katakanlah =n, maka integral
dapat dinyatakan sebagai penjumlahan.
Teorema 3.3.2
Apabila X GAM ( ,n ) , dimana n adalah bilangan bulat positif, maka CDF dapat
Bukti :
Ini mengikuti pengulangan integral bagian dari integral (3.3.10).
x
penjumlahan Poisson dengan diganti oleh .
Contoh 3.3.1
Jumlah (dalam inci) curah hujan dalam sehari yang terukur di lembah sungai adalah
variabel acak X GAM ( 0.2,6 ) . Hal ini mungkin menarik untuk mengetahui
probabilitas/peluang bahwa jumlah curah hujan akan melebihi tingkat tertentu, katakan
saja 2 inci. Ini akan menjadi :
x
1 ( )
P [ X> 2 ] =
61
6
x e 0,2 dx
2 (0,2) (6)
1F (2; 0,2,6)
5
10 i 10
e =0,067
i=0 i!
x
1 1
E ( X )= x K
x e
dx
0 ( )
x
1
K
( ) 0
x(1+ ) e dx
1+
(1+ ) 1
K 1 +
( ) 0 (1+ )
x (1 + )1 ex/ dx
1+ (1+ )
()
( )
()
E( X)=
2 2
Demikian pula, E ( X ) = ( 1+ ) , dan maka
Var ( X )=2 ( 1+ )( )2
Var ( X )= 2
Sehingga pada contoh sebelumnya diperoleh rata-rata jumlah curah hujan menggunakan
distribusi gamma adalah 1,2 inci dan varians dari 0,24.
1
M X ( t ) =(1t ) t< (3.3.13)
( +r ) r
(1 t )r
( )
(r )
Dan M X ( 0 ) menghasilkan momen ke-r dari X,
(+r ) r
E ( X r )= (3.3.14)
()
Secara tegas, derivasi ini hanya berlaku untuk bilangan bulat positif, namun ada
kemungkinan ditunjukkan dengan argumen langsung yang (3.3.14) berlaku untuk setiap
bilangan real r > -.
Deretnya memiliki bentuk :
( +1 ) r r
M x ( t )=1+ (3.3.15)
r=1 () r !
sebagai distribusi chi-kuadrat dengan derajat kebebasan y; distribusi ini dibahas secara
lebih rinci dalam Bab 8. Akan terlihat bahwa tabel chi-square kumulatif dapat digunakan
untuk mengevaluasi gamma probabilitas kumulatif.
1. =E ( X )=
2. 2=Var ( X )= 2
1
M X ( t ) = (1 t ) t <
3.
c) Distribusi Eksponensial
Sebuah variabel acak kontinu X memiliki distribusi eksponensial dengan
{
x
1
f ( x ; )= e ; x >0 (3.3 .16)
0 ; x yang lain
Notasi dari X GAM ( , 1) dapat digunakan untuk menunjukkan bahwa X memilik pdf
Teorema 3.3.3
Bukti :
P [ X >a+ t dan X > a ]
P [ X >a+t |X >a ]=
P [ X > a]
P [ X >a+ t ]
P [ X > a]
( a+t ) /
e
ea /
t /
e
P [X >t]
Hal ini menunjukkan bahwa distribusi eksponensial memenuhi sifat (3.3.19), yang
dikenal sebagai sifat nonmemori.
Jika X adalah daya tahan dari komponen, kemudian sifat (3.3.19) menegaskan
bahwa probabilitas komponen akan bertahan lebih dari a+t satuan waktu yang telah
berlangsung lebih dari a satuan waktu adalah sama dengan yang komponen baru yang
berlangsung lebih dari t satuan waktu. Dengan kata lain, komponen lama yang masih
bekerja hanya dapat diandalkan sebagai komponen baru. Kegagalan komponen tersebut
bukanlah akibat kerusakan karena dipakai.
