1.Pengantar
Modul ini memuat pengertian umum dan khusus mengenai apa
yang dimaksud dengan bermacam distribusi yang secara khusus
dibahas. Secara umum, pembahasan ditujukan pada bentuk-bentuk
distribusi yang saling memiliki kaitan antara satu distribusi dengan
distribusi lainnya. Secara khusus, ditujukan pada penggunaan
fungsi pembangkit momen untuk menentukan mean dan varians
dari distribusi Bernoulli.
2.Deskripsi : Kajian dalam modul ini mencakup materi bahasa
percobaan Bernoulli, syarat yang diperlukan untuk
percobaan Bernoulli, fungsi densitas dari distribusi Bernoulli,
mean, dan varians fungsi distribusi Bernoulli.
3.Prasyarat : Telah mengikuti perkuliahan Statiska Dasar dan
Kalkulus II.
4.Tujuan Instruksional Umum :
Dengan mempelajari modul ini diharapkan mahasiswa dapat
memahami:
1
1. Konsep-kosep percobaan random dan penggunaannya sebagai
dasar penentuan fungsi densitas peluang dari suatu distribusi.
2. Arti dan fungsi pembangkit momen sebagai alat untuk
menentukan mean dan varians dari suatu distribusi.
5.Tujuan Instruksional Khusus
Setelah mempelajari modul ini, mahasiswa diharapkan dapat:
1. Menjelaskan dengan baik maksud percobaan Bernoulli.
2. Menjelaskan syarat yang diperlukan untuk percobaan Bernoulli.
3. Menetapkan fungsi densitas dari distribusi Bernoulli.
4. Menggunakan f.p.m menentukan mean, dan variansfungsi
distribusi Bernoulli.
6.Kegiatan Perkuliahan 14
6.1.1. Pengkajian Materi dan Contoh
Sebelum kita bicarakan beberapa distribusi khusu berikut ini, ada
baiknya diawali dengan percobaan percobaan Bernoulli yang
2
mendasari terjadinya distribusi tersebut. Percobaan Bernoulli ini
memliki cirri-ciri sebagai berikut:
1.Percobaan diulangi dengan persyaratan yang sama sebanyak n kali
(n bisa berhingga, dapat juga tak berhingga).
2.Percobaan-percobaan saling bebas.
3.Setiap percobaan menghasilkan hanya dua peristiwa yang disebut
sukses (S) dan gagall (G).
4.P (S) = p ; P (G) = 1 - p = q, tetap besarnya dari percobaan ke
percobaan lainnya.
3
Andaikan dari suatu kotak berisi 30 telur ayam di mana 20 telur
dalam keadaan baik ditandai warna merah dan 10 telur dalam
keadaan busuk ditandai warna biru. Jika satu telur diambil secara
random (peluang terambilnya telur adalah sama), kemudian
diperiksa dan ternyata telur itu adalah busuk, kemudian
dikembalikan lagi ke dalam kotak, dan percobaan ini dilakukan
seterusnya dengan keadaan yang sama.
Dalam hal semcam ini syarat percobaan Bernoulli dipenuhi,
sehingga diperoleh P(biru = busuk) = 10/30 = 1/3.
b.Pencuplikan sampel dengan tanpa pengembalian
Dari bagian a) di atas, andaikan diambil 4 telur satu persatu secara
beurutan, tetapi telur itu tidak dikembalikan lagi ke dalam kotak,
maka dalam hal ini syarat percobaan dilakukan secara bebas tidak
dipenuhi lagi. Dalam hal ini, pada pengambilan pertama ternyata
busuk, berarti P(biru = busuk) = 10/30 = 1/3, sehingga telur tinggal 29
buah dan 9 buah adalah busuk. Dengan demikian, setelah
pengambilan pertama itu maka peluang menjadi peluang bersyarat
yaitu seandainya dilakukan pengambilan kedua dan ternyata
hasilnya telur busuk, maka P P(biru = busuk) = 9/29 ≠ 10/30 = 1/3.
4
Dari keadaan inisebenarnya syarat percobaan Bernoulli masih
dipenuhi, sebab pada peristiwa pengambilan pertama peluang
terambilnya setiap telur adalah sama, demikian juga pada peristiwa
pengambilan kedua, namun kondisi besar peluang pada peristiwa
pertama dan kedua sudah berbeda. Dengan kata lain, K 1dan K2
salling bebas (saling asing) di mana K1dan K2 masing-masing
kejadian pertama dan kedua.
Contoh 3. Misalkan kotak berisi 30 telur ayam di mana 20 telur
dalam keadaan baik ditandai warna merah dan 10 telur dalam
keadaan busuk ditandai warna biru. Tentukan besar peluang
jika pada:
a.Pengambilan pertama dan kedua terambil telur busuk.
b.Pengambilan pertama dan kedua terambil telur baik.
c. Pengambilan pertama terambil telur baik dan kedua telur busuk.
Jawab: Misalkan Mdan B masing-masing menyatakan telur yang
terambil baik dan busuk, dan K1dan K2 menyatakan peristiwa
pengambilan pertama dan kedua.
a.P(MM) = P(M) . P(K2/M) = (10/30).( 9/29)
5
b.P(BB) = P(B) . P(K2/B) = (20/30). (19/29)
c. P(MB) = P(M) . P(K2/B) = (20/30). (10/29)
c. Pencuplikan sampel dengan tanpa pengembalian pada
populasi besar
Kalau persoalan di atas dikembangkan jumlah populasinya,
misalknya 30.000 butir telur di mana 20.000 telur baik dan 10.000
telur busuk. Jika 2 butir diambil secara random tanpa pengembalian,
maka: P(M) = (B) = 10.000/30.000 = 1/3 dan P(B/K1) = 9.999/29.999 ≈ 1/3.
Meskipun percobaan seperti ini tidak sesuai dengan sifat
kebebasan pada percobaan Bernoulli, namun penyimpngan itu sangat
kecil sehingga dianggap terpenuhi. Dalam hal ini, dapat disimpulkan
bahwa pada pencuplikan sampel yang cukup kecil (<10%) dari suatu
populasi besar maka syarat percobaan Bernoulli dianggap terpenuhi.
Persoalan pengambilan sampel yang bersifat dikotonomi yang
menghasilkan dua kemungkinan saja seperti, pria-wanita, siang-
malam, baik-buruk, dan sebagainya yang dilakukan dengan
pengembalian, akan memperlihatkan bahwa syarat percobaan
6
Bernoulli akan dipenuhi. Jika pengambilan sample dilakukan tanpa
pengembalian maka syarat percobaan Bernoulli tidak dipenuhi.
Namun jika populasinya cukup besar dengan sampel < 10% maka
penympngannya dapat diabaikan sehingga syarat percobaan
Bernoulli dapat dipenuhi pula. Jika percobaan Bernoulli dilakukan satu
kali saja, dan misalkan X menyatakan banyaknya sukses maka
hasilnya akan menjadi:
X 0 1
P(X = 1 – p = q p
x)
Dari hasil tersebut diperoleh f(x) = P(X =x) = px(1 – p)1 – x = px q1 – x.
Distribusi Bernoulli ini ditulis dengan X : B(1 ; p), yang berarti pada
distribusi ini dilakukan percobaan hanya satu kali, dengan peluang
sukses p dan peluang gagal (1 – p) = q. Distribusi Bernoulli ini
biasanya disebut sebagai distribusi binomial titik.
Kemudian dengan teknik f.p.m dapat ditentukan rerata dan
varians distribusi ini sebagai berikut:
7
Mx (t) = E[etx] =
Jadi : Mx(t) = 1 – p) + pet
6.1.1. Rangkuman
Percobaan Bernoulli mempunyai sifat-sifat sebagai berikut:
1.Percobaan diulangi dengan persyaratan yang sama sebanyak n kali
(n bisa berhingga, dapat juga tak berhingga).
2.Percobaan-percobaan saling bebas.
3.Setiap percobaan menghasilkan hanya dua peristiwa yang disebut
sukses (S) dan gagal (G).
4.P(sukses) = p, dan P(G) = (1 – p) = q tetap besarnya dari setiap
percobaan.
Pada distribusi Bernoulli berlaku : μx = p, dan
8
Jika pengambilan sampel yang bersifat diktonomi yang
menghasilkan dua kemungkinan saja dilakukan dengan pengambilan,
maka syarat percobaan bernoulli akan dipenuhi. Jika pengambilan
sampel dilakukan tanpa pengembalian mka syarat perecobaan
bernoulli tidak dipenuhi. Dan pencuplikan sampel dilakukan dari
populasinya cukup besar (sampel < 10%) maka penyimpangannya
dapat diabaikan sehingga syarat percobaan bernoulli dapat dipenuhi.
6.1.2.Latihan 14.
9
2.jika peluang kelahiran seorang bayi perempuan adalah 0,48, maka
peluang keluarga X dengan empat anak akan memiliki anak
perempuan adalah…
a.0,25 b.0,27 c.0,30 d.0,50
3.Jika kita mengacu pada soal nomor 2, maka peluang keluarga itu
memiliki paling sedikit satu anak perempuan adalah…
a.0,925 b.0,927 c.0,930 d.0,950
4.Jika kita amengacu pada soal nomor 2, mka peluang keluarga itu
memiliki paling banyak satu anak laki-lki adalah…
a.0,283 b.0,285 c.0,293 d.0,295
10
6.Jika kita mengacu pada soal nomor 5 mka peluang bahwa 5 kali
pemanahan itu hanya satu kali mengenai sasaran adalah sebesar…
a.0,140 b.0,014 c.0,104 d.0,410
7.Jika kita mengacu pada soal nomor 5 maka peluang bahwa 5 kali
pemanahan itu paling sedikit mengenai dua kali sasaran adalah
sebesar…
a.o,622 b.0,226 c.0,262 d.0,662
11
6.1.2.2. Tes Uraian
12
Jawab: a. b. c.
13
Distribusi Binomial.
1.Pengantar
Isi yang terkandung dalam modul ini memuat pengertian umum
dan khusus mengenai apa yang dimaksud dengan distribusi binomial,
kaitan percobaan Bernoulli dengan distribusi Binomial, dan hubungan
distribusi ini dengan rumus Binomum Newton, atau segitiga Pascal
yang secara khusus akan dibahas. Pembahasan juga ditujukan pada
bentuk-bentuk distribusi yang saling memiliki kaitan antara satu
distribusi dengan distribusi lainnya. Secara khusus modul ini
membicarakan f.d.p distribusi Binomial, penggunaan fungsi
pembangkit momen untuk menentukan mean dan varians dari
distribusi Binomial.
14
fungsi pembangkit momen untuk menentukan mean dan varians dari
distribusi Binomial.
15
3.Menetapkan f.d dari distribusi Binomial
4.Menggunakan fungsi pembangkti moment dan fungsi densitas
peluang untuk menentukan mean, dan varians fungsi distribusi
Binomial.
16
x 0 1 k n
F(x)
17
Fungsi Pembangkit Momen Distribusi Binomial
Bentuk f. p.m distribusi binomial sebagai berikut :
M(t) =
=
M (t) =
Jika mean dinyatakan dengan dan varians dengan
dapat dihitung dari M(t) yaitu :
M’(t) = n [(1-p) + petl]n-1.(pet), dan
M’’ = n[(1-p) + pe1]n-1 (pe1) n(n-1) [1-p) +pe1]n-2(pe1)2
Kemudian :
18
jadi pada distribusi binomial berlaku :
atau f(x) =
b.
c.
contoh 4. Jika diketahui Y adalah B dan
hitung harga n terkecil sehingga P
jawab :
P
Jadi : k =
Selanjutnya (*) menjadi
Contoh 5.
