DISTRIBUSI GAMMA

A. Definisi Distribusi Gamma

Definisi 1:
Distribusi Gamma adalah distribusi fungsi padat yang terkenal luas
dalam bidang matematika. Distribusi Gamma mampu memecahkan masalah
teknik dan sains yang tidak mampu dipecahkan oleh distribusi Normal.
Definisi 2:
Distribusi Gamma mencangkup distribusi-distribusi khusus yaitu
distribusi Eksponensial, distribusi Khi-kuadrat, dan distribusi Beta.
Definisi 3:
Suatu distribusi yang sering muncul dalam penerapan disebut
distribusi Gamma. Nama ini diperoleh dari adanya relasi distribusi ini dengan
fungsi Gamma. Fungsi Gamma, dinotasikan dengan г 𝜶 untuk α > 0, yang
didefinisikan sebagai:
 untuk α > 0
∞
г 𝜶 = 𝒚𝜶−𝟏𝒆−𝒚 𝒅𝒚
𝟎

 untuk α = 1
∞
г𝟏= 𝒚𝜶−𝟏𝒆−𝒚 𝒅𝒚 = 𝟏
𝟎

 untuk α > 1
∞
г 𝜶 = (𝜶 − 𝟏) 𝒚𝜶−𝟐𝒆−𝒚 𝒅𝒚 = 𝜶 − 𝟏 г(𝜶 − 𝟏)
𝟎

Dari hasil ini, dapat disimpulkan bahwa khusus untuk α bilangan bulat
positif yang lebih besar dari 1 maka:

г𝜶=𝜶−𝟏𝜶−𝟏…𝟑𝟐𝟏=𝜶−𝟏!
 Atau dapat disimpulkan bahwa fungsi Gamma memiliki sifat-sifat sebagai
berikut:
 г 𝜶 = 𝜶 − 𝟏 г(𝜶 − 𝟏) α>0
 г = 𝜶−𝟏 ! 𝒏 = 𝟏, 𝟐, 𝟑, …
 г𝟏=𝟏
𝟏
 г = 𝝅
𝟐

B. Persamaan Umum Distribusi Gamma

Misalkan y pada fungsi Gamma di persamaan (1) merupakan variabel
yang bergantung pada variabel 𝑥 𝑑𝑎𝑛 𝛽, yaitu 𝑦 = 𝑥/𝛽, dengan 𝛽 > 0, maka
persamaan menjadi:
∞ 𝒙 𝜶−𝟏 𝟏
г𝜶= 𝒆−𝒙 𝜷 𝒅𝒙
𝟎 𝜷 𝜷

Jika masing-masing ruas dikalikan dengan dengan 𝟏

maka
г(𝜶)

persamaan tersebut akan ekuivalen dengan:

∞
𝟏
𝟏= 𝒙𝜶−𝟏𝒆−𝒙 𝜷𝒅𝒙
𝟎 г(𝜶)𝜷𝜶

Karena 𝛼 > 0, 𝛽 > 0, maka fungsi:

