Distribusi Normal

Distribusi Bernoulli
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.
Contoh 1. Jika telur ayam menetas, maka peluang anak ayam

jantan P(J) = p = 1/2, dan peluang anak ayam betina P(B) = 1 -
p = 1/2.
Contoh 2. Jika mata uang logam dilantunkan, misalnya peluang
munculnya gambar P(G) = p = 1/2, dan peluang munculnya
angka P(A) = 1 – p = 1/2.
Percobaan Bernoulli dapat ditinjau dari segi terjadinya
pengambilan sample yang dilakukan dalam percobaan itu, antara lain:
a.Pencuplikan sampel dengan pengembalian
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.
6.1.2.1. Tes Objektif.
1.Percobaan bernoulli adalah suatu percobaan yang kemungkinan

hasilnya:
a.tidak pasti b.memiliki dua kemungkinan c.dapat diulang
d.tidak bebas
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
5.Jika peluang bahwa setiap pemanahan akan mengenai sasaran

adalah 0,2, maka paluang bahwa dalam 5 kali pemanahan itu
ssarannya tidak dikenai sama sekali adalah:
a.0,238 b.0,832 c.0,328 d.0,382
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
8.Diketahui suatu kotak berisi 12 kelereng, di mana 5 kelereng

berwarna merah, dan 7 kelereng berwarna hitam. Jika 3 bola diambil
secara random,dengan pengembalian, maka besar peluang satu
bola merah terambil adalah…
a.0,425 b.0,542 c.0,245 d.0,452
9.Jika dari soal nomor 8, pengambilan dilakukan tanpa

pengembalian, maka besar peluang satu bola yang aterambil bola
merah adalah…
a.0,774 b.0,747 c.0,477 d.0,447
11
6.1.2.2. Tes Uraian
1.Lima buah lampu masing-masing meiliki peluang untuk menyala

sebesar 0,8, dengan anggapan bahwa kelima lampu itu menyala
secara bebas. Hitung peluang bahwa kelima lampu akan menyala
secara serentak.
Jawab: 0,3277
2.Sebuah baskom berisi 10 bola pimpong, masing-masing diberi

nomor 1,2,..,10 jika secara random diambil satua bola, tentukanlah
peluang bilangan yang terambil adalah: a).bilangan prima
b).habis dibagi 2 c).habis dibagi 3
Jawab: a. b. c.
3.Jika satu dadu yang setangkup dilemparkan 2 kali, tentukanlah nilai

kemungkinan hasil pelemparan: a).pertama genap,dan kedua ganjil
b).pertama dan kedua sama c).pertama dan kedua ganjil
12
Jawab: a. b. c.
4.Keluarga dari sebuah pengantin baru menginginkan 3 orang anak

dari perkawinan mereka.Bila keinginan tersebut terpenuhi,
tentukanlah nilai kemungkinan bahwa anaknya: a).wanita semua
b).satu pria dan dua wanita c).pria semua
Jawab: a. b. c.
5.Pemilihan Kepala Desa (Pilkades) terhadap dua calon A dan B

dilakukan secara bebas oleh setiap warga desa. Seorang pengamat
menanyai empat warga yang dianggap jujur. Tentukan besar
peluang bahwa: a).keempat warga memilih A b).tiga warga
itu memilih A c).dua warga itu memilih A
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.
2.Deskripsi : Kajian dalam modul ini mencangkup materi bhasan

distribusi Binomial, kaitan percobaan Bernoulli dengan distribusi
Binomial, dan hubungan distribusi ini dengan rumus Binomum
Newton, atau segitiga pascal, f.d.p distribusi Binomial, penggunaan
14
fungsi pembangkit momen untuk menentukan mean dan varians dari
distribusi Binomial.
3.Persyaratan : Telah mengikuti perkuliahan Statistika Dasar, dan

Kalkulus II
4.Tujuan Instruksional Umum:

memahami:
Konsep-konsep dasar distribusi Binomial, kaitan percobaan Baernoulli
dengan distribusi Binomial, dan hubungan distribusi ini dengan rumus
Binomum Newton, atau segitiga pascal, f.d.p distribusi Binomial,
penggunaan fungsi pembangkit momen untuk menentukan mean dan
varians dari distribusi Binomial.
5. Tujuan Instruksional Khusus
setelah mempelajari modul ini, mahasiswa diharapkan dapat :
1.Menjelaskan dengan baik maksud distribusi Binominal
2.Menjelaskan hubungan percobaan Bernouli dengan 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.
6.Kegaitan Perkuliahan 15.

Pengkajian Materi dan Contoh
Jika percobaan Bernouli diulangi sebanyak n kali (n berhingga),
dan misalkan X menyatakan banyaknya sukses dalam n percobaan,
maka banyak kegagalan adalah n-x kali, dan hal itu dilukiskan
sebagai berikut :
andaikata peluang terjadinya sukses adalah p, dan peluang

gagal adalah q, dan peluang gagal adalah q = 1 – p, serta p + q =
1. Selanjutnya dengan menerapkan rumus : (p + q)n =
ia akan diperoleh fdp : f (x) = , untuk x = 0,12,…
= 0, untuk x lainnya
secara singkat dapat dituliskan nilai f.d. p sebagai berikut :
16
x 0 1 k n
F(x)
Maka fungsi distribusi binomial :

f(x) = P(X = x) = =
=0, x lainnya
fungsi distribusi Binomial ini ditulis dengan cara : X : B(n;p); n, p
disebut parameter distribusi binomial. Jadi suatu variabel random X
yang memiliki f.d.p berbentuk :
f(x) = = =
= 0, untuk x lainnya.
Disebut memiiki distribusi binomial
Contoh 1, jika ditulis artinya bahwa X mempunyai f.d.p
binomial dengan banyak percobaan 5 kali dan peluang sukses
sebesar , sehingga
f(x) = ; 0,1,2,…5
= 0 ; x = lainnya.
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 :
contoh 2. Jika diketahui distribusi binomial dengan f.d.p

f(x) =
dan f.p.m nya menjadi M(t) =
npq = , hitunglah :
a) b. P (X=5)
jawab :
a). =
=
b). P (X=5) =
=
Contoh 3. Jika variabel random X memiliki f.p.m. M(t) =
Tentukanlah : a f (x). b. c.
19
Jawab : Dari M(t) = maka didapat n = 5 ; p =
sehingga :
a. f(x) = f(x) =
atau f(x) =
b.
c.
contoh 4. Jika diketahui Y adalah B dan
hitung harga n terkecil sehingga P
jawab :
P
andaikan variabel random Y sama dengan angka sukses dari n

kali percobaan random dengan yang dinyatakan p. maka Y adalah
20
B(n.p). Ratio (perbandingan) disebut “frekuensi relatif sukses”un
tuk setiap didapat
Dimana = npq, atau = . Dari (*) terlihat bahwa dengan

ketidaksamaan Chebychev bahwa n = k , atau k =
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 (*) :
jadi terbukti bahwa :

contoh 6. Andaikan diketahui :
f(x,y) =
= 0, untuk x1, x2 lainnya.
Merupakan f.d.p dari v.r.X1 dan X2 tentukanlah :
(a) E(X2) (b) c. E
22
E(X2) =
=
=
Jadi :
Cara lain :
, ingat bahwa
23
Jawaban (b).
Dimana : 1(X1)
jadi : f1 (x1) = , untuk x1 = 1,23,4,5, dan 0 untuk x1 lainnya

selanjutnya (*) akan menjadi :
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
Dari distribusi binomial :

F(x) =
=
=
=
=
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 :
Jadi pada distribusi Poisson berlaku mean = varians = µ > 0

Contoh 1. Jika X adalah memiliki distribusi Poisson dengan
parameter µ = 2, dan f.d.p
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
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 =
Distribusi Pascal (Binominal Negatif)

35
dan Distribusi Geometri
1.Pengantar
Isi yang terkandung dalam modul ini memuat pengertian umum
dan khusus mengenai apa yang dimaksud dengan distribusi Binominal
Negatif (distribusi Pascal),kaitan percobaan Bernoulli dengan distribusi
Binominal Negatif, dan hubungan distribusi ini dengan distribusi
geometri.Pembahasan juga ditunjukan pada bentuk-bentuk distribusi
yang saling memiliki kaitan antara satu distribusi dengan distribusi
lainnya.Secara khusus modul ini membicarakan f.d.p distribusi
Binominal negatif,f.d.p distribusi Binominal Geometri,penggunaan
fungsi pembangkit momen untuk menentukan mean dan varians dari
distribusi Binominal Negatip, dan distribusi Geometri
2.Deskripsi: Kajian dalam modul ini mencakup materi bahasan tentang
distribusi Binominal Negatip,distribusi Geometri,f.d.p distribusi
Binominal Negatip,f.d.p distribusi Binominal Geometri, dan
penggunaan fungsi pembangkit momen untuk menentukan mean dan
varians dari distribusi Binominal Negatip ,dan distribusi Geometri
36
3.Prasyarat: Telah mengikuti perkuliahan Statistika Dasar, dan
Kalkulus II
4.Tujuan Intruksional Umum:
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
Misalkan sebuah percobaan random diulangi sampai terdapat

sejumlah sukses tertentu. Besar peluang x kali sukses dari n kali
percobaan, jika n tetap,yang mana ingin diketahui peluang bahwa
sukses ke k terjadi pada percobaan ke x. Percobaan seperti ini
disebut percobaan binominal negatip. Anggaplah peluang untuk
mendapatkan satu sukses yang didahului oleh(k-1) kali sukses dan(x-k)
kali gagal dalam urutan tertentu. Dalam hal ini setiap percobaan saling
bebas terhadap percobaan lainnya ,sehingga peluang yang bersesuain
setiap hasil dapat diperkalikan.jika peluang sukses p dan peluang gagal
dengan q=1-p, maka peluang yang berakhir dengan sukses adalah
sebesar
Banyaknya percobaan yang berakhir dengan sukses setelah terjadi
(k-1) kali sukses dan (x-k) kali gagal dalam urutan sembarang sama
dengan banyaknya cara memisahkan (k-1) percobaan menjadi dua
kelompok ,yakni yang masing-masing beranggotakan (k-1) kali sukses
dan (k-1)kali gagal yaitu sebanyak cara.
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
=
Jadi pada distribusi Pascal berlaku ketentuan