Buktikan bahwa :
Jawab :
Bukti :
21
=
Misalkan k = y – 1, dan untuk y = 1 maka k = 0, dan untuk y = n
maka k = n – 1, sehingga (*) :
22
E(X2) =
=
=
Jadi :
Cara lain :
, ingat bahwa
23
Jawaban (b).
Dimana : 1(X1)
Jawaban c
=
=
6.1. Rangkuman
24
Bentuk variabel random X yang memiliki f.d.p
F(x) =
= 0, untuk x lainnya.
Disebut memiliki distribusi binomial, ditulis dengan X : B(n.p).
Bentuk f.p.m distribusi binomial adalah : M(t) = [(1-p) + pet]n,
kemudian mean dan varians dinyatakan dengan rumus :
6.1.2. latihan 15
61.2.1. Tes Objektif
1.Bentuk f(x) =
F(x) = dan nol untuk x lainnya merupakan f.d.p yang
berasal dari distribusi
a. Bernouli b. Geometri c. Binomial d. Pascal
2.Rumus M(t) = [q+pet]n merupakan f.p.n yang berasal dari distribusi :
a. Geometri b. Pascal c. Trinomial d. Binomial
3.Fungsi densitas peluang f(x) = dikenal sebagai f.d.p dari
distribusi :
a. Binomial b. Bernouli c. Geometri d. Pascal
4.M’’(0)-(M’(0) adalah rumus untuk mencari :
a. Mean b. varians c. simpangan baku d. semua salah
25
5.Varians dari distribusi Bernouli dirumuskan dengan …..
a. pq b. npq c. np d. npq2
6.Jika M(t) = , maka mean dari distribusi adalah :
a. b. c. d.
7.Jika F(x) = , maka distribusi bersangkutan ditulis dengan :
a. b. c. d.
8.Rumus = pq merupakan varians dari distribusi :
a. Binomial b. Bernouli c. Geometri d. pascal
9.Jika f.d.p distribusi binomial f(x) = maka mean dan
varians dari distribusi ini masing-masing sebesar .
a. 2,4 dan 2,16 b. 2,5 dan 2,20 c. 2,6 dan 2,50 d. 2,7 dan 3,0
10. Jika kita mengacu kepada soa nomor 9, maka P(X≤4) dan P(X>5)
maisng-masing :
a. 0,20 dan 0,16 b. 0,75 dan 2,20 c. 0,94 dan 0,058 d. 0,92
dan 0,07
6.1.2.1. Tes Uraian
26
1.Jika f.p.m. dari v.r. X adalah M(t) = hitunglah P(X=2 atau 3).
Jawab :
2.Misalkan Y menyatakan jumlah sukses dalam n kali percobaan
secara bebas, dan memiliki peluang sukses p = . Hitunglah : a.
P(2≤y), jika n = 3. b. P(3≤y) jika n = 5
Jawab : a. b.
3. Jika Y menyatakan jumlah sukses dalam n kali percobaan random
yang memiliki peluang sukses p = ¼ . Tentukan nilai minimum n
sehingga P(1 .
Jawab: n = 5:
4. Misalkan X: b(2,p), dan Y: b(4,p). Jika P( , hitung P( .
Jawab:
5. Jika diketahui X: b(n,p), hitunglah :
a. , dan b.
Jawab: a. = p, b.
27
6. Keterangan Perkuliahan 17
Pengkajian materi dan Contoh.
Pandanglah barisan yan konvergen ke em untuk
semua harga m. Ambilah fungsi f(x) yang didefenisiskan dengan :
F(x)= untuk x = 0, 1, . . .
= 0, untuk x = lainnya
dimana m>0. karena m>0 maka f(x)0 dan ,
sehingga f(x) memenuhi syarat untuk suatu f.d.p. suatu v.r X yang
memiliki f.d.p dengan bentuk f(x) disebuat diatas disebut
suatu :”Distribusi Posision” dan siap f(x) disebut suatu f.d.p Posision.
Jika dalam percoban Bernouli,n cukup besar, maka f.d.p. f(x)
menjadi panjang, sementara dengan pendek distribusi Binominal
keadaan menjadi sederhana. Sebaiknya jika n besar, maka dengan
mengetahui dari f.d.p. gabungan,akan memberikian pendekatan f.d.p
untuk Binominal bila p sangat kecil dan yang lain bila demikian tidak
masalah. Pendekatan dengan penerapan percobaan bernouli dengan
mengambil dikenal sebagia f.d.p. Poisson dan didefenisikan
dengan :
28
F(x) =
Bukti :
Dengan distribusi binomial, bila n sangat kecil atau bila
f(x) =
Ingat :
(1-p)n =
29
jadi,
jadi
bila P 0, dan n ∞ bila µ = np adalah tatap. Jadi :
adi
=
jadi distribusi Piosson adalah :
fungsi pembangkit momen dari distribusi Poission dapat diturunkan
dengan cara beirkut :
30
M1(t) = , sehingga :
hitunglah P (1 X).
Jawab :
Contoh 2. Jika f.p.m dari v.r.X adalah , dan µ = 4, hitunglah
P (X = 3)
Jawab. µ = = 4, maka = 2, sehingga :
Jadi : P (X = 3) = f (3) = f(x) = = 0,195
Contoh 3. Misalkan peluang cacat dari 1 kaki kawat kira-kira dan
peluang dua atau lebih cacar dair kawar sepanjang itu mendekati nol.
Andaikan v.r.X menyatakan angka cacat untuk sepanjang 3000 kaki
kawat, dan jika diasumsikan masing-masing bilangan kecacatan itu
31
bebas stokastik dalam interval terpisah-pisah, kemudian postulat
pendekatan Poisson dengan dam kawat w = 3000, maka X
memiliki pendekatan distribusi Poisson dengan mean sebesar
=3. Misalkan peluang kecacatan 5 dari 3000 kaki kawat,
maka P (X=5) = . Hal ini akan sesuai jika dilihat pada Tabel P
(X=5) = P (X 5) = P (X 5) - P (X 4) = 0,01
6.1.1. Rangkuman.
Pendekatan dengan penerapan percobaan Bernouli dengan
mengambil dan dikenal sebagai f.d.p Poisson dan
didefinisikan dengan :
. Pada distribusi Poisson berlaku mean = varians = µ > 0
6.1.2. Latihan 17
6.1.2.1. Tes Objektif.
1. Jika diketahui peluang untuk cacat pengambilan bola lampu pijar
dair sebuah kotak berisi 200 bola lampu adalah 2%, maka besar
mean distribusi ini adalah :
a.1
b.2
32
c. 3
d.4
2. Jika kita mengacu pada soal nomor 1 maka (X 5) = …., dimana
X menyatakan besar peluang terambilnya bola lampu pijar tersebut.
a.0,785
b.0,875
c. 0,578
d.0,758
3. Misalkan sebuah printer canggih dalam mencetak kertas akan
membuat galat (kesalahan) secara random rata-rata 2 kesalahan
pada setiap halaman yang dicetak. Maka model pendekatan
Poisson yang sesuai untuk hal ini adalah f(x)=….
33
a.
b.
c.
d.
34
a.Jika kita mengacu pada soal nomor 3, maka besar peluang dari
satu halaman yang dicetak tidak mempunyai kesalahan adalah
….e-4
b.e-3
c. e-2
d.e-1
3.Jika Y menyatakan jumlah sukses dalam n kali percobaan random
yang memiliki peluang sukses p= .Tentukanlah nilai minimum n
sehingga P(1 y) 0,7
Jawab: n=5
4.Misalkan X:b(2,p), dan Y(4,p).Jika P(X 1)= ,hitunglah P(Y
1).Jawab:
5.Jika diketahui X:b(n,p),hitunglah : a.E ,dan b.E
Jawab:a. E =p , dan b.E =
36
3.Prasyarat: Telah mengikuti perkuliahan Statistika Dasar, dan
Kalkulus II
4.Tujuan Intruksional Umum:
Dengan mempelajari modul ini diharapkan mahasiswa dapat
memahami tentang konsep-konsep Binominal Negatip,distribusi
Geometri,f.d.p distribusi Binominal Negatip,f.d.p distibusi Binominal
Geometri, dan penggunaan fungsi pembangkit momen untuk
menentukan mean dan varians dari distribusi Binominal Negatip, dan
distribusi Geometri.
Tujuan Intruksional Khusus.
Setelah mempelajari modul ini mahasiswa diharapkan dapat:
1.menjelaskan dengan baik maksud distribusi Binominal Negatip
2.menjelaskan hubunagan distribusi Binominal Negatip dgn
distribusi Geometri.
3.menetapkan f.d.p dari distribusi Binominal negatip dan f.d.p
distribusi geometri.
4.mengunakan fungsi pembngkit momen dan fungsi densitas
peluang untuk menentukan mean dan varians fungsi distribusi
Binominal Negatip dan distribusi geometri
6.1.1.Kegiatan Perkuliahan 16.
37
6.1.1.Pengkajian Materi dan Contoh
38
Rumus umumnya didapat dengan mengkalikan dengan
dan dengan peluang sukses terakhir p, sehingga menjadi .p.
untuk x = k, k + 1, k +2…,sehingga B(x,k,p)= ,x=k,k+1,k+2,
….
Cara lain:
Misalkan percobaan random dilakukan secara berurutan dan bebas
stokastik, dengan peluang sukses besar p,dan gagal sebesar q = ( 1 – p
).Andaikan v.rX menyatakn jumlah total kegagalan sebelum sukses ke
r sehingga ( X + r ) menyatakan jumlah percobaan untuk menghasilakn
sukses r kali sukses.Dalam hal ini r adalah bilangan bulat positip.Untuk
menentukan f.d.p dari v.rX merupakn unsur dari {x ; x=0,1,2,
…}.Selanjutnya P(X=x) =f(x) adalh hasil perkalian peluang sebesar p
untuk suatu sukses pada percobaan dengan peluang sebesar
yang diperoleh dari (r-1)kali sukses dalam (x+r-1) kli percobaan dengan
peluang kesuksesan sebesar p untuk suatu sukses pada percobaan ke
(x+r),sehingga f.d.p dari v.rX adalah :
f(x) = p. = , x=0,1,2,…., dan nolnya untuk lainnya.
39
Distribusi dengan f.d.p seperti ini dinamakan distribusi binominal
negatip,dengan setiap f(x) bentuk seperti itu dinamakan f.d.p binominal
negatip.Dengan menerapkan binomium(segitiga
Pascal),bentuk f.d.p diatas ndapat dijabarkan menjadi bentuk umum
sehingga menjadi
sehingga dengan bantuan f.p.m maka mean dan varians
dari distribusi Pascal ini dapat dicari sebagai berikut;
Sehingga
Kemudian ;
40
=
41
Kemudian
Jadi ;
percobaan
43
G G G G …………………S (sukses pertama)
deret geometri
44
S =
Jadi f(x) suatu f.d.p
45
b.f(20) = 0,002(0,998)19 = 0,0019
c. P(X3) = P(X =1) + P(X = 2) + P(X = 3)
= f(1) +f(2) + f(3) = 0,002(0,998)1 + 0,002(0,998)2 +
0,002(0,998)3
= 0,00598
6.1.1. Rangkuman
2. Jika kita mengacu pada soal nomor 1, maka mean distribusi ini adalah
:
a. 10 b. 20 c.30 d. 40
3. Jika kita mengacu pada soal nomor 1, maka varians distribusi ini
adalah :
a. 10 b. 20 c.30 d. 40
49
5.Jika kita mengacu pada asoal nomor 3, maka peluang dari 10 halaman
yang dicetak paling sedikit 7 halaman yang tidak mempunyai
kesalahan adalah …
a. 0,00004 b. 0,00005 c. 0,00006 d. 0,00007
6.Cacat yang ditemukan sepanjang 4000 kaki kabel rata – rata 6 kaki.