Misalkan komponen padat tertentu memiliki masa atau waktu kegagalan (dalam jam)
X exp ( 100 ) . Probabilitas bahwa komponen akan bertahan setidaknya 50 jam adalah :
Jadi, dalam contoh sebelumnya, daya tahan rata-rata dari komponen adalah = 100 jam,
dan standar deviasi, , juga 100 jam.
1. =E ( X )=
2. 2=Var (X )= 2
1
M X ( t ) = (1 t )1 t<
3.
d) Distribusi Weibull
Variabel random kontinu X dikatakan memiliki distribusi Weibull dengan
{
x
1 ( )
f ( x ; , ) = x e ; x>0
(3.3.20)
0 ; x yang lain
Parameter disebut parameter bentuk. Hal ini mirip dengan situasi yang
kami temui dengan distribusi gamma karena ada tiga bentuk dasar, tergantung pada
apakah < 1, =1, atau >1 diilustrasikan pada Gambar 3.3, yang menunjukkan
Salah satu kelebihan dari distribusi Weibull adalah bahwa CDF dapat diperoleh
secara eksplisit dengan mengintegrasikan pdf (3.3.20):
( x ) x> 0 (3.3.22)
F ( x ; , )=1e
x
F( ; 1, )
Hal ini juga jelas bahwa (3.3.22) dapat ditulis sebagai yang
berarti bahwa adalah parameter skala. Kasus khusus dengan =2 dikenal sebagai
Distribusi Rayleigh.
Gambar 3.3 Pdf Distribusi Weibull
Contoh 3.3.3
Jarak (dalam inci) menyentuh panah dari pusat target dapat dimodelkan sebagai variabel
acak X - WEI( l0, 2 ). Probabilitas menyentuh dalam lima inci dari pusat tersebut adalah :
2
( 105 )
P [ X 5 ] =F ( 5 ; 10,2 )=1e =0,221
1 ( x / )
E ( X )= x x e dx
0
x
Berikut substitusi t=( ) , dan dengan beberapa penyerdahanaan, diperoleh :
(1 + 1 )1 et dt= (1+ 1 )
E ( X )= t
0
Demikian pula,
E ( X 2 ) =2 1+ ( 2 ) , dan dengan demikian
[( )
Var ( X )=2 1+
2
1
2 (1+ )
]
Mengikuti dari persamaan (3.3.22) bahwa 100 x pth persentil memiliki bentuk
1
x p= [ ln ( 1p) ]
Fungsi pembangkit momen distribusi Weibull menghasilkan bentuk yang tidak terlacak
(not tractable).
Rataan, varians, dan fungsi pembangkit momen dari distribusi weibull dirumuskan
sebagai berikut :
1
=E ( X )= (1+ )
1.
2. 2=Var ( X )= 2 1+
[ ( 2 ) (1+ 1 )]
2
e) Distribusi Pareto
Notasi: X PAR( , )
Suatu variabel acak kontinu X dikatakan memiliki distribusi Pareto dengan parameter-
f ( x ; , )=
{(1+
x (+ 1)
)
0,x lain
,x> 0
(3.3.23)
Parameter merupakan suatu parameter bentuk (shape parameter) untuk model ini,
walaupun tidak banyak jenis untuk bentuk-bentuk dasar yang mungkin seperti yang kita
temui pada model Gamma dan Weibull.
CDF dari distribusi Pareto memiliki bentuk
x
F ( x ; , )=1(1+ ) x> 0 (3.3.25)
{
3
f ( x )= 2(1+ x) ,x >0
0,x 0
Model ini juga digunakan untuk model masalah biomedical seperti waktu bertahan selama
transplantasi hati.
Contoh distribusi lain yang mengarah pada distribusi Pareto memiliki pdf dengan bentuk
{( )( )
y (+1 )
f ( y )= a , y >a
a (3.3.26)
0, y lain
1 /
x p=[ ( 1 p ) 1]
f) Distribusi Normal
Notasi: X N ( , 2)
Distribusi normal pertama kali dipublikasikan oleh Abraham de Moivre pda tahun 1733
sebagai pendekatan untuk distribusi jumlah dari binomial random variabel. Distribusi ini
merupakan distribusi yang paling penting dalam peluang dan statistik.