𝟏
𝒙𝒂−𝟏𝒆−𝒙/𝜷, 𝟎<𝑥<∞
(𝒘) = г(𝜶)𝜷𝜶
𝟎, 𝒙 𝒍𝒂𝒊𝒏𝒏𝒚𝒂

Dimana α > 0 dan β > 0

Keterangan:
β = waktu rata-rata antar kejadian
α = jumlah kejadian yang terjadi berurutan pada waktu atau ruang tertentu
λ = jumlah kejadian per unit waktu atau ruang (λ= 1/β)
x = nilai random variabel (lama waktu atau luasan area hingga kejadian
berikutnya)
 Nilainya selalu nonnegatif dan total integralnya selalu 1. Dengan kata
lain fungsi tersebut memenuhi syarat-syarat sebagai pdf. Variabel acak X
dengan pdf seperti pada persamaan (4) disebut variabel acak yang
berdistribusi gamma dengan parameter α dan β dinotasikan:
X ~ GAM ( α, β ) atau X ~ г ( α, β )
Jadi, Variabel random X dikatakan mempunyai distribusi Gamma
dengan parameter 𝛼 > 0 𝑑𝑎𝑛 𝛽 > 0, atau dinotasikan X ~ GAM ( α, β ) atau
X ~ г ( α, β ), jika X mempunyai fdp berbentuk:
𝟏
(𝒙; 𝜶, 𝜷) = 𝒙𝜶−𝟏𝒆−𝒙/𝜷
г(𝜶)𝜷𝜶
untuk 0 < x < ∞, α > 0, β > 0 dan 0 untuk nilai x lainnya
 Parameter α disebut juga parameter bentuk ( shape parameter )
 Parameter β disebut juga parameter skala ( scale parameter )
Dalam aplikasinya, distribusi gamma dapat digunakan untuk
memodelkan distribusi peluang dari waktu tunggu atau masa hidup suatu
objek atau individu.

Distribusi Gamma Standard

Distribusi Gamma Standard adalah jika parameter skala sebuah
distribusi gamma  = 1 diperoleh suatu distribusi gamma standar:
x
tα−1e−t
FG = x ∶  = P X  x = dt
Г(α)
0
x
P X ≤ x = FG x ; ,  = FG ; α
β
Tabel Gamma

 Fungsi Pembangkit Momen dari Distribusi Gamma

Berdasarkan definisi mgf
∞ 1
𝑀(𝑡) = 𝐸[𝑒𝑡𝑥 ]= 𝑒𝑡𝑥 𝑥𝛼 −1𝑒−𝑥/𝛽 𝑑𝑥
0 𝛽𝛼 г(𝛼)
∞
1
= 𝑒𝑡𝑥 𝑥𝛼 −1𝑒−𝑥 (1−𝛽)/𝛽 𝑑𝑥
0 𝛽𝛼 г(𝛼)

Melalui pemisalan 𝑦 = 𝑥 (1 − 𝛽𝑡) dengan 𝑡 < 1/𝛽, maka 𝑥 = 𝛽𝑦/(1 −

𝛽𝑡), sehingga
𝛽
∞ (1 − 𝛽𝑡) 𝛽𝑦 𝛼 −1
𝑀(𝑡) = 𝑒−𝑦 𝑑𝑦
0 𝛽𝛼 г 𝛼1 − 𝛽𝑡
∞
1 1
=( ) 𝑦𝛼−1 𝑒−𝑦 𝑑𝑦
0 1 − 𝛽𝑡 г(𝛼)
1 ∞
1 𝛼−1 −𝑦
=( )𝛼 𝑦 𝑒 𝑑𝑦
1 − 𝛽𝑡 0 г(𝛼)

Karena fungsi yang ada di bawah integral adalah pdf dari distribusi gamma
maka nilai integralnya adalah 1. Akibatnya:
𝟏 𝟏
𝑴𝒕=( )𝜶, 𝒖𝒏𝒕𝒖𝒌 𝒕 <
𝟏 − 𝜷𝒕 𝜷
  Rata-rata (Mean) dari Distribusi Gamma
Karena turunan pertama dari M adalah :
𝑀′ 𝑡 = −𝛼 1 − 𝛽𝑡 −𝛼−1(−𝛽)
Dan turunan ke duanya :
𝑀′′ 𝑡 = −𝛼 1 − 𝛽𝑡 −𝛼−2(−𝛽)2
Maka Mean untuk distribusi Gamma adalah:
𝐄 𝐱 𝐗~ 𝛂, 𝛃 𝐚𝐭𝐚𝐮 𝛍 = 𝐌′ 𝟎 = 𝛂𝛃