Jika diasumsikan peluang kecacatan itu dengan x dalam t kaki kabel
yang diteliti, maka model yang sesuai dengan masalah ini adalah f(x) =
...
a. b.
c. d.
50
2.Misalkan diketahui f.d.p dari sebuah v.r bernilai positip jika dan hanya
jika berlaku untuk bilangan bulat positip. Jika diberikan f (x) =
Tentukan f(x). Jawab f (x) =
51
52
Distribusi Gamma
1. Pengantar
Modul ini memuat kajian khusus tentang apa yang dimaksud dengan
fungsi Gamma, dan penerapan distribusi Gamma pada distribusi lain.
2.Deskripsi : Kajian dalam modus ini mencakup materi bahasan fungsi
gamma yang diturunkan melalui kalkulus, penetapan bentuk distribusi
Gamma, penentuan f.d.p untuk distribusi Gamma, menggunakan f.p.m
untuk menentukan mean dan varians dari distribusi Gamma, dan
penerapan distribusi Gamma pada distribusi lain.
3.Prasyarat : Telah mengikuti perkuliahan Statistika Dasar, dan Kalkulus
II.
4.Tujuan Instruksional Umum :
Dengan mempulajari modul ini diharapkan mahasiswa dapat
memahami konsep tentang fungsi Gamma, distribusi Gamma, f.d.p
53
distribusi Gamma, mean dan varians dari distribusi Gamma, dan
penerapan distribusi Gamma pada distribusi lain.
5.Tujuan Instruksional Khusus.
Setelah mempelajari modul ini, mahasiswa diharapkan dapat :
1.menuliskan rumus fungsi Gamma
2.menentukan fungsi distribusi Gamma dengan baik
3.menentukan fungsi densitas dari distribusi Gamma
4.menggunakan f.p.m menentukan mean, dan varians fungsi distribusi
Gamma.
5.menetapkan distribusi Gamma pada sistribusi lain.
= 0+
= , dn jika diintegralkan lagi akan menghasilkan :
, sehingga:
Jadi:
55
karena ,maka f.d.p untuk distribusi Gamma adalah :
=0
Sebuah v.r X yang dimiliki f.d.p berbentuk seperti ini dinamakan
distribusi Gamma dengan paramater – paramater dan , sedangakan
f(x) disebut f.d.p Gamma.
Selanjutnya f.p.m dari distribusi Gamma dapat diturunkan sebagai
berikut :
= .................................................(*)
Misalkan y =
Atau dx =2 sehingga (*) beruah menjadi :
=
Jadi :
56
Selanjutnya dengan menggunakan f.p.m ditentukan mean dan varians
sebagai berikut :
M’ (t)=-
M’’ (t)=-
Jadi :
Jadi, untuk distribusi Gamma berlaku ketentuan :
6.1.1. Rangkuman.
Fungsi Gamma didefenisikan sebagai :
dan fungsi densitas peluang untuk distribusi Gamma adalah:
57
6.1.2 Latihan 18
6.1.2.1. Tes Objektif
1. Jika diketahui v.r X berdistribusi Gamma dengan α = 2 dan β = 1,
maka nilai peluang P(1,8 <X<2,4)=….
a. 2,8 e-1,8 – 3,4 e-2,4 b. 8,2 e-1,8 – 4,3 e-2,4
c. 2,4 e-2,4 – 1,8 e-1,8 d. 8,2 e-1,8 – 3,4 e-2,4
2. Jika fungsi Gamma adalah :
a. b. c. d.
3. Jika di Jakarta pemakaian air sehari (dalam jutaan liter) berdistribusi
Gamma dengan α = 2 dan β = 3. andaikan kemampuan PAM di Jakarta
mampu menyediakan air 9 juta liter perhari, maka peluang pada satu
hari tertentu persediaan air tidak mencukupi adalah sebesar …..
a. 3e-4 b. e-3 c. 2e-8 d. 8e-2
4. Jika diketahui f.p.m dari distribusi Gamma adalah M(t) = (1-4t)-3, t
<1/4, maka mean dan varians masing-masing :
a. 12 dan 48 b. 21 dan 84 c. 48 dan 12 d. 12 dan 24
58
5. Jika M(t) (1 - 2t)-6, t < ½ merupakan f.p.m dari distribusi Gamma
maka mean dan varians distribusi ini masing-masing sebesar :
a. 21 dan 48 b. 42 dan 12 c. 24 dan 12 d. 12 dan 24
6. F.d.p adalah salah satu bentuk f.d.p dari distribusi
Gamma dengan :
a. α = 4, β = 3 b. α = 3, β = 4 c. α = 3, β = 2 d. α = 4, β = 2
7. Jika M(t) = (1-2t)-4 untuk t < ½. Maka nilai dari μ dan σ2 adalah :
a. 4 dan 4 b. 8 dan 16 c. 8 dan 8 d. 4 dan 16
6.1.2.2. Tes Uraian.
1. Jika (1-2t)-6, t < ½ adalah fpm dari variable random X tentukan
P(X<5,23).
Jawab : 0,05
2. Jika variable random X memiliki distribusi gamma dengan α = 3 dan β
= 4, tentukan P(3,28 < X < 25,2). Petunjuk : peluang kejadian yang
mirip 1,64 < Y < 12,6 dimana Jawab : 0,90
3. Andaikan X memiliki distribusi gamma dengan f.d.p.
,0<x<
=0 , x lainnya
59
Jika x = 2 merupakan modus dari distribusi itu, tentukanlah nilai β, dan
P(X < 9,49).
Jawab : 2 dari 0,95
4. Jika X berdistribusi Poisson dengan parameter m dan misalkan m
merupakan nilai eksperimen dari v.r yang memiliki distribusi Gamma
dengan α = 2 dan β = 1, maka tentukanlah nilai P(X = 0,12).
Jawab :
5. Tentukanlah masing-masing mean dan varians dari soal : a. nomor 2
dan b. soal nomor 4 diatas ?
Jawab : a. 12 dan 48 b. 2 dan 2
60
Distribusi Beta
1. Pengantar
Modul ini memuat kajian khusus tentang apa yang dimaksud dengan
fungsi Beta, bagaimana menurunkan rumus beta, apa hubungan antara
fungsi Gamma dengan fungsi Beta, bagaimana menentukan f.d.p
distribusi Beta, bagaimana menentukan Mean dari Varians dari distribusi
Beta, dan penerapan distribusi Beta pada statistika.
2. Deskripsi : kajian dalam mosul ini mencakup materi bahasan fungsi
Beta, bagaimana menurunkan rumus beta dan syarat apa saja yang
harus dipenuhi, apa hubungan antara fungsi Gamma dengan fungsi
beta, bagaimana menentukan f.d.p distribusi Beta, bagaimana f.p.m
digunakan untuk menentukan mean dan varians dari distribusi Beta, dan
bagaimana f.p.m digunakan untuk menentukan mean dan varians dari
distribusi Beta, dan bagaimana penerapan distribusi Beta pada statistika.
61
3. Prasyarat : Telah mengikuti perkuliahan Statistika Dasar, dan
Kalkulus II.
4. Tujuan Intruksional Umum :
Dengan mempelajari mosul ini daiharapkan mahasiswa dapat
memahami konsep rentang Beta, rumus Beta, f.d.p distribusi Beta, mean
dan varians distribusi Beta.
5. Tujuan Intruksional Khusus
Setelah mempelajari modul ini, mahasiswa diharapkan dapat :
1.menuliskan rumus fungsi Beta.
2.menentukan fungsi distribusi Beta dengan baik.
3.menetapkan fungsi densitas dari distribusi Beta.
4.menggunakan f.p.m menentukan mean, dan varians fungsi distribusi
Beta.
5.menerapkan distribusi Beta pada distribusi lain.
6. Kegiatan Perkuliahan 19.
6.1 Pengkajian Materi dan Contoh.
Distribusi Beta didefenisikan sebagai berikut :
62
Selanjutnya untuk menghitung varians, dilakukan cara berikut :
63
=
6.1.1. Rangkuman
Distribusi Beta didefenisikan sebagai berikut :
a..1.2 Latihan 19
6.1.2.1.
65
Tes Objektif
1.Fungsi densitas yang sesuai untuk distribusi beta adalah :
a.f (x) = dan nol untuk x lainnya.
b.f (x) = dan nol untuk x lainnya.
c. f (x) = dan nol untuk x lainnya.
d.f (x) = dan nol untuk x lainnya.
2.Jika parameter-parameter fungsi beta adalah dan maka
mean distribusi ini adalah:
a. b. c. d.
3.Dari soal 2 diperoleh varians
a. b. c. d.
66
5.Jika mengacu pada soal no 4 maka varians
a. b. c. d.
67
68
Distribusi Eksponensial
1.Pengantar
Modul ini memuat kajian khusus tentang apa yang dimaksud dengan
distribusi Eksponensial, apa hubungan antara distribusi Gamma
dengan distribusi eksponensial, bagaimana menentukan f.d.p distribusi
eksponensial, bagaimana menentukan mean dan varians dari
distribusi eksponensial, dan penerapan distribusi eksponensial pada
statistika.
2.Deskripsi : Kajian dalam modul ini mencakup materi bahasan
distribusi Eksponensial, hubungan antara distribusi Gamma dan
distribusi eksponensial, f.d.p distribusi eksponensial, mean dan
varians dari distribusi eksponensial, dan penerapan distribusi
eksponensial pada statistika.
3.Persyarat : Telah mengikuti perkuliahan Statistika dasar, dan
Kalkulus II.
4.Tujuan Instruksional Umum:
69
Dengan mempelajari modul ini diharapkan mahasiswa dapat
memahami konsep tentang distribusi eksponensial, hubungan antara
distribusi Gamma dengan distribusi eksponensial f..d.p distribusi
eksponensial, mean dan varians dari distribusi eksponensial, dan
penerapan distribusi eksponensial pada statistika.
5.Tujuan Instruksional Khusus
Setelah mempelajari modul ini, mahasiswa diharapkan dapat:
1.menentukan bentuk distribusi eksponensial
2.menentukan hubungan distribusi Gamma dengan distribusi
eksponensial
3.menetapkan fungsi densitas peluang distribusi eksponensial
4.menggunakan f.p.m menentukan mean, dan varians fungsi
distribusi eksponensial
5.menerapkan distribusi eksponensial pada distribusi lain
70
6.Kegiatan Perkuliahan 20.
Pengkajian Materi dan Contoh.
71
Contoh 13: Seorang insinyur menyatakan bahwa lama hidup
sebuah bola lampu pijar yang dihasilkan oleh sebuah perusahaan
memiliki distribusi eksponensial sebagai berikut:
f(x) = e-x / 1000, bila x 0
=0 , bila x < 0
Contoh 14:
72
Fungsi densitas peluang usia pakai sebuah komponen peralatan :
f(t) = ke-kt. 0<x>.