Selanjutnya jika dari f.d.p distribusi pascal diatas diambil r = 1 maka
bentuk f.d.p dari v.r X diatas menjadi yang dinamakan
f.d.p dari distribusi geometri .Dengan f.p.m mean dan varians didapat
sebagai berikut;
Jadi untuk t < -lnq
41
Kemudian
Jadi ;
Maka pada distribusi geometri berlaku :

dan
Contoh 1
Misalkan hasil percobaan yang diperoleh dari empat belas kai
percobaan pertama dari beberapa kali percobaan yang dilakukan adalah
sebagai berikut ;S,G,G,S,S,S,G,G,G,G,S,S,S,S dengan peluang sukses
42
p=0,7 dan peluang gagal q=0,3.Maka jumlah semua urutan yang
mungkin dapat ditulis dengan menyusun G dan S kecuali sukses
terakhir.Jumlah semua urutan yang mungkin adalah cara memisahkan
ketigabelas percobaan pertama menjadi dua bagian yakni tujuh kali
sukses dan enam kali gagal yaitu cara.
Dengan demikian peluang sukses yang kedelapan pada percobaan
keempatbelas adalah:
Pandanglah sebuah pengulangan secara bebas sebuah percobaan

random dengan peluang sukses p dan peluang gagal (1-p).Untuk
menghasilakan distribusi geometri ,percobaan
Bernaulli diulangi sampai mendapatkan sukses pertama dan kemudian
hentikan. Total percobaan adalah jumlah percobaan yang gagal + 1 kali
percobaan sukses.
Jika jumlah total percobaan itu K, maka :
Percobaan yang gagal = K – 1 kali
Percobaan yang sukses = 1 kali
percobaan
43
G G G G …………………S (sukses pertama)
(K-1) kali gagal

Andaikan peluang munculnya sukses = p maka muncul gagal = 1 – p =
q.
Dengan demikian, peluang yang gagal adalah (K – 1) (q) = (K – 1) (1 –
p)
Peluang sukses = p, sehingga P(X=K) = (1 – p)(1 – p)…(1 – p).p
Dengan kata lain :

F(x) = P ( X=K) = (1 – P) .p=pq ……x = 1,2,…,dan 0 untuk
lainnya
Apakah f(x) = pq suatu f.d.p?

Jawab : jika f(x) suatu f.d.p maka = p +pq + pq + ...
= p(1+q+q +q +…)
deret geometri
44
S =
Jadi f(x) suatu f.d.p
Contoh 2. Dalam sebuah pameran ketangkasan para penjahit pakaian,

sebuah toko grosir menyeponsori permainan dengan sandi SAVE game.
Jika seseorang mampu untuk mengumpulkan keempat S, A, V, dan R
akan mendapat hadiah. Seorang yang rajin bernama Y telah
mangumpulkan tiga huruf S, A dan E ingin mendapat huruf V untuk itu ia
harus pergi ke toko grosir itu. Peluang untuk memperoleh V pada setiap
kali ke toko sebesar 0,002. Andaikan X menyatkan banyakya angka
kunjungan ke toko sampai mendapatkan huruf V yang pertama,
tentukanlah :
a.Fungsi peluang dai X
b.Besar peluang bahwa dia memperoleh huruf V pertama pada
kunjungan ke dua puluh.
c. Besar peluang bahwa dia akan berhasil jika dia tidak lebih dari tiga
kali ke toko itu
Jawab :
a.f(x) = pqx-1 = 0,002(0,998)x-1
45
b.f(20) = 0,002(0,998)19 = 0,0019
c. P(X3) = 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
Contoh 3. Berapa besar peluang munculnya angka 4 yang petama

pada pelemparan 1 dadu yang ke 5 ?
Jawab : P(X = 4) =
Contoh 4. berapa peluang munculnya angka 4 ke 2 kali pada
pelemparan 1 dadu ke 10?
Jawab : Di sini r = 2; p = dan x = 8 (gagal)
Jadi : P(X=4) = (hitung sendiri)
6.1.1. Rangkuman
Banyaknya percobaan yang berakhir dengan sukses setelah terjadi

(k-1) kali sukses dan (x-k) kali gagal dalam urutan sembarang sama
dengan banyaknya cara memisahkan (k-1) percobaan menjadi dua
46
kelompok, yakni yang masing – masing beranggotakan (k-1)kali sukses
dan (x –k) kali gagal yaitu sebanyak cara.
Rumus umunya didapat denganmengalikan dengan dan
dengan peluang sukss terakhir p, sehingga menjadi .p =
.p, untuk x = k, k+1,k+2,……,sehingga B (x,k,p) =
k, k+1,k+2,……atau :
Pada distribusi Pascal berlaku ketentuan :
a.f,d,p dari v.r X f(x) = , x = 0,1,2,…dan nol untuk yang lainnya.
b.f,p,m dari v.r Xadalah M(t) =
c. mean dan varians masing-masing
Pada distribusi Geometri berlaku ketentuaan :
a.f,d,pdari v.r X adalah f(x) = untuk x = 0,1,2,…, dan nol untuk yang
lain.
b.f,p,m dari v.r Xadalah M(t) = , untuk t < -ln q
c. mean dan varians masing-masing
Untuk menghasilkan distribusi geometri . percobaan Bernaulli diulangi
sampai mendapatkan sukses pertama dan kemudian hentikan.
6.1.2. Latihan 16.

47
6.1.2.1. Tes Objektip.
1. Jika diketahui f.d.p dari distribuso Pascal adalah
Maka f.p.m dari distribusi ini adalah M(t)=…
a. b c. d.
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
4. Jika diketahui f.d.p dari disribusi Geometri adalah ; x = 0,1,2,

…
Maka f.p.m dari distribusi ini adalah M(t)=…
a. b.
c. d.
48
5. Jika kita mengacu pada soal nomor 4, maka mean distribusi ini adalah
:
a. b. c. d.
6. Jika kita mengacu pada soal nomor 4, maka varians distribusi ini
adalah :
a. b. c. d.
7. Dalam sebuah permainan ketangkasan yang diberi sandi GAME. Jika

seseorang pemain mampu untuk mengumpulkan keempat hurugf G, A,
M dan E yang diambil di suat tempat khusus maka ia akan mendapat
hadiah. Sa Ali telah mampu mengumpulkan tiga huruf G, A dan E, dan
untuk mendapatkan huruf M, Ali harus pergi ke tempat khusus tadi.
Peluang untuk memperoleh huruf M pada setiap kali ke tempat khusus
itu sebesar 0,005. Jika X menyatakan banyaknya angka kunjungan ke
took sampai mendapatkan huruf M yang pertama, maka bentuk funsi
peluang dari X adalah f(x) = …
a. 0,005(0,995) ; x = 1, 2, … b. 0,95(0,05) ; x = 1, 2, …
c. 0,05(0,995) ; x = 1, 2, … d. 0,95(0,5) ; x = 1, 2, …
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.
7.Jika kita mengacu pada soal nomor 6, maka

a. 0,1736 b. 0,7136 c. 0,7631 d. 0,6371
6.1.2.2. Tes Uraian

1.Jika diketahui v.r X memenuhi distribusi Poisson sehingga P(X=1) =
P(X=2), tentukanlah P(X=4). Jawab. 0,09
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) =
3.Jika diketahui v.r X memenuhi distribusi Poisson dengan = 100.

Gunakanlah ketidaksamaan Chebyshev untuk menentukan batas
bawah dari P( 75<X<125). Jawab: 0,84
4.Misalkan v.r.X dan Y memiliki f.d.p gabungan

y = 1,2,...,dan nol untuk yang lainnya. Tentukanlah:a. M(t1,t2) b.
Jawab: b. s
5.sebuah mesin foto copy dalam memfoto copy 1000 lembar akan
membuat kerusakan satu lembar kertas. Pada saat kita akan memfoto
copy sebanyak 250 lembar, berapa besar peluang akan terdapat
kerusakan: a. Kurang dari 5 lembar b. Antara 3 dan 5 lembar.
Jawab: a. 0,9999 b. 0,0021
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.
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.
6.Kegiatan Perkuliahan 18.

6.1. Pengkajian Materi dan Contoh
54
Fungsi Gamma didefenisikan sebagai:
Dari kalkulus diperoleh bahwa nilai , sehingga akan diperoleh pula
:
= 0+
= , dn jika diintegralkan lagi akan menghasilkan :
, sehingga:
Jadi:
Selanjutnya jika diganti denganb

, atau :
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:
Variabel random X yang memiliki f.d.p berbentuk seperti ini dinamakan

distribusi Gamma dengan parameter-parameter α dan β, sedangkan f(x)
disebut f.d..p Gamma . Fungsi pembangkit moment untuk distribusi
Gamma ditulis dengan :
M(t) = (1-βt)-α , dimana 1-βt > 0, atau t < , dan mean dan varians untuk
distribusi Gamma masing-masing :
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 :
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 :
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
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
1.menuliskan rumus fungsi Beta.
2.menentukan fungsi distribusi Beta dengan baik.
3.menetapkan fungsi densitas dari distribusi Beta.
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
=
Contoh 11. Andaikan diketahui waktu tunggu memiliki f.d.p. Gamma

dengan α = k, dan , maka hitunglah E (W).
Jawab : , sehingga waktu tunggu yang dibutuihkan
untuk k = 1 kali perubahan adalah sebesar yang berupa
kebalikan dari λ.
Contoh 12. Misalkan diketahui v.r. X sedemikian rupa sehingga berlaku
, untuk m = 1,2,3,….
Kemudian fpm dari X dihasilkan oleh sebuah deret
Ini adalah sebuah deret Maclaurin untuk (1-3t)-1, untuk -1<3t<1,

sehingga menurut fungsi Gamma diperoleh α = 4, dan β = 3
Contoh 13. Tentukanlah konstanta c sedemikian rupa sehingga f(x) =

cx(1 x)3, untuk 0<x<1, dan nol untuk x lainnya, merupakan f.d.p. beta.
Jawab :
Rumus distribusi beta adalah : , untuk α > 0, β > 0
64
Jadi f.d.p beta adalah : , dan kalau dibandingkan dari
soal yang diketahui bahwa , maka hubungan
adalah :α = 2.
6.1.1. Rangkuman
Distribusi Beta didefenisikan sebagai berikut :
= 0, untuk x lainnya, α, β>0