 Variansi dari Distribusi Gamma 𝐸 𝑥 2 𝑋~ 𝛼, 𝛽

𝐄 𝐱𝟐 = 𝛔𝟐 = 𝐌′′ 𝟎 − 𝛍𝟐
= 𝛂 𝛂 + 𝟏 𝛃𝟐 − 𝛂𝟐𝛃𝟐
= 𝛂𝛃𝟐

Dengan cara lain Pembuktian Mean dan Variansi X ~ GAM ( α, β ) dapat

diperoleh sebagai berikut:
∞
1 −𝑥
𝛼 −1 𝑒 𝛽 𝑑𝑥
(𝑋) = 𝑥 𝑥
𝛽𝛼 г(𝛼)
0
1 ∞
𝛼 +1 −1 −𝑥
= 𝑥 𝑒 𝛽 𝑑𝑥
𝛽𝛼 г(𝛼)
0
∞
𝛽𝛼+1 г(𝛼 + 1) 1 −
𝑥
= (𝛼+1)−1 𝛽
𝑒 𝑑𝑥
𝛽 𝛼 г(𝛼) 𝛽𝛼 +1 г(𝛼 + 1)
0
𝛽𝛼+1 г(𝛼 + 1)
= 1
𝛽𝛼 г(𝛼)
𝛼 г(𝛼)
=𝛽
г(𝛼)
= 𝛼𝛽

Dengan cara yang sama E (X²) = β² α(1+α) sehingga Var (X) = β² α(1+α) –
(αβ)² = αβ²

C. Latihan Soal Dan Pembahasan Mengenai Distribusi Gamma

1. Variable acak kontinu x yang menyatakan ketahanan suatu bantalan
peluru (dalam ribaun jam) yang diberi pembebanan dinamis pada suatu
putaran kerja tertentu mengikuti suatu distribusi gamma dengan  = 8 dan
  = 15, Tentukan, probabilitas sebuah bantalan peluru dapat digunakan
selama 60 ribu-120 ribu jam dengan pembebanan dinamik pada putaran
kerja tersebut!
Jawab :
P (60  x  120) = P (x  120) – P (x  60)
= FG (120; 8 , 15) - FG (60 ; 8, 15 )
= FG (120/15 ; 8) - FG (60/15; 8)
= FG (8 ;8) - FG (4 ; 8)
= 0,5470 – 0,0511
= 0,4959
Jadi, probabilitas sebuah bantalan peluru dapat digunakan selama 60 ribu-
120 ribu jam dengan pembebanan dinamik pada putaran kerja adalah
0,4959.

2. Suatu panggilan telepon datang pada papan switching mengikuti proses

poisson, dengan rata-rata 5 sambungan datang tiap menit. Tentukan
peluang hingga 1 menit berlalu baru 2 sambungan yang datang.
Penyelesaian:
Proses poisson dapat diterapkan dengan menunggu 2 kejadian Poisson
1
terjadi mempunyai distribusi Gamma dengan 𝛽 = dan 𝛼 = 2. Misalkan
5

X adalah selang waktu sebelum 2 panggilan telepon datang. Peluangnya

adalah :
1
1
P(𝑋 ≤ 1) = 𝛼
𝑥𝛼 −1𝑒−𝑥 𝛽 𝑑𝑥
0 г(𝛼)𝛽
1
1 −𝑥 1
= 2𝑥
2−1 𝑒 5 𝑑𝑥
0г 2 1
5
1
= 25 𝑥𝑒−5𝑥 𝑑𝑥
0
1
= 25 𝑥 𝑒−5𝑥 𝑑𝑥
0
= 1 − 𝑒−5𝑥 (1 + 5)
= 0,96
3. Misal X mempunyai pdf
1
𝑥𝑒−𝑥/2, 0<𝑥<∞
𝑓 𝑥 = 32
0, 𝑥 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
Tentukan mean, variansi, dan mgf dari X !
Penyelesaian:
dari bentuk pdf dari X, dapat disimpulkan bahwa X berdistribusi 𝜒2(4)
sehingga :
𝑟
𝜇 = 𝛼𝛽 = 2=𝑟=4
2
𝑟
𝜎2 = 𝛼𝛽² = 22 = 2𝑟 = 8
2
1
𝑀 𝑡 = 1 − 2𝑡 −2, 𝑡 <
2

