TUGAS PENDAHULUAN 1

PRAKTIKUM STATISTIKA MATEMATIKA 2

OLEH :
NAMA : SITTI NUR AGE
NIM : F1A220059
KELOMPOK : I (GANJIL)

PROGRAM STUDI STATISTIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HALU OLEO
KENDARI
2023
 Tugas Pendahuluan 1

A. Distribusi Peluang Diskrit

1. Distribusi Seragam Diskrit
Distribusi seragam diskrit adalah distribusi yang peubah acaknya
memperoleh semua nilainya dengan peluang yang sama.
a. Fungsi PDF dari distribusi seragam diskrit
1
f ( x; n) = ; x = x1, x2 ,..., xn
n
b. Fungsi PDF bersama dari distribusi seragam diskrit
f ( x1 , x2 ,..., xn ; n) = f ( x1; n)  f ( x2 ; n)  ...  f ( xn ; n)
1 1 1
=   ... 
n n n
n
1 1
=  = n
n n
2. Distribusi Bernoulli
Distribusi Bernoulli bersumber dari percobaan Bernoulli, yakni suatu
percobaan yang menghasilkan dua kemungkinan hasil: Sukses (memiliki
peluang sebesar p) dan Gagal (peluang 1-p).
a. Fungsi PDF dari distribusi bernoulli
 p x (1 − p)1− x , x = 0.1
f ( x; p) = 
 0, x lainnya

b. Fungsi PDF bersama dari distribusi bernoulli

f ( x1 , x2 ,..., xn ; p) = f ( x1; p)  f ( x2 ; p)  ...  f ( xn ; p)
= p x1 (1 − p )1− x1  p x2 (1 − p )1− x2  ...  p xn (1 − p )1− xn
n n
 xi  (1− x1 )
= p i=1 (1 − p ) i=1
3. Distribusi Binomial
Jika percobaan Bernoulli menghasilkan sukses dengan peluang p dan gagal
dengan peluang q = 1 − p , maka distribusi peluang peubah acak Binomial
X, yaitu banyaknya sukses dalam n percobaan bebas.
 a. Fungsi PDF dari distribusi binomial
 n  x n− x
  p (1 − p) , x = 0,1, 2,..., n
f ( x; n, p) =  x 

 0, x lainnya

b. Fungsi PDF bersama dari distribusi binomial

f ( x1 ,..., xn ; n, p) = f ( x1; n, p)  ...  f ( xn ; n, p)
n! n!
= p x1 (1 − p)n − x1  ...  p xn (1 − p) n − xn
x1 !(n − x1 )! xn !(n − xn )!
n n

(n !) n  xi  ( n − x1 )
= n
p i=1 (1 − p) i=1
 x !(n − x )!
i =1
i i

4. Distribusi Poisson
Distribusi peluang peubah acak Poisson X menyatakan banyaknya sukses
yang terjadi dalam suatu selang waktu atau daerah tertentu di mana memiliki
parameter  yang menyatakan rata-rata banyaknya sukses yang terjadi per
satuan waktu atau daerah tersebut.
a. Fungsi PDF dari distribusi poisson
e−   x
f ( x;  ) = ; x = 0,1, 2,...
x!
b. Fungsi PDF bersama dari distribusi poisson
f ( x1 ,..., xn ;  ) = f ( x1;  )  ...  f ( xn ;  )
e −   x1 e−   xn
= ...
x1 ! xn !
n
 xi
e −  n  i=1
= n

x !
i =1
i

5. Distribusi Geometrik
Bila percobaan yang saling bebas dilakukan berulang kali dan menghasilkan
sukses dengan peluang p, gagal dengan peluang q = 1 − p, maka distribusi
peluang peubah acak X, yaitu banyaknya usaha sampai saat terjadi sukses
yang pertama.
 a. Fungsi PDF dari distribusi geometrik
 p (1 − p ) x −1 , x = 1, 2, 3, ..., n
f ( x; p) = 
 0, x lainnya

b. Fungsi PDF bersama dari distribusi geometrik

f ( x1 , x2 ,..., xn ; p) = f ( x1; p)  f ( x2 ; p)  ...  f ( xn ; p)
= p(1 − p) x1 −1  p(1 − p) x2 −1  ...  p(1 − p) xn −1
n
 ( xi −1)
= p (1 − p) i=1
n