Pada distribusi beta berlaku
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.
4.Jika diketahui f.d.p dari distribusi beta adalah sebagai berikut:

f (x) = , dan nol untuk x lainnya, maka
a. b. c. d.
66
5.Jika mengacu pada soal no 4 maka varians
a. b. c. d.
6.6.1.2.2. tes uraian

1.jika diketahui f.d.p distribusi beta adalah f(x) =cx(1-x)3, 0<x<1, nol
untuk yang lain. Tentukanlah nilai c. jawab: 20
2.sama dengan pernyataan nomor 1, tetapi f.d.p nya adalah

f(x)=cx4(1-x)5, 0<x<1, nol untuk yang lain. Jawab: 1260
3.Sama dengan pertanyaan nomor 1, tetapi f.d.p nya adalah
f(x)=cx2(1-x)8, 0<x<1, nol untuk yang lain. Jawab: 495
4.Tentukan mean dan varians dari soal nomor 1. Jawab: , dan
67
68
Distribusi Eksponensial
1.Pengantar
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
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.
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
Pengkajian Materi dan Contoh.
Jika pada distribusi gamma diambil dan maka diperoleh :
Variabel random X sepert I ini dikatakan mempunyai distribusi

eksponensial dengan parameter , dan dengan demikian fpm, mean
dan varians akan menjadi:
M(t) = (1 - t)-1, untuk (1 - t) > 0, atau t <
µ = = , dan 2 = 2 =
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
Hitunglah peluang bahwa bola lampu memiliki daya tahan hidup

lebih kecil dari 1000 jam, bila pemilihan satu bola lampu dilakukan
secara random.
Jawab:
Fungsi distribusi komulatif f(a) = P (X < a) digunakan untuk
menghitung P (X 1000)
P (X < a) = f(a) = = 1 – e-a / 1000
Jadi P(X 1000) = F(1000) = 1 – e-1 = 0,632
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:
6.1.2 latihan 20.

6.1.2.1. tes objektif.
1. Jika pada distribusi eksponensial diperoleh jika pada distribusi
gamma diganti:
a. α= 1, β=
75
b. α= , β=1
c. α=λ, β= d.
α= , β=λ
2. Fungsi densitas peluang dari distribusi eksponensial adalah
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
6.1.2.2 Tes uraian.

1.Jika diketahui bentuk f.p.m dari distribusi eksponensial
tentukanlah mean dari variasi distribusi ini. Jawab : ,dan
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
4.Misalkan T menyatakan usia kabel radio(dalam bulan)dengan f.d.p
Jika berapa lamakah usia yang dijamin perusahaan kabel

radio tersebut jika kita mengingikan peluang sebesar 0,80 bahwa
sebuah kabel akan memenuhi garansi itu? jawwab: 11 bulan
Distribusi Khi Kuadrat ( ) 2
1.Pengantar
Model ini memuat kajian khusus tenetng apa yang dimaksud

dengan distribusi Khi Kuadrat,apa hubungan antara distribusi Gamma
dengan distribusi Khi Kuadrat,bagaimana menentukan f.d.p distribusi khi
78
kuadrat,bagaimna menentukan mean dan variasi dari distribusi khi
kuadrat,dan penerapan distribusi khi kuadrat pada statistika.
2.Deskripsi : Kajian dalam modul ini mencakup materi bahasan
distribusi khi kuadrat.apa hubungan antara distribusi Gamma dengan
distribusi khi kuadrat,bagaimna menentukan f.d.p distribusi khi
kuadrat,bagaimna menentukan mean dan variasi dari distribusi khi
kuadrat,dan penerapan distribusi khi kuadrat pada statistika.
3.Prasyarat : Telah mengikuti perkuliahan Statiska Dasar,dan Kalkulus
II
Dengan mempelajari modul ini diharap kan mahasisiwa dapat
memahami konsep tentang distribusi kuadrat,apa hubungan antara
distribusi gamma dengan distribusi khi kuadrat,bagaimna menentukan
f.d.p distribusi khi kuadrat, menentukan mean dan variasi dari distribusi
khi kuadrat,dan penerapan distribusi khi kuadrat pada statistika.

Setelah mempelajari modul ini,mahasiswa diharap khan dapat:
1.menentukan bentuk distribusi khi kuadrat

79
2.menentukan hubungan distribusi gamma dengan distribusi khi
kuadrat
3.menetapkan fungsi densitas peluang distribusi khi kuadrat.
khi kuadrat
5.menetapkan distribusi khi kuadrat pada distribusi lainnya.

6.1. Pengkajian Materi dan Contoh.
Apabila dan fungsi Gamma diganti (r bilangan bulat ), dan ,
maka :
untuk 0 < x <

= 0 untuk x lainnya.
alam hal ini
80
Dikatakan memiliki distribusi khi kuadrat dengan derajat kebebasan
sebesar r. Kemudian fpm dari distribusi ini akan menjadi :
untuk t <
dan
Contoh 1. Diketahui v.r.X memiliki f.d.p untuk 0 < x <

= 0.untuk x lainnya
Kemudian diketahui pula v.r.X berdistribusi
Dari hal yang diketahuio di atas terlihat bahwa r = 4, dan = 2r = 8,

sehingga :
untuk t <
Contoh 2. Jika v.r.X mempunyai fpm M(t) = 1-2t) -8, untuk t , maka
v.r.X berdistribusi
Catatan :Jika v.r.X berdistribusi maka untuk nilai c1<c2, akan

diperoleh peluang P( P -P , selamaP P =0
81
Untuk menghitung peluang seperti itu kita memerlukan nilai integal
seperti :
P
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 :
G(y) = = , jika y > 0.
Dengan demikian Y berdistribusi

6.1.1. Rangkuman
Distribusi Khi Kuadrat merupakan hal yang dari fungsi gamma jika
diganti dengan (bilangan bulat), dan = 2, sehingga f.d.p menjadi :
untuk 0 < x < ,dan 0 untuk x lainnya Distribusi
semacam ini ditulis dengan :

Dikatakan memiliki distribusi khi kuadrat dengan derajat kebebasan
sebesar r.kenudian fpm dari distribusi ini akan menjadi:
Selanjutnya,f.p.m,mean dan variasi masing-masing dituliskan dengan:
untuk t < , dan
6.1.2. Latihan 2.1
83
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
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
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
6. kegiatan perkuliahan 22.
88
Dari pelajaran kalkulus telah dibuktikan bahwa:
sehingga
………………..(1)
Misalkan ,
sehingga (1) menjadi :
yang mana dalam hal ini fungsi

densitas peluang menjadi :
89
,
Jadi f.d.p distribusi normal adalah

Jadi sebuah v.r tipe kontinu yang memiliki f.d.p f(x) seperti di atas
dinamakan memiliki distribusi normal, dan setiap f(x) berbentuk ini
disebut f.d.p normal, dan biasanya ditulis dengan N(a,b2)
Selanjutnya untuk menentukan mean dan varians digunakan
bantuan f.p.m yakni :
M(t) = =
90
=
Jadi, f.p.m untuk distribusi normal adalah :
91
Kemudian untuk menentukan mean dan variasi dilakukan dengan cara
berikut :
Jadi mean dan varians, serta fpm dari distribusi normal adalah :
dengan μ dan σ2 parameter. Dengan

demikian fdp distribusi normal menjadi :
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
Teorema 1 .jika v.r X adalah

Bukti : Misalkan fungsi distribusi dari Y adalah G(y), maka untuk
Misalkan :
93
Sehingga ( ) menjadi :
g(y)= G (y) ,berlaku untuk

jadi terbukti bahwa Y adalah N(0,1).
94
Penggunaan Tabel untuk Fungsi Kurva Normal .
Misalkan X berdistribusi N ( ) ,dan dengan ,maka :
,sehingga
Dengan demikian peluang untuk X yang berdistribusi N( ), dapat

dinyatakan dalam bentuk Y yang N(0,1),akan tetapi integral
tidak dapat dinilai dengan teorema dasar kalkulus ,karena anti derivative
dari tidak dapat dinyatakan sebagai sebuah fungsi elementer. Untuk
itu sebagai pengganti ,maka tabel pengganti yang disebut Tabel Kurva
Normal telah dibakukan untuk beberapa nilai k.
Lambang untuk fungsi kurva Normal yang digunakan adalah
Dengan demikian, jika X berdistribusi ,maka :
95
Dapat pula dibuktikan bahwa N(-x) = 1-N(x) sebagai berikut :
Jika dimana merupakan fungsi genap sehingga

berlaku :
Dengan demikian diperoleh :
Jadi N(-x) = 1-N(x)
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 :
Dengan menggunakan Tabel Kurva Normal akan diperoleh hasilnya

sebagai berikut :
Atau :
sehingga diperoleh
Teorema 2. jika v.r X berdistribusi

Berdistribusi
Bukti : Misalkan ,maka T berdistribusi N(0,1) dan Y=
Andaikan fungsi distribusi dari v.r.Y adalah G(y),untuk y 0,maka :
98
Misalkan :
atau ,maka 2tdt = ds, dan dt ,dan selanjutnya
untuk t = 0, maka s = 0 , dan untuk ,maka s = y.
kemudian f.dp dari Y adalah :

g(y) = G’(y) =
= , untuk 0<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
merupakan f, d, p dari Y berdistribusi .
Grafik kurva distribusi normal adalah sebagai berikut:

Catatan : Cara untuk melukis kurva normal:
1.Tentukan sumbu simetri pada garis x =
2.Tentukan harga maksimum
3.Tetapkan absis x = asymtot horizontal
4.Tentukan titik- titik belok pada garis x =
Sifat- sifat grafik distribusi normal

1.Simetris terhadap garis x=
2.Total luas di bawah kurva di atas sumbu X adalah 1
Jika , maka Z : N( 0, 1), dan Z dikatakan mempunyai distribusi

normal standart atau distribusi normal baku, sehingga:
f(z)=
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)
Z : N(0,1) sudah ditabelkan
Variabel random baku :
N(x) =
Teorema : Jika X : N ( , maka
V=
Bukti : Melalui fungsi distribusi :
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
Maka V adalah berdistribusi
Distribusi Normal Bivariat

Pandang fungsi :
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
2s1s 2 1  r
sebagai berikut :
(1 – r2)q =
= , atau :
q= , dan (*) berobah menjadi :
f ( x, y) =
f ( x, y) =
104
dy
dy = 1
dalam hal imi dy berdistribusi NB: (p, )
f1(x) ,- ∞< x < ∞
1
f (x,y)satu fdp gabungan dari X dan Y
Dengan cara yang sama akan diperoleh distribusi untuk y sebagi
berikut :
105
Jadi N(-x) = 1- N(x)
Jika diketahui suatu f.d.p gabungan memenuhi tiga syarat :

a). f(x,y) adalah f.d.p gabungan dari v.r.X dan v.r Y
b). V.r X berdistribusi N ,dan v.r Y :
c). adalah koefisien korelasi antara v.rX dan v.Ry, maka f.d.
gabungan seperti itu dinamakan f.d normal bivariat.
Mean bersyarat Y yang diberikan oleh X = x ditulis dengan
106
Mean bersyarat X yang diberikan oleh Y = y ditulis dengan
6.1.2. Latihan 22.

