RESUME STATISTIKA DESKRIPTIF

A. DISTRIBUSI PROBABILITAS KONTINU

1. DISTRIBUSI PROBABILITAS KONTINU

Distribusi peluang kontinu adalah peubah acak yang dapat memperoleh semua nilai pada
skala kontinu. Ruang sampel kontinu adalah bila ruang sampel mengandung titik sampel
yang tak terhingga banyaknya. Syarat dari distribusi kontinu adalah apabila fungsi f(x)
adalah fungsi padat peluang peubah acak kontinu X yang didefinisikan di atas himpunan
semua bilangan riil R bila: 1. F(x) ≥ 0 untuk semua x є R 2. ∫ 𝑓(𝑥)𝑑𝑥 = 1 ∞ ∞ 3. 𝑃(𝑎 < 𝑋
< 𝑏) = ∫ 𝑓(𝑥)𝑑�

Perubah acak yang dapat memperoleh semua nilai pada skala kontinu. Ruang sampel
kontinu adalah bila ruang sampel mengandung titik sampel yang tak terhingga
banyaknya.
Berbeda dengan variabel random diskrit, sebuah variabel random kontinyu adalah
variabel yang dapat mencakup nilai pecahan maupun mencakup range/ rentang nilai
tertentu. Karena terdapat bilangan pecahan yang jumlahnya tidak terbatas, kita tidak
dapat menuliskan semua nilai yang mungkin bersama dengan probabilitasnya masing –
masing dalam bentuk tabel. Namun dipakai fungsi kepadatan probabilitas (Probability
Density Function). Plot untuk fungsi seperti ini disebut kurva probabilitas dan nilai
probabilitasnya dinyatakan sebagai luas suatu kurva yang bernilai positif.
1) DISTRIBUSI NORMAL
Distribusi Normal Salah satu distribusi yang sering digunakan untuk distribusi variabel
random. Variabel random yang mempunyai rata-rata dan variansi yang berbeda dapat
digambarkan dengan distribusi normal. Distribusi normal memiliki kurva berbentuk
lonceng yang simetris yang ditentukan oleh rata-rata yang dituliskan di tengah kurva dan
variansi untuk menentukan lebarnya kurva. Contoh Distibusi normal banyak dicontohkan
dalam kehidupan sehari-hari maupun di dunia industri. Misalnnya pada industri sepatu
rata-rata panjang sepatu yang dibuat oleh operator berdistribusi normal.
A. Kurva berbentuk genta ( = Md = Mo)
B. Kurva berbentuk simetris
C. Kurva normal berbentuk asimptotis
D. Kurva mencapai puncak pada saat X=
E. Luas daerah di bawah kurva adalah 1; ½ di sisi kanan nilai tengah dan ½ di sisi kiri.

