DISTRIBUSI VARIABEL RANDOM KONTINU KHUSUS DAN

PARAMETER LOKASI DAN PARAMETER SKALA

Disusun untuk Memenuhi Tugas Mata Kuliah Statistika Matematika

Dosen Pengampu: Dr. Dhoriva Urwatul Wutsqo

Disusun oleh :
KELOMPOK V
1. KARINA NURWIJAYANTI (15709251028)
2. ERNI KURNIANINGSIH (15709251021)

PROGRAM STUDI PENDIDIKAN MATEMATIKA

PROGRAM PASCASARJANA
UNIVERSITAS NEGERI YOGYAKARTA
2016
 DISTRIBUSI VARIABEL RANDOM KONTINU KHUSUS DAN
PARAMETER LOKASI DAN PARAMETER SKALA

I. Distribusi Variabel Random Kontinu

a) Distribusi Seragam
Pandang bahwa variabel random kontinu X dapat mengasumsikan nilai hanya

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)

Berimplikasi c = 1/(b a), karena 1= c dx=c ( ba ) . Jika didefinisikan f(x)=0 di

a

luar interval, maka sifat tersebut juga dipenuhi. Distribusi khusus ini dikenal sebagai

distribusi seragam pada interval ( a , b ) . Pdf nya adalah :

{
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)

Distribusi seragam kontinu ini merupakan pasangan dari distribusi seragam

diskrit. Distribusi seragam kontinu memberikan model peluang untuk memilih sebuah

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).

CDF dari X ~ UNIF( a , b ) mempunyai bentuk

 {
0x a
xa
F ( x ; a ,b )= a< x< b
ba (3.3.3)
1b x

Bentuk umum grafik f( x ; a , b) dan F( x ; a , b) dapat dilihat pada gambar

2.5 , dimana secara umum titik batas menggunakan a dan b , daripada 0 dan 5.

Jika X ~ UNIF( a , b), maka

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)

( b2ab +a2 ) (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

a2+ ab+b 2 a 2+2 ab+ b2

3 4

4 a2 +4 ab+4 b 23 a26 ab3 b 2

12

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

suhu pada lokasi kedua adalah variabel random Y UNIF ( 30,110 ) .

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.

Menurut Bain (1992 : 73), x = Var (X ) sehingga 2x =Var ( X ) , maka :

2 ( 9050 )2 402 1600 400

=Var ( X )=
x = = =
12 12 12 3

( 11030 )2 802 6400 1600

2y =Var ( Y ) = = = =
12 12 12 3

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

Menurut Definisi 2.3.3 : F(xp) = p, maka

F(xp) = p

x pa
=p
ba
 x pa=( ba) p

x p=a+(ba) p

Berdasarkan definisi fungsi pembangkit momen kontinu, maka fungsi pembangkit

momen distribusi seragam adalah :

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 )

Untuk t=0 digunakan dalil LHospital , yaitu :

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

Fungsi Gamma, dinotasikan oleh ( ) untuk semua > 0 , didefinisikan :

( )= t 1 et dt (3.3.4)
0

Contoh, jika =1, maka

t
e
t
(e +1 ) =lim ()+1=1
( 1 )=
t
. Fungsi gamma mempunyai
t
0
11 t
e dt = e dt =lim e
0
t

t
t
| t =lim
t =0 t

beberapa sifat sebagaimana yang dinyatakan dalam teorema berikut:

Teorema 3.3.1 Teorema fungsi gamma memenuhi sifat-sifat berikut:

i. ( )=( 1 ) ( 1 ) > 1 (3.3.5)

ii. ( n )= ( n1 ) ! n=1,2, (3.3.6)

 iii.
( 12 )= (3.3.7)

Bukti ( sekaligus bukti latihan no 35 )

i. Akan dibuktikan : ( )=( 1 ) ( 1 ) > 1

( )= 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)

ii. Akan dibuktikan

( n )= ( n1 ) ! n=1,2,

Ketika adalah bilangan bulat, misalkan saja =n , maka

( n )= ( n1 ) ( n1 )

( n )=(n1)( n2) (n2)

( n )= ( n1 ) ( n2 )( n3 ) ( n3 )
 ( n )= ( n1 ) ! ( 1 )

iii. Akan dibuktikan

( 12 )=
1
1
()
2
= t
0
2
et dt

Batas-batas :
Untuk t=0 maka x=0
Untuk t= maka x=

Pertama dengan memisalkan x= t , maka berlaku t=x 2 dan dt=2 x dx ,

substitusikan ke dalam integral :

1
1
()
2

= (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

Kedua, ganti menjadi koordinat polar dalam integral lipat ganda :

2

[ ( )] ( )(

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

Penyelesaian integral ini diselesaikan dengan menggunakan integral polar ( , )

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

Untuk = maka '=

2 2

[ ( )]

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)

Parameter disebut sebagai parameter bentuk karena menentukan bentuk

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.