Sebuah peralatan yang mengandung tiga komponen itu, satu
diantaranya akan gagal yang diasumsikan kegagalan ini bebas dari
kegagalan yang lain. Tentukan pelukang bahwa:
a.Tidak satupun yang gagal pada t0 jam
b.Pasti satu gagal pada t0jam pertama, yang lain pada t0jam
kedua, dan setelah lebih dari 2t0jam ketiga
Jawab: pertama sekali misalkan kita ingin menemukan distribusi
komulatif dari t yaitu:
F(t) = P(T t) =
Catatlah bahwa
a.Jika tak satupun memiliki kegagalan pada T=t0, ketiganya
harus memiliki usia pakai yang lebih besar dari to. selama usia
pakai berlaku bebas, maka peluang yang dihasilkan adalah :
b.
73
selanjutnya jika kita mengalikan ketiga hasil diatas akan
diperoleh peluang bahwa satu akan gagal dalam t0 pertama,
yang lain dalam t0 berikutnya, dan setelah 2t0, akan tetapi dalam
urutan khusus itu. Kita juga harus mencatat kenyataan bahwa
komponen mungkin mati dalam 3.2.1 = 6 cara. Dengan demikian
peluang yang dicari adalah:
contoh 15.
Jika v.r.X memiliki distribusi eksponensial .
Tunjukkanlah bahwa untuk a,b bilangan bulat positif, maka
Jawab:
Pertama kita cari dahulu
Dengan menggunakan rumus di atas kita peroleh peluang dari:
74
akan tetapi jika , untuk b>0, maka , sehingga (*) menjadi:
6.1.1 rangkuman
bentuk umum distribusi eksponensial diperoleh jika pada
distribusi gamma diambil α=1, β= maka diperoleh, sehingga
fungsi dentitas peluang menjadi:
= 0 , lainnya
variabel random X seperti ini dikatakan mempunyai distribusi
eksponensial dengan parameter λ. Bentuk f.p.m, mean, dan
varians masing-masing menjadi:
75
b. α= , β=1
c. α=λ, β= d.
α= , β=λ
a. b.
b. d.
3. Mean dan variasi yang bersesuain untuk distribusi
eksponensial adlah M(t):
a. dan
b. r dan 2r
c. dan
d. r2 dan ½ r
4. F.p.m yang sesuai untuk distribusi eksponensial adlah :
a.
b.
c.
76
d.
5. Jika diketahui f.d.p distribusi eksponensial adalah
,
maka mean distribusi ini adalah:
a. 0.1
b. 0,2
c. 0.3
d. 0,4
6. Variasi dari soal nomor 5 adalah sebesar:
a. 0,01
b. b. 0,02
c. c. 0,03
d. d. 0,04
77
2.Jika f.d.p distribusi eksponensial adalah
tentukanlah mean dan variasi distribusi tersebut. Jawab : ,dan
3.Jika f.d.p distribusi eksponensial adalah
, tentukanlah P(X<1) . Jawab : 0,39
1.Pengantar
80
Dikatakan memiliki distribusi khi kuadrat dengan derajat kebebasan
sebesar r. Kemudian fpm dari distribusi ini akan menjadi :
untuk t <
dan
Nilai –nilai peluang ini selengkapnya anda temukan pada Tabel Chi
Kuadrat dengan berbagai harga r dan x yang dipilih.
Contoh 3. Andaikan X berdistribusi maka r = 10, dan dari Tabel
akan diperoleh :
P(3,25 X 20,5) = P(X 20,5) - P(X 3,25) = 0,975 – 0,025 = 0,95,
dan justru karena itu dari Tabel di peroleh a = 18,3
Contoh 4. Andaikan v.r.X memilki distribusi Gamma dengan , di
mana r bilanga bulat positif, dan >0. Didefenisi pula v.r
, atau .
Kemudian bagai mana caranya kita mencari fdp dari Y.
Jawab : jika G (y) diandaikan distribusi dari v.r.Y, maka :
G(y) = P =P . jika y maka : G(y) = 0, sedang jika y >0
maka :
82
G(y) = , dan sejalan dengan itu, maka, fdp dari Y :
83
6.1.2.1. Tes Objektif.
1.F.p.m untuk distribusi khi kuadrat adlah M(t)=…
a. b. c. d.
2.Jika diketahui dan = 10 berasal dari distribusi khi kuadrat
tentukan besarnya nilai ,dan masing-masing adlah:
a. 2,5 dan 2 b. 5 dan 10 c. 10 dan 5 d. 2 dan 5
3.Distribusi Khi Kuadrat adlah bentuk khusus dari distribusi Gamma
yakni dengan mengganti parameter-parameter dan masing-
masing dengan:
a. 1 dan b. r dan 2 c. , dan d. dan 2r
4.Jika f.p.m M(t) = (1-2t)-10, untuk t < ,maka bentuk ini berasal dari
distribusi:
a. B(10,4) b. r(4) c. d. N(2,5)
5.Dari soal no.4,besar mean distribusi ini adalah:
a. 10 b. 20 c. 30 d. 40
6.Dari soal no.4, besar variasi distribusi adalah:
a. 10 b. 20 c. 30 d. 40
6.1.1.2 Tes uraian
84
1.Jika diketahui f.p.m distribusi Khi Kuadrat adalah M(t) = (1-2t) -6,
tentukanlah mean dan varians distribusi tersebut. Jawab : 12, dan
24
2.Jika diketahui dan bersal dari distribusi khi kuadrat maka
besarnya nilai ,dan masing-masing. Jawab: 4, dan 2
3.Jika X berdistribusi Khi Kuadrat tentukan konstanta c dan d
sehingga :. P(c < X < d) = 0,95,
dan P(X < c) = 0,025. Jawab : 0,381 dan 12,8
85
Distribusi Normal
1.Pengantar fungsi
Modul ini memuat kajian tentang apa yang dimaksud dengan Distribusi
Normal, fungsi densitas dari distribusi Normal, fungsi densitas dari
distribusi Normal Baku, mean dan varians dari distribusi Normal, dan
penerapan Distribusi Normal pada distribusi lain, distribusi Normal
Bivariat, mean linier bersyarat dari distribusi normal bivariate, serta f.p.m
dari distribusi normal bivariate.
2. Deskripsi:
Kajian dalam modul ini mencakup materi bahasan Distribusi Normal,
bentuk umum fungsi densitas dari distribusi Normal, bentuk khusus
fungsi densitas dari distribusi Normal baku, bentuk umum mean dan
varians dari distribusi Normal baku, dan penerapan distribusi Normal
pada distribusi lain, distribusi, distribusi Normal Bivariat, mean dan
varians dari distribusi normal bivariat, mean linier bersyarat dari distribusi
normal bivariate, serta f.p.m dari distribusi normal bivariate.
3, Prasyarat :
86
Telah mengikuti perkuliahan Statistika Dasar dan Kalkulus II, dan
bentuk – bentuk distribusi khusus.
4. Tujuan Instruksional Umum
Dengan mempelajari modul ini diharapkan mahasiswa dapat
memahami konsep tentang Distribusi Normal, bentuk umum fungsi
densitas dari distribusi Normal, bentuk khusus fungsi densitas dari
distribusi Normal baku, distribusi Normal Bivariat, mean, dan varians dari
distribusi normal bivariat, mean linier bersyarat dar distribusi normal
bivariate, serta f.p.m dar distribusi normal bivariate
5. Tujuan Instruksional Khusus
Setelah mempelajari modul ini, mahasiswa diharapkan dapat :
1.Menuliskan bentuk umum fungsi densitas dari distribusi Normal
2.Menentukan bentuk khusus fungsi densitas dari distribusi Normal Baku
3.Menentukan bentuk umum mean dan varians dari distribusi Normal
4.Menentukan bentuk khusus mean dan varians dari distribusi Normal
baku
5.Menentukan bentuk umum f.p.m dari distribusi normal
6.Menentukan bentuk khusus f.p.m dari distribusi normal baku
7.Menerapkan distribusi normal pada distribusi lain
87
8.Menuliskan bentuk umum – bentuk umum f.d.p dari distribusi Normal
Bivariat
9.Menentukan mean dari distribusi Normal Bivariat
10. Menentukan varians distribusi naormal bivariat
11. Menentukan mean bersyarat dari distribusi normal bivariat
12. Menentukan varians bersyarat dari distribusi normal bivariat
13. Menentukan bentuk f.p.m dari distribusi normal bivariat
14. Menerapkan distribusi normal bivariat pada distribusi lain
88
Dari pelajaran kalkulus telah dibuktikan bahwa:
sehingga
………………..(1)
Misalkan ,
sehingga (1) menjadi :
89
,
M(t) = =
90
=
91
Kemudian untuk menentukan mean dan variasi dilakukan dengan cara
berikut :
Jadi mean dan varians, serta fpm dari distribusi normal adalah :
Ditulis dengan : .
92
disebut dengan ,dan ditulis dengan N(0,1).
Kemudian bentuk khusus f.p.m dari distribusi normal baku menjadi
Contoh.
Jika vr. X berdistribusi N (7,9), berarti dan atau . Tentukanlah
f.d.p normal, dan p.f.m normalnya.
Jawab : untuk N(7,9), maka
Misalkan :
93
Sehingga ( ) menjadi :
94
Penggunaan Tabel untuk Fungsi Kurva Normal .
Misalkan X berdistribusi N ( ) ,dan dengan ,maka :
,sehingga
95
Dapat pula dibuktikan bahwa N(-x) = 1-N(x) sebagai berikut :
96
Contoh :
Jika X berdistribusi N (7,16),hitung P(0<X<14), dan P(-5<X<16)
Jawab :
=2(0,96)-1 = 0,92
=N(2,25)-[1-N(3)]=0,987-(1-0,999)=0,987
Contoh :
Jika diketahui bahwa 15% peluang suatu distribusi (N( )) di bawah 70,
dan 10% di atas 90. Tentukan nilai
Jawab : Misalkan X adalah v.r berdistribusi N( ),sedemikian rupa
sehingga :
97
P(X )= 0,15, dan P(X>90) = 0,10 , atau P(X ) = 0,90 .
Maka :
Atau :
sehingga diperoleh
98
Misalkan :
atau ,maka 2tdt = ds, dan dt ,dan selanjutnya
untuk t = 0, maka s = 0 , dan untuk ,maka s = y.
= 0, untuk y lainnya.
Dalam hal ini jika g(y) suatu f, d, p dari v, r Y maka haruslah dipenuhi
99
dan haruslah g(y) = , yang berarti ini
100
elanjutnya fd dari kurva normal N(x)= P(X≤ x)=
Hasil seluruhnya dapat dilihat pada tabel kurva normal.
Teorema : Jika X : N ( Z=
Bukti:
= E
=
=
=Z : N(0,1)
=P
101
=P
Z : N(0,1) (1)
N(x) =
Teorema : Jika X : N ( , maka
V=
G(V)=P(V r)=P(Z v)
=P(- )
=2P(
=2
f,d,p dari V adalah :
102
g (v) =
g (v ) =
= 0 , x lainnya
Apakah f (x, y) suatu f.d.p gabungan dari X dan Y? Apa arti parameter a,
b, , r itu?
Definisikan : f1(x) =
103
Misalkan : q =
1
1 q
Maka : f (x, y) = e 2
……….. (*). Kemudian q dihitung
2
2s1s 2 1 r
sebagai berikut :
(1 – r2)q =
= , atau :
q= , dan (*) berobah menjadi :
f ( x, y) =
f ( x, y) =
104
dy
dy = 1
1
f (x,y)satu fdp gabungan dari X dan Y
berikut :
105
Jadi N(-x) = 1- N(x)
106
Mean bersyarat X yang diberikan oleh Y = y ditulis dengan
107
3. Jika diketahui berat sebuah benda diasumsikan berdistribusi normal
dengan mean sebesar 51,7 kg ,dan simpangan baku sebesar 4,6 kg,
maka persentase berat barang itu antara 50 kg dan 60 kg adalah
sebesar ….
a.50,84% b. 60,84% c. 70,84% d. 80,84%
108
7. Jika diketahui v.r X : sedemikian rupa sehingga p(X<89) = 0,90
dan p(X<94)=0,95 ,maka nilai adalah
a.71,3 b.73,1 c. 37,1 d. 17,3
<16/x=5) = 0,954,
tentukanlah ρ.
