Nama : Riki Fernanda

NIM : 200108110052
Kelas :C
Mata Kuliah : Statistika Matematika

A. Sebaran Uniform
Distribusi peluang diskret yang paling sederhana ialah yang peubah acaknya memperoleh
semua nilainya dengan peluang yang sama. Distribusi peluang semacam itu disebut
distribusi seragam (uniform) diskret. Berikut ini diberikan definisi formalnya.

Definisi: Bila peubah acak X mendapat nilai x 1 , x 2 , … , x n dengan peluang yang sama,
maka distribusi seragam diskret diberikan oleh
1
f ( x ; n )= ; x =x1 , x2 , … , xn
n

Lambing f(x;n) dipakai sebagai pengganti f(x) untuk menunjukkan bahwa distribusi
seragam tersebut bergantung pada parameter n.

Contoh:
Bila sebuah dadu setimbang dilantunkan, tiap unsur ruang sampel T = {1,2,3,4,5,6}
muncul dengan peluang 1/6. Jadi, pelantunan sebuah dadu yang setimbang merupakan
salah satu contoh distribusi seragam dengan
1
f ( x ; 6 )= ; x=1,2,3,4,5,6
6

B. Sebaran Normal
Distribusi normal merupakan salah satu jenis distribusi dengan variabel acak yang
kontinu. Pada distribusi normal terdapat kurva/grafik yang digambarkan menyerupai
bentuk lonceng. Distribusi normal dapat disebut juga sebagai distribusi Gauss. Persamaan
yang terdapat dalam distribusi normal salah satunya yaitu terkait fungsi densitas.
( )
2
−1 x−μ
1 2 σ
f ( x )= e
σ √2π

Keterangan:
π : konstanta dengan nilai 3,14159…
e : bilangan eksponensial dengan nilai 2,7183…
µ:rata-rata (mean) dari data
σ : simpangan baku data berdistribusi normal

z=(x−μ)/σ

Keterangan:
 μ : rata-rata (mean) dari data
σ :simpangan baku data berdistribusi normal

Contoh:
Dalam suatu ujian terdapat 300 siswa yang mengikuti ujian tersebut. Rata-rata dari hasil
ujian yaitu 70 serta simpangan baku hasil ujian tersebut adalah 10. Jika data nilai hasil
ujian siswa tersebut berdistribusi normal, maka berapa persen mahasiswa yang mendapat
nilai A jika syarat untuk mendapatkan nilai A adalah nilai lebih dari 85?

Pembahasan:
Diketahui:
μ=¿ 70
σ =¿ 10
x=¿ 85
Ditanya z(x > 85)?
z(x > 85) = 1 – z(x < 85)
Akan dihitung terlebih dahulu nilai dari z (x < 85)
z = (85 – 70)/10 = 15/10 = 1,5
Nilai z untuk 1,50 adalah 0,9332, sehingga
z(x > 85) = 1 – z(x < 85)
z(x > 85) = 1 – 0,9332
z(x > 85) = 0,0668
z(x > 85) = 6,68%

C. Sebaran Gamma
Distribusi Gamma mendapat namanya dari fungsi gamma yang sudah dikenal luas dan
dipelajari dalam banyak bidang matematika. Sebelum membahas distribusi gamma
terlebih dahulu akan ditinjau fungsi gamma dan beberapa sifatnya yang terpenting.

Definisi Fungsi Gamma: Fungsi gamma didefinisikan sebagai

∞
Γ ( α )=∫ x
α−1 − x
e dx , for α >0.
0

Bila dilakukan integral parsial dengan μ= xα −1 dan dυ=e−x dx maka diperoleh

∞ ∞
α −1 ∞
Γ ( α )=−e
−x
x | +∫ e
0
−x
(α−1) x
α −2
dx=( α −1)∫ x
α−2 −x
e dx ,
0 0

Untuk α >0, yang menghasilkan rumus berulang

Γ ( α )=( α −1 ) Γ ( α −1 ) .

Dengan menggunakan rumus berulang berkali-kali diperoleh

Γ ( α )=( α −1 ) ( α−2 ) Γ ( α−2 )
 ¿ ( α −1 ) ( α −2 )( α−3 ) Γ ( α −3 )
Dan seterusnya. Perhatikan bahwa bila α =n , dengan n dengan bilangan bulat positif,
maka
Γ ( n ) =( n−1 ) ( n−2 ) ,… , Γ ( 1 )
¿ ( n−1 ) !

Sekarang fungsi gamma akan dipakai dalam mendefinisikan distribusi gamma.