Pdf Distrubusi Gamma

Perhatikan bahwa sumbu y adalah sebuah asimtot dari y=f ( x ; , ) jika < 1 , ketika

f ( 0 ; , )=0.

CDF dari X GAM ( , ) adalah :

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

biasanya disebut parameter skala .

Biasanya, penting untuk memiliki parameter skala dalam model sehingga
hasilnya tidak akan tergantung pada skala pengukuran yang digunakan. Sebagai contoh,

jika X merupakan jumlah bulan dan diasumsikan bahwa . X GAM ( , ) dengan

=12, maka

P [ X 24 bulan ] =F ( 2412 ; 1, )=F (2 ; 1 ,)

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

=4.12=48. Sebagai contoh :

P [ X 24 bulan ] =P (Y 96 minggu ) =F ( 9648 ; 1, )=F ( 2 ; 1, ) .

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

dituliskan sebagai berikut :

i
x
n1 ( ) x
(3.3.12)
F ( x ; , n ) =1 e
i=0 i !

Bukti :
Ini mengikuti pengulangan integral bagian dari integral (3.3.10).

Perhatikan bahwa istilah dalam penjumlahan dalam persamaan (3.3.12) menyerupai

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!

Yang dapat dicari pada tabel 2 dalam appendix C dengan =10.

Rata-rata dari X GAM ( , ) diperoleh sebagai berikut :

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.

Momen diperoleh dengan menggunakan MGF,

x

x 1 e tx
M X ( t ) = e dx
0 ()

1
M X (t)=
() 0
x 1 e( t1 / ) x dx

Setelah substitusi u=( t1/ ) x , maka diperoleh :

1 1
M X (t)= ( )

t
() 0
u1 eu du

1
M X ( t ) =(1t ) t< (3.3.13)

Turunan ke-r, pada kasus ini , adalah :

(r ) r r
M X ( t )=( +r1 ) ( +1) (1t )

( +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 !

Sebuah kasus khusus dari distribusi gamma dengan =2 dan = v /2 disebut

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.

Parameter Distribusi Gamma :

Ketika = 1, kita memperoleh kasus khusus yang dikenal sebagai distribusi eksponensial.
Rataan, varians, dan fungsi pembangkit momen dari distribusi gamma dirumuskan
sebagai berikut :

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

parameter >0. Jika ia memiliki pdf dalam bentuk :

{
x
1
f ( x ; )= e ; x >0 (3.3 .16)
0 ; x yang lain

CDF dari X adalah :

F ( x ; )=1ex/ ; x >0 (3.3.17)

Sehingga adalah parameter skala .

Notasi dari X GAM ( , 1) dapat digunakan untuk menunjukkan bahwa X memilik pdf

(3.3.16) tetapi notasi yang lebih umum adalah :

X exp() (3.3.18)

Distribusi eksponensial, merupakan model probabilitas yang penting untuk kehidupan,

terkadang ditandai dengan sifat yang diberikan dalam teorema berikut.

Teorema 3.3.3

Untuk variabel acak kontinu X, X exp() jika dan hanya jika

P [ X >a+t |X >a ] = P [ X> t ] untuk semua a> 0 dan t>0 (3.3.19)

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 :

P [ X 50 ] =1F ( 50 ;100 )=e0,5=0,6065

Maka berdasarkan hubungan dengan distribusi gamma, maka diperoleh :

E ( X )=1. = dan Var ( X )=1. 2= 2

Jadi, dalam contoh sebelumnya, daya tahan rata-rata dari komponen adalah = 100 jam,
dan standar deviasi, , juga 100 jam.

Berdasarkan fungsi pembangkit momen distribusi gamma, maka fungsi pembangkit

momen distribusi eksponensial adalah :
1 1
M X ( t ) =( 1t ) ; t<

 Parameter Distribusi Eksponensial:

Rataan, varians, dan fungsi pembangkit momen dari distribusi eksponesial

dirumuskan sebagai berikut :

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

parameter > 0 dan >0 jika memiliki pdf dalam bentuk :

{

x
1 ( )
f ( x ; , ) = x e ; x>0
(3.3.20)
0 ; x yang lain

Notasi yang menunjuk bahwa X memiliki pdf adalah :

X WEI ( , ) (3.3.21)

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

grafik pdf (3.3.20 ) untuk = 0.5, 1, dan 2.

Perhatikan bahwa sumbu y adalah asimptot dari y=f ( x ; , ) apabila < 1 ,

sementara , f ( 0 ; , 1 )=1/ ; dan jika > 1, maka f ( 0 ; , )=0.