6.1.2.1 Tes objektif
1. Jika diketahui v.r Z berdistribusi normal dengan mean sebesar 24 dan

varians 16 , Maka
a.0,77 b.0,67 c.0,57 d.0,47
=
= N(0,375)-N(-0,25) = N(0,375) – [1- N(0,25)]
= N(0,375) + N(0,25) -1
= 0,65 + 0,60 -1
2.Jika diketahui v.r Y berdistribusi normal baku ,maka
a. 0,56 b. 0,66 c. o,76 d. 0,863
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%
4. Diketahui rerata nilai matematika sejumlah siswa adalah 62 dengan

simpangan baku sebesar 20 , dan diasumsikan bahwa nilai berdistribusi
normal. Jika 10% siswa yang memiliki nilai terbaik diberi hadiah, maka
nilai terendah mahasiswa yang mendapat hadiah adalah sebesar : ….
a. 57,60 b. 67,60 c. 77,60 d.87,60
sehingga , dan x = 87,6

5. Jika X: N (75,100),maka
a.0,67 b. 0,685 c. 0,695 d. 0,690
6. Jika v.r X berdistribusi normal dengan f.d.p f(x) ,maka nilai c

adalah sebesar :
a. b. c. d.
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
8. Mengacu pada soal nomor 7 di atas maka nilai variansnya adalah

sebesar …...
a. 198,7 b. 981,7 c. 189,7d. 978,1
6.1.2.2. Tes Uraian

1. Jika v.r X memiliki f.p.m M(t)= ,hitunglah nilai P(-1 <X< 9)
Jawab : 0,7745
2. Jika v.r X berdistribusi normal(5,10) tentukanlah P(0,04 <(X-5) 2 <
38,4)
Jawab : 0,90
3. Jika v.r X berdistribusi normal(1,4) tentukanlah P(1 <X2 < 9)
Jawab : 0,477
4. Jika v.r X berdistribusi normal(75,25), hitunglah peluang bersyarat
bahwa X lebih besar dari 80 terhadap hipotesis bahwa X lebih kecil
daripada 77.
109
Jawab : 0,461
5. Misalkan X1, X2,dan X3 aling bebes stokastik, masing-masing
berdistribusi normal N(0,1), N(2,4), dan N(-1,1). Hitunglah peluang
bahwa dua dari tiga variable tersebut adalah lebih kecil daripada nol.
Jawab : 0,433
6. Misalkan Y dan Y memiliki distribusi normal bivariate dengan
parameter-parameter
µ1 = 3,µ2 =1 ,σ12 = 16, σ22 = 25, dan ρ = .
Tentukanlah pelung dari:
a.P(3< Y <8) b. P(3< Y <8/x=7) c. P(-3< X <3) d. P(-3< X <3/y=-4)
Jawab : a. 0,264 b. 0,440 c. 0,433 d. 0,642
parameter-parameter
µ1 = 5,µ2 =10 ,σ1 = 1, σ22 = 25, dan ρ > 0. Jika peluang dari P(4< Y
2
<16/x=5) = 0,954,
tentukanlah ρ.
Jawab : ρ =
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
2. Prasyarat :Telah menetahui beberapa tentang distribusi khusus

dan f.d.p yang sesuai,
serta telah mean dan varians dari berbagai distribusi khusus
tersabut.
3.Tujuan Instruksional Umum

Setelah mempelajari in diharapkan mahasiswa dapat memahami
tentang teknik mencari fungsi distribusi dan fungsi densitas peluang,
teknik transformasi bentuk diskret dan kotinu dari berbagai distribusi
khusus.
1. menjelaskan maksud dariteori smpling secara benar.
2. Mendefenisikan fungsi dari satu variabel atau lebih yang
bergantung atau tidak bergatung pada suatu parameter.
3. Menentukan mean dan varians dari sebuah sampel random.
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).
Contoh 1. Misalkan diketahui v.r X1,X2,dan X3 saling bebas

stokastik,dengan masing-masing fdp f(x)=2x, untuk 0<x<1,dan nol
untuk x lainnya. Maka fdp gabungan dari X 1,X2,dan X3 adalah f(x1).
f(x2). f(x3)=8x3 , untuk 0<xi<1, dan nol untuk xi lain, i=1,2,3.
Contoh 2. Distribusi Bernoulli f(x)=px(1-p)1-x, untuk x=0,1, dan 0 untuk x
yang lain,adalah suatu fdp statistik.
Definisi 3.Andaikan X1,X2,..... Xn, menyatakan suatu sampel random
berukuran n dari distribusi yang diberikan. Statistik seperti:
117
dinamakan mean sampel random dan
yang disebut varians dari sampel random.

Catatan : Beberapa penulis tidak mendefinisikan varians dari sampel
random seperti cara di atas, tetapi dengan cara : , dan
itu cukup beralasan juga. Selanjutnya, andaikan x1,x2,...xn
menyatakan nilai-nilai percobaan dari v.r X. Dengan f.d.p f(x) dan
fungsi distribusinya F(x). Tampak bahwa nilai-nilai x1, x1,x2,...xn
sebagai nilai eksperimen dari sampel random berukuran n yang
diberikan oleh fungsi distribusi itu. Distribusi sampel ini kemudian
didefinisikan untuk distribusi yang diperoleh dari peluang dari
titik-titik x1,x2,...xn yang bertipe diskrit.
Keterkaitan antara fungsi distribusi ini dinyatakan dengan fungsi

Fn(x) dan kalau dilukiskan akan menghasilkan suatu fungsi tangga. Kalau
diandaikan fx menyatakan sejumlah nilai-nilai
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”.
Selanjutnya, karena distribusi sampel merupakan suatu distribusi tipe

diskrit maka besaran mean dan varians masing-masing didefinisikan
dengan:
dan
Teori distribusi random sampling ini merupakan masalah umum

untuk menemukan fungsi fungsi distribusi terhadap unsur-unsur suatu
sampel random.
Jika X1,X2,..... Xn adalah variabel-variabel random, maka distribusi dari Y=
µ(X1,X2,..... Xn) ditentukan dengan menghitung fungsi distribusi dari Y,
namakanlah : G(y)=P[µ(X1,X2,..... Xn)≤y]
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).
Contoh 4.Misalkan X1,X2,dan X3 adalah v.r berukuran tiga dari suatu

distribusi normal N(6,4). Tentukan peluang harga sampel minimum
8.
Jawab : Jika N(6,4) berarti µ=6, dan =2. Untuk Xi;1,2,3 maka Xi = 8.
Sehingga
120
P(8<Xi, i=1,2,3) = π) exp
= 1- [N(1)]3 = 1-(0,84)3 =0,405
Contoh 5. Andaikan X1, dan X2 adalah sampel random dari suatu

distribusi yang memiki f.d.p f(x)= 2x,0<x<1, dan nol untuk yang
lain. Tentukan
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.
5.2.Teknik Fungsi Mencari Distribusi dari Y = µ(X1,X2,..... Xn).

a.Teknik Fungsi Distribusi.
Untuk menjelaskan penggunaan teknik distribusi ini ada baiknya kita
jelaskan melalui contoh berikut ini.
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.
Jika Y = µ(x) = . Apakah f.d.p dari Y?

Jawab : Misalkan f.d.p dari Y adalah G(y) maka:
G(y)=P(X≤y)= ,sehingga: G(y)=
Dan g(y)=G’(y)=
Di mana
123
Di mana
Jadi distribusi Y adalah Khi Kuadrat dengan derajat kebebasan r.
Contoh 10.Misalkan X1,X2, suatu s.r dari distribusi X : N(0,1) dengan

Apakah fdp dari Y?
Jawab :
Jika X1,X2,adalah sampel random berukuran 2, dan saling bebas

stokatik, maka :
Selanjutnya fdp gabungan dari X1 dan X2 adalah:
124
Kemudian andaikan H(y)=P(Y≤y) merupakan fungsi distribusi dari Y,
maka:
H(Y)=P(Y≤y)=p[ ]
Dengan menggunakan koordinat kutub akan diperoleh :
Untuk terdapat sehingga

Korespondensi 1-1 mempunyai invers
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 :
Kemudian f.d.p dari Y1, dan Y2 namakanlah dengan :

, untuk (y1,y2)
=0, untuk (y1,y2) lainnya
Contoh 15. misalkan v.r X1 dan X2 bebas stokastik berdistribusi Poisson

dengan masing-masing mean μ1, dan μ2, dan f.d.p gabungan dari X1,
dan X2 adalah :
untuk x = 0,1,2,… x2 = 0,1,2,….
126
untuk x1,x2 lainnya.
Jika Y1=X1 + X2, dan Y2 = X2 tentukanlah :
a). f.d.p gabungan dari Y1dan Y2, dan b) f.d.p marginal Y1
jawab: dan , sehingga fungsi iinversnya adalah , dan
dan dan merupakan transformasi satu-satu yang
memetakan A pada dan Dengan demikian f.d.p
gabungan dari Y1 dan Y2 adalah :
untuk (y1,y2)
= 0, untuk (y1,y2) lainnya
= untuk
= 0 untuk yang lain.
Selanjutnya f.d.p marginal dari Y1 adalah:
= untuk untuk y1=0,1,2,……….