4. Tentukan distribusi dari variabel acak X, dengan mgf 𝑀𝑡 =

1
1 − 2𝑡 −8, 𝑡 <
2

Penyelesaian :
Karena bentuk umum mgf distribusi 𝜒 2 𝑟 adalah 𝑀 𝑡 = 1 −
1
2𝑡 −2, 𝑡 < , maka :
2
P( a < X < b ) = P(a < X 𝑎 ≤ 𝑋 ≤ 𝑏)
=𝑃𝑋≤𝑏−𝑃𝑋≤𝑎

Secara manual nilai P(X≤b) dapat ditentukan dengan menghitung integral

𝑏 1 𝑟 𝑥
𝑃 𝑋 ≤ 𝑏 =0 −1 −
𝑟 2𝑟 𝑥 𝑒 𝑑𝑥
2 2
г22
Namun cara ini kurang praktis, karena itu dikenalkan tabel chi-square
yang terbatas untuk derajat bebas r =1,2,…30. Ketika derajat bebas yang
digunakan lebih dari 30, atau b yang digunakan tidak ada di tabel, maka
dapat digunakan software statistik.
5. Jika diketahui waktu maksimum penyelesaian suatu proyek berdistribusi
1
gamma dengan 𝛼 = 6 dan 𝛽 = . Berapa rata-rata dan variansi distribusi
2

tersebut?
Penyelesaian:
𝜇 = 𝛼𝛽
1
=6×
2
=3

𝜎2 = 𝛼𝛽2
2
=6×1
2
6
=
4
= 1,5
 Distribusi khi-kuadrat
Fungsi densitas probabilitas

Fungsi distribusi kumulatif

notasi:
atau
parameter: k ∈ N1 — derajat kebebasan
dukungan: x ∈ [0, +∞)
pdf:

cdf:
rata-rata: k
median:
modus: max{ k − 2, 0 }
ragam: 2k
skewness:
ex.kurtosis: 12 / k
entropi:
mgf: (1 − 2 t)−k/2 for  t  < ½
cf: (1 − 2 i t)−k/2 [1]
 Dalam teori probabilitas dan statistika, distribusi khi-kuadrat (bahasa Inggris:
Chi-square distribution) atau distribusi χ² dengan k derajat bebas adalah distribusi
jumlah kuadrat k peubah acak normal baku yang saling bebas. Distribusi ini seringkali
digunakan dalam statistika inferensial, seperti dalam uji hipotesis, atau dalam penyusunan
selang kepercayaan.[2][3][4][5] Apabila dibandingkan dengan distribusi khi-kuadrat
nonsentral, distribusi ini dapat juga disebut distribusi khi-kuadrat sentral.

Salah satu penggunaan distribusi ini adalah uji khi-kuadrat untuk kebersesuaian
(goodness of fit) suatu distribusi pengamatan dengan distribusi teoretis, kriteria klasifikasi
analisis data yang saling bebas, serta pendugaan selang kepercayaan untuk simpangan
baku populasi berdistribusi normal dari simpangan baku sampel. Sejumlah pengujian
statistika juga menggunakan distribusi ini, seperti Uji Friedman.

Distribusi khi-kuadrat merupakan kasus khusus distribusi gamma.

Distribusi khi-kuadrat (bahasa Inggris: Chi-square distribution) atau distribusi χ²

dengan k derajat bebas adalah distribusi jumlah kuadrat keperubah acak normal baku
yang saling bebas. Distribusi ini seringkali digunakan dalam statistika inferensial, seperti
dalam uji hipotesis, atau dalam penyusunan selang kepercayaan.Apabila dibandingkan
dengan distribusi khi-kuadrat nonsentral, distribusi ini dapat juga disebut distribusi khi-
kuadrat sentral.