Jawab : ρ =
8. Misalkan Y dan Y memiliki distribusi normal bivariate dengan
parameter-parameter
110
µ1 = 20,µ2 =40 ,σ12 = 9, σ22 = 4, dan ρ = 0,6. Tentukanlah interval terpendek
yang mana peluang bersyarat sebesar 0,90 bahwa Y berada dalam
interval itu bila diberikan X =22. ( jawab ; 38,2 ;43,4).
111
BAB 9
FUNGSI DISTRIBUSI VARIABEL RANDOM
TEORI SAMPLING
TRANSFORMASI VARIABEL
TIPE DISKRET
TIPE KONTINU
UNIMED
112
FUNGSI-FUNGSI DISTRIBUSI DARI
VARIABEL-VARIABEL RANDOM
1.Pengantar
Modul ini memuat pengertian umum dan khusus mengenai teori
sampling denan mengemukakan berbagai defenisi dan stetistik,
distribusi, mean, dan varians dari sampel random. Dalam modul ini
tekanan tertuju pada upaya menentukan fungsi distribusi dan fungsi
densitas peluang untuk satu atau lebih variable random. Teknik yag
digunakan sebagai alat yang digunakan sebagai alat pencarian fungsi-
fungsi distribusi tersebut, melibatkan teknik transformasi variable baik
tipe diskret maupun kontinu dengan memperkenalkan determinan
Jakobian, dan teknik perubahan variable. Dalam penerapannya juga
menurunkan distribusi “t” dan distribusi “F” dengan bantuan berbagai
teknik tersebut. Kemudian teknik perluasan perubahan variable
idkembangkan pada beberapa distribusi dari beberapa variable
random dengan berbagai transformasi aljabar. Selanjutnya dikaji juga
distribusi berdasarkan urutan statistik dan juga teknik pembangkit
momen untuk menentukan fungsi distribusi dan fungsi densitas
113
peluang. Terakhir pada modul ini dikaji tentang distribusi dari ,dan
114
4. Menentukan determinan Jacobian dari satu atau lebih sampel
random.
5. Menentukan teknik distribusi untuk menentukan f.d.p suatu
distribusi.
6. Menggunakan transformasi variabel tipe diskret untuk menentukan
f.d.p dari suatu distribusi.
7. Menggunakan transformasi variabel tipe kontinu untuk menentukan
f.d.p dari suatu distribusi.
8. Menerapkan transformasi variabel tipe kontinu untuk menentukan
f.d.p dari suatu distribusi t.
9. menerapkan transformasi variabel tipe kontinu untuk menentukan
f.d.p dari suatu distribusi F.
10. menggunakan teknik f.p.m untuk menentukan f.d.p dari suatu
distribusi.
5.Kegiatan Perkuliahan ke 23
5.1 Teori Sampling
Andaikan X1, X2, …,Xn menyatakan n variabel yang memiliki fdp
f(x1, x2,…, xn), dimana variabel-variabel ini mungkin atau tidak mungkin
bebas stokastik. Misalkan pula Y sebuah variabel random yang
115
didefenisikan sebagai fungsi X1, X2, …,Xn, katakanlah itu Y = µ(x1, x2,…,
xn) diberikan, maka dapat ditemukan fdp dari Y?
Dari kajian terdahulu kita telah menyelesaikan sebagian masalah-
masalah tersebut. Misalnya, jika n = 1 maka X1 adalah (µ,
σ2),kemudian Y = (X1 - µ)/σ akan berdistribusi N(0, 1). Selanjutnya, jika
n adalah bilangan bulat positif, dan v.r.Xi dengan i = 1, 2, …,nadalah
saling bebas skolastik dan maing-masing Xi akan memiliki fdp yang
sama yaitu :
f(x)=px(1 – p)1-x ,dimana x= 0 , 1
=0 ,untuk x lain
Kemudian jika Y = maka Y berdistribusi binomial B(n, p), sehingga
:
Y= = dan tidak lain fungsi dari X1 yang bergatung pada dua
parameter dari distribusi normal. Dengan demikian dapat ditulis
sebagai Y =µ (X1, X2, …,Xn) = yang tidak bergantung pada p
dimana p parameter dari fdp gabungan dari X1, X2, …,Xn.
Defenisi 1. Suatu fungsi dari satu atau lebih variabel-variabel yang
tidak bergantung pada setiap parameter yang tidak diketahui
disebut suatu statistik.
116
Sejalan dengan defenisi ini maka v.r.Y = adalah suatu statistik,
tetapi variabel Y = bukan suatu statistik sebab µ dan σbilangan-
bilangan yang tidak diketahui.
Defenisi 2. Misalkan X1, X2, …,Xn menyatakan n buah variabel bebas
yang saling bebas stokastil dengan masing-masing fdp f1(x1) = X1,
X2,…,Xn), f2(x2) = f(x2),…, fn(xn) = f(xn),sehingga fdp gabungannya
adalah f(x1), f2(x2), f(x3),…, f(xn). variabel-variabel random X1, X2,
…,Xn dikatakan sampel random dari distribusi yang memiliki f.d.p
f(x).
117
dinamakan mean sampel random dan
118
sampel yang lebih kecil atau sama dengan x, maka F n(x)= fx, sehingga
Fn(x) akan memberikan nilai frekuensi relatif terhadap kejadian X ≤ x dari
himpunan n kali observasi. Fungsi Fn(x) disebut sebagai ”fungsi distribusi
empirik”.
dan
119
Contoh 3.Misalkan v.r Y menjadi distribusi seragam di luar interval
0<y<1, sehingga fungsi distribusi Y adalah:
G(y) = 0 untuk y≤0
= y untuk 0<y<1
= 1 untuk 1≤y
Anggap bahwa F(x) adalah fungsi distribusi tipe kontinu naik, bilangan
0<F(x)<1. Jika didefinisikan v.r X sebagai Y=F(x), tampak bahwa X
mempunyai distribusi yang berhubungan dengan F(x). Jika 0<F(x)<1,
maka X≤x dan F(x) menjadi setara, sehingga untuk 0<F(x)<1, fungsi
distribusi dari X adalah:
P(X≤x)=P[F(X)≤F(x)]=P[Y≤F(x)] dan P(Y≤y)=G(y), sehingga
P(X≤y)=G[F(x)]=F(x), maka 0<F(x)<1. Dengan demikian fungsi distribusi
X adalah F(x).
Jawab :
Contoh 6. Jika besar suatu sampel adalah n=2, tentukanlah konstanta c
sedemikian rupa sehingga S2=c(X1-X2)2
Jawab :
Contoh 7.
Contoh 8. Jika X1,X2,..... Xn saling bebas dengan X1:B(1,p)
121
Maka f(xi)=pxi(1-p)1-xi ; xi=0,1,..., i=1,2,…,n
Maka Y= µ(X1,X2,..... Xn)=X1+X2+...Xn= B(n,p)
Definisi : Statistik adalah suatu fungsi dari variabel X 1,X2,..... Xn yang tidak
mengandung parameter yang tidak diketahui.
Misalnya : 1. Y = X1,X2,..... Xn adalah suatu statistik.
2. Y = bukan suatu statistik jika
3. X : N(10,4) maka Y= adalah suatu statistik.
122
Contoh 9. Andaikan v.r X berdistribusi G(r/2, ) maka fungsi densitas
peluang dari fungsi gamma ini ditulis dengan :
, untuk 0<x< , dan 0 untuk x lainnya.
Dan g(y)=G’(y)=
Di mana
123
Di mana
Jadi distribusi Y adalah Khi Kuadrat dengan derajat kebebasan r.
124
Kemudian andaikan H(y)=P(Y≤y) merupakan fungsi distribusi dari Y,
maka:
H(Y)=P(Y≤y)=p[ ]
125
=
= lainnya
Contoh 14. Jika
= lainnya
Dan untuk berarti
Sehingga jika
=0 ; y lainnya
ii. Dua Dimensional : X1, X2 : f(x1, x2); x1, x2
Misalkan :
= untuk
= 0 untuk yang lain.
Selanjutnya f.d.p marginal dari Y1 adalah:
127
Contoh 16.
Diketahui v.rX dan Y bebas stokastik dan masing-masing berdistribusi
binomial B(n1,p), dan B(n2,p). tentukanlah :
128
Dengan demikian f.d.p gabungan dari Y1 dan Y2 adalah:
G(v,w) = f[v(x,y), w(x,y)], untuk (v,w)
= 0, untuk (v,w) lainnya
g(v,w) = f[(y-w),w]
= , untuk (v,w)
= 0; untuk (v,w) yang lain.
Selanjutnya f.d.p marginal dari Y1 adalah:
129
Contoh 18. Misalkan v.r X adalah tipe kontinu, dengan f.d.p:
f(x) = 2x ; untuk 0 < x < 1
= 0; untuk x lainnya
Dalam hal A adalah ruang {x:0<x<1}, dimana f(x)>0. Kemudian
definisikan pula v.r.Y dengan Y = 8x3 dengan transformasi y = 8x3. Di
bawah transformasi y = 8x3 ini himpunan A = {x ; 0 <x<1} akan dipetakan
ke himpunan = {y ; 0<x<8}, dan itu berarti transformasi ini adalah
transformasi satu-satu. Untuk setiap 0<a<b<8, kejadian a<y<b akan
terjadi jika dan hanya jika kejadian terjadi karena pada
transformasi satu-satu akan berkorespondensi satu-satu antara titik-titik
dalam himpuanan A dan x . Oleh karena itu P(a<Y<b) =
131
Misalkan X adalah sebuah v.r tipe kontinu dengan f.dp f(x). Kemudian
pilih A sebagai ruang satu dimensi di mana f(x)>0. Ambil pula v.r Y =
(X), di mana y= (x) mendefenisikan transformasi satu-satu sehingga
memetakan himpunan A pada B.
Andaikan invers y = (x) dinyatakan dengan x = w(y) dengan = w3 (y)
kontinu dan ak menyisahkan satupun titik y dalam B, sehingga f.d.p dari
v.r Y = (X) menjadi:
Dalam hal ini g(y)= adalah fungsi yang berdistribusi Khi Kuadrat
dengan db=2. Metode unutk mencari f.d.p dari suatu fungsi terhadap
sebuah variabel randon tipe kontinu dapat diperluas untuk fungsi dua
variabel, hanya saja fungsi yang mendefenisikan kontinu dapat diperluas
untuk fungsi dua variabel, hanya saja fungsi yang mendegenisikan
transformasi satu-satu perlu diperhatikan saat seperti itu. Misalkan y 1 =
1(x1,x2), dan
133
berurutan y1 dan y2 maka dapat dituliskan hubungan itu sebagai berikut:
Jika maka determinan orde 2 dari Jacobian
adalah:
Dalam hal ini diasumsikan bahwa turunan parsial orde pertama adalah
kontinu dan Jacobian tidak nol dalam B.
Contoh 20.