6. Distribusi Hipergeometrik
Distribusi peluang peubah acak hipergeometrik X yaitu banyaknya sukses
dalam sampel acak ukuran n yang diambil dari N benda yang mengandung
k sukses dan N-k gagal.
a. Fungsi PDF dari distribusi hipergeometrik
 k  N − k 
 x  n − x 
h( x; N , n, k ) =    ; x = 0,1, 2,..., n
N
n
 
b. Fungsi PDF bersama dari distribusi hipergeometrik
  k  N − k  
   
n − xi 
h( x1 , x2 ,..., xn ; N , n, k ) =    i 
n
x
; x = 0,1, 2,..., n
i =1  N 
 n 
   
7. Distribusi Multinomial
Percobaan binomial menghasilkan dua kemungkinan hasil yakni “sukses”
dan “gagal”. Percobaan binomial akan menjadi percobaan multinomial bila
tiap percobaan dapat memberikan lebih dari 2 hasil yang mungkin. Bila
suatu usaha tertentu dapat menghasilkan k macam hasil E1 , E2 ,..., Ek dengan

peluang p1 , p2 ,..., pk , maka distribusi peluang peubah acak X 1 , X 2 ,..., X k

menyatakan banyak terjadinya E1 , E2 ,..., Ek dalam n usaha bebas.

 Fungsi PDF dari distribusi multinomial
 n  x1 x2
f ( x1 , x2 ,..., xk ; p1 , p2 ,..., pk , n) =   p1 p2 ... pk
xk

 x1 , x2 ,..., xk 
dengan
k k

 xi = n
i =1
dan p
i =1
i =1

B. Distribusi Peluang Kontinu

1. Distribusi Seragam Kontinu
Suatu peubah acak X pada interval (a,b) dikatakan berdistribusi uniform
kontinu jika nilai f(x) adalah tetap untuk tiap x dalam interval (a,b).
a. Fungsi PDF dari distribusi seragam kontinu
 1
 , axb
f ( x; a, b) =  b − a
 0, x lainnya

b. Fungsi PDF bersama dari distribusi seragam kontinu

f ( x1 ,..., xn ; a, b) = f ( x1; a, b)  ...  f ( xn ; a, b)
1 1
=  ... 
b−a b−a
n
 1  1
=  =
 b − a  (b − a)
n

2. Distribusi Normal
Distribusi normal diartikan sebagai salah satu jenis distribusi variabel acak
kontinu yang berbentuk lonceng dan dibuat dengan fungsi probabilitas yang
kemudian digunakan untuk menunjukkan variasi atau penyebaran distribusi,
sehingga fungsi yang nantinya akan dibuktikan dengan menggunakan suatu
grafik simetris. Distribusi peluang peubah normal bergantung pada dua
parameter yaitu rataan dan simpangan baku.
a. Fungsi PDF dari distribusi normal
1  x− 
2

1 −  
f ( x;  ,  ) =
2
e 2  
; −  x  
2 2
 b. Fungsi PDF bersama dari distribusi normal
f ( x1 ,..., xn ;  ,  2 ) = f ( x1;  ,  2 )  ...  f ( xn ;  ,  2 )
1  x − 
2
1  x − 
2

1 −  1 1 −  n
2    2   
= e ... e
2 2 2 2
n

 1  − 2 2 
n 1
( x1 −  ) 2

=  e i =1

 2 
2

3. Distribusi Eksponensial
Distribusi eksponensial mempunyai banyak nilai praktis, terutama dalam
hal yang berhubungan dengan waktu, misalnya: waktu tunggu, waktu
hidupnya suatu alat atau lamanya jangka waktu sampai suatu alat berhenti
berfungsi, lamanya percakapan telepon, dan sebagainya. Distribusi
eksponensial termasuk distribusi kontinu dan merupakan bentuk khusus dari
distribusi gamma dengan  = 1 .
a. Fungsi PDF dari distribusi eksponensial
 1 −x
 e , x0
f ( x; ) =  
0, x lainnya

b. Fungsi PDF bersama dari distribusi eksponensial
f ( x1 ,..., xn ; ) = f ( x1; )  ...  f ( xn ; )
x1 xn
1 − 1 −
= 
e ... e 
 
n

 1  −  xi
1

=   e i=1
 
4. Distribusi Gamma
Distribusi gamma diaplikasikan dalam lamanya waktu untuk menyelesaikan
pekerjaan. Distribusi gamma sering diterapkan dalam teori antrian dan teori
reabiliti. Fungsi gamma didefinisikan sebagai:

