MINGGU KE-10

FUNGSI DISTRIBUSI PELUANG KONTINU

Beberapa distribusi peluang khusus (yang tersedia dalam R) adalah beta,

binomial, cauchy, chi-squared, exponensial, F, gamma, hipergeometrik, log-
normal, logistic, negative binomial, normal, poisson, stable, student t, uniform,
weibull, dan wilcoxon. Ekspresi R untuk masing-masing distribusi adalah beta,
binom, cauchy, chisq, exp, f, gamma, geom, lnorm, logis, nbinom, norm, pois,
stab, t, unif, weibull, wilcox dan menambah satu huruf awalan r, p, d, atau q yang
masing-masing menyatakan pembangkitan random, peluang, densitas dan quantil.
Disamping itu ekspresi untuk masing-masing distribusi memerlukan argument dan
parameter sesuai dengan yang diperlukan. Untuk itu tata tulis ekspresi dari
masing-masing distribusi perlu diperhatikan.

Contoh :
Mencari tinggi (densitas) normal N(0,1) pada titik 0
dnorm(0,mean=0,sd=1)
[1] 0.3989423

Mencari peluang kumulatif P[X ¿ 1.96] dari N(0,1)

pnorm(1.96,mean=0,sd=1)
[1] 0.9750021

Mencari titik Quantil q dari N(5,20) sehingga P[X ¿ q]= 0.75

qnorm(0.75,mean=5,sd=sqrt(20))
[1] 8.01641

Mencari 100 bilangan random dari N(2,9)

rnorm(100,mean=2,sd=3)

Membuat grafik fungsi kepadatan peluang dan fungsi distribusi kumulatifnya

menggunakan fungsi plotDistr dari package RcmdrMisc.

plotDistr(x, p, discrete=FALSE, cdf=FALSE, regions=NULL,

col="gray",legend=TRUE, legend.pos="topright", ...)

x : koordinat sumbu horizontal

p : koordinat sumbu vertical
discrerte : pilihan distribusi yang digunakan, default FALSE artinya distribusi
kontinu
cdf : FALSE (deafault, yang diplot adalah fungsi densitas)
regions : hanya untuk distribusi kontinu, untuk menunjukkan luas daerah sesuai
dengan nilai peluang kumulatifnya.
col : Warna yang digunakan
legend : untuk menampilkan legend grafik
legend.pos : untuk mengatur posisi legend, default di kanan atas (“topright”)
… : pilihan menu plot lainnya seperti label koordinat amupun judul grafik

#Membuat Plot Densitas Normal Baku

library(RcmdrMisc)
x <- seq(-4, 4, length=100)
plotDistr(x, dnorm(x), xlab="Z", ylab="p(z)", main="Standard Normal
Density")
#Menggambar luasan yang mencerminkan peluang kumulatif
#Cara 1
plotDistr(x, dnorm(x), xlab="Z", ylab="p(z)", main="Standard Normal
Density",region=list(c(1.96, Inf), c(-Inf, -1.96)), col=c("red",
"blue"))

#Cara 2
plotDistr(x, dnorm(x), xlab="Z", ylab="p(z)", main="Standard Normal
Density",region=list(c(qnorm(0), qnorm(.025)), c(qnorm(.975),
qnorm(1)))) # same
Aplikasi lain yang berkaitan dengan fungsi distribusi peluang
1. Menghitung p-value atau signifikansi dari suatu uji hipotesis
Contoh 1:
Diketahui bahwa pada Uji Hipotesis Perbedaan Mean satu sampel diperoleh
bahwa Statistik Uji (T_hitung) mengikuti distriburi t dengan derajat bebas (n-1)
Dengan informasi T_hitung yang diperoleh maka kita dapat mencari nilai
P_value atau tingkat signifikansinya.
Misalnya diketahui T_hit = 2.302 dengan pengamatan sebanyak 50 observasi
tentukan nilai p-valuenya:
P_value = P[T > |T_hit|]=1- P[T ¿ |T_hit|]
Sintaksnya:
p_value= 1-pt(abs(T_hit),df=n-1)
atau dalam R dapat ditulis:
#Menghitung p-value uji dua sisi
>2*(1-pt(2.301,49))
[1] 0.02568618

