TUGAS BESAR PROBABILITAS DAN STATISTIK

“DISTRIBUSI GAMMA (EKSPONENSIAL, CHI-SQUARE,

DAN EKSPONENSIAL NEGATIF)”

Oleh :
Kelompok 4

NAMA MAHASISWA NIM

1. Ade Firmansyah 131910201032
2. Novita Murti Hernandes 151910201091
3. Deschie Tri Aksara 151910201094
4. Azhar Bima Javier Arif 151910201096
5. Ghazian Aufar Hilmi 151910201112
6. Adittya Aprillia Arganta 151910201114
7. Muchammad Muchyiddin 151910201118
8. Nine Shela Sadinda Agustine 161910201113

JURUSAN TEKNIK ELEKTRO STRATA 1

FAKULTAS TEKNIK
UNIVERSITAS JEMBER
 2016BAB 1. SEJARAH DAN PENGERTIAN

Salah satu distribusi kontinu dalam statistika adalah distribusi Gamma

yang dapat digunakan untuk menyelesaikan banyak persolan dalam bidang
rekayasa dan sains. Sebagai salah satu contohnya distribusi Gamma memainkan
peranan penting dalam teori antrian dan teori keandalan (reliabilitas) misalnya
untuk mengatasi kehilanagan data. Distribusi Gamma adalah salah satu teori dari
distibusi probabilitas yang banyak digunakan untuk menarik kesimpulan atau
menguji sebuah hipotesis statistika. Distribusi Gamma mendapat namanya dari
fungsi Gamma yang sudah dikenal luas, dan dipelajari dalam banyak bidang
matematika.
Distribusi yang mempunyai aplikasi paling luas dalam menganalisa data
uji hidup adalah distribusi Gamma. Data uji hidup atau uji reliabilitas merupakan
peluang bahwa komponen tersebut akan berfungsi sebagaimana mestinya selama,
paling sedikit, sampai jangka waktu tertentu dalam percobaan yang telah
ditentukan. Dalam uji reliabilitas terdapat beberapa fungsi yang digunakan untuk
menentukan reliabilitas suatu system diantaranya adalah fungsi ketahanan
(survival function) dan fungsi kegagalan (failure rate function). Namun,
kekurangan dari distribusi Gamma adalah memiliki fungsi ketahanan (survival
function) yang tidak dapat ditentukan bentuk khususnya, kecuali jika parameter
bentuknya berupa bilangan natural. Hal ini menyebabkan distribusi Gamma
sedikit digunakan dibandingkan dengan distribusi Weibull karena mempunyai
fungsi kegagalan dan ketahanan yang lebih sederhana.
Distribusi Gamma banyak dimamfaatkan untuk mengetahui atau
menghitung jarak antara waktu tiba di fasilitas pelayanan (misalnya, bank dan
loket tiket kereta api), serta lamanya waktu sampai rusaknya suku cadang dan alat
listrik. Distribusi Gamma sendiri mempunyai hubungan dengan distribusi
eksponensial, kedua dstribusi tersebut memungkinkan kedua distribusi tersebut
digunakan dalam persoalan yang sama.
Oleh karena itu Distribusi Gamma sangat penting untuk dipelajari pada
masa sekarang ini, karena sangat berguna untuk mengetahui dan mempelajari
pengaruh dari satu variabel terhadap variabel lain pada suatu masalah yang
dihadapi. Hal tersebut yang umelatar belakangi penulisan makalah ini.

1.1 Sejarah dan Pengertian Distribusi Eksponensial

Salah satu distribusi yang banyak digunakan dalam statistika, khususnya
proses stokastik, adalah distribusi eksponensial. Distribusi eksponensial adalah
salah satu kasus khusus dari distribusi gamma. Distribusi eksponensial juga
merupakan suatu distribusi yang berguna untuk mencari selisih waktu yang terjadi
dalam suatu peluang tertentu. Dalam distribusi eksponensial ini, digunakan
pencarian atau pengolahan data dengan menggunakan variabel random. Di mana
variabel random itu sendiri adalah variabel yang berupa nilai atau angka yang
merupakan outcome dari eksperimen random. Variabel random bersifat diskrit
bila hanya berupa nilai tertentu yang dapat dihitung. Namun, variabel random
bersifat kontinyu bilamana berupa suatu nilai manapun dalam suatu interval.
Distribusi eksponensial pertama kali diperkenalkan oleh Gupta dan Kundu
pada tahun 1999. Distribusi ini diambil dari salah satu fungsi kepadatan kumulatif
yang digunakan pada pertengahan abad 19 (Gompertz-Verhulst) untuk
membandingkan tabel kematian dan menghasilkan laju pertumbuhan penduduk.