Grafik distribusi chi-kuadrat bergantung pada derajat kebebasan ө, yang

umumnya merupakan kurva positif dan miring ke kanan. Kemiringan kurva ini akan
semakin berkurang jika derajat kebebasasan ө makin besar. Untuk ө =1 dan ө =2, bentuk
kurvanya berlainan daripada untuk ө ≥ 3.

Distribusi chi-kuadrat mempunyai rata-rata dan variansi sebagai berikut :

Rata-rata : μ = E(χ2) = ө

Variansi : σ2 = 2 ө

Probablitas suatu sampel acak yang menghasilkan nilai χ2 yang lebih besar dari suatu
nilai tertentu, sama dengan luas daerah di bawah kurva di sebelah kanan nilai tersebut.
Nilai tertentu tersebut biasanya ditulis dengan χ2α. Dengan demikian χ2α menyatakan
nilai χ2α yang luas di sebelah kanannya sama dengan α. Daerah yang luasnya sama
dengan α ini dinyatakan oleh daerah yang diarsir

Nilai-nilai kritis χ2α untuk berbagai nilai α dan derajat kebebasan ө tersedia pada tabel
distribsi chi-kuadrat.

 Untuk α = 0,05, disebelah kanan, dan ө = 10, maka nilai kritis χ20,05 = 18,307.
Karena kurva distribusi chi-kuadrat tidak simetri, maka luas daerah di sebelah kiri
harus dicari. Luas daerah sebelah kiri, yaitu 1 – α = 1- 0,05 = 0,95. Derajat
kebebasan ө =10, maka diperoleh χ20,95 = 3,940
Cari : nilai kritis untuk χ20,01 dan χ20,99 dengan ө = 5 dan χ20,01 dan χ20,99 dengan ө = 11

 Bila x1, x2, x3, …, xn merupakan variable acak yang masing-masing terdistribusi
normal dengan rata-rata μ dan variansi σ2 dan semua variabel acak tersebut bebas
satu sama lain, maka variabel acak berikut ini

n 2

Y=Σ Xi – μ

i=1 σ

mempunyai distribusi chi-kuadrat dengan derajat kebebasan ө =n.

 Bila diambil sampel acak berukuran n dari populasi berdistribusi normal dengan
rata-rata μ dan variansi σ2, dan pada setiap sampel tersebut dihitung variansi S2,
maka variabel acak berikut ini, yaitu :

χ2 = (n – 1) S2

σ2

mempunyai distribsi chi-kuadrat χ2 dengan deraja kebebasan ө = n.-1

INTERVAL KEPERCAYAAN χ2 = (n – 1) S2

σ2

Secara umum, interval kepercayaan untuk χ2 sebesar 1- α dinyatakan sebagai

P χ21- α/2 < χ2 < χ2α/2 = 1- α

Nilai kritis χ21- α/2 membatasi luas daerah di sebeleah kanan sebesar 1 – α/2 pada derajat
kebebasan ө = n.-1. Sedangkan nilai kritis χ2 α/2 membatasi luas daerah di sebelah kanan
sebesar α/2 pada derajat kebebasan ө = n.-1.

Dengan mensubstitusikan nilai (n-i)S2 maka diperoleh

P (n – 1) S2 < χ2 < (n – 1) S2 = 1- α

χ2 α/2 χ2 1-α/2

UJI CHI-KUADRAT

Beberapa manfaat dari distribusi chi-kuadrat, yaitu antara lain :

1. Untuk menguji apakah frekuensi yang diamati berbeda secara signifikan dengan
frekuensi teoritis atau frekuensi yang diharapkan.
2. Untuk menguji kebebasan (independensi antar faktor dari data dalam daftar
kontingensi
 3. Untuk menguji apakah data sampel mempunyai distribusi yang mendekati
distribusi teoritis tertentu atau distribusi hipotesis tertentu (distribusi populasi),
seperti distribusi binomial, distribusi poisson, dan distribusi normal.