= 0 , untuk yang lainnya
Tampak bahwa Y1=X1+X2 memeiliki distribusi Poison dengan parameter
127
Contoh 16.
Diketahui v.rX dan Y bebas stokastik dan masing-masing berdistribusi
binomial B(n1,p), dan B(n2,p). tentukanlah :
a.f.d.d gabungan dari V = X + Y, dan W = Y

b.f.d.p marginal dari V
petunjuk: Gunakan rumus , dan juga kesetaraan:

(1+x)n1 (1+x)n2 = 1 (1+x)n1+n2
jawab: Jika X : B(n1,p) maka f1(x) = untuk x = 0,1,2,……….., n1
dan Y : B(n2,p) maka f2(y) = untuk y = 0,1,2,……….., n2
karena bebas stokastik, maka:
g(x,y)= f1(x), f2(y) = = 0,1,2,…n1; y = 0,1,2,….,n2
Himpuan A = {(x,y); x = 0,1,2,…,n1, y = 0,1,2,….,n2}
Himpuan B = {(x,y); x = 0,1,2,…,n1, y = 0,1,2,….,n2}
Dalam hal ini v=x+y dan w=y, sehingga fungsi inversnya adalhx = v-w,
dan w=y, dan v=x+y dan w = y merupakan transformasi satu-satu yang
memetakan himpunan A = {(x,y);x = 0,1,2,…..n 1, y = 0,1,2,….,n2} pada
himpunan B= {(x,y) ; x = 0,1,2,….,n1, y= 0,1,2,…,n2}
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:
= 0, untuk yang lain

Tampak bahwa Y1 + X2 memiliki distribusi B(n1+n2,p)
c). Transformasi variabel Tipe Kontinu.

Pada Bab terdahulu telah dikemukakan tentang transformasi satu-
satu dan menetapkan himpunan A dan himpunan B di bawah
transformasi tersebut. Ide ini cukup membantuk untuk menemukan
distribusi suatu fungsi dari beberap variabel tipe diskrit. Kemudian akan
dicontohkan pula masalah yang sama untuk variabel random tipe
kontinu.
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) =
. Kemudian tulis kembali integral dengan mengganti
integral variabel dari x ke y dengan menulis y-8x 3 atau x -

, dan kemudian diperoleh.
. Karena hal ini adalah benar utnuk setiap
0<a<b<8, maka f.d.p dari Y yaitu:
, untuk 0<y<8
130
= 0, untuk x lainnya
Dengan demikian kita telah menemukan f.d.p dari v.r Y = 8x 3 dengan
menggunakan sebuah teorema perubahan variabel pada integra
tertentu. Walau demikian, untuk mendapatkan g(y) sebenarnya kita telah
memerlukan hanya dua hal, yaitu:
(1) Himpunan  terhadap titik- titik y dari g(y) > 0, dan
(2) Integrand dari integral pada y untuk mana P(a<Y<b) adalah
sama.
Hal tersebut dapat ditemukan dengan aturan sederhana.

a.Buktikan bahwa transformasi y = 8x3 dengan menetapkan A =
{x;0<x<1} pada  {y;0<y<8} dan transformasi itu adalah satu-
satu.
b.Tentukan g(y) pada himpunan  dengan mensubtitusikan x =
ke dalam f(x) dan kemudian hasilnya dikalikan dengan derivatif
dari , sehingg diperoleh:
, untuk 0<y<8
=0 , untuk x lain
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:
g(y)= f[w(y)]w(y), untuk y  

=0 , untuk lainnya
dimana w’(y)  menyatakan harga absolut dari w’(y)
dalam hal ini w’(y) disebut sebagai Jacobian (ditulis dengan J)
terhadap transformasi tersebut. Jadi J = w’(y) di mana x = w(y)
cotnoh 19. Misalkan X memiliki f.d.p f(x)=1, untuk 0<x<1, dan 0 untuk x
lainnya.
Buktikan bahwa v.r.Y = -2 ln X memiliki distribusi Khi Kuadrat
dengan db=2.
Bukti: Dalam hal ini transformasi yang digunakan adalah y=(x) = -2 ln x,
sehingga: . Di sini daerah A = {x;0<x<1}, yang mana
132
transformasi satu-satu y=-2 ln x memetakan pada  = {y;0<y<}.
Selanjutnya transformasi Jacobian adalah . Sejalan
dengan itu f.d.p dari Y = -2 ln X adalah:
, untuk 0<y<
=0 , untuk y lainnya.
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
mendefinisikan transformasi satu-sat terhadap pemetaan(dua

dimensi) A pada bidang x1,x2 ke pada himpuan B pada bidang
y1,y2.kita menyatakan masing-masing x1 dan x2 dalam pasangan
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
Untuk menentukan himpunan B pada bidang y1y2 yang mana

himpunan A dipetakan di bawah transformasi tersebut, sehingga daerah
A ditransformasikan sebagai berikut ke daerah B.
135
Deteminan Jacobian dihitung sebagai berikut:
Seterusnya, misalkan v.r X1 dan X2 adalah tipe kontinu dengan

f,d,p gabungan dan misalkan pula A merupakan himpunan dua
dimensi dalam bidang x1x2 di mana . Pilihlah adlah
sebuah v.r yang f.d.p nya akan dicari. Jika, dan
mendefinisikan transformasi satu-satu dari A pada B dalam bidang y1y2
maka kita dapat menemukan f.d.p tersebut dengan menggunakan
teorema dalam analisis f.d.p gabungan dari
, dan .
Misalkan A adalah sebuah sub himpunan dari A dan B yang
menyatakan pemetaan dari A di bawah transformasi satu-satu, maka
kejadian-kejadian: (x1,x2)Є A dan (y1,y2)Є B adalah setara, sehingga
136
Dengan metode inegral perubah variabel ditulis:
Kemudian:
Selanjutnya, maka berlaku ketentuan sebagai berikut:

Dan dari sini dapat ditentukan f.d.p
gabungan dari , dan sebagai berikut:
=0 , (y1,y2)lainnya
Sejalan dengan itu maka f.d.p marginal dari v.r Y1 diperoleh

dari f.d.p gabungan dengan integrasi pada y2.
Contoh 20. Misalkan X adalah v.r dengan f.d.p.f(x)= I, untuk 0<x<1;
= 0 untuk x lainnya.
137
Andaikan X1,X2 menyatakan sebuah sampel random dari
distibusi tersebut, dan f.d.p gabungan dari X1 dan X2
adalah:
Kemudian jika , apakah d.f.p gabungan dari Y1 dan Y2?

Jawab: Di s1ini daerah A berdimensi dua dalam bidang .
Transformasi satu-satu dari
Memetakan A pada ruang B atau:
sehingga
Dengan demikian diperoleh f.d.p gabungan untuk sebagai berikut:

g(y1,y2)=
= 0, untuk x(y1,y2) lainnya.
Jadi: g(y1,y2)=
=
=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:
=o, untuk lain.
Dengan cara yang sama diperoleh:
= 0, untuk yang lain.

Contoh 21.
Misalkan dan dua v.r yang bebas stokastik dan memiliki distribusi
Gamma dengan f.d.p gabungan:
139
= 0, untuk lainnya.
Misalkan
Buktikanlah bahwa dan adalah bebas stokastik.
Bukti: Ruang A menagandung titik-titik absis di kuadran I pada bidang

.
atau
Maka:
Transformasi satu-satu dan pemetaan A pada B = {(y1,y2): 0 < y1 < , 0 <

y2 < 1} dalam bidang y1y2. Kemudian f.d.p dari Y1, dan Y2 adalah:
= , untuk 0 < y1 < ; 0 < y2 < 1
140
= 0, untuk (y1y2) lainnya.
Dengan jalan yang sama diperoleh f.d.p marginal dari Y2 sebagai berikut:
= untuk 0 < y2 < 1

= 0, untuk yang lainnya.
Ini adalah distribusi Beta dengan parameter α dan . Selama g(y1,y2) 
g1(y1) g2(y2), maka haruslah f.d.p dari Y1 adalah:
untuk 0 < y2 < 
= 0, untuk y1 lainnya
Tugas : Buktikanlah bahwa pada distribusi Beta berlaku :
dan
Contoh 22. Misalkan Y1 = (X1  X2), dan Y2 = X2 di mana X1 dan X2
bebas stokastik, dan masing-masing dengan distribusi 2 (2).
Tentukanlah:
a.f.d.p gabungan dari Y1, dan Y2, dan
b.f.d.p marginal dari Y1
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 :
a). f.d.p gabungan dari Y1 dan Y2 adalah:

untuk (y1,y2)
= untuk (y1,y2) lainnya.
b). f.d.p marginal dari Y1 adalah:
142
-  < y1 < 0
= untuk 0 < y1 < 
Atau : untuk - < y1 < 
f.d.p semacam ini disebut dengan f.d.p double exponential.
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
Jadi: adalah fungsi distribusi normal bivariat dengan 1=2, dan

1=2=1
Contoh 24. Misalkan X1 dan X2 menyatakan sampel random berukuran 2
yang saling bebas stokastik dan masing-masing berdistribusi N(,).
Misalkan Y1=X1+X2 dan Y2=X1+2X2. Buktikanlah bahwa f.d.p gabungan
144
dari Y1 dan Y2 berdistribusi normal bivariat dengan koefisien korelasi  =
Jawab : Jika X1,X2 masing-masing berdistribusi N(,) maka akan

diperoleh f.d.p:
dan
Sehingga f.d.p gabungan dari X1 dan X2 akan menjadi:
. =
atau merupakan transformasi satu-satu dari pada
himpunan
A= pada B = {(y1,y2) ;
Sehingga :
Maka :
g =f
=
145
=
= , berlaku untuk -∞ < y < ∞ ; -∞ < y <

∞
= 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.
Secara umum berlaku: Andaikan v.r X adalah tipe diskrit dengan

f.d.p f(x), dan andaikan A menyatakan himpunan titik-titikdiskrit pada
mana f(x0 > 0, dan pilih y = mendefenisikan transformasi satu-satu
dari A pada B.Jika kita ingin menyelesaikan x dalam y misalnya x =w(y),
maka untuk setiap y , sehingga peristiwa Y = y [atau dan X
=w(y) adalah setara.Sejalan dengan itu f.d.p dari Y adalah :
g(y) = P (Y = y) = P[X =w(y)] = f[w(y)], untuk y
= 0 untuk y lainnya.
Misalkan :
y :A
y
148
x
Kemudian f.d.p dari Y namakanlah g(y ) dengan :
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 =
(X), dimana y = (x) mendefenisikan transformasi satu-satu
sehingga memetakan himpunan A pada B.
Andaikan invers y = (x) dinyatakan dengan x = w(y) dengan

yang kontinu dengan ak menyisakan satupun titik y dalam B, sehingga
f.d.p dari v.r Y = (X) menjadi : g(y) = f
149
=0 , untuk y lainnya
Dimana menyatakan harga absolute dari w’(y).