1.2 Sejarah dan Pengertian Distribusi Chi-square

Istilah regresi dikemukakan untuk pertama kali oleh seorang antropolog
dan ahli meteorologi Francis Galton dalam artikelnya “Family Likeness in
Stature” pada tahun 1886. Ada juga sumber lain yang menyatakan istilah regresi
pertama kali mucul dalam pidato Francis Galton di depan Section H of The British
Association di Aberdeen, 1855, yang dimuat di majalah Nature, September 1855
dan dalam sebuah makalah “Regression towards mediocrity in hereditary stature”,
yang dimuat dalam Journal of The Antrhopological Institute (Draper and Smith,
1992).
Studinya ini menghasilkan apa yang dikenal dengan hukum regresi
universal tentang tingginya anggota suatu masyarakat. Hukum tersebut
menyatakan bahwa distribusi tinggi suatu masyarakat tidak mengalami perubahan
yang besar sekali antar generasi. Hal ini dijelaskan Galton berdasarkan fakta yang
memperlihatkan adanya kecenderungan mundurnya (regress) tinggi rata-rata anak
dari orang tua dengan tinggi tertentu menuju tinggi rata-rata seluruh anggota
masyarakat. Ini berarti terjadi penyusutan ke arah keadaan sekarang. Tetapi,
sekarang istilah regresi telah diberikan makna yang jauh berbeda dari yang
dimaksudkan oleh Galton. Secara luas analisis regresi diartikan sebagai suatu
analisis tentang ketergantungan suatu variabel kepada variabel lain yaitu variabel
bebas dalam rangka membuat estimasi atau prediksi dari nilai rata-rata variabel
tergantung dengan diketahuinya nilai variabel bebas.
Selanjutnya Karl Pearson, membuat sebuah jurnal Biometrika yang berisi
hasil kajian penelitian statistika dari peneliti ASIA (menurutnya Asia lebih baik
dalam perkembangan aritmatika dibandingkan dengan Eropa). Selanjutnya
ditemukan teori Kai Kuadrat (Chi-square) χ2 di tahun 1900, yaitu apabila datanya
berkelompok (berbentuk kategorik).
Distribusi khi-kuadrat (bahasa Inggris: Chi-square distribution) atau
distribusi χ² dengan k derajat bebas adalah distribusi jumlah kuadrat ke perubah
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.
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.
 BAB 2. RUMUS DAN GAMBAR GRAFIK PDF DAN CDF

Eksperimen-eksperimen probabilitas yang hasilnya menunjukkan suatu

bentuk distribusi yang mempunyai variasi ukuran kemencengan yang cukup
signifikan, distribusi Gamma merupakan salah satu alternatif model yang banyak
digunakan.
 Fungsi Gamma r () adalah :

 Distribusi Gamma

Peubah acak kontinyu x berdistribusi Gamma dengan parameter α dan

β, bila padatnya diberikan oleh :

= 0 untuk x lainnya, bila α > 0 dan β > 0

 Distribusi Gamma Standar
Jika parameter skala sebuah distribusi Gamma β = 1, maka diperoleh suatu
distribusi Gamma standar :
Kurva PDF Distribusi Gamma

Untuk 0 ≤ x dengan ʎ > 0 dan r > 0, = 0, untuk yang lainnya

Kurva CDF Distribusi Gamma

2.1 Rumus dan Gambar Grafik Distribusi Eksponensial

Distribusi eksponensial didefinisikan sebagai berikut:
G ( t )=(1−ρ e−tλ)a
Kemudian dengan menstandarisasikan ρ = 1 dan x = t, diperoleh distribusi
ekponensial satu variabel (Univariate Exponential Distribution) dengan fungsi
kepadatan kumulatif dan x > 0, adalah sebagai berikut:
F¿ ( x ; a , λ )=(1−e−λx)a
 Dari turunan fungsi kepadatan kumulatif di atas, juga didapat fungsi
kepadatan peluangnya (fkp) adalah sebagai berikut:
F ¿ ( x ; a , λ )=aλ e−λx (1−e−λx)a−1
Keterangan:
x = peubah acak
 = parameter bentuk