Misalkan A={(x1,x2);0<x1<1;0<x2<1}. Akan ditentukan himpunan B
dalam bidang y1,y2 sedemikian rupa sehingga pemetaan dari A di
bawah transformasi satu-satu:
Sehingga: atau
134
y1 y1 2x 2
Y2
X2
X2 y1=y2 y2=2-y1
Daerah B
X1=1
Daerah A 0
X1=0
Y2=-y1 y2=y1-2
X1
136
Dengan metode inegral perubah variabel ditulis:
Kemudian:
=0 , (y1,y2)lainnya
137
Andaikan X1,X2 menyatakan sebuah sampel random dari
distibusi tersebut, dan f.d.p gabungan dari X1 dan X2
adalah:
=
=0, untuk (y1,y2) lainnya
138
Karena B bukan ruang perkalian, maka v.r dan bergantung statistik
f.d.p marginal dari adalah dihitung sebagai berikut:
139
= 0, untuk lainnya.
Misalkan
Maka:
140
= 0, untuk (y1y2) lainnya.
Dengan jalan yang sama diperoleh f.d.p marginal dari Y2 sebagai berikut:
141
Jawab : f.d.p Khi Kuadrat adalah 0 < x <. Karena X1
dan X2 bebas stokastik, dan masing-masing dengan distribusi 2 (2),
maka:
; 0 < x1 < , dan ; 0 < x2 < . Kemudian f.d.p gabungan
dari X1 dan X2 adalah:
untuk 0 < x1 < ; 0 < x2 <
=0 , untuk yang lainnya
, atau mendefenisikan transformasi satu-
satu dari:
A = {(x1,x2); 0 < x1 < , 0 < x2 < }pada B = {(y1,y2) ;-2y1 < y2 ; 0 < y2 ; - <
y1 < }
Selanjutnya :
Contoh 23. Andaikan X1 dan X2 dua v.r yang bebas stokastik yang
berdistribusi normal baku
Buktikan bahwa Z1 = 1 + 1X1, dan Z2 = di mana :
0 < 1, 0 < 2, 0 < < 1, memiliki distribusi normal bivariat dengan
masing-masing parameter 1,2, dan .
Bukti :
Z1 = 1 + 1X1, atau
atau :
Jadi : , dan
143
Daerah A = {(x1,x2) ; ;
Daerah B = {( ; ;
Kemudian :
Dan
= , untuk (z1,z2)B
144
dari Y1 dan Y2 berdistribusi normal bivariat dengan koefisien korelasi =
Sehingga :
Maka :
g =f
=
145
=
= 0, untuk lainnya.
Dimana : q =
146
Tampak bahwa g merupakan fungsi distribusi normal bivariat
dengan = Jadi Y berdistribusi normal
bivariate dengan
6.1.1. Rangkuman.
Suatu fungsi dari salah satu atau lebih variabel-variabel yang tidakl
bergantung pada setiap parameter yang tidak diketahui disebut suatu
statistic.Jika X menyatakan n buah variable bebas yang
saling bebas stokastik dengan masing-masing fdp f
sehingga fdp gabungannya adalah f
.Variabel-variabel random X dikatakan sample
random dari distribusi yang memiliki f.d.p f .
Andaikan X menyatakan suatu sample random berukuran n dari
distribusi yang diberikan.Statistik seperti : X =
147
dinamakan mean sample random dan S
yang disebut sebagai varians dari sample random.
Misalkan :
y :A
y
148
x
g , untuk (y )
= 0, untuk (y ) lainnya
Misalkan X adalah sebuah v.r tipe kontinu dengan f.d.p f(x). Kemudian
pilih A sebagai ruang satu dimensi dimana f(x) > 0. Ambil pula v.r Y =
149
=0 , untuk y lainnya
150
Dengan metode integral perubah variabel ditulis :
y
y
kemudian :
=0 ,
151
6.1.2. Latihan 23.
6.1.2.1. Tes Objektif.
1.Suatu fungsi dari salah satu atau lebih variabel yang tidak
bergantung pada setiap parameter yang tidak diketahui
disebut suatu :
a. variabel random b.distribusi komulatif c.statistik d.fungsi
densitas
v g(v)
1 1/36
2 2(2/36)=4/36
3 2(3/36)=6/36
4 1(4/36)=4/36
6 2(6/36)=12/36
156
9 1(9/36)=9/36
11. Misalkan X dan Y dua v.r yang bebas stokastik dan masing-masing
berdistribusi :
f(x)e-xuntuk x > 0, dan nol untuk x lainnya.
Buktikanlah bahwav.r U2 dan V bebas stokatis jika U = X + Y , dan V =
12. Kecepatan molekul dalam gas yang sejenis dalam keadaan seimbang
merupakan v.r V dengan f.d.p f(v) = , untuk v>0, dan nol untuk v
lainnya. Tentukan f.d.p energi molekul W, bila W = ½ m V 2. (Jawab :
Distribusi Gamma dengan α = .
13. Andaikan v.r X dengan f.d.p , untuk -1 < x < 1, dan nol untuk x
lainnya.
Tentukanlah f.d.p dari Y = X2. Jawab : <y<1
14. Andaikan v.r X dengan f.d.p
untuk -1 < x < 2, dan nol untuk x lainnya.
Tentukanlah f.d.p dan Y = X2
Jawab :
untuk 0 < y < 1
157
, untuk 1 < y < 4
15. Jika f.d.p dari v.r X adalah < , dan 0 untuk x lainnya.
Tentukan f.d.p dari Y = X2. (Jawab : g (y)= e –y untuk 0 < y < , dan untuk y
lain)
16. Andaikan X1 dan X2 adalah s.r dari distribusi normal N (0,1) dan saling
bebas stokastik. Jika Y1 = dan Y2 + X2, buktikanlah bahwa f.d.p marginal
, berdistribusi Caucy
17. Diketahui aliran arus sebesar 1 ampere mengalir melalui tahanan sebesar R
ohm akan berubah mengikuti distribusi peluang f(i) = 61 (1-i), untuk 0 < i < 1,
dan 0 untuk i lain. Bila tahanan R berubah bebas stokastik dengan I mengikuti
distribusi peluang g(r) = 2r, untuk 0 < r < 1, dan 0 untuk r lainnya, hitunglah
distribusi peluang daya W = I2 R watt. Jawab h(w) = 6 + 6w : untuk 0<w<1 .
18. Misalkan v.r X memiliki f.d.p f(x) = , 0 < x < 3 dan nol untuk x lainnya.
Tentukanlah f.d.p dari Y = X3. Jawab : , 0 < y < 27
19. Misalkan f.d.p dari v.r X adalah f(x) = , 0 < x < ∞, dan nol untuk yang
lain
tentukanlah f.d.p dari Y = X2. Jawab : e-y, untuk 0 < x < ∞, dan nol untuk y
lainnya.
158
20. Jika X1, dan X2 dua v.r yang bebas stokastik masing – masing berdistribusi
seragam pada interval (0,1). Misalkan dua v.r Y1 = X2 – X1.
Tentukanalah f.d.p gabungan dari Y1 dan Y2.
Jawab : g(y1,y2) = , untuk 0 < y1 < 2, -1 < y2 < 1, dan nol untuk yang lain.
21. Jika X1 dan X2 dua v.r yang bebas stokastik masing – masing berdistribusi
159
Jawab : g(y1,y2) = , untuk 0 < y1 < 2, -1 < y2 < 1, dan nol untuk yang
lain.
24. Misalkan v.r X memiliki f.d.p f(x) = , 0 < x < 3 dan nol untuk x , lainnya.
Tentukanlah f.d.p dari Y = X3.
Jawab : , 0 < y < 27.
25. Misalkan f.d.p dari v.r X adalah f(x) = 2x , 0 < x < ∞, dan nol untuk yang
lain, tentukanlah f.d.p dari Y = X.
Jawab : e-y , untuk 0 < x < ∞, dan nol untuk y lainnya.
26. Jika X1, dan X 2 dua v.r yang bebas stokastik masing – masing berdistribusi
seragam pada interval (0,1). Misalkan dus v.r Y1 = X1 + X2 dan Y2 = X2 – X1.
Tentukanlah f.d.p gabungan dari Y1 dan Y2.
Jawab : g(y1,y2) = , untuk 0 < y 1< 2, -1 < y 2 < 1, dan nol untuk yang lain.
27. Jika X1 dan X2 dua v.r yang bebas stokstik masing – masing berdistribusi
160
28. Jika U dan V dua v.r dari sebuah distribusi dengan f.d.p gabungan f(u,v) = 0
< u < , dan 0 < v < 2λ. Misalkan dua v.r X = sin u cos v dan Y = sin u sin v.
Jawab : g(x,y) = ; x2 + y2 < 1
29. Jika X1, dan X2 dua v.r yang bebas stokastik masing – masng berdistribusi
N (0,1). Misalkan dua v.r Y1 = dan Y2 = Y1.
Jawab : g(y1,y2) = , untuk -∞ < y1 < ∞, - < y2 < ,
= 0 , untuk yang lain.
161
BAB 10
DISTRIBUSI t DAN F
TEKNIK PERUBAHAN VARIABEL
TEKNIK FUNGSI PEMBANGKIT MOMEN
DISTRIBUSI dan
UNIMED
Distribusi t dan F
1. Pengantar
Modul ini memuat pengertian umum dan khusus mengenai distribusi
student t dan distribusi F. Modul ini menekankan upaya menentukan distribusi t
dengan menurunkannya dari gabungan distribusi normal dan distribusi khi
kuadarat dan menentukan f.d.p gabungan dari kedua distribusi tersebut.
Sementara distribusi F diturunkan dengan cara menggabungkan dua distribusi
Khi kuadrat dengan masing-masing derajat kebebasan r1 dan r2. Dengan
mengoperasikan teknik statistik, akan diperoleh distribusi F tersebut.
162
2. Prasyarat : Telah mengetahui tentang beberapa distribusi khusus dan f.d.p
yang sesuai, serta telah mengetahui mean dan varians dari berbagai distribusi
khusus tersebut.
3. Tujuan Instruksional Umum :
Setelah selesai mempelajari isi kegiatan modul ini diharapkan mahasiswa
dapat memahami tentang teknik mencari fungsi distribusi t dan F dengan
melibatkan gabungan dua distribusi yang saling bebas stokastik.
4. Tujuan Instruksional Khusus
Setelah mempelajari modul ini, mahasiswa di harapkan dapat :
1. menjelaskan cara menggabungkan distribusi normal dan distribusi khi kuadrat
2. menurunkan distribusi t, dan membaca Tabel distribusi t student tersebut.
3. menjelaskan cara menggabungkan dua distribusi khi kuadrat.
4. menurunkan distribusi F, dan membaca Tabel distribusi F tersebut.
5. menggunakan distribusi t untuk distribusi lainnya.
6. menerapkan distribusi F pada distribusi lainnya.
5. Kegiatan Perkuliahan ke – 24.
a. Distribusi t
Misalkan W meyatakan sebuah v.r sehingga v.r sehingga N (0,1), sehingga f(w)
, dan andaikan V menyatakan sebuah v.r yang berdistribusi (r) sehingga
163
fungsi densitas peluang dari V adalah f(v) = ; dan jika W dan V
bebas stokastik, maka fdp gabungan dari W dan V katakanlah φ(w,v) sehingga :
Φ(w,v) = untuk -∞ < w < ∞, 0 < v < ∞
= 0 ; untuk w,v lain
Kemudian definisikan suatu v.r baru T =
164
T dan U=V adalah :
165
Dengan begitu jikaW adalah N(0,1), dan jika V adalah serta jika V
dan W saling bebas stokastik, maka :
memiliki fdp .g1(t). distribusi v.r biasanya disebut dengan
“distribusi t”.
Observasiterhadap distribusi t secara uth ditentukan dengan pareameter r,
derajat kebebasan r dari variabel random memiliki distribusi chi-kwadrat.