Atau kalau digambarkan dengan dalam plot distribusi t sbb:

x <- seq(-3.5, 3.5, length.out=1000)
plotDistr(x, dt(x, df=49), cdf=FALSE, xlab="t.hit", ylab="Density",
main=paste("Luasan P-value"), region=list(c(2.302, Inf), c(-Inf,
-2.302)), col="blue")

Sedangkan daerah penolakannya adalah:

plotDistr(x, dt(x, df=49), cdf=FALSE, xlab="t.tabel", ylab="Density",

main=paste("Daerah Penolakan"),
region=list(c(qt(0,df=49),qt(0.025,df=49)),
c(qt(0.975,df=49),qt(1,df=49))),col="red")
Jika digabungkan, maka akan terlihat bahwa H0 ditolak karena pvalue < alpha,
atau ada di daerah penolakan.
x <- seq(-3.5, 3.5, length.out=1000)
#Daerah Penolakan
plotDistr(x, dt(x, df=49), cdf=FALSE, legend=FALSE,xlab="t",
ylab="Density", main=paste("Ilustrasi Uji t"),
region=list(c(qt(0,df=49),qt(0.025,df=49)),
c(qt(0.975,df=49),qt(1,df=49))),col="red")
par(new=T)
#Luasan P-value
plotDistr(x, dt(x, df=49), cdf=FALSE, legend=FALSE,xlab="t",
ylab="Density",region=list(c(2.302, Inf), c(-Inf, -2.302)), col="blue")
 Sedangkan untuk mencari Nilai T_tabelnya denga alpha tertentu adalah:
> qt(0.975,49)
[1] 2.009575

2. Membuat Tabel Statistika

Contoh:
Membuat Tabel Distribusi Normal Baku dengan ketentuan inputnya adalah:
Batas bawah : bb
Batas atas : ba
Interval output : delta
Berikut adalah code programnya:

## Membuat Tabel Distribusi Normal Baku

tabel.normal_baku=function(bb,ba,delta)
{
cat("========================================================\n")
cat(" Tabel Normal Baku\n")
cat("========================================================\n")
x=seq(bb,ba,by=delta)
n=length(x)
p.t=rep(0,n)
p.kum=rep(0,n)
for (i in 1:n) {
p.kum[i]=pnorm(x[i])
}
tabel=matrix(c(x,p.kum),ncol=2)
colnames(tabel)=c("quantile","Peluang Kumulatif")
print(tabel)
}

Jika ingin mencetak nilai table peluang kumulatif Normal baku (Tabel Z) untuk
interval dari -3 sampai dengan 0, dengan interval 0.1 maka diperoleh Output:

> tabel.normal_baku(-3,0,0.1)
========================================================
Tabel Normal Baku
========================================================
quantile Peluang Kumulatif
[1,] -3.0 0.001349898
[2,] -2.9 0.001865813
[3,] -2.8 0.002555130
[4,] -2.7 0.003466974
[5,] -2.6 0.004661188
[6,] -2.5 0.006209665
[7,] -2.4 0.008197536
[8,] -2.3 0.010724110
[9,] -2.2 0.013903448
[10,] -2.1 0.017864421
[11,] -2.0 0.022750132
[12,] -1.9 0.028716560
[13,] -1.8 0.035930319
[14,] -1.7 0.044565463
[15,] -1.6 0.054799292
[16,] -1.5 0.066807201
[17,] -1.4 0.080756659
[18,] -1.3 0.096800485
[19,] -1.2 0.115069670
[20,] -1.1 0.135666061
[21,] -1.0 0.158655254
[22,] -0.9 0.184060125
[23,] -0.8 0.211855399
[24,] -0.7 0.241963652
[25,] -0.6 0.274253118
[26,] -0.5 0.308537539
[27,] -0.4 0.344578258
[28,] -0.3 0.382088578
 [29,] -0.2 0.420740291
[30,] -0.1 0.460172163
[31,] 0.0 0.500000000
========================================================