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

Rata-rata dari X WEI ( , ) diperoleh sebagai berikut :

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).

Parameter Distribusi Weibull:

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

3. Fungsi pembangkit momen distribusi Weibull menghasilkan bentuk yang

tidak terlacak (not tractable).

e) Distribusi Pareto

Notasi: X PAR( , )

Suatu variabel acak kontinu X dikatakan memiliki distribusi Pareto dengan parameter-

parameter >0 dan > 0 jika memiliki pdf dengan bentuk

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)

Karena persamaan (3.3.25) dapat dinyatakan sebagai

F ( x ; 1, ) maka adalah

parameter skala untuk distribusi Pareto.

Contoh distribusi Pareto (contoh 2.3.2, halaman 65)

Suatu mesin memproduksi kabel tembaga, dan kadang-kadang ada kerusakan pada
beberapa titik sepanjang kabel tersebut. Panjang kabel (dalam meter) yang diproduksi
antara kerusakan-kerusakan berturut-turut adalah suatu peubah acak kontinu X dengan
bentuk pdf

{
3
f ( x )= 2(1+ x) ,x >0
0,x 0

Distribusi di atas disimbolkan dengan X PAR(1,2) .

Grafik dari f (x ; 1, 2) yaitu

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

dimana a>0 dan > 0

Nilai harapan (rata-rata) untuk distribusi Pareto yaitu

E ( X )=
( 1)

Sementara variansinya yaitu

2
Var ( X )=
[(2)(1)2 ]

100 persentil ke-p yaitu

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< < .

Pertama kita akan membuktikan bahwa pdf normal terintegrasi ke 1.

2
( x )
1 [ ] /2

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

di z = 0. Lebih lanjut, karena bentuk khusus dari ( z ) , kita peroleh

' ( z )=z( z) (3.3.32)

dan
' ' ( z )=( z 21) ( z) (3.3.33)

Akibatnya, ( z) memiliki maksimum tunggal di z = 0 dan titik infleksi di z = 1 .

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

=

' ( z ) ( z ) dz
= +

=0+1
=1

Untuk kasus yang lebih umum X N ( , 2 ) .

Berdasarkan substitusi z=( x ) / , kita peroleh

[ ( )]
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 ) = =

Grafik untuk pdf normal

Teorema 3.3.4 (Normal Baku dan CDF distribusi Normal)

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 )

Bagian pertama diikuti oleh turunan

1 z /22

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

Secara umum dapat kita tulis bahwa

[
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 =+

Pada contoh selanjutnya perhatikan juga bahwa

060
( )
P[X 0] = 6 = (-10) = 0.

Teorema 3.3.5. (Sifat-sifat distribusi Normal)

Jika X N ( , 2 ) maka
2 2

M X ( t ) =e t + t /2

2r ( 2r ) ! 2r
E ( X ) = r=1,2,
r ! 2r

E ( X )2r 1=0 r=1,2,

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

diperoleh dari penjabaran deret berikut.

2 2
t
2
M X ( t )=e

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 ) !

adalah momen kedua dari ( X .

II. PARAMETER LOKASI DAN PARAMETER SKALA

Catatan: pada definisi-definisi di bawah ini, F0 (z ) melambangkan CDF tertentu, dan

f 0( z) melambangkan pdf.
Definisi 3.4.1

Parameter-parameter Lokasi (Location Parameters)

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

Jika X memiliki pdf dengan bentuk

x ,< z<
1
f ( x ; )= e
2

maka parameter lokasi adalah mean dari distribusi X. Karena f ( x ; ) simetrik

terhadap dan memiliki maksimum tunggal, maka juga merupakan median dan

modus dalam contoh tersebut.

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)

Contoh distribusi yang memiliki parameter skala adalah X exp() .

Definisi 3.4.3

Parameter Lokasi-Skala (Location-Scale Parameter)

Suatu nilai dan >0 disebut suatu parameter lokasi-skala untuk distribusi X jika

memiliki CDF berbentuk

F ( x ; , ) =F0 ( x
) (3.4.3)

Atau dengan kata lain, memiliki pdf berbentuk

Contoh distribusi yang memiliki parameter lokasi-skala adalah distribusi normal.
Contoh 3.4.3.
Perhatikan suatu pdf dengan bentuk
1 1
f 0 ( z )= < z <
1+ z 2

Jika X mempunyai pdf dengan bentuk ( 1/ ) f 0 [(x )/ ] dengan f 0( z) diberikan oleh

persamaan di atas maka distibusi X disebut distribusi Cauchy ( X CAU ( ,) .

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

dan dinotasikan dengan X exp( , )

DAFTAR PUSTAKA
Bain, Lee J dan Max Engelhardt. 1992. Introduction to probability and mathematical statistic
second edition. CA: Duxbury