Beberapa pendekatan untuk distribusi t diperoleh dengan cara :
P(|T|>2,228) = 1- P(|T|>2,228)
= 1-P(-2,228 < T < 2,228) = P(T < 2,228) - P(-2,228)
= 1- [2P(T < 2,228) – 1] = 2 – 2P(T < 2,228)
166
= 2 – 2(0,975)
= 0,05
H(w, v) = e . =
, = 0, untuk
(v,w) lainnya.
sehingga =
g (f,z)=h
168
=
Jadi
Ini adalah f.d.p dari distribusi F dengan r1 = 1, dan r2= r, bandingkan frngan
distribusi F:
169
b. Distribusi F
Pandanglah dua v.r U dan V yang bebas stokastik dan kedua-duanya
berdistribusi khi kuadrat dengan masing-masing db = r 1 dan db = r2 dimana U
dan V saling bebas stokastik, sehingga f.d.p untuk U, dan V adalah
Kemudian
170
= 0 untuk lainya
dz
171
=
. ; untuk 0
172
Bukti: Telah diperlihatkan di atas bahwa jika U: :dan ,atau :
173
sehingga = =
. =
174
= untuk
= 0, untuk lainnya.
Selanjutnya f.d.p marginal dari adalah sebagai berikut:
6.1.1Rangkuman.
176
untuk beberapa nilai r dan t yang
a.
b.
c.
d.
178
4)Jadi jika U dan V adalah v.r yang masing-masing berdistribusi chi-kuadrat
dengan db = r1 dan db = r2 dan keduanya saling bebas stokastik, maka
distribusi F didefinisikan sebagai
a.
b.
c.
d.
5)Peluang bahwa distribusi t memiliki skor yang lebih besar dari 1,740 bila
derajat kebebasannya 17 adalah sebesar:
a. 0,95
b. 0,05
c. 0,90
179
d. 0,10
6)Peluang bahwa distribusi t memiliki skor yang lebih besar dari 1,323 bila
derajat kebebasan 21 adalah sebesar:
a. 0,95
b. 0,05
c. 0,90
d. 0,10
7)Besar peluang bahwa X lebih besar dari 3,28 jika F berdistribusi F dengan
derajat kebebasan 12 dan 8 adalah…
a. 0,95
b. 0,05
c. 0,90
d. 0,10
8)Besar nilai sedemikian rupa sehingga untuk suatu distribusi F dengan
derajat kebebasan 12 dan 8
180
a. 0,351
b. 0,531
c. 0,135
d. 0,153
1. Pengantar
Modul ini memuat pengertian umum dan khusus mengenai teknik perluasan
dan perubahan variable. Materi modul ini menekankan upaya
182
pengembangan dan perluasan cara penggunaan teknik transformasi variable
yang lebih luas dengan melibatkan lebih banyak variable. Demikian juga
keterlibatan determinan Jacobian yang lebih luas, sehingga diharapkan
mahasiswa dapat menentukan fdp suatu distribusi yang melibatkan
beberapa variable.
2. Prasyarat : Telah mengetahui tentang beberapa distribusi khusus dan f.d.p
yang sesuai, serta telah mengetahui transformasi variable tipe
diskrit/kontinu.
3. Tujuan Instruktusional Umum:
Setelah selesai mempelajari isi kegiatan modul ini diharapkan
mahasiswadapat memahami tentang teknik perluasan perubahan variable
pada distribusi yang melibatkan beberapa variable.
4. Tujuan Instruktusional Khusus.
Setelah mempelajari modul ini, mahasiswa diharapkan dapat:
1. Menjelaskan cara menentukan fungsi dari n buah variable
2. Menentukan invers dari fungsi dari n buah variable
3. Menentukan determinan Jacobian dari beberapa fungsi dari n buah
variable
183
4. Menentukan f.d.p dari distribusi yang melibatkan n buah variable
5. Menerapkan perluasan teknik perubahan variable untuk menyelesaikan
soal-soal menentukan distribusi yang melibatkan n buah variable lainnya.
184
Ambil A subset dari n dimensional ruang A. Misalkan :
atau inversnya
185
Dengan demikian kita dapat menentukan fdp gabungan dari n buah fungsi dari n
buah variabel random, namakanlah :
di mana fdp gabungan dari X1, X2,…, Xn adalah (x1, x2,…,xn) diberikan oleh :
g(y1, y2,…,yn) = [
berlaku untuk (y1, y2,…,yn) ; dan nol untuk yang lainnya.
Contoh : Misalkan X1, X2,…, Xn adalah variabel-variabel yang saling bebas
stokastik masing-masing mempunyai distribusi gamma dengan = 1. Fdp
gabungan dari
variabel-variabel ditulis sebagai berikut :
0 < x1 <
= 0 ; x lainnya
Misalkan : , untuk I = 1,2,…,k
dan Yk+1 = menyatakan (k + 1) variabel-variabel random baru.
Transformasi mengasosiasikan pemetaan A = {( ; ,…,k+1} ;
186
Pada ruang = .
Nilai tunggal fungsi-fungsi invers
sehingga determinan Jacobian menjadi :
Dalam hal ini f.d.p gabungan dari Y1,…, Yk, Yk+1 adalah :
= 0 untuk lainnya
Kemudian f.d.p dari Y1,…, Yk adalah :
, jika 0<yi , i = 1,…,k, y1+…+yk <
1, dan nol untuk yang lainnya.
Variabel-variabel random Y1, Y2,…Yk yang memiliki f.d.p gabungan seperti itu
dinamakan memiliki Distribusi Dirichlet dengan parameter-parameter α1, α2,
…,αk, αk+1, dan setiap g (y1, y2,…, yn) dinamakan f.d.p Dirichlet. Hal khusus
untuk k = 1 , maka f.d.p Direchlet menjadi f.d.p Beta, dan untuk = 1, maka
f.d.p dari Y1, Y2,…, Yk, Yk+1 akan berdistribusi Gamma dengan parameter-
parameter α1+ α2 +…+ αk+ αk+1 dan Yk+1 bebas stokastik dari Y1, Y2,…, Yk.
187
Contoh. Misalkan v.r X berdistribusi Cauchy dengan f.d.p
Misalkan pula Y = X2. Tentukan f.d.p dari Y.
Jawab: Transformasi y = x2 memetakan ruang X yaitu pada
B = {y; 0 y < }, di mana transformasi ini tidak satu-satu, misalnya untuk y =
4 maka nilai x = 2 atau x = -2. Andaikan kita memilih A sebagai gabungan dari
A1 dan A2 yang terpisah dari nilai-nilai x dari y = x2, yakni A1 = {x; - < x < 0},
dan A2 = {x; 0<x<} maka A1 dan A2 merupakan transformasi satu-satu dan
pada himpunan B. Artinya
A1 = {x; - < x < 0} ditetakan pada B dan A2 = {x; 0<x<} dipetakan pada B.
Jadi x = - maka A1 merupakan pemetaan satu-satu dan pada B = {y; 0 y <
}, demikian juga dengan A2 merupakan pemetaan satu-satu dan pada B.
Pandanglah P(Y), di mana B, misalkan A3 = {x; x = - , y} A1,
dan misalkan A4 = {x; x = y} A2, maka Y jika dan hanya jika XA3
atau XA4, sehingga: P(Y) = P(XA3) + P(XA4) =
Pada integral pertama, misalkan , maka Jacobiannya adalah
yang dipetakan pada . Kemudian pada integral kedua x = dan
yang dipetakan pada . Dengan demikian diperoleh hasil integral sebagai
berikut:
188
P(Y) =
Oleh karena itu f.d.p dari Y adalah :
y dengan f(x) adalah f.d.p Cauchy, sehingga :
untuk 0 < y <
= 0, untuk yang lainnya.
Misalkan (x1,x2,…,xn) merupakan f.d.p dari veriabel-variabel random X1, X2,
…,Xn tipe kontinu. Misalkan pula A merupakan ruang berdimensi n di mana
(x1,x2,…,xn)> 0, dan pilih transformasi y1 = 1(x1,x2,…,xn), y2 = 2(x1,x2,…,xn),
…,yn = n (x1,x2,…,xn) yang memetakan A pada B dalam ruang y1,y2,…,yn. Untuk
setiap titik x1,x2,…,xn pada A akan berkorespondensi dengan tepat satu titik di B,
tetapi untuk satu titik di B mungkin akan berkorespondensi dengan lebih dari
satu titik di A. Dalam hal ini transformasi mungkin bukan satu-satu. Anggaplah
A merupakan gabungan bilangan terbatas, katakalah k , dari himpunan-
himpunan A1,A2,…,Ak yang saling bebas stokastik, sehingga: y1 = 1(x1,x2,…,xn),
y2 = 2(x1,x2,…,xn),…,yn = n (x1,x2,…,xn) mendefinisikan trasformasi satu-satu
dari masing-masing Ai pada B. Justru sebab itu, untuk masing-masing titik
dalam B secara pasti akan memetakan satu titik masing-masing dalam A1,A2,
…,Ak. Misalkan invers fungsi masing-masing:
189
Yang menyatakan k kelompok dari n buah invers fungsi, satu kelompok untuk
masing-masing k transformasi tersebut. Andaikan turunan parsial pertama
kontinu dan misalkan masing-masing :
190
Sementara f.d.p dari setiap , misalnya adalah:
191
Namun transformasi ini tidak satu-satu sebab untuk setiap titik dalam B, terpisah
terhadap titik-titik di mana , menghubungkan dua titik di A. Ada dua invers
fungsi yang diperoleh yaitu:
,
dan
, ,
Tambahan pula himpunan A bukan gabungan dari dua himpunan terpisah di
bawah transformasi pemetaan pada B. Kesulitan yang kita temukan disebabkan
oleh titik-titik dalam A yang terletak pada garis yang persamaannya . Pada
masing-masing titik itu diperoleh . Walau demikian kita dapat
mendefenisikan pada titik . Kita dapat melakukan itu tanpa
merubah distribusi dari peluang, sebab ukuran peluang dari himpunan itu adalah
nol. Justru itu kita peroleh himpunan baru tetapi
.
Semesta tersebut merupakan gabungan dari dua himpunan terpisah
, dan .
192
Sekarang transformasi ini sudah merupakan pemetaan satu-satu dari masing-
masing , I = 1,2 pada . Setelah itu barulah kita dapat
menentukan f.d.p gabungan katakanlah dari mean dan kedua varians
dari sampel random tersebut. Suatu perhitungan yang mudah menunjukkan
bahwa , sehingga:
Kita dapat membuat tiga kesimpulan yang menarik. Mean dari dari
sampel random adalah berdistribusi N(0, ), berupa varians kedua dari sampel
adalah berdistribusi ; dan kedua v.r adalah bebas stokastik. Justru itu mean
dan varians dari sampel random bebas stokastik.
6.1.1. Rangkuman
Untuk menentukan fdp gabungan dari n buah fungsi dari n buah variable
random, namakanlah :
193
di mana fdp gabungan dari adalah , dan menyatakan
determinan Jacobiannya, diperoleh dengan cara sebagai berikut:
194
2. Jika f.d.p dari adalah
,
Jika
Maka v-r dengan f.d.p gabungan seperti itu dinamakan berdistribusi:
a. Dirichlet
b. Cauchy
c. Gamma
d. Gauss
195
4. F.d.p Beta dapat diperoleh dengan nilai khusus untuk distribusi …
a. Dirichlet
b. Cauchy
c. Gamma
d. Gauss
2. Jika , untuk , dan nol untuk x lainnya. Tentukan f.d.p dari v.r
Jawab:
197
3. Jika adalah s.r dari distribusi N(0,1), tentukanlahf.d.p gabungan dari v.r
dan , dan juga hitung f.d.p dari . Petunjuk: Ingat bahwa ruang
dari dan diberikan oleh ; dan .