 = parameter skala
e = 2,7183...
Untuk a > 0 dan λ > 0 masing–masing adalah parameter bentuk dan
parameter skala. Ini jelas untuk a = 1, merupakan distribusi eksponensial. Pada
kajian parameter a, dan λ = 1, sehingga distribusi eksponensial tergeneralisir
dengan parameter bentuk di notasikan dengan GE(a).
Jika terdapat dua peubah acak (X1,X) yang berdistribusi eksponensial
tergeneralisir dengan asumsi saling bebas, maka distribusi eksponensial
tergeneralisir dua variabel (fungsi kepadatan peluang gabungan dari (X2)), untuk
x1 > 0, x > 0 adalah:

Distribusi probabilitas eksponensial merupakan pengujian yang dilakukan

untuk melakukan perkiraan atau prediksi dengan hanya membutuhkan perkiraan
rata-rata populasi, karena distribusi eksponensial memiliki standar deviasi sama
dengan rata-rata. Distribusi ini termasuk ke dalam distribusi kontinyu. Ciri dari
distribusi ini adalah kurvanya mempunyai ekor di sebelah kanan dan nilai x
dimulai dari 0 sampai tak hingga. Distribusi eksponensial merupakan model
waktu (atau panjang atau area) antara kejadian Poisson. Dengan fungsi pdf dan
cdf sebagai berikut :
 Gambar kurva distribusi eksponensial berbeda-beda tergantung dari nilai x
dan λ sebagai berikut :

2.2 Rumus dan Gambar Grafik Distribusi Chi-square

Lancaster memperlihatkan hubungan antara distribusi binomial, normal,
dan chi-squared, sebagai berikut. De Moivre dan Laplace menetapkan bahwa
distribusi binomial dapat didekati dengan distribusi normal. Secara khusus mereka
menunjukkan normalitas asimtotik dari variabel random
m−N p
χ= ( N )
√ pq
di mana m adalah jumlah diamati dari keberhasilan dalam uji N, di mana
probabilitas keberhasilan adalah p, dan q = 1 - p.
Mengkuadratkan kedua sisi persamaan memberikan

χ2= ( m−N p)
2

( N pq )
Menggunakan N = Np + N (1 - p), N = m + (N - m), dan q = 1 - p, persamaan ini
untuk menyederhanakan
 ( m−N p) 2 ( N−m−N )2
χ 2= q
+
( N p) ( Nq )
Ekspresi di sebelah kanan adalah dari bentuk yang Pearson akan menggeneralisasi
ke bentuk:
n 2
(Oii−E )
χ2=∑ Ei
i=1

di mana :
χ2 = Pearson uji statistik kumulatif, yang asimtotik mendekati distribusi.
Oi = Jumlah pengamatan tipe i.
Ei = Npi = Diharapkan (teoritis) frekuensi jenis i, menegaskan dengan hipotesis
nol bahwa fraksi jenis i dalam populasi adalah
n = Jumlah sel dalam tabel.

Probability Density Function

Rumus dari probability density function (pdf) yaitu :

(v−2)/2 −x/ 2
x e
y=f (x∣v v
)= 2 Γ ( v / 2)
2

di mana :

Γ( · ) = fungsi Gamma,

ν = degrees of freedom, dan x ≥ 0.

 FB % PD F
4 " ni

0 4 1 g 4 6 8 7 B B 4 0 4 1 g 4 6 8 7 B B 40
0

0 4 1 g 4 6 8 7 B B 40
Cumulative Distribution Function

Rumus dari cumulative distribution function (cdf) yaitu

x (v−2)/ 2 −t /2
t e
p=F ( x∣v v dt
)=∫ 2 Γ ( v / 2)
2

di mana :

Γ( · ) = fungsi Gamma,

ν = degrees of freedom, dan x ≥ 0.

