Nim : 452422058
Kelompok : 2
ƒ𝑁 𝑥−𝜇𝑥)
(𝑥; 𝜇𝑥 , 𝜎𝑥 ) =
1
e − (2𝜎𝑥2) , −∞ < 𝑥 < ∞ ........................ (1)
𝜎𝑥√2𝜋
Dimana :
𝜇𝑥 = mean
𝜎𝑥 = deviasi standard
𝜋 = nilai konstan yaitu 3, 1416
e = nilai konstan yaitu 2,7183
Untuk setiap nilai 𝜇𝑥 dan 𝜎𝑥, kurva fungsi akan simetris terhadap 𝜇𝑥 dan
memiliki total luas dibawah kurva tepat 1. Nilai dari 𝜎𝑥 menentukan bentangan dari
kurva sedangkan 𝜇𝑥 menentukan pusat simetrisnya.
ƒ (𝑥; 𝑥 𝑥 −𝜇𝑥2))
(𝑡2𝜎
𝜇 , 𝜎𝑥) = 𝑃( ≤ 𝑥) = ∫ ƒ (𝑡; , 𝜎𝑥)𝑑𝑡 = ∫ 1
e 𝑥
𝑑𝑡...............(2)
𝜇
𝑁 𝑥 −∞ 𝑁 𝑥 −∞ 𝜎𝑥√2𝜋
ƒ (𝑧; 0,1) = 1
e −𝑧2
𝑁
√ 2 , −∞ < 𝑧 < ∞ ......................................................(3)
2𝜋
Sedangkan fungsi distribusi kumulatif dari distribusi normal standard ini
dinyatakan sebagai :
𝑧 1 −𝑡2
Nilai 𝑧𝑥 dari variabel acak standard 𝑧𝑥 sering juga disebut sebagai skor z dari
variabel acak X.
2. Distribusi Student’s t
Distribusi student’s t adalah distribusi yang ditemukan oleh seorang
mahasiswa yang tidak mau disebut namanya. Untuk menghargai hasil penemuannya
itu, distribusinya disebut distribusi Student yang lebih dikenal dengan distribusi “t”,
diambil daru huruf terakhir kata “student”. Bentuk persamaan fungsinya :
𝐾
ƒ(𝑡) =
1
𝑡2 2
𝑛
1+( )
𝑛−1
Berlaku untul −∞ < 𝑡 < ∞ dan K merupakan tetapan yang besarnya tergantung
dari besar n sedemikian sehingga luas daerah antara kurva fungsi itu dan sumbu t
adalah
Bilangan n – 1 disebut derajat kebebasan (dk). Yang dimaksudkan dengan dk
ialah kemungkinan banyak pilihan dari sejumlah objek yang diberikan. Misalnya
kita mempunyai dua objek yaitu A dan B. Dari dua objek ini kita hanya mungkin
melakukan 1 kali pilihan saja, A dan B. Seandainya terpilih A maka B tidak usah
dipilih lagi. Dan untuk itu dk = 2 – 1 = 1.
Contoh soal:
a. Untuk n = 13, jadi dk = (n-1) = 13 - 1 = 12, dan p = 0,95 maka t = 1,782 ini
didapat (lihat tabel distruibusi-t) dengan jalan maju ke kanan dari 12 dan
menurun 0,95.
b. Bagaimana menggunakan tabel t? kalau v = 10 (berarti misalnya n = 11) serta
𝛼 = 0,05 maka 𝑃(𝑡 >? ) = 0,05
Jawab:
Untuk tabel yang disusun secara kumulatif maka kita harus melihat pada
tabel t kumulatif, derajat bebas (v) =10 dan p = 1-0,05 = 0,95 dan ini
menghasilkan nilai 𝑡 = 𝑡0,05 = 1,812.
Jadi 𝑃(𝑡 > 1,812) = 0,05
3. Distribusi Gamma
Distribusi chi-kuadrat merupakan distribusi yang banyak digunakan dalam
sejumlah prosedur statistik inferensial. Distribusi chi-kuadrat merupakan kasus
khusus dari distribusi gamma dengan faktor bentuk 𝛼 = 𝑣/2, dimana v adalah
bilangan bulat positif dan faktor skala 𝛽 = 2.