Definisi: peubah acak kontinu X berdistribusi gamma, dengan parameter α dan β , bila
fungsi padatnya berbentuk

{
1 α −1 −x / β
x e
f ( x ; α , β )= β α Γ (α ) , x >0 ,
0,

Dimana α >0 dan β >0.

Contoh:
Misalkan waktu, dalam jam, yang diperlukan untuk memperbaiki pompa air merupakan
peubah acak X berdistribusi gamma dengan parameter α=2 dan β=1/2. Berapa
peluangnya bahwa perbaikan berikutnya akan memerlukan:
a. paling banyak 1 jam?
b. paling sedikit 2 jam?
Pembahasan:
−x
1
f ( x )= x 2−1 e 1/ 2 =4 x . e−2 x
()
1 2
2
Γ (2)

a. P ( X ≤1 ) =4 ∫ x . e
−2 x
dx
0
1
¿ [ −2 x . e−2 x −e−2 x ]0
−2
¿−3 e +1 ≅ 0,594 0

b. P ( X ≤2 ) =1−P ( X <2 )
2
¿ 1−4 ∫ x . e
−2 x
dx
0
−2 x 2
¿ 1−[−2 x .e ]
−2 x
−e 0
−4
¿ 5 e ≅ 0,594 0
D. Sebaran Eksponensial
Distribusi Eksponensial termasuk distribusi kontinu dan merupakan bentuk khusus dari
distribusi gamma dengan α = 1.
Definisi: peubah acak kontinu X akan berdistribusi eksponensial, dengan parameter θ ,
bila fungsi padatnya berbentuk

{
−x
1 θ
f ( x ; θ )= θ e , x >0
0 , x lainnya

Contoh:
Banyaknya pasien dr. Suryo tiap jam rata-rata 10 orang dan setelah diselidiki ternyata
berbentuk distribusi poisson. Seorang pasien A datang tepat pada saat orang sebelum dia
dipanggil masuk kamar periksa. Berapa besar kemungkinannya bahwa ia harus
menunggu sekurang-kurangnya 5 menit sebelum dipanggil?

Pembahasan:
Dalam 1 jam rata-rata 10 orang, dengan demikian jarak waktunya = 6 menit. Jika
X menyatakan waktu tunggi, maka X~EKS(6)
−x
1
f ( x )= e 6
6
P ( X >5 ) =1−P ( X ≤5 ) =e−5 /6

E. Sebaran Beta
Sebuah perluasan dari distribusi uniform kontinu adalah distribusi beta. Mari kita mulai
dengan mendefinisikan fungsi beta.

Definisi Fungsi Beta: Sebuah fungsi beta didefinisikan sebagai

1
Γ (α ) Γ ( β )
B ( α , β )=∫ x ( 1−x ) dx =
α −1 β −1
, for α , β >0 ,
0 Γ (α + β)

Dimana Γ ( α ) merupakan fungsi gamma.

Definisi: Suatu peubah acak kontinu X dikatakan berdistribusi beta dengan parameter α
> 0 dan β > 0 jika fungsi kepadatan peluangnya diberikan oleh

{
1 α−1 β −1
x (1−x ) , 0< x <1 ,
f ( x )= B (α , β)
0 , elsewhere

F. Sebaran Weibull
Distribusi Weibull diperkenalkan oleh seorang fisikawan Swedia bernama Waloddi
Weibull pada tahun 1939. Distribusi Weibull biasanya digunakan untuk menyelesaikan
masalah-masalah yang menyangkut lama waktu (umur) suatu objek yang mampu
bertahan hingga akhirnya objek tersebut tidak berfungsi sebagaimana mestinya (rusak
atau mati).

Definisi: Suatu peubah acak kontinu X akan mempunyai distribusi Weibull dengan
parameter α and β jika fungsi kepadatan peluangnya diberikan oleh

{
β
β −1 −α x
f ( x ;α , β )= αβ x e , x> 0 ,
0 , elsewhere

Dimana α >0 dan β> 0.

Definisi CDF: Fungsi distribusi kumulatif (cumulative distribution function, cdf) untuk
distribusi Weibull diberikan oleh
β

F ( x )=1−e−αx , for x ≥0 ,

Dimana α >0 dan β> 0.

Contoh:
Lama hidup X, dalam jam, sebuah item pada sebuah toko mesin mempunyai distribusi
Weibull dengan α = 0.01 and β = 2. Berapakah peluang bahwa item tersebut gagal
sebelum 8 jam penggunaan?

Pembahasan:
2
−( 0.01) 8
P ( X <8 )=F ( 8 ) =1−e
¿ 1−0.527=0.473