2.3 Rumus dan Gambar Grafik Distribusi Eksponensial Negatif

Rumus umum dari distribusi probabilitas eksponensial negatif:
P(R) = nCx . (P)^x . (Q)^n-x
di mana:
P(R) = Peluang kejadian (R) yang diharapkan.
n = Banyaknya ulangan/ kejadian.
x = Banyaknya keberhasilan dalam peubah acak x.
P = Peluang kejadian keberhasilan.
Q = Peluang kegagalan.
nCx = Rumus kombinasi.
Fungsi Padat Peluang

Notasi:
p = peluang sukses
x = jumlah percobaan sampai mendapatkan sukses ke-k
k = jumlah sukses yang muncul

Gambar Grafik pdf Eksponensial Negatif

Gambar Grafik CDF Eksponensial Negatif

 BAB 3. PARAMETER DAN PENGARUHNYA PADA
GRAFIK

 Nilai mean dari distribusi Gamma adalah :

 = 
 Nilai variansi dari distribusi Gamma adalah :
2 = 2
 Mean dan varian distribusi Gamma dua parameter :

3.1 Parameter dan Pengaruh Distribusi Eksponensial Pada Grafik

Jika kejadian sukses berjalan secara kontinyu dan distribusi
probabilitasnyapun bersifat kontinyu dalam kurun waktu tertentu, maka distribusi
probabilitas tersebut dinamakan distribusi eksponensial. Distribusi eksponensial
ini digunakan untuk memodelkan jumlahan waktu hingga kemunculan sebuah
kejadian tertentu. Fungsi kerapatan probabilitas (pdf) dari distribusi eksponensial
dinyatakan sebagai:

Mean dan varian dari distribusi eksponensial dinyatakan sebagai:

Fungsi distribusi kumulat if (cdf) dari distribusi eksponensial dinyatakan sebagai:

3.2 Parameter dan Pengaruh Distribusi Chi-square Pada
Grafik Parameter
Parameter Deskripsi Support
v Degrees of freedom ν is a nonnegative
integer value

Statistik deskriptif
Mean adalah ν.
Variance adalah 2ν.

3.3 Parameter dan Pengaruh Distribusi Eksponensial Negatif Pada

Grafik Mean (µ)
E(X) = k / p
Varian
Var(X) = k (1 – p) / p2
 BAB 4. SCRIPT MATLAB UNTUK PLOTTING GRAFIK
PDF

4.1 Script Matlab Distribusi Eksponensial

% Program: DEksp.m
% Distribusi Eksponensial
clear all; clc;

% Interval pengamatan
x=0:.1:10;

lamda=3.2;
% a. Waktu rata-rata antar pelanggan:
% Nilai mu = 1/lamda untuk 30 menit, x=1
mu1=(1/3.2)*30;

% b. Untuk selisih waktu kedatangan 1 jam atau kurang

% x=2 (karena 2x30 menit=1 jam)
% P(x<=2)
xx=2;
y=1-exp(-lamda*xx);

% c. Untuk selisih waktu kedatangan 15 menit atau lebih

% x=0,5 (karena 0,5x30 menit=15 menit)
% P(x>=0,5)
x1=0.5;
y1=exp(-lamda*x1);

lamda1=1; lamda2=1/2;
m=exppdf(x,lamda);
m1=exppdf(x,lamda1);
m2=exppdf(x,lamda2);
figure(1)
plot(x,m,'-k','Linewidth',2);
hold on;
plot(x,m1,'-b','Linewidth',2);
hold on;
plot(x,m2,'-r','Linewidth',2);
hold on;
xlabel('x');
ylabel('f(x)'); legend('\lambda=3.2','\lambda=1','\
lambda=0,5'); title('pdf distribusi eksponensial
P(X<10)');

v=expcdf(x,lamda);
v1=expcdf(x,lamda1);
v2=expcdf(x,lamda2);

figure(2)
plot(x,v,'-k','Linewidth',2);
hold on;
plot(x,v1,'-b','Linewidth',2);
hold on;
plot(x,v2,'-r','Linewidth',2);
hold on;
xlabel('x');
ylabel('F(x)');
title('cdf distribusi eksponensial P(X<10)');
legend('\lambda=3.2','\lambda=1','\lambda=0,5');
grid on;
Grafik :

Gambar di atas merupakan grafik pdf dari hasil keluaran program, dapat
dilihat dengan parameter lamda yang berbeda yaitu pada garis merah dengan
lamda sebesar 0.2, biru sebesar 1 dan hitam sebesar 3,2 maka akan mempengaruhi
nilai f(x) terhadap x.