1. Uji beda frekuensi yang diamati dan diharapkan

Misalkan kita mempunyai suatu sampel tertentu berupa kejadian A1, A2, A3, …,Ak
yang terjadi dengan frekuensi 01,02,03,…,0k, yang disebut frekuensi yang diobservasi
(diamati) dan bahwa berdasarkan probabilitas kejadia-kejadian yang diharapkan adalah
dengan frekuensi e1,e2,e3, …,ek, yang disebut frekuensi yang diharapkan atau frekuensi
territis. Dalam hal ini ingin diketahui perbedaan yang signifikan antara frekuensi yang
diobservasi dengan frekuensi yang diharapkan

Kejadian A1, A2, A3, …,Ak

Frekuensi yang diobservasi 01,02,03,…,0k
Frekuensi yang diharapkan e1,e2,e3, …,ek

Perbedaan antara frekuensi yang diobservasi dengan yang

diharapkan k

ditentukan sebagai χ2 = Σ (oi – ei)2

i=1 ei

Jika χ2 = 0, maka frekuensi yang diobservasi dengan frekuensi yang diharapkan adalah
tepat sama. Jika χ2 >0, maka frek observasi berbeda dengan frek yang diharapkan. Makin
besar nilai χ2 , makin besar beda antara frek obsevasi dengan frek yang diharapkan.

Frek yang diharapkan dapat dihitung atas dasar hipotesis nol (H0). Langkah-langkah
untuk melakukan uji chi-kuadrat, adalah sebagai berikut :

1. Merumuskan hipotesis yang akan diuji meliputi, H0 dan H1

2. Menetapkan taraf signifikansi α dan derajat kebebasan ө untuk memperoleh nilai
kritis χ2α dimana :

1. ө = k-1, jika frek yang diharapkan dapat dihitung tanpa harus menduga parameter
populasi dengan statistik sampel.
2. ө = k-1-m, jika frek yang diharapkan dapat dihitung hanya dengan menduga
parameter populasi sebanyak m dengan taksiran statistik sampel

3. Menentukan statistik uji (statistik hitung) : χ2h= Σ (oi – ei)2

i=1 ei

4. Menyimpulakan apakah menolak atau menerima H Tolak H0 jika nilai χ2h > χ2α
dan terima H0 jika χ2h ≥ χ2α .
Uji kebebasan ( independensi) dua faktor

Uji ini digunakan untuk menguji hipotesis mengenai ada atau tidak adanya hubungan
(asosiasi)atau kaitan antara dua faktor. Misalnya, apakah prestasi belajar mahasiswa ada
hubungan dengan kondisi sosial ekonomi orang tuanya, apakah agama yang dipeluk ada
hubungannya dengan ketaatan beribadah.

Jika tidak ada hubungan antar dua faktor tersebut, maka dikatkan bahwa dua faktor itu
saling bebas atau independen.

Prosedur chi-kuadrat dapat dipakai juga untuk menguji ada tidaknya pengaruh dari satu
faktor terhadap faktor lainnya.

Misalkan dilakukan surveh pada 1.000 orang di Jakarta dan ingin diketahui apakah
penghasilan masyarakat ada hubungannya dengan tingkat pendidikan. Penghasilan
sebagai faktor 1 dan pendidikan sebagai faktor 2. Penghasilan dibedakan menjadi dua
katagori, yaitu penghasilan rendah dan tinggi. Sedangkan pendidikan dibagi menjadi tiga
tingkat, yaitu SMU ke bawah, sarjana muda, dan sarjana (termasuk pasca sarjana). Hasil
survey tersebut disajikan pada tabel kontingensi berikut :

Pendidikan
Penghasilan Total Baris
SMU kebawah Sarjana muda Sarjana
Rendah 182 213 203 598
Tinggi 154 138 110 402
Total Kolom 336 351 313 1.000

Tabel di atas adalah tabel kontingensi berukuran 2 x 3, yang terdiri dari 2 baris dan 3
kolom. Bilangan dalam sel disebut frekuensi yang diobservasi, sedangkan totalnya
disebut frekuensi marjinal.