(k ) =  x k −1e− x dx, untuk k  0.
0
 a. Fungsi PDF dari distribusi gamma
 1
 k x k −1e− x / , x  0
f ( x; , k ) =   (k )
0,
 x lainnya

Dimana   0 dan k  0.
b. Fungsi PDF bersama dari distribusi gamma
f ( x1 ,..., xn ; , k ) = f ( x1; , k )  ...  f ( xn ; , k )
x x
1 − 1 1 − n
= k x1k −1e  ... k xn k −1e 
 (k )  ( k )
n
k −1
 i
n 1
 1   n  − x
= k    xi 
i =1
e
  (k )   i =1 
5. Distribusi Khi-Kuadrat
Distribusi khi-kuadrat banyak digunakan dalam bidang statistika, antara lain
menguji perbedaan secara signifikan antara frekuensi yang diamati
(frekuensi empiris) dengan frekuensi teoritis, menguji kebebasan antar
faktor dari data dalam daftar/tabel kontingensi, dan menguji kedekatan data
sampel dengan suatu fungsi distribusi seperti binomial, poisson, atau
normal.
a. Fungsi PDF dari distribusi khi-kuadrat
 1
 v /2 xv /2−1e− x /2 , x  0
f ( x; v) =  2 (v / 2)
 0,
 x lainnya
b. Fungsi PDF bersama dari distribusi khi-kuadrat
f ( x1 ,..., xn ; v) = f ( x1; v)  ...  f ( xn ; v)
1 1
= x1v /2−1e− x1 /2 ... xn v /2−1e − xn /2
2 v /2
 ( v / 2) 2 v /2
 ( v / 2)
n
v /2 −1

n 1
 1   n  − xi
=  v /2    xi 
2 i =1
e
 2 (v / 2)   i =1 
6. Distribusi Weibull
Distribusi Weibull digunakan untuk menyelesaikan masalah-masalah yang
berkaitan dengan lama waktu (umur) suatu objek yang mampu bertahan
 hingga akhirnya objek tersebut tidak berfungsi sebagaimana mestinya
(rusak atau mati).
a. Fungsi PDF dari distribusi weibull
  x  −1e− x ,

x0
f ( x; ,  ) = 
0, x0
b. Fungsi PDF bersama dari distribusi weibull
f ( x1 ,..., xn ; ,  ) = f ( x1; ,  )  ...  f ( xn ; ,  )
 
=  x1 −1e− x1 ... x2  −1e− xn
n
 −1
 n  −  xi 
=  n  n   xi  e i =1

 i =1 
7. Distribusi Pareto
Distribusi Pareto merupakan distribusi peluang kontinu yang sering
digunakan dalam analisis data uji hidup yang hanya mempunyai satu bentuk
grafik dari fungsi kepadatan peluang yang berbentuk eksponensial.
a. Fungsi PDF dari distribusi pareto
 
f ( x; , ) = ;   0,   2
x +1
b. Fungsi PDF bersama dari distribusi pareto
f ( x1 ,..., xn ; , ) = f ( x1;  ,  )  ...  f ( xn ;  ,  )
− k +1 − k +1
k x  k x 
=  1 + 1  ...  1 + n 
     
= k ( + x1 ) ...k k ( + xn )− k +1
k − k +1

− k +1
 n 
= ( k )
k n
  ( + xi ) 
 i =1 

C. PDF Bersama
Pdf bersama merupakan perkalian Pdf Marginal, dimana X 1 , X 2 ,..., X n
memiliki distribusi N(  ,  2 ).
f ( x1 , x2 ,..., xn ;  ,  2 ) = f ( x1;  ,  2 )... f ( xn ;  ,  2 )

 1 x−  
1
2

dengan f ( xi ;  ,  ) = 2
exp −   
2 2  2   
 
 Maka,
f ( x1 ,..., xn ;  ,  2 ) = f ( x1;  ,  2 )... f ( xn ;  ,  2 )
 1  x1 −  2   1  xn −   
2
1 1
= exp −    ... exp −   
2 2  2     2 2  2    
 1  x1 −  2   1  x1 −   
n
 1 
2

=  exp −    ...exp −   
 2 
2
 2      2    
n
 1   1  ( x1 −  ) 2 ( x2 −  ) 2 ( xn −  ) 2  
=  exp −  + + ... + 
 2   2   2  2  
2 2

n
 1   1 n ( xi −  ) 2 
=  exp −  
 2   2 i =1 
2
2


D. Fungsi Gamma
Penjabaran fungsi gamma sebagai berikut.

(k ) =  x k −1e − x dx
0

(1) = 1
atau
(k ) = (k − 1)(k − 1)! , k  0
(n) = (n − 1)! , n = 1, 2,...
1
p  = n
2
Pembuktian:

(k ) =  x k −1e − x dx
0

(1) =  x1−1e− x dx
0
 
=  x 0e − x dx =  e − x dx
0 0
 misal : u = − x
du = −dx
dx = −du

=  eu − du
0

=  −eu du , 0  e  
0
b
 lim  −eu du
b →
0
b
 lim −eu 
b → 0

 lim − e + e0b
b →

 −e  + e 0
= 0 +1 = 1

E. Prinsip Ketunggalan MGF

MGF (Moment Generating Function) atau Fungsi Pembangkit Momen adalah
fungsi yang dapat menghasilkan momen-momen seperti nilai harapan, nilai
rata-rata, variansi atau mencari distribusi dari suatu sampel acak.
M x (t ) = E (etx )
  etx f ( x), x diskrit
 x
M x (t ) =  
  etx f ( x)dx, x kontinu
−
Sifat-sifat MGF:
1. Misal X 1 , X 2 ,..., X n merupakan n sampel yang saling bebas, maka
n n
X 1 + X 2 + ... + X n =  xi . Kemudian misalkan Y =  xi , maka MGF dari
i =1 i =1

Y diperoleh:
n
M Y (t ) =  M xi
i =1

= M x1 + x2 +...+ xn (t )
= M x1 (t )  M x2 (t )  ...  M xn (t )
2. Jika MGF dari X adalah M x (t ) , maka MGF dari ax adalah

M ax1 + ax2 +...+ axn (t ) = M ax1 (t )  M ax2 (t )  ...  M axn (t )

= M x1 (at )  M x2 (at )  ...  M xn (at )

Maka, berikut contoh MGF dari X adalah

M X (t ) = M 1 n (t )
 x
n i =1 i

= M1 (t )
( x1 + x2 +...+ xn )
n

= M 1 (t )  M 1 (t )  ...  M 1 (t )
x1 x2 xn
n n n

= M x1 ( 1n t )  M x2 ( 1n t )  ...  M xn ( 1n t )
= exp{ 1n t + 12  2 ( 1n t ) 2 }...exp{ 1n t + 12  2 ( 1n t ) 2 }
n n
= exp{  1n t +  12  2 ( 1n t ) 2 }
i =1 i =1

= exp{n t + n 2 ( 1n t ) 2 }
1
n
1
2

1 2 2
= exp{t + 2 n
t } N ( ,
2
)
n
3. MGF Bersama Distribusi Normal N(  ,  2 )

Misal X i N ( , 2 )
MGF dari N (  ,  2 ) adalah M x (t ) = exp{t + 12  2t 2 }
Maka MGF bersama untuk X 1 ,..., X n yaitu
M x1 + x2 +...+ xn (t ) = M x1 (t )  M x2 (t )  ...  M xn (t )
= exp{t + 12  2t 2 }...exp{t + 12  2t 2 }
n n
= exp{ t + 12  2  t 2 }
i =1 i =1

= exp{nt +  nt } 1
2
2 2
N ( n , n 2 )

4. MGF Distribusi GAM(  , k )

Jika X 1 , X 2 ,..., X n sampel acak saling bebas maka aX 1 , aX 2 ,..., aX n adalah

1 1 1
sampel acak yang saling bebas misal a = , maka X i ... X n .
n n n
MGF dari distribusi GAMMA adalah
M xn (t ) = (1 −  t ) − k GAMMA( , k )
Maka MGF bersamanya adalah sebagai berikut.
M x1 + x2 +...+ xn (t ) = M x1 (t )  M x2 (t )  ...  M xn (t )
= (1 −  t ) − k ...(1 −  t ) − k
n
=  (1 −  t ) − k
i =1

= (1 −  t ) − nk GAMMA( , nk )

M x (t ) = M 1 n
(t ) = M x1 + x2 +...+ xn ( 1n t )
n
x i
i =1

= M x1 ( 1n t )  M x2 ( 1n t )  ...  M xn ( 1n t )
= (1 −  1n t )− k ...(1 −  1n t )− k
n
=  (1 −  1n t )− k
i =1

= (1 −  1n t )− nk GAMMA( 1n  , nk )