Distribusi gamma adalah distribusi fungsi padat yang terkenal luas dalam
bidang matematika. Distribusi gamma mampu memecahkan masalah teknik dan
sains yang tidak mampu dipecahkan oleh distribusi normal. Distribusi gamma
mencangkup distribusi-distribusi khusus yaitu distribusi eksponensial, distribusi khi-
kuadrat, dan distribusi beta.
untuk α > 0
untuk α = 1
untuk α > 1
Dari hasil ini, dapat disimpulkan bahwa khusus untuk α bilangan bulat positif yang lebih
besar dari 1 maka:
Keterangan:
tertentu λ = jumlah kejadian per unit waktu atau ruang (λ= 1/β)
x = nilai random variabel (lama waktu atau luasan area hingga kejadian
berikutnya)
Dimana :
2
=1 nilai dari sebaran chi kuadrat dengan derajat bebas 𝑉1 = 𝑛1 − 1
2
=2 nilai dari sebaran chi kuadrat dengan derajat bebas 𝑉2 = 𝑛2 − 1
Oleh karena itu sebaran F mempunyai dua derajat bebas yaitu 𝑉1 𝑑𝑎𝑛 𝑉2.
Misal :
Kita ingin mengetahui nilai F dengan derajat bebas 𝑉1 = 10 dan 𝑉2 = 12, maka jika
𝛼 = 0,05 dari tabel F diperoleh nilai 𝐹0,05 (10,12) = 2,75
{
1
;untuk α ≤ x ≤ β
f ( x )= β−α
0 ; untuk x yang lainnya
Peubah acak yang berdistribusi seragam ini mempunyai fungsi densitas berupa
konstanta yang didefinisikan pada sebuah interval nilai peubah acaknya. Jadi, fungsi
densitas seragam ini mempunyai nilai yang sama sepanjang interval nilai yang diberikan.
Contoh. Diberikan sebuah fungsi distribusi F dari peubah acak X berdistribusi seragam
( x−α )
pada interval [α , β ] yaitu F(x) = 0 jika x < α , F(x) = 1 jika x > β , dan F(x) = jika
( β−α )
α ≤ x ≤ β.
Gambar. Grafik fungsi densitas (kiri) dan fungsi distribusi (kanan) dari
1
sebuah peubah acak yang berdistibusi seragam pada interval [0 , ]
3
{
βt αt
e −e
M ( t ) = ;t ≠ 0
3. x t ( β−α )
1 ;t=0
Contoh :
Misalnya fungsi densitas dari X berbentuk :
{
1
;0< x < 4
g ( x )= 4
0 ;untuk x lain
Tentukan : a. P(1 < X < 3)
b. P(X > 2)
Solusi.
a. Berdasarkan sifat (iii) dari fungsi densitas, maka
3
1 1 1
P(1 < X < 3) = ∫ dx = x∨¿1 = ¿
3
1 4
4 2
b. Berdasarkan sifat (ii) dari fungsi densitas, maka
P(X > 2) = 1 – P(X < 2)
2
1
¿ 1− ∫ dx
−∞ 4
¿ 1−
{ | }
1
x 2
4 −∞
1
¿ 1−
2
1
¿
2
6. Distribusi Chi-Kuadrat
Banyak pengujian statistik yang mensyaratkan distribusi data harus normal
dan homogen. Uji distribusi normal adalah uji untuk mengukur apakah data yang
kita miliki berdistribusi normal, sehingga dapat dipakai dalam statistik parametrik
(statistik inferensial). Salah satu cara yang biasa dipakai untuk menghitung adalah
chi-kuadrat/chi-square.
Ho: Data berdistribusi normal (Jika X2hitung < X2tabel terima Ho)
Ha: Data tidak berdistribusi normal
(Jika X2hitung > X2tabel tolak Ho)
Menentukan taraf nyata (ɑ)
Untuk mencari nilai chi-square tabel
dk = derajad kebebasan
k = banyak kelas interval
Jika nilai x2 (chi-kudrat/chi-square) lebih kecil, berarti mengarah pada
penerimaan hipotesis nol (Ho). Artinya data berdistribusi normal.
Jika nilai x2 ((chi-kudrat/chi-square) lebih besar, berarti penolakan
hipotesis nol (Ho). Artinya data tidak berdistribusi normal.
Setelah harga chi-kuadrat dihitung, maka harga tersebut dibandingkan
dengan tabel harga chi-kuadrat dengan alpha 5% dan dk= k-1. Jika Xh2 < Xt2
maka dapat disimpulkan bahwa sebaran data berasal dari populasi yang
berdistribusi normal. Untuk memudahkan perhitungan chi-kuadrat, maka skor
data penelitian disusun dalam tabel distribusi frekuensi.