Jawab: ; dan
200
Setelah mempelajari modul ini, mahasiswa diharapkan dapat:
1. Menjelaskan cara menggabungkan n buah v.r dari masing-masing distribusi.
2. Menentukan fpm dari gabungan n buah distribusi.
3. Menentukan fdp dari gabungan n buah distribusi tersebut.
4. Menerapkan perluasan teknik fpm untuk menyelesaikan soal-soal dari
gabungan n buah distribusi.
202
menyatakan ada kelompok k kelompok dari n invers masing-masing fungsi
tersebut. Kemudian andaikan menyatakan k buah Jacobian, maka
..............................................................................(4)
sehingga
, atau:
Dari bentuk ini memberi arti bahwa fdp g(y) dari Y adalah nol kecuali pada
205
Untuk keadaan yang lebih lengkap, dan secara khusus dengan variable-
variabel random tipe kontinu, teknik f.p.m dapat memecahkan persoalan dengan
cukup baik.
Contoh 2. Misalkan dan bebas stokastik dengan distribusi normal
dan . Definisikan variable random Y dengan Y = X1 – X2. Bagaimana
caranya untuk fdp dan Y, yaitu g(y)? Jawab:Andaikan f.p.m dari Y adalah
maka:
206
perbedaan kedua mean (dinyatakan dalam urutan ), dan variasinya adalah
jumlah dari kedua variasinya pula .
Teorema 1. Misalkan X1, X2, …, Xn adalah v.r – v.r yang saling bebas stokastik
dengan distribusi normal . Variabel random Y = k1X1 +
k2X2 + … + knXn di mana k1, k2, …, kn adalah konstanta-konstanta real, yang
merupakan distribusi normal dengan masing-masing mean dan
variasinya dalah , sehingga Y berdistribusi normal dengan
.
Bukti. Karena X1, X2, …, Xn saling bebas stokastik maka f.p.m dari Y adalah:
M(t) .
Karena , untuk semua bilangan real t, dengan i = 1,2,…,n, sehingga
, dan f.p.m dari Y adalah:
207
Tidak selalu sampel yang kita peroleh itu berasal dari sebuah distribusi variabel
random. Misalkan v.r X dan Y dengan f.d.p gabungan f(x,y) dan misalkan ke
2n buah pasangan variabel random (X1,Y1), (X2,X2), …, (Xn,Yn) memiliki f.d.p
gabungan . Ada sebanyak n pasanagan (X1,Y1), (X2,X2), …,
(Xn,Yn) yang saling bebas stokastik sehingga sampel random berukuran n itu
berasal dari distribusi X dan Y. Misalnya jika kita pilih f.d.p gabungan f(x,y)
berasal dari distribusi normal bivariat dan kita ingin memecahkan masalah teori
sampling dari dua distribusi variabel tersebut. Untuk itu misalkan (X 1,Y1),
(X2,X2), …, (Xn,Yn) menyatakan sampel random berukuran n berasal dari
distribusi bivariat dengan f.d.p gabungan dengan masing-masing parameter
dan . Kita ingin mencari f.d.p gabungan dua statistik:
dan yang merupakan masing-masing mean dari dan
. Karena f.d.. gabungan dari 2n variabel-variabel random
menjadi: dan f.p.m dari kedua mean menjadi :
208
Ruas kanan memperlihatkan bahwa kesamaan kedua masing-masing merupakan
pasangan dari (Xi,Yi) dengan f.d.f yang sama dan banyak n pasangan itu saling
bebas stokastik.
Akan tetapi hal ini merupakan f.p.m dari substitusi normal .
Khususnya jika ki = 1 maka n buah variabel random itu berdistribusi normal dan
saling bebas stokastik. Teorema berikut membuktikan sebuah hasil sederhana
untuk variabel-variabel random yang berdistribusi Chi kuadrat.
Teorema 3. Misalkan X1, X2, …, Xn adalah v.r – v.r yang saling bebas stokastik
dan masiing-masing distribusi Khi Kuadrat . Selanjutnya
misalkan v.r Y = X1 + X2 + … + Xn memiliki distribusi Khi Kuadrat dengan
masing-masing derajat kebebasan r1, r2, …, rn sehingga sehingga berdistribusi
( r1 + r2 + …, rn).
Bukti. Fungsi pembangkit momen dari Y adalah :
, karenanya X1, X2, …, Xn saling bebas stokastik.
Selanjutnya , untuk t < , i = 1,2,…,n sehingga diperoleh
, untuk t < . Ini tidak lain merupakan f.p.m ini berasal dari
distribusi ( r1 + r2 + …, rn), dan karena Y berdistribusi Khi kuadrat.
209
Berikut, andaikan X1 + X2 + … + Xn adalah sampel random berukuran n dan
masing-masing berdistribusi normal dan menurut (Teorema terdahulu),
maka masing-masing v.r , i = 1, 2, …, n berdistribusi (1). Tambahan
pula ke n buah v.r tersebut saling bebas stokastik, sehingga sejalan dengan
teorema 2 di atas maka v.r Y = , berdistribusi (n), ini membuktikan
teorema berikut.
Integral dauble dalam kurung besar tidak lain merupakan f.p.m, dari X 1 dan Y1
dengan mengganti t1/n dan t2, sehingga:
Tetapi di sini f.p.m tersebut berasal dari distribusi normal bivariat dengan mean
, dan variasinya dan , serta koefisien kolerasi dan juga dan
memiliki f.d.p gabungan tersebut.
61.1. Rangkuman.
Berdasarkan definisi f.p.m M(t) terhadap distribusi Y 1, sehingga kita dapat
menghitung dan , di mana . Jika f.p.m Y1 seperti
distribusi di atas, maka f.d.p Y1 akan diperoleh dengan menggunakan teknik
210
f.p.m, asumsi bahwa transformasi itu adalah transformasi 1.-1. Akan tetapi jika
transformasi itu bukan 1-1, dan andaikan ; j = 1, 2, …, n, i = 1, 2,
…, k, menyatakan ada kelompok k dari n invers masing-masing fungsi tersebut.
Kemudian andaikan Ji = i =1, 2, …, k menyatakan k buah Jacobian, maka :
6.1.2.Latihan 26
6.1.2.1.Tes Uraian
1. Misalkan v.r ,dan bebas stokastik dengan f.d.p yang sama yaitu f(x)=
x=1,2,3,4,5,6 dan nol untuk yang lainnya.Tentukanlah f.d.p dari Y=
Jawab :
y 2 3 4 5 6 7 8 9 10 11 12
211
g(y)
212
Distribusi dan
1. Pengantar
Modul ini memuat pengertian umumdan khusus mengenai mean dan
varians.Modul ini menekankan upaya menentukan bentuk mean dan varians
dari distribusi rerata beberapa variable random,dimana yang mengalami
perubahan hanya pada meannya.
213
1.menjelaskan cara menggunakan teknik mean dan varians dari distribusi
v.r
2.menentukan mean dan varians dari suatu distribusi rerata v.r.
3.menentukan perubahan varians dari suatu distribusiv.r.
4.menurunkan bahwa rerata dan varians adalah bebas stokastik
6.Kegiatan Perkuliahan ke 27
Distribusi dan
dan
214
Untuk mean distribusi kita dapat mengambil harga-harga = =…= =
,dan = =…= = ,serta ,sehingga : ,dan
,disini berdistribusi normal N .
Selanjutnya kita mengkaji distribusi dari varians ,yaitu varians dari , ,…,
masing-masing berdistribusinormal N( ).Untuk itu pandanglah distribusi
gabungan .Transformasi yang berkaitan dengan itu adalah :
215
,atau sehingga memiliki n buah Jacobian.
Kemudian : ,sebab 2( ) , sehingga
f.d.p gabungan dari , ,…, menjadi :
g( )= ,dengan
216
n ,dan f.p.m bersyarat dari nS
diberikan oleh adalah sebagai berikut :
Integral terakhir adalah merupakan f.d.p bersyarat dari Y2, Y3, …, Yn yang
diberikan oleh Y1 = y1 yang diberikan dengan varians σ2 diganti dengan >
0, dan hasilnya haruslah 1. Dengan demikian f.p.m bersyarat dari diberikan
oleh Y1 = y1 , atau setara dengan : , untuk t > . Dalam hal
ini distribusi bersyarat yang diberikan oleh adalah berdistribusi
Tambahan pula hal ini menunjukkan kepada kita bahwa distribusi bersyarat
tidak bergantung pada . Kemudian dan harus bebas stokastik, atau setara
dengan itu, dan S2 adalah bebas stokastik. Untuk merangkum semua kejadian
ini kita tinjau tiga hal penting dari dan S2 yang harus dipenuhi jika sampel
berasal dari distribusi normal N(µ, σ2), yakni:
a. berdistribusi normal N
217
b. berdistribusi
c. dan S2 bebas stokastik.
6.1 Rangkuman
Jika X1, X2,…,Xn adalah s.r berukuran dari distribusi N(µ, σ2).
Maka = dan S2 =
Untuk mean distribusi kita dapat mengambil harga-harga µ 1 = µ2 =… µn = µ,
dan =….= , serta k1=k2=…= kn= , sehingga : , dan
, di sini berdistribusi normal N .
218
6.1.2. Latihan 27
6.1.2.1 Tes Objektif
1. Jika adalah mean dari sampel random berukuran 100 dari distribusi normal
N(100, 500) maka juga akan berdistribusi :
a.N(1, 500) b. N(100, 5) c. N(10, 50)
b. Distribusi bersyarat yang diberikan oleh berdistribusi :
a. b. c. N(0, 1) d.
c. Salah satu dari tiga hal penting untuk dan S2 yang harus dipenuhi jika
sampel berasal dari distribusi normal N(µ, σ2), yakni.
219
a. berdistribusi N
b. berdistribusi
c. berdistribusi
d. berdistribusi
220
6.1.2.2. Tes Uraian
1. Misalkan adalah mean dari s.r berukuran 5 dari
distribusi normal dengan µ = 0, dan σ 2 = 125.
Tentukanlah c sehingga P( < c) = 0,90. Jawab :
6,41
2. Jika menyatakan mean dari s.r berukuran n dari
distribusi normal dengan mean dan varians sama
yaitu µ= σ2=100. Tentukanlah n sehingga P(µ-5 < <
µ-5) = 0,954. Jawab : n =16.
3. Misalkan X1, X2, …,X25 dan Y1,Y2, …,Y25 dua sampel
random yang saling bebas stokastik dan masing-
masing berdistribusi N(0,16) dan N (1,9). Misalkan
dan menyatakan mean semua mean sampel
tersebut. Hitunglah P( > ).
Jawab : 0,841
4. Tentikan mean dan varians dari S2 = , dimana
X1, X2, …,Xn merupakan s.r dari distribusi normal
N(µ, σ2). Petunjuk : tentukan mean dan varians dari
.
Jawab ; , dan
5. Misalkan S2 adalah varians s.r berukuran 6 dari
distribusi normal N(µ,12)
Tentukanlah P(2,30 < S2 < 22,2). Jawab : 0,90
6. Misalkan dan S2 menyatakan mean dan varians
dari s.r berukuran 25 dari distribusi normal N(3,100).
Hitung P(0< <55,2 < S2 < 145,6 ). Jawab : 0,78
221
222