Suatu random variabel X mengikuti distribusi normal dengan rata-rata dan varians
2
jika random variabel tersebut memiliki pdf
2
( x )
1 [
] /2
f ( x ; , )= e (3.3.27)
2
untuk < x < , dimana < < dan 0< < .
I= f ( x ; , ) dx= 2
e
dx
x
Dengan mengganti variabel dengan z dan dx dengan dz maka
diperoleh
2
z
1
I= f ( x ; , ) dx= 2
e 2
dz
2
z
1
2 e 2
dz
0
2
( )
2
z w 2
Jika kita ganti 2 dengan w maka z= 2 w dan dz= dw , sehingga
2
2
z
1
I 2 2 e
2
dz
0
1/ 2
1 w w
2 e . dw
0 2 2
1
1 w 2 w
= 2. 2 e dw
0
1
( )
= 2
=1
x
Integran yang diperoleh dari pensubstitusian z dengan adalah suatu kasus spesial
yang disebut sebagai standard normal pdf (pdf normal baku) disimbolkan dengan
( z) .
2
z
1 2
< z <
( z) = e (3.3.29)
2
Jika Z memiliki pdf seperti pada persamaan 3.3.29 maka disimbolkan dengan
Z N (0,1) dan standard normal CDF (CDF normal baku) nya yaitu
z
( z )= ( t ) dt (3.3.30)
Beberapa sifat-sifat dasar dari pdf normal baku dapat diperoleh dengan metode-metode
kalkulus.
Perhatikan bahwa ( z ) = (z) untuk semua bilangan real z, sehingga dapat disimpulkan
bahwa ( z) adalah fungsi genap dari z. Dengan kata lain, distribusi normal baku simetrik
dan
' ' ( z )=( z 21) ( z) (3.3.33)
z2
Perhatikan pula bahwa ( z) 0 dan ' ( z)=z /[ 2 exp ( )] 0 sebagaimana z
2
Akan dicari E(Z) dan E(Z2) dengan menggunakan persamaan (3.3.32) dan (3.3.33).
E ( Z )= z ( z ) dz
' ( z ) dz
=
( z )
=
= 0.
E ( Z ) = z 2 ( z ) dz
2
' ( z ) ( z ) dz
= +
=0+1
=1
[ ( )]
2
1 1 x
E ( X )= x exp dx
2 2
= ( +z ) ( z ) dz
= ( z ) dz + z ( z ) dz
[ ( )]
2
1 1 x
E ( X 2 ) = x 2 exp dx
2 2
= ( +z )2 ( z ) dz
= 2
( z ) dz +2 z ( z ) dz+ z2 ( z ) dz
2
2 2
= +
2 2 2 2 2
Var ( X )= E ( X ) = =
Jika X N ( , 2 ) maka
X
Z= N ( 0,1)
1.
2.
F X ( x )= ( x
)
Bukti:
F Z ( z )=P [ Z z ]
=
P
[ X
z
]
= P[ X + z ]
+z
[ ( )]
2
1 1 x
= 2
exp
2
dx
Setelah substitusi w=(x )/ maka diperoleh
z
1 w / 2 2
F Z ( z )= e dw
2
= (z )
f Z ( z )=F ' Z ( z ) = e
2
Bagian kedua diperoleh melalui
F X ( x )=P [ X x ]
=
P [ X x
]
=
( x
)
CDF normal baku ( z ) dapat dilihat pada Tabel 3 di Appendix C untuk nilai-nilai positif
dari z. Karena sifat simetri dari pdf normal maka CDF dapat ditentukan untuk nilai z negatif
dengan hubungan sebagai berikut.
(z ) =1 (z) (3.3.36)
Selanjutnya, kita akan memisalkan persentil ke dari distribusi normal baku dengan
z
.
( z )=
z 0,95=1,645
Sebagai contoh, untuk =0,95 . Dari tabel 3 diperoleh bahwa .