Gambar di atas merupakan grafik CDF dari keluaran program, dengan

parameter masing-masing 3,2 ; 1 ; dan 0,5. Seperti yang sudah kita ketahui bahwa
karakteristik CDF nilai maksimal bernilai 1, sesuai dengan hasil keluaran
program, pada gambar diatas nila F(X) maksimal 1 yang artinya percobaan diatas
sudah sesuai teori dan dapat dikatakan benar.
4.2 Script Matlab Distribusi Chi-square
# Chi-square PDF and CDF
#df1 = 4.0
#mu = df1
#sigma = sqrt(2.0 * df1)
#xmin = mu - 4.0 * sigma
#xmin = xmin < 0 ? 0 : xmin
#xmax = mu + 4.0 * sigma
#ymax = 1.1 * (df1 > 2.0 ? chi(df1 - 2.0) : 1.0)
#Mode of chi PDF used
set key right box
set zeroaxis
#set xrange [xmin : xmax]
#set yrange [0 : ymax]
set xlabel "x ->"
set ylabel "probability density ->"
set xtics autofreq
set ytics autofreq
set format x "%.1f"
set format y "%.2f"
set sample 100
set title "chi-square PDF"
set key right box
plot [0:15] [0:0.2] df1 = 4, chi(x) title "df =
4", \
df1 = 6, chi(x) title "df =
6", \
df1 = 8, chi(x) title "df = 8"

set key left box

set title "chi-square CDF"
plot [0:15] [0:1.1] df1 = 4, cchi(x) title "df = 4",
\
 df1 = 6, cchi(x) title "df = 6",
\
df1 = 8, cchi(x) title "df = 8"

4.3 Script Matlab Distribusi Eksponensial Negatif

# Negative exponential PDF and CDF
lambda = 2.0
mu = 1.0 / lambda
sigma = 1.0 / lambda
xmax = mu + 4.0 * sigma
ymax = lambda #No mode
unset key
set zeroaxis
set xrange [0: xmax]
set yrange [0: ymax]
set xlabel "x ->"
set ylabel "probability density ->"
set xtics autofreq
set ytics autofreq
set format x "%.2f"
set format y "%.1f"
set sample 100
set title "negative exponential (or exponential) PDF
with lambda = 2.0"
plot nexp(x)

set title "negative exponential (or exponential) CDF

with lambda = 2.0"
set yrange [0: 1.1]
plot cnexp(x)
 BAB 5. APLIKASI DALAM DUNIA ENGINEER DAN CONTOH SOAL

Distribusi Gamma banyak dimamfaatkan untuk mengetahui atau

menghitung jarak antara waktu tiba di fasilitas pelayanan (misalnya, bank dan
loket tiket kereta api), serta lamanya waktu sampai rusaknya suku cadang dan alat
listrik. Distribusi Gamma sendiri mempunyai hubungan dengan distribusi
eksponensial, kedua dstribusi tersebut memungkinkan kedua distribusi tersebut
digunakan dalam persoalan yang sama.
Beberapa aplikasi distribusi eksponensial di antaranya adalah: pemodelan
waktu hingga komputer log off, pemodelan waktu antar waktu kedatangan
panggilan telepon, pemodelan waktu pintu gerbang otomatis terbuka jika ada
obyek di depannya dan lain-lain.