Dalam hal ini disebut sebagai Jacobian (ditulis dengan
J) terhadap transformasoi tersebut .Jadi J = w’(y) dimana x = w(y).
Seterusnya, misalkan v.r X adalah tipe kontinu dengan f.d.p

gabungan dan misalkan pula A merupakan himpunan dua dimensi
dalam bidang x dimana > 0.Pilihlah Y
adalah sebuah v.r yang f.d.p nya akan di cari.Jika y
mendefenisikan transformasi satu-satu dari arah A pada B dalam bidang
y maka kita dapat menemukan f.d.p tersebut dengan menggunakan
teorema dalam analisis f.d.p gabungan dari Y
.Misalkan A adalah sebuah sub himpunan dari A dan B yang
menyatakan pemetaan dari A dibawah transformasi satu-satu, maka
kejadian-kejadian : adalah setara, sehingga P
150
Dengan metode integral perubah variabel ditulis :
y
y
kemudian :
Selanjutnya maka berlaku ketentuan sebagai berikut :

P . Dan dari sini dapat ditentukan f.d.p
gabungan dari Y sebagai berikut :
g
=0 ,
Sejalan dengan itu maka f.d.p marginal g dari v.r Y

diperoleh dari f.d.p gabungan g(y ) dengan integrasi pada y .
151
6.1.2. Latihan 23.
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
2.Variabel random Y = merupakan contoh yang tepat untuk

suatu :
a.parameter b.statistik c.distribusi komulatif d.fungsi densitas
3.Variabel Y = bukan suatu contoh yang cocok untuk

suatu...... sebab bilangan-bilangan yang tidak diketahui.
a.parameter b.parameter c.statistik d.fungsi densitas
4.Jika Y = maka Y akan berdistribusi :

a. b.N c.G d.B(n,p)
152
5. Jika X1, X2, suatu s.r masing-masing berdistribusi N(0,1) maka v.rY =
. Akan memiliki fdp yang berdistribusi :
a. b. c. d.
6. Jika v.rX berdistribusi Poisson, dengan f.d.p dan nol
untuk x lain, dan didefenisikan pula v.r baru Y = 4X, maka fdp dari Y
adalah :
a. b. c. d.
7. Jika X memiliki f.d.p ; 1,2,3,…, dan Y = u(x) = X3, maka
g(y )=….
a. b. c. d.
8. Jika v.rX dan Y bebas stokastik dan masing-masing berdistribusi
binomial B(n1,P) dan B(n2,P), maka f.d.p gabungn dari V = X + Y, dan
W = Y, g(v,w)=….
a. b.
c. d.
9. Andaikan invers y = dinyatakan dengan dengan yang
kontinu maka f.d.p dari v.rY = menjadi :
153
a. , untuk b. , untuk
c. untuk d. g  y   f wy  , untuk
10. Jika diketahui y = = -2 ln x, maka harga jacobiannya adalah :
a. b. c. d.
11. Jika diketahui transformasi : dan , maka nilai
jacobian = ….
a. b. c. d.
6.1.2.2. Tes Uraian
1. Jika diketahui x1, dimana i = 1,2,….,n, hitunglah nilai dari :

dan
Jawab : dan
2. Misalkan y1 = a + bx, dimana I = 1,2,…,n, dan a,b, merupakan kostanta-
konstanta. Tentukanlah nilai dari dan
Jawab : dan
3. Misalkan X1 dan X2 adlah sample random dari distribusi N(0,1). Tentukan
fungsi densitas peluang dati Y = . Jawab : x2 (2)
154
4. Misalkan X1, X2, dan X3 adalah sampel random berukuran 3 dari sebuah
distribusi dengan f.d.p. f(x) = 5x4, untuk 0<x<1, dan nol untuk yang lain. Jika
Y merupakan unsure terbesar dalam sample tersebut, tentukanlah fungsi
distribusi dan f.d.p dari Y.
Jawab : G(y) = y15, untuk 0 < y < 1, dan g(y) = 15y14, untuk 0 < y < 1
5. Andaikan X1 dan X2 adalah s.r berukuran 2 dari suatu distribusi dengan f.d.p
f(x)= 2 x untuk 0<x<1 dan nol untuk yang lainnya. Buktikanlah bahwa nilai
peluang bersyarat
6. Jika v.r X memiliki f.d.p f(x)= , untuk x = 1,2,3 dan nol untuk yang
lainnya, tentukanlah f.d.p dari Y = 2X + 1. (Jawab : y = 3,5,7.
7. Andaikan v.r X berdistribusi binomial dengan f.d.p :
dan nol untuk yang lainnya.
Tentukan f.d.p v.r Y = X2
Jawab : dan nol untuk yang lainnya.
8. Jika f.d.p gabungan dari X1, dan X2 adalah :
= 0 untuk yang lain

9. Jika f.dp gabungan dari X1, dan X2 yang berdistribusi multinomial adalah :
155
= 0 untuk yang lainnya.
Carilah f.d.p gabungan dari Y1 = X1 + X2, dan Y2 = Y1 + Y2
jawab :
berlaku untuk :
10. Misalkan X dan Y memiliki f.d.p gabungan :
= 0 untuk x,y lainnya

Tentukan a). f.d.p gabungan dari V =XY dan W, dan b). f.d.p marginal dari X.
Jawab : a) , untuk (v,w) , dan 0 untuk (v,w) lainnya.
b)
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
seragam pada interval (0,1). Misalkan dua v.r Y1 = X1 + X2 dan Y2 =
Tentukanlah : (a) f.d.p gabungn dari Y1 dan Y2 (b) f.d.p marginal Y2

Jawab : (a) g(y1,y2) = e , (b) g2(y2) = (Cauchy)
22. 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.
Tentukanlah f.d.p gabungan dari X dan Y.
Jawab : g(x,y) = ; x2 + y2 < 1
23. Jika X1 dan X2 dua v.r yang bebas stokastik masing – masing berdistribusi
N (0,1). Misalkan dua v.r Y1 = dan Y2 = X2.
Tentukanalah f.d.p gabungan dari Y1 dan Y2.
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
seragam pada interval (0,1). Misalkan dua v.r Y1 = X1 + X2 dan Y2 =
Tentukanlah : (a) f.d.p gabungan dari Y1 dan Y2 (b) f.d.p marginal Y2

Jawab : (a) g(y1,y2) = e , (b)g2(y2) = (Cauchy)
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.
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 =
Dengan teknik perubahan variabel di dapat : t = , atau w = dan

misalakan
u = v sehingga w = , yang mendefenisikan transformasi 1-1 terhadap
pemetaan {(w,v) ; -∞ <w< ∞ 0 <v< ∞ } kepada β ={(t,v) ; -∞ <t< ∞
0 <u< ∞ }. Karena w = , u = v , maka nilai absolute determinan Jacobi
dari transformasi ini adalah . Sesuai dengan itu, fdp gabungan
164
T dan U=V adalah :
berlaku untuk -∞ <t< ∞ 0 <u< ∞

= 0, untuk , (u, t) lainnya v.
Kemudian fdp marginal dari T adalah :
Misalkan , atau dan
; untuk -∞ <t< ∞, dimana =
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 :
untuk beberapa nilai r dan t yang
dipilih , dapat dilihat pada tabel distribusi t. berlaku pula

.
Contoh. Misalkan v.r berdistribusi t dangan derajat kebebasan db = 10.
Tntukanlah P|T|>2,228
jawab
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
Contoh. Misalkan T2 = , dimana v.r W :N(0,1) dan V : 2

(r) salina bebas
stokastik.
Tunjukkan bahwa T2 berdistribusi F dengan parameter r1 = 1 dan r2 = r.
Jawab: T2 = , misalkan T2 = f = , dan v = z
Dan f.d.p gabungan dari W dan V adalah :
H(w, v) = e . =
, = 0, untuk
(v,w) lainnya.
Kemudian f = , dan z = v akan memetakan A = {(v,w); }

167
satu-satu dan pada B = {(f,z); }, sehingga :
sehingga =
g (f,z)=h
Kemudian f.d.p marginal dari F adalah:

g (f) = =
Misalkan , atau sehingga , sehingga:
168
=
Jadi
Ini adalah f.d.p dari distribusi F dengan r1 = 1, dan r2= r, bandingkan frngan
distribusi F:
; untuk 0 < 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
,0<u< , dan ;0<u< =0
untuk u,v lainnya
kemudian di defnskan v.r baru : F= atau f = , dan dimisalkan z=v
sehingga dan v=z akan merupakan transpormasi satu-satu yang

memetakan himpunan
A= pada himpunan
Kemudian
Dengan demikian f.d.p gabungan dari v.r.F dan Z sebagai berikut:
170
= 0 untuk lainya
Selanjutnya fdp marginal F adalah:
dz
Jika dimisalkan y = atau z = maka sehingga:
171
=
. ; untuk 0
= 0 untuk f yang lain