Untuk menguji kebebasan dua faktor digunakan statistik hitung :

χ2 = Σ (f0 – fe)2

i=1 fe

derajat kebebasan ө = (Jml baris – 1) (kolom – 1). fe frekuensi harapan = jumlah menurut
baris x jumlah menurut kolom/ jumlah total. Jika nilai χ2h > χ2α, maka hipotesis nol (Ho)
ditolak sedangkan jika tidak, maka hipotesis nol (Ho) diterima.
Dengan demikian frekuensi yang diobservasi dan yang diharapkan secara lengkap adalah
sebagai berikut :

Pendidikan Total
Penghasilan
SMU kebawah Sarjana muda Sarjana Baris
Rendah 182 (200,9) 213 (209,9) 203 (187,2) 598
Tinggi 154 (135,1) 138 (141,1) 110 (125,8) 402
Total Kolom 336 351 313 1.000

1. Ho : dua faktor saling bebas, penghasilan saling bebas dengan pendidikan.

2. Taraf signifikansi = 5% dan ө = (2-1) x (3-1) = 2
3. χ2h = 7,8542
4. Nilai χ2h > χ2α, maka disimpulkan Ho ditolak pada taraf signifikansi 5%. Artinya
antara penghasilan dan pendidikan masyarakat tidak saling bebas.

3. Uji Distribusi Populasi dengan Distribusi Sampel

Uji ini digunakan untuk mengetahui sejauh mana kesesuaian atau tingkat kesesuaian
antara distribusi sampel dengan distribusi populasi, disebut juga uji kebaikan suai (test
goodness of test).

Tahapan uji keselerasan apakah suatu distribusi mengikuti kurva normal atau tidak adalah
sebagai berikut :

1. Membuat distribusi frekuensi

2. Menentukan nilai rata-rata hitung X dan standar deviasi σ dengan menggunakan
data berkelompok.
3. Menentukan nilai Z setiap kelas, dimana Z = (X-μ)/ σ
4. Menentukan probabilitas tiap kelas dengan menggunakan nilai Z.
5. Menentukan nilai harapan dengan mengalikan nilai probabilitas dengan jumlah
data.
6. Melakukan uji chi-kuadrat untuk menentukan apakah distribusi bersifat normal
atau tidak.
 DAFTAR PUSTAKA

Evita Nuryani, Distribusi Gamma, Beta dan Weibull, Universitas Islam Negeri
(UIN) Malang
A.Nina Rosana Chytrasari, Msi.Buku Ajar Statistika Matematika 1, S1/Semester
V/3 SKS.
Agustina Eunike, ST., MT., MBA, Buku Ajar Statistika Industri 1
Mukhtasor, Distribusi Teoritis Variabel acak kontinu (Statistika Rekayasa,
Keandalan dan resiko), Semester Genap 2010/2011
Djarwanto, dkk. 1996. Statistik Induktif. BPFE :Yogyakarta
Harinaldi. 2005. Prinsip-prinsip Statistik untuk Teknik dan Sains. Erlangga :
Jakarta

Khoiril.”Distribui Khi-Kuadrat (Chi Square).

https://khoirilngeblog.wordpress.com

Wikipedia.”Distribui Khi-Kuadrat (Chi Square).

https://id.wikipedia.org/wiki/Distribusi_khi-kuadrat

file:///C:/Users/Acer/Downloads/METODE%20STATISTIKA/%E2%80%9CPEN
GUJIAN%20CHI%20%E2%80%93%20KUADRAT%E2%80%9D%20_%20lolip
opsri.htm

http://fitritp14.blogspot.co.id/2014/06/uji-chi-kuadrat.html