7. Distribusi Eksponensial
Distribusi eksponensial diperoleh dari distribusi gamma dengan nilai
1
α =1 dan β=θ . Pada beberapa referensi lain, parameter β dituliskan sebagai .
λ
{( )
−x
1 θ
f ( x )= θ . e ; x >0 , θ>0
0; untuk x lainnya
8. Distribusi Empiris
Para ilmuwan dan enjinir hanya memiliki himpunan data. Oleh karena itu penting
untuk mencirikan atau meringkas sifat himpunan data tersebut dengan cukup jelas.
Langkah awal dalam menaksir f(x) adalah membuat distribusi frekuensi nisbi (nisbi =
relatif). Distribusi empiris mengelompokkan data ke dalam suatu interval, di mana
frekuensi data dalam setiap interval dapat digunakan untuk menentukan frekuensi
nisbinya. Sebagai contoh, misalkan umur 40 batere mobil yang serupa dicatat dimana
yang dalam hal ini umur tersebut dibulatkan sampai persepuluhan tahun.
Misalkan dipilih 7 interval kelas, panjang interval adalah (4.7 – 1.6)/7 = 0.443 0.5
9. Distribusi Weibul
Distribusi Weibull adalah distribusi yang memiliki peranan yang penting terutama
pada persoalan keandalan (reliability) dan analisis rawatan (mantainability). Distribusi
Weibull sering dipakai sebagai pendekatan untuk mengetahui karakteristik fungsi
kerusakan karena perubahan nilai akan mengakibatkan distribusi Weibull
mempunyai sifat tertentu ataupun ekuivalen dengan distribusi tertentu.
Distribusi ini adalah distribusi serbaguna yang dapat mengambil karakteristik dari
jenis lain dari distribusi, berdasarkan nilai dari bentuk parameter. Weibull telah diakui
sebagai model yang tepat dalam studi keandalan dan masalah pengujian kehidupan
seperti waktu untuk kegagalan atau panjang umur komponen atau produk. Selama
bertahun-tahun, estimasi bentuk dan skala parameter untuk fungsi distribusi telah
didekati melalui metode kemungkinan maksimum (MLM), metode linear, dan beberapa
versi dari analisis regresi. Dalam beberapa tahun terakhir,
Distribusi Weibull telah menjadi salah satu yang paling umum digunakan,
diterima, dianjurkan untuk menentukan potensi energi angin dan juga digunakan
sebagai distribusi referensi untuk software energi angin.
Distribusi Weibull adalah model penting terutama untuk keandalan dan analisis
rawatan.6 Distribusi Weibull dapat digunakan untuk memodelkan distribusi kecepatan
angin di tempat kejadian tertentu dan karenanya, dapat membantu dalam penilaian
sumber daya angin dari tempat kejadian. Untuk menghitung dua parameter (bentuk dan
skala) untuk distribusi Weibull kurva frekuensi kecepatan angin untuk tempat kejadian
dapat dibuat (Prasad et al., 2009) dan kunci untuk melakukan turbin angina.
Fungsi distribusi kumulatif dari distribusi Weibull adalah dimana λ > 0
adalah:
parameter bentuk dan k > 0 adalah parameter skala. Fungsi kepadatan peluangnya
Mean dan varian dari distribusi Weibull dapat diperoleh dengan metode momen.
Proses metode momen untuk mendapatkan mean dan varian adalah sebagai berikut.
Mean
Mean diperoleh dari momen pertama E(X) = µ.
Varian
Munir. 2020. Distribusi peluang kontinu. Teknik Elektro dan Informatika ITB. Jawa barat
Wapole, dkk . 1995. Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan. Penerbit ITB ,
Bandung.
Kusdian, dkk. 2005. Penggunaan distribusi normal dalam memodelkan sebaran persepsi biaya
perjalanan dan transformasi box-muller pada pengambilan sampel acak model
pemilihan rute dan pembebanan stokastik. Universitas Katolik Parahyangan. Bandung,
Jawa Barat.
Wattimena dan Lekatompessy. 2014. Analysis of Comulans Comparative on some Types of
Special Distribution. Jurusan Matematika Fakultas MIPA Universitas Pattimura.
Maluku
Hendy, dkk. 2019. Distribusi probabilitas;peubah acak kontinu. Program Studi Teknik
Informatika, Fakultas Ilmu Komputer, Universitas Esa Unggul. Jakarta