Jadi jika Udan V adalah v.r yan masing-masing berdistribusi chi-kuadrat dengan
d = r dan d dan keduanya saling bebas stokasyik, maka F= memilki f.d.p.
g1(f) yang dinamakan distribusi F.Observasi terhadap distribusi F secara utuh

ditunjukkan dengan dua parameter r1 dan r2 ,dan nilai-nilai pendekatan dari :
P(F≤ ) = g1(w)dw dengan db = r1 dan db =r2 dapat dilihat pada table F, yaitu:
P(F≤ ) = . untuk beberapa nilai r1,r2 dan
Contoh. Jika v.r F berdistribusi F dengan db1= r1,dan db2= r2.Buktikanlah

bahwa juga berdistribusi F dengan db1= ,dan db2=
172
Bukti: Telah diperlihatkan di atas bahwa jika U: :dan ,atau :
h1 , dan h2 (v) = , di mana U,dan V saling bebas
stokastik,maka variable random F = ,akan berdistribusi F yang dinyatakan
dengan: g1(f) = . ; untuk < f < ,
= 0 untuk f yang lain
Maka : ,dan misalkan ,sehingga akan memetakan daerah A
= satu-satu dan pada

B= Kemudian diperoleh invers :
173
sehingga = =
Maka f,d,p gabungan dari U dan V adalah:
. =
Kemudian f.d.p dari = f, dan Z = U adalah:

g(f,z) =h
174
= untuk
= 0, untuk lainnya.
Selanjutnya f.d.p marginal dari adalah sebagai berikut:
Misalkan y ,atau ,dan

Dengan demekian diperoleh:
175
=
Jadi ini merupakan distribusi F dengan dan

Contoh. Gunakan table F untuk menentukan harga- harga dari :
a.
Jawab: a.
6.1.1Rangkuman.
1. Beberapa nilai pendekatan untuk distribusi t diperoleh dengan cara:
176
untuk beberapa nilai r dan t yang
dipilih,dapat dilihat pada table distribusi t.Berlaku pula .

2. Jadi,jika U dan V adalah v.r yang masing-masing berdistribusi chi-kuadrat
dengan dan dan keduanya saling bebas stokastik,maka :
memiliki yang dinamakan distribusi F .Observasi
terhadap distribusi F secara utuh ditunjukkan dengan dua parameter dan

,dan nilai-nilai pendekatan dari :
dengan dan dapat dilihat pada table F,yaitu :
unuk beberapa nilai dan
6.1.2 Latihan 24.

6.1.2.1.Tes Objektif
1)Distribusi t diturunkan dengan mengoperasikan gabungan dari dua
distribusi:
a.normal dan khi kuadrat
177
b khi kuadrat dengan khi kuadrat
c khi kuadrat dengan gamma
d gamma dan beta
2)Distribusi F diturunkan dengan mengoperasikan gabungan dari dua

distribusi:
a.normal dan khi kuadrat
b khi kuadrat dengan khi kuadrat
c khi kuadrat dengan gamma
d gamma dan beta
3)Misalkan W : N(0,1), dan V : , maka distribusi T didefinisikan sebagai:
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
6.1.2.1. Tes Objektif

1)Misalkan T mempunyai distribusi t dengan db = 14. Tentukan b sehingga P(-
b<T<b) = 0,90, (Jawab; 1.761)
2)Andaikan F mempunyai distribusi F dengan parameter r 1 dan r2. Buktikan
bahwa memiliki distribusi F dengan parameter r1 dan r2.
3)Jika F memiliki distribusi F dengan parametet r 1 = 5 dan r2 = 10. Tentukan a
dan b sehingga dan , dan sesuai dengan itu
Petunjuk: Tulislah dan gunakan hasil exercise 4,36

dan dari table.
181
Jawab:
4)Buktikan, bahwa distribusi t dengan db = r = 1 dan distribusi Cauchi adalah
sama.
5)Buktikan bahwa , dimana F memiliki distribusi F dengan

parameter r1 dan r2, memiliki distribusi beta.
6)Misalkan X1, X2, dua s.r dari suatu distribusi yang memiliki fdp
; untuk 0 x
= 0 ; untuk x lain
Buktikan bahwa Z=X1/X2 mempunyai distribusi F.
Teknik Perluasan Perubahan Variabel
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.
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.
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.
6. Kegiatan Perkuliahan ke 25.
Perluasan Teknik Perubahan Variabel.
Pada pelajaran sebelumnya telah diperlihatkan bahwa mencari fdp

gabungan dari dua fungsi pada dua variable random tipe kontinu secara
mendasar menggunakan analisis untuk melakukan teknik perubahan
variable dalam integral lipat dua.
Teorema dasar ini dapat diperluas untuk bentuk n buah integral.
Pandanglah bentuk
184
Ambil A subset dari n dimensional ruang A. Misalkan :
atau inversnya
Definisikan transformasi 1-1 yang memetakan A pada B dalam ruang

(dan begitu juga subset A dari A memetakan pada subset B dari B ).
Andaikan derivative parsial pertama dari invers fungsi-fungsi adalah
kontinu dan misalkan ada n dengan n determinan (dinamakan Jacobian),
sehingga:
J= tanpa menghilangkan unsure-unsur di ,

Maka;
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 XA3
atau XA4, sehingga: P(Y) = P(XA3) + P(XA4) =
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 :
, untuk i = 1,2,3,…,k, dan hasilnya tidak nol di B.
Selanjutnya f.d.p gabungan dari k buah peristiwa yang saling bebas

diperoleh dari yaitu:
= 0 untuk yang lain.
190
Sementara f.d.p dari setiap , misalnya adalah:
Contoh 2. Misalkan , dan menyatakan sampel random berukuran 2 masing-

masing berdistribusi N(0,1), sehingga f.d.p gabungannya menjadi:
; untuk
Misalkan menyatakan mean dan menyatakan kedua varians dari sampel
random tersebut. Transformasi yang sesuai adalah:
, dan . Transformasi ini memetakan
pada .
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:
Berlaku untuk ; dan nol untuk yang lainnya.
6.1.2. Latihan 25.

6.1.2.1. Test Objektif.
1. Derivatif parsial pertama dari invers fungsi-fungsi v.r tipe kontinu dinamakan:
a. Jacobian
b. Transformasi
c. Invers fungsi
d. Teknik perubahan
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
3. Fungsi Beta dapat diperoleh dengan nilai khusus untuk distribusi…

a. dari distribusi Gamma
b. dari distribusi Khi Kuadrat
c. dari dist. Normal bivariate
d. dari distribusi Dirichlet
195
4. F.d.p Beta dapat diperoleh dengan nilai khusus untuk distribusi …
a. Dirichlet
b. Cauchy
c. Gamma
d. Gauss
5. Jika dan menyatakan sampel random berukuran 2 masing-masing

berdistribusi N(0,1), maka f.d.p gabungannya adalah:
a.
b.
c.
d.
6. Jika diketahui transformasi yang sesuai adalah: , dan

, maka nilai Jacobian yang diperoleh adalah:
196
a.
b.
c.
d.
6.1.2.2. Tes Uraian

1. Misalkan dan menyatakan random yagn masing-masing berdistribusi
N(0,1). Misalkan pula variable-variabel random dan didefinisikan oleh
, ; , di mana: .
Tunjukkan bahwa dan saling bebas stokastik.
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
4. Misalkan dan menyatakan sampel random yang masing-masing

berdistribusi N(0,1) dan saling bebas stokastok. Misalkan pula variable-
variabel
random dan di mana : , ,
Tentukanlah:
a. F.d.p gabungan dari dan
b. F.d.p marginal
Jawab:
a.
b. yaitu dost. Normal dengan , dan

198
199
Teknik Fungsi Pembangkit Momen
1. Pengantar
Modul ini mengandung muatan pengertian umum dan khusus mengenai
teknik Fungsi Pembangkit Moment. Hal mana fungsi fpm sebagai alat untuk
memecahkan beberapa gabungan distribusi yang memiliki variable yang saling
bebas stokastik. Materi modul ini menekankan upaya pengembangan dan
perluasan cara penggunaan teknik fpm yang lebih luas dengan melibatkan lebih
banyak variable. Demikian juga keterlibatan fpm akan sangat membantu
menentukan mean dan varians dari penggabungan dua/lebih distribusi yang
memiliki lebih dari dua 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 kegiatan modul ini, diharapkan mahasiswa dapat
memahami tentang teknik fpm sebagai alat untuk menentukan gabungan dari
dua/lebih distribusi yang melibatkan beberapa variabel.
4. Tujuan Instruktusional Khusus.
200
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.
Teknik Fungsi Pembangkit Moment.

Misalkan menyatakan fdp gabungan dari sejumlah n buah
variable random . variable-variabel random mungkin ataupun tidak
mungkin merupakan item-item dari satu sampel random dari distribusi yang
dimiliki fdp . Misalkan . Dalam hal ini tampak bahwa
merupakan fdp dari variable random Y. Kalau demikian, apa fpm dari ? Jika
fpm itu ada, maka bentuknya adalah:
untuk tipe kontinu.
Dalam hal ini kita harus mengetahui sebelum kita menghitung dan
untuk itu pandanhlah bentuk:
, berlaku untuk (1)
201
Kemudian misalkan sebanyak n variable baru berasalah dari pengintegralan,
yaitu:
Secara moment, asumsikanlah bahwa fungsi-fungsi tersebut mendefinisikan

transformasi 1-1. Andaikan menyatakan fungsi-fungsi invers dan J
menyatakan Jacobian, sehingga di bawah transformasi tersebut (1) menjadi:
....................................(2)
Dalam hal ini disebut fdp gabungan dari .
Kemudian fdp marginal dari diperoleh dengan mengintegralkan fdp
gabungan tesebut pada . Oleh karena factor tidak mengandung variable:
, maka (2) ditulis menjadi:
.............................................................(3)
Akan tetapi ini sesuai dengan definisi fpm M(t) terhadap distribusi , sehingga
kita dapat menghitung dan , di mana . Dalam hal ini
memungkinkan kita menggunakan teknik lain untuk menentukan fdp dari fungsi
beberapa variable random tersebut. Jika f.p.m seperti distribusi di atas, maka
fdp akan diperoleh dengan menggunakan teknik f.p.m. Dalam hal ini kita
asumsikan bahwa transformasi itu adalah transformasi 1-1. Akan tetapi jika
transformasi itu bukan 1-1, dan andaikan
202
menyatakan ada kelompok k kelompok dari n invers masing-masing fungsi
tersebut. Kemudian andaikan menyatakan k buah Jacobian, maka
..............................................................................(4)
adalah fdp gabungan dari . Kemudian (1) menjadi (2) jika

digantikan dengan (4). Dengan demikian hasil ini menjadi benar, jika
transformasi tersebut tidak 1-1. Hal ini menyatakan bagi kita bahwa kita dapat
menyelesaikan kasus diskrit dengan menganalogikan kejadian tersebut dan akan
memberi hasil yang sama.
Perlu dicatat bahwa ekspektasi seperti itu merupakan subyek untuk setiap
fungsi , sehingga dapat dihitung dalam kejadian yang mirip. Jika fungsi
dari
Contoh1. Misalkan variable random dan bebas stokastik dengan fdp

