Distribusi Logistik
Distribusi Logistik
Dalam bab ini akan dijelaskan beberapa tinjauan pustaka yang digunakan penulis
pada penelitian ini, antara lain :
kontinu. Bentuk kurva distribusi logistik adalah simetri dan uni-modal. Bentuk
kurva ini mirip dengan bentuk kurva distribusi normal. Namun, kedua distribusi
ini tidak dapat dibandingkan antara satu dengan yang lainnya. Fungsi kepekatan
Definisi 2.1
Suatu variabel acak X dikatakan mengikuti distribusi logistik jika dan hanya jika
𝑒 −{(𝑥−𝜇)/𝑠}
𝑓(𝑥) = , −∞ < 𝑥 < ∞, −∞ < 𝜇 < ∞, 𝑠 > 0
𝑠[1 + 𝑒 −{(𝑥−𝜇)/𝑠} ]2
s = parameter skala
6
Dari fungsi kepekatan peluang dari distribusi logistik umum diperoleh betuk
m = 0,m=0,s=0.5
s = 0.5
m=0,s=1
0.6 m = 0, s=1
m=0,s=3
m = 0, s = 3
0.5
probability density
0.4
0.3
0.2
0.1
0
-10 -8 -6 -4 -2 0 2 4 6 8 10
x
(Stockute et al,2013)
logistik standar. Distribusi logistik standar diperoleh dari distribusi logistik umum
dengan nilai µ=0 dan s=1 (standar baku) atau dapat didefinisikan sebagai berikut :
7
Definisi 2.2:
𝑒 −𝑥
𝑓(𝑥) = , −∞ < 𝑥 < ∞
(1 + 𝑒 −𝑥 )2
Yang diperoleh dari hasil turunan dari fungsi kumulatif dari distribusi standar
𝐹(𝑥) = (1 + 𝑒 −𝑥 )−1
m=0,s=1
m=0,s=1
0.25 m=0,s=1
0.2
probability density
0.15
0.1
0.05
0
-10 -8 -6 -4 -2 0 2 4 6 8 10
x
(El-Saidi,Mohammed,et al,1993)
8
Dari distribusi logistik standar ini selanjutnya ditambahkan dua parameter bentuk
Definisi 2.3
1 𝑒 −𝑥𝛽
𝑓(𝑥; 𝛼, 𝛽) = , −∞ < 𝑥 < ∞, 𝛼 > 0, 𝛽 > 0
𝐵(𝛼, 𝛽) (1 + 𝑒 𝑥 )𝛼+𝛽
0.5
0.4
probability density
0.3
0.2
0.1
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
x
Pada sub-bab selanjutnya akan dijelaskan tentang fungsi Gamma yang akan
Fungsi Gamma merupakan salah satu dari beberapa fungsi khusus di dalam
Definisi 2.4
Fungsi Gamma yang dinotasikan oleh Γ(𝑛) didefinisikan oleh
∞
Pada sub-bab selanjutnya akan dijelaskan tentang fungsi digamma yang akan
didapat pada saat mencari momen dan kumulan dari distribusi generalized logistik
tipe IV.
10
Fungsi digamma merupakan hasil turunan (derivatif) pertama dari fungsi Gamma.
Definisi 2.5
Sub-bab berikutnya akan dijelaskan tentang fungsi polygamma yang juga akan
digunakan pada saat mencari momen dan kumulan dari distribusi generalized
Fungsi polygamma merupakan fungsi yang diperoleh dari turunan ke-n fungsi
Gamma.