Contoh Soal 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! Hitunglah mean dan
variansi di atas!
Penyelesaian:
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

Mean : x  E(X)   (8)(15)  120

Varians :

Contoh Soal 2 Eksponensial

Waktu kedatangan seorang pelanggan di sebuah restoran kota kecil
diasumsikan terdistribusi eksponensial dengan rata-rata 3,2 pelanggan per 30
menit.
a. Berapa menit waktu rata-rata antar pelanggan di restoran tersebut ?
b. Berapa probabilitas kedatangan pelanggan ada selang 1 jam atau kurang,

c. Berapa probabilitas kedatangan pelanggan ada selang 15 menit atau lebih,

Gambarkan kurva pdf dan cdf totalnya untuk

Contoh Soal 3 Chi-square

Suatu penelitian akan menguji apakah ada perbedaan pilihan mahasiswa baru
terhadap program studi Manajemen dan Akuntansi di Fakultas Ekonomi
Universitas Kanjuruhan Malang. Untuk itu diambil sampel sebanyak 314 calon
mahasiswa, dari jumlah tersebut 186 calon mahasiswa memiliki program studi
Manajemen dan 128 calon mahasiswa memilih program studi Akuntansi.
Penyelesaian:
1. Rumusan hipotesis
Ho : PM = PA Tidak ada perbedaan yang signifikan pilihan calon
mahasiswa terhadap program studi Akuntansi dan
Manajemen
Ha : PM  PA Ada perbedaan yang signifikan pilihan calon mahasiswa
terhadap program studi Akuntansi dan Manajemen
2. Taraf nyata 5% ( = 0,05)
Derajat bebas (db) = jumlah kelompok – 1 = 2 - 1 = 1
Nilai 2tabel (=0,05 ; db=1) = 3,841

3. Kriteria pengujian:
Jika 2hitung > 2tabel atau probabilitas < 0,05 maka Ho ditolak
Jika 2hitung ≤ 2tabel atau probabilitas  0,05 maka Ho diterima
4. Menghitung nilai 2:
Tabel Frekuensi Observasi dan Frekuensi Harapan
Program Studi Frekuensi Observasi Frekuensi Harapan
(O) (E)
Manajemen 186 157
Akuntansi 128 157
Jumlah 314 314

314
Frekuensi harapan (E) diperoleh dari = 2 = 157

Selanjutnya dihitung nilai X2 sebagai berikut:

(186 157)2 (128 157)2

X2 = 157 157
= 5,357 + 5,357
= 10,714
Cara lain untuk menghitung nilai 2 hitung adalah melalui tabel sebagai
berikut :
Tabel Bantu Perhitungan Chi Square
(O  E)2
Program Studi O E (O-E)2
E
Manajemen 186 157 841 5,357
Akuntansi 128 157 841 5,357
2 10,714
5. Kesimpulan
Nilai 2 hitung selanjutnya dibandingkan dengan nilai 2 tabel, karena hasil
perhitungan diperoleh nilai 2 hitung (10,714) > 2 tabel (3,841) berarti Ho
ditolak, artinya pilihan calon mahasiswa terhadap program studi Akuntansi
dan Manajemen berbeda secara signifikan, dengan kata lain perbedaan itu
mencerminkan pilihan calon mahasiswa, dan tidak hanya bersifat kebetulan.
 DAFTAR PUSTAKA

-Modul 5 Distribusi Probabilitas khusus

-Modul distribusi probabiltas eksponensial

http://dokumen.tips/documents/distribusi-exponensial.html
-http://firlizaa.blogspot.co.id/2012/12/distribusi-probabilitas.html

-http://dwithastatisticsundip.blogspot.co.id/2012/12/sejarah-regresi.html (22:28,
12 desember 2016)
-https://ansimath.wordpress.com/2010/06/10/tokoh-tokoh-bidang-statitstika/
(diakses pada 22:29, 12 Desember 2016)
-http://www.itl.nist.gov/div898/handbook/eda/section3/eda3666.htm (diakses pada
22:49, 12 Desember 2016
-http://repository.usu.ac.id/bitstream/123456789/29910/4/Chapter%20II.pdf
-https://id.wikipedia.org/wiki/Distribusi_binomial
-http://www.statsdata.my.id/2014/06/distribusi-variabel-acak-diskrit.html
-http://gnuplot.sourceforge.net/demo_4.0/prob.html
-https://www.mathworks.com/help/stats/chi-square-distribution.html#bt5dr0l
-http://statistik-kesehatan.blogspot.co.id/2011/04/uji-kai-kuadrat-chi-square-
test.html
-http://statistikaunikama.blogspot.co.id/2012/12/latihan-soal-chi-square.html