Dengan sifat simetri, kita peroleh bahwa (1,645 )=10,95=0,05 . Sehingga diperoleh
z 0,05=z10,05
.
P [ z 0,05 < Z< z0,95 ] =0,950,05=0,90
atau
P [ z 10,05< Z < z 10,05 ]=0,90
[
P z
1
2
<Z <z
1
2 ]=1
Contoh 3.3.4
Misalkan X melambangkan daya hidup baterai dalam satuan bulan dan diaproksimasi
X N (60,36) . Bagian dari baterai yang gagal dalam 4 bulan garansi diketahui yaitu
4860
( )
P[X 48] = 6
= (- 2)
= 0.0228
Jika seseorang ingin mengetahui bahwa periode garansi akan berkorespondensi 5% dengan
kegagalan maka
x 0.0560
x 0.05
P[X ] = ( 6
) = 0.05
x 0.0560 x 0.05
Dimana hal ini berarti ( )/6 = -1.645 dan = -1.645(6) + 60 = 50.13
bulan.
xp zp
Secara umum dapat kita lihat bahwa 100 x persentil ke p yaitu =+
M X ( t ) =e t + t /2
2r ( 2r ) ! 2r
E ( X ) = r=1,2,
r ! 2r
Bukti:
1 tz z / 2 2
M Z (t ) = e e dz
2
2
( z t) t 2
1 +
=
2
e 2 2
dz
2
t
2
= e
Integral dari faktor pertama pada integral kedua adalah 1 karena hal tersebut merupakan
integral dari suatu pdf normal pdf dengan rata-rata t dan varian 1. Karena X =Z + ,
2 2
M X ( t ) =M Z + ( t )=e t M Z ( t )=e t + t /2
2r ( 2r ) ! 2r
Persamaan E ( X ) = r
r=1,2, dan E ( X )2r 1=0 r=1,2,
r !2
2 r t 2r
= r
r =0 2 r !
2r (2 r )! t 2r
= 2r r ! (2 r)!
r =0
2r
t
Ekspansi ini hanya terdiri dari pangkat-pangkat bilangan bulat genap dan koefisien (2 r ) !
f 0( z) melambangkan pdf.
Definisi 3.4.1
Suatu nilai adalah suatu parameter lokasi untuk distribusi X jika memiliki CDF
berbentuk
F ( x ; )=F 0( x) (3.4.1)
Contoh 3.4.1:
Suatu distribusi yang sering digunakan dalam aplikasi life-testing memiliki pdf
{
(x)
f ( x ; )=f ( x )= e ,x >
0 ,x yang lain
Parameter lokasi pada aplikasi ini biasanya disebut parameter threshold karena peluang
suatu kegagalan sebelum adalah 0. Ilustrasinya dapat dilihat pada gambar berikut ini.
Biasanya suatu parameter lokasi digunakan untuk ukuran pemusatan dari X, misalnya mean
atau median.
Contoh 3.4.2:
Perhatikan pdf berikut.
z , < z <
1
f 0 ( z )= e
2
terhadap dan memiliki maksimum tunggal, maka juga merupakan median dan
Definisi 3.4.2
Parameter Skala (Scale Parameter)
Suatu nilai adalah suatu parameter skala untuk distribusi X jika memiliki CDF
berbentuk
F ( x ; )=F 0 ( x ) (3.4.3)
Definisi 3.4.3
Suatu nilai dan >0 disebut suatu parameter lokasi-skala untuk distribusi X jika
F ( x ; , ) =F0 ( x
) (3.4.3)
Contoh lain dari distribusi lokasi-skala yang biasa digunakan dalam aplikasi life-testing
memiliki pdf
1
f ( x ; , )= exp
(
x
x > )
dan 0 untuk x yang lain. Distribusi ini disebut dengan distribusi ekspinensial dua parameter
DAFTAR PUSTAKA
Bain, Lee J dan Max Engelhardt. 1992. Introduction to probability and mathematical statistic
second edition. CA: Duxbury