Definisi 2.6
𝑑𝑛 𝑑 (𝑛+1)
𝜓 (𝑛) (𝑧) = 𝜓(𝑧) = 𝑙𝑛 Γ(𝑧)
𝑑𝑧 𝑛 𝑑𝑧 (𝑛+1)
Selain fungsi Gamma, digamma maupun polygamma pada penelitian ini juga
Fungsi Beta juga merupakam salah satu fungsi khusus yang ada di dalam
Definisi 2.7
Fungsi Beta adalah suatu fungsi bernilai real dengan dua peubah, didefinisikan
∞
𝑡 𝑚−1
𝐵(𝑚, 𝑛) = ∫ 𝑑𝑡, 𝑚 > 0, 𝑛 > 0
(1 + 𝑡)𝑚+𝑛
0
Fungsi Beta dapat dinyatakan melalui fungsi Gamma dengan cara berikut ini :
Γ(𝑥)Γ(𝑦)
𝐵(𝑥, 𝑦) =
Γ(𝑥 + 𝑦)
tipe IV yaitu dengan menentukan fungsi pembangkit momen yang nantinya dari
sebagai berikut:
12
Definisi 2.8
Misalkan ada sejumlah angka positif h sehingga untuk −ℎ < 𝑡 < ℎ ekspektasi
𝐸(𝑒 𝑡𝑋 ) = ∫ 𝑒 𝑡𝑥 𝑓(𝑥)𝑑𝑥,
−∞
𝐸(𝑒 𝑡𝑋 ) = ∑ 𝑒 𝑡𝑥 𝑓(𝑥)
𝑥
Jika X merupakan variabel acak diskrit. Ekspektasi ini disebut fungsi pembangkit
momen (FPM) dari x (atau dari distribusi) dan dilambangkan dengan 𝑀𝑋 (𝑡) yaitu
𝑀𝑋 (𝑡) = 𝐸(𝑒 𝑡𝑋 )
Pada sub-bab selanjutnya akan dijelaskan tentang momen yang juga merupakan
salah satu karakterik dari distribusi generalized logistik tipe IV yang akan dicari
2.8 Momen
Rataan dan varians sebenarnya merupakan hal istimewa dari kelompok ukuran
lainnya yang disebut momen. Dari momen ini beberapa ukuran lain dapat
Definisi 2.9
Momen ke-r tentang asal-usul dari suatu variabel acak X, dilambangkan dengan
𝑑
𝑀 (𝑡)|𝑡=0 = 𝜇𝑟 ′
𝑑𝑡 𝑥
Definisi 2.10
𝑄𝑋 (𝑡) = 𝑙𝑛 𝑀𝑋 (𝑡)
kumulan.
2.10 Kumulan
Dalam teori probabilitas dan statistik, kumulan dari distribusi probabilitas adalah
dua distribusi probabilitas yang memiliki momen identik akan memiliki kumulan
identik juga, dan demikian pula kumulan menentukan momen. Dalam beberapa
Definisi 2.11 :
𝑑𝑟
𝐾𝑟 = 𝑟 𝑄𝑋 (𝑡)|𝑡=0
𝑑𝑡
kemencengan atau skewness yang dapat dicari setelah kumulan ke-2 dan ke-3
diperoleh.
2.11 Kemencengan
kejauhan simetri dari sebuah distribusi. Sebuah distribusi yang tidak simetris akan
didefinisikan sebagai:
𝐸[(𝑋 − 𝜇)3 ] 𝐾3
𝑆𝑘𝑒𝑤[𝑋] = 3 = 3
𝐸[(𝑋 − 𝜇)2 ]) 2 (𝐾2 )2
Skewness ini juga dinamakan skewness populasi. Skewness merupakan ukuran dari
simetris jika distribusi tersebut nampak sama antara sebelah kanan dan sebelah
Binomial dengan p > 0.5 sedangkan distribusi yang mempunyai skewness negatif
Selain skewness, pada sub-bab selanjutnya akan dijelaskan tentang kurtosis atau
tingkat keruncingan dari distribusi data yang dapat diperoleh setelah kumulan
2.12 Kurtosis
Kurtosis (keruncingan distribusi data) adalah ukuran tinggi rendahnya puncak dari
Definisi 2.12 :
𝐾4 𝐾4 𝐾4
𝛼4 = 4
= 2 2=
𝑠 (𝑠 ) (𝐾2 )2
Fungsi karakteristik adalah salah satu jenis transformasi yang sering digunakan
Definisi 2.12
ekspetasi dari 𝑒 𝑖𝑡𝑋 , dimana i adalah unit imaginer dan t ∈ 𝑅 dapat dinyatakan
sebagai berikut:
∞