, untuk x = 1, 2, 3 dan nol untuk x lainnya. Hitunglah , dan
Jawab: Misalkan fdp dari adalah dan fdp adalah , sehingga f.d.p
gabungan dan adalah:
203
= 0; untuk lainnya
Sehingga peluang adalah , dan dihitung sebagai
berikut: adalah gabungan yang eksklisive (terpisah) dari kejadian-
kejadian dengan peluang nol, dari dua kejadian yang bebas, yaitu kejadian
dan
Secara umum akan berlaku ketentuan berikut: Andaikan y menyatakan

bilangan-bilangan 2,3,4,5,6, maka peluang masing-masing kejadian
dapat dihitung, dan hasil dari =
2 3 4 5 6
Berlaku untuk dan nol nilai y lain.

Selanjutnya jika kita mendefinisikan sebuah variable random baru Y dengan
, apakah f.d.p dari v.r Y? untuk menyelesaikan masalah ini, kita akan
menggunakan teknik f.p.m.
Andaikan f.p.m dari Y adalah : , maka
204
→ karenanya dan bebas stokastik.
Dalam contoh ini, dan memiliki distribusi yang sama, sehingga kedua
dan memiliki f.p.m yang sama, artinya:
sehingga
, atau:
Dari bentuk ini memberi arti bahwa fdp g(y) dari Y adalah nol kecuali pada
y=2,3,4,5,6 dan g(y) memberikan harga-harga pada titik-titik di mana g(y)

0.
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:
, sehingga dan bebas stokastik

Karena kedua v.r berdistribusi normal maka masing-masing f.p.m diperoleh
dengan:
dan
Kemudian dapat dicari dari dengan mengganti t dengan –t, sehingga:
; dan akhirnya:
Selanjutnya distribusi dari Y selengkapnaya ditentukan oleh fpm M(t)

tersebut , dan tampak bahwa Y memiliki f.d.p g(y), yang berdistribusi
, dalam hal ini, X1, dan X2 bebas stokastik, meannya adalah
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:
Teorema 2. Misalkan X1, X2, …, Xn menyatakan s.r berukuran n yang masing-

masing berdistribusi normal . Variabel random berdistribusi
(n) dengan derajat kebebasan n.
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 :
adalah f.d.p gabungan dari Y1, Y2, …, Yn.

perlu dicatat bahwa ekspresi seperti itu merupakan subyek untuk setiap
fungsi Y1, sehingga dapat dihitung dalam kejadian yang mirip. Jika w(y1) fungsi
dari y1, 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)
2. Misalkan bebas stokastik dengan distribusi normal N(6,1) dan

N(,1).Tentukanlah P( ).Petunjuk : P( )=P( dan tentukan
distribusi dari .Jawab:P( )=0,24
3. Misalkan v.r-v.r , bebas stokastik.Misalkan ,dan Y= memiliki

distrinusi Khi Kuadrat dengan derajat kebebasan ,dan ,dimana
<r.Buktikan bahwa berdistribusi Khi Kuadrat dengan derajat kebebasan
r- .Petunjuk:Tulislah M(t)=M(t)=E( ) dan gunakan kebebasan dari
dan .
4. Jika X dan Y berdistribusi normal bivariat dengan masing-masing

parameter =25, =35, =4, =16,dan = .Jika Z=3X-2Y,tentukanlah
P(-2<Z<19) .
Jawab: 0,818.
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.

yang sesuai,serta telah mengetahui mean dan varians dari berbagai
distribusi khusus tersebut.
3. Tujuan Instruksional Umum :
Setelah selesai mempelajariisi kegiatan modulini diharapkan
mahasiswa dapat memahamitentang tekhnik mean dan varians dari suatu
distribusi dan dari beberapa distribusi variable random.
4. Tujuan Instruksional Khusus.

Setelah mempelajari modul ini.mahasiswa diharapkan dapat:
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
Misalkan , ,…., menyatakan sampael random berukuran dari

distribusinormal N( ).Kita akan menyelidiki distribusi-distribusi mean dan
varians dari sample random tersebut sehingga distribusi-distribusi dari kedua
statistic itu adalah :
dan
214
Untuk mean distribusi kita dapat mengambil harga-harga = =…= =
,dan = =…= = ,serta ,sehingga : ,dan
,disini berdistribusi normal N .
Contoh 1.Misalkan adalah mean dari sample random berukuran 25 dari

distribusi normal N(75,100) yang berarti meannya adalah 75 dan
variansnya menjadi ,sehingga berdistribusi N(75,4).Hitung
P(71<X<79).
Jawab:P(71<x<79)=N =N(2)-N(-2)=0,954
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
dan i=1,2,3,…,n.Untuk ,maka f.d.p gabungan dari menjadi :

h( )=n
Perbandingan f.d.p h( ) dengan f.d.p dari yang berdistribusi N( )

yaitu ,akan menghasilkan f.d.p bersyarat yang
diberikan oleh yaitu : h ,dimana nilai q=
.Jika f.d.p gabungan ini merupakan f.d.p gabungan
bersyarat ini haruslah berlaku untuk semua ,sehingga :
.Selanjutnya pandanglah bentuk :
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

Distribusi Normal

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Distribusi Normal

Diunggah oleh

Hak Cipta:

Format Tersedia

Distribusi Bernoulli

Contoh 1. Jika telur ayam menetas, maka peluang anak ayam

6.1.2.1. Tes Objektif.

1.Percobaan bernoulli adalah suatu percobaan yang kemungkinan

5.Jika peluang bahwa setiap pemanahan akan mengenai sasaran

8.Diketahui suatu kotak berisi 12 kelereng, di mana 5 kelereng

9.Jika dari soal nomor 8, pengambilan dilakukan tanpa

1.Lima buah lampu masing-masing meiliki peluang untuk menyala

2.Sebuah baskom berisi 10 bola pimpong, masing-masing diberi

3.Jika satu dadu yang setangkup dilemparkan 2 kali, tentukanlah nilai

4.Keluarga dari sebuah pengantin baru menginginkan 3 orang anak

5.Pemilihan Kepala Desa (Pilkades) terhadap dua calon A dan B

2.Deskripsi : Kajian dalam modul ini mencangkup materi bhasan

3.Persyaratan : Telah mengikuti perkuliahan Statistika Dasar, dan

4.Tujuan Instruksional Umum:

6.Kegaitan Perkuliahan 15.

andaikata peluang terjadinya sukses adalah p, dan peluang

Maka fungsi distribusi binomial :

contoh 2. Jika diketahui distribusi binomial dengan f.d.p

andaikan variabel random Y sama dengan angka sukses dari n

Dimana = npq, atau = . Dari (*) terlihat bahwa dengan

jadi terbukti bahwa :

jadi : f1 (x1) = , untuk x1 = 1,23,4,5, dan 0 untuk x1 lainnya

Dari distribusi binomial :

Jadi pada distribusi Poisson berlaku mean = varians = µ > 0

Distribusi Pascal (Binominal Negatif)

Misalkan sebuah percobaan random diulangi sampai terdapat

Jadi pada distribusi Pascal berlaku ketentuan

Jadi untuk t < -lnq

Maka pada distribusi geometri berlaku :

Pandanglah sebuah pengulangan secara bebas sebuah percobaan

(K-1) kali gagal

Dengan kata lain :

Apakah f(x) = pq suatu f.d.p?

Contoh 2. Dalam sebuah pameran ketangkasan para penjahit pakaian,

Contoh 3. Berapa besar peluang munculnya angka 4 yang petama

Banyaknya percobaan yang berakhir dengan sukses setelah terjadi

6.1.2. Latihan 16.

4. Jika diketahui f.d.p dari disribusi Geometri adalah ; x = 0,1,2,

7. Dalam sebuah permainan ketangkasan yang diberi sandi GAME. Jika

7.Jika kita mengacu pada soal nomor 6, maka

6.1.2.2. Tes Uraian

3.Jika diketahui v.r X memenuhi distribusi Poisson dengan = 100.

4.Misalkan v.r.X dan Y memiliki f.d.p gabungan

6.Kegiatan Perkuliahan 18.

Selanjutnya jika diganti denganb

Variabel random X yang memiliki f.d.p berbentuk seperti ini dinamakan

Contoh 11. Andaikan diketahui waktu tunggu memiliki f.d.p. Gamma

Ini adalah sebuah deret Maclaurin untuk (1-3t)-1, untuk -1<3t<1,

Contoh 13. Tentukanlah konstanta c sedemikian rupa sehingga f(x) =

= 0, untuk x lainnya, α, β>0

4.Jika diketahui f.d.p dari distribusi beta adalah sebagai berikut:

6.6.1.2.2. tes uraian

2.sama dengan pernyataan nomor 1, tetapi f.d.p nya adalah

Jika pada distribusi gamma diambil dan maka diperoleh :

Variabel random X sepert I ini dikatakan mempunyai distribusi

Hitunglah peluang bahwa bola lampu memiliki daya tahan hidup

6.1.2 latihan 20.

2. Fungsi densitas peluang dari distribusi eksponensial adalah

6.1.2.2 Tes uraian.

4.Misalkan T menyatakan usia kabel radio(dalam bulan)dengan f.d.p

Jika berapa lamakah usia yang dijamin perusahaan kabel

Distribusi Khi Kuadrat ( ) 2