3. Mengetahui bentuk perubahan kurva jika parameter suatu fungsi distribusi

diperbesar atau diperkecil
Contoh:
Akan diteliti bagaimana perubahan kurva normal jika parameter Nilai Sigma
diperbesar atau diperkecil:

x1<-seq(-10,10,by=.01) ## membuat barisan dari -5 smp 5 dengan jarak 0.01

y1<-dnorm(x1)
z1<-pnorm(x1)
y2<-dnorm(x1,0,2)
z2<-pnorm(x1,0,2)
y3<-dnorm(x1,0,3)
z3<-pnorm(x1,0,3)
win.graph()
plot(x1,y1,type="l",ylab="Densitas Normal",xlab="Quantil Normal",ylim=c(0,0.5))
par(new=T)
plot(x1,y2,type="l",col="red",ylab="Densitas Normal",xlab="Quantil Normal",ylim=c(0,0.5))
par(new=T)
plot(x1,y3,type="l",col="blue",ylab="Densitas Normal",xlab="Quantil Normal",ylim=c(0,0.5))
win.graph()
plot(x1,z1,type="l",ylab="Kumulatif Normal",xlab="Quantil Normal",ylim=c(0,1))
par(new=T)
plot(x1,z2,type="l",col="red", ylab="Kumulatif Normal",xlab="Quantil Normal",ylim=c(0,1))
par(new=T)
plot(x1,z3,type="l",col="blue", ylab="Kumulatif Normal",xlab="Quantil Normal",ylim=c(0,1))

Outputnya:
Perhatikan perubahannya:
Semakin tinggi varians maka akan semakin landau kurva Normal nya.
Latihan:
Diketahui output sebuah uji Likelihood Ratio Test untuk menguji kecocokan model
menggunakan statistik uji Chisquare sbb:

Perhatikan pada nilai baris Pearson Chi-Square, berilah kesimpulan dari uji
tersebut dengan menggunakan nilai Tabel Chi-Square dengan alpha 5% dan
buktikan nilai p-value (Sig.). Kemudian berikan ilustrasinya dalam sebuah gambar.

Jawab:
1. Mencari nilai Tabel Chisquare df=4, alpha 5%

Diperoleh bahwa nilai Chisq.hit lebih besar dari Chisq.tabel, sehingga dapat
disimpulkan bahwa H0 ditolak.

2. Bukti p-value

Dengan melihat nilai Sig. juga diperoleh kesimpulan yang sama yaitu H 0 ditolak,
karena Sig.< alpha.

3. Ilustrasi Gambar
x <- seq(0, 20, length.out=1000)
#Daerah Penolakan
plotDistr(x, dchisq(x, df=4), cdf=FALSE, legend=FALSE,xlab="x",
ylab="Density", main=paste("Ilustrasi Uji Chi-Square"),
region=list(c(qchisq(0.95,df=4), qchisq(1,df=4))),col="yellow")
par(new=T)
#luasan p-value
plotDistr(x, dchisq(x, df=4), cdf=FALSE, legend=FALSE,xlab="x",
ylab="Density", region=list(c(16.605, qchisq(1,df=4))),col="red")
Nilai Sig. jauh lebih
kecil dari alpha
Tugas: Dikumpulkan lewat aplikasi kulon.
1. Buatlah Tabel distribusi t, dengan input nilai alpha dan db maksimal yang ingin
ditampilkan. Cetaklah Hasilnya!
2. Buatlah grafik ilustrasi dari output uji hipotesis berikut: berilah kesimpulan dari
uji tersebut dengan menggunakan nilai Tabel t dengan alpha 5% dan buktikan
nilai p-value (Sig. 2 tailed). Kemudian berikan ilustrasinya dalam sebuah
gambar.

Paired Samples Test

Pair 1
SEBELUM - SESUDAH
Paired Differences Mean 2.60
Std. Deviation 3.471
Std. Error Mean
1.097
95% Confidence Interval Lower .12
of the Difference Upper 5.08
t 2.369
df 9
Sig. (2-tailed) .042