Pentingnya Distribusi Normal Dalam Statistika Salah satu distribusi probabilitas dengan
variabel random kontinu adalah distribusi normal. Ada 2 peran yang penting dari
distribusi normal: Memiliki beberapa sifat yang mungkin untuk digunakan sebagai
patokan dalam mengambil suatu kesimpulan berdasarkan hasil sampel yang diperoleh.
Pengukuran sampel digunakan untuk menafsirkan parameter populasi. Distribusi normal
sangat sesuai dengan distribusi empiris, sehingga dapat dikatakan bahwa semua kejadian
alami akan membentuk distribusi ini. Karena alasan inilah sehingga distribusi ini dikenal
sebagai distribusi normal dan grafiknya dikenal sebagai kurva normal atau kurva gauss.
a. Grafiknya selalu berada di atas sumbu x
b. Bentuknya simetris pada x = µ
c. Mempunyai satu buah modus, yaitu pada x = µ
d. Luas grafiknya sama dengan satu unit persegi, dengan rincian
CIRI-CIRI DISTRIBUSI NORMAL Distribusi normal mempunyai beberapa sifat dan
ciri, yaitu:
 Disusun dari variable random kontinu
 Kurva distribusi normal mempunyai satu puncak (uni-modal)
 Kurva berbentuk simetris dan menyerupai lonceng hingga mean, median dan modus
terletak pada satu titik.
 Kurva normal dibentuk dengan N yang tak terhingga.
 Peristiwa yang dimiliki tetap independen.
 Ekor kurva mendekati absis pada penyimpangan 3 SD ke kanan dan ke kiri dari
rata- rata dan ekor grafik dapat dikembangkan sampai tak terhingga tanpa
menyentuh sumbu absis.
Fungsi Massa Probabilitas
Misalkan terdapat suatu pembebanan yang diletakan pada titik-titik diskrit (tertentu) di sebuah
balok yang panjang dan tipis. Pembebanan tersebut dideskripsikan sebagai suatu fungsi yang
menjelaskan bahwa massa (pembebanan) berada di tiap-tiap titik diskrit tersebut. Hampir sama
seperti variabel random diskrit, distribusinya dapat di deskripsikan dengan fungsi tersebut yang
menjelaskan bahwa probabilitasnya berada pada tiap-tiap nilai variabel random X. Untuk
variabel random diskrit dengan nilai kemungkinan x1, x2, . . . . , xn fungsi probabilitas massanya
adalah 1. F(x1) ≥ 0 2. ∑ ( ) = 1 3. ( ) ( ).
Fungsi Kepadatan Probabilitas
Fungsi kepadatan pada umumnya digunakan di dunia keteknikan untuk mendeskripsikan sistem
fisik. Sebagai contoh, mengingat kepadatan pada suatu balok yang panjang dan tipis dimana
untuk setiap titik x di sepanjang balok, kepadatannya dapat dideskripsikan sebagai sebuah fungsi
(gram/cm). Interval antara pembebanan yang besar berhubungan dengan nilai fungsi yang besar
pula. Total pembebanan antara poin a dan b ditentukan sebagai suatu integral dari fungsi
kepadatan dari a ke b.
Dibawah interval pada fungsi kepadatan ini, dapat dengan mudah ditafsirkan sebagai jumlah dari
keseluruhan pembebanan di interval tersebut. Hampir sama, Fungsi kepadatan probabilitas f(x)
dapat digunakan unutk mendeskripsikan distribusi probabilitas dari variabel random Kontinu X.
Jika interval memiliki nilai dari X, probabilitasnya besar dan itu berhubungan dengan nilai fungsi
f(x) yang besar pula. Probabilitas X diantara a dan b ditentukan dari integral dari F(x) dari a ke b.
Untuk variabel random Kontinu dari X, fungsi kepadatan probabilitasnya adalah 1. F(x1) ≥ 0 2. ∫
( ) 3. P (a ≤ X ≤ b) = ∫ ( ) = area dibawah f(x) untuk semua nilai a dan b.
2. DISTRIBUSI GAMMA
Distribusi Gamma merupakan teori yang mendasari distribusi erlang dan eksponensial,, r
pada distribusi ini dapat bernilai non integer. Distribusi Gamma adalah distribusi kontinu
dengan dua parameter ,  yang mempengaruhi bentuk distribusi Gamma. Hal tersebut
menunjukkan bahwa bentuk suatu distribusi tidak hanya ditentukan oleh peubah acak saja
tetapi juga oleh parameternya. Pengaruh parameter ,  pada distribusi Gamma dapat
dilihat dari perubahan yang terjadi pada distribusi Gamma. Jika parameter distribusi
Gamma diberikan suatu nilai atau syarat, maka distribusi Gamma akan membentuk
distribusi peluang kontinu yang lain. Distribusi yang terbentuk dari distribusi Gamma
antara lain distribusi Erlang, eksponensial dan chi-kuadrat . Selain itu, distribusi Beta
juga merupakan distribusi yang dapat diperoleh dari distribusi Gamma. Distribusi-
distribusi ini kemudian disebut kejadian khusus distribusi Gamma atau keluarga distribusi
Gamma.
Suatu peubah acak kontinu X dikatakan berdistribusi Gamma apabila untuk parameter 
dan  yang positif (ditulis X ~ GAM (,  ) ), peubah acak kontinu X memiliki fungsi
densitas peluang (fdp) yang berbentuk :
 Contoh diaplikasikan untuk mengukur waktu untuk menyelesaikan pekerjaan dan sering
digunakan dalam teori antrian.

A. Sifat – Sifat Distribusi Gamma

a. Nilai Harapan dan Variansi Nilai harapan untuk k X, X , dan X 2 dari distribusi
Gamma berturut-turut.
b. Fungsi Pembangkit Momen dan Fungsi Karakteristik Teorema 1. Misalkan X ~
GAM (,  ) . Fungsi pembangkit momen untuk distribusi Gamma adalah ( ) ( ) 
c. Estimasi Parameter dengan Metode Momen.

2) DISTRIBUSI ERLANG

Distribusi Erlang ialah kondisi khusus distribusi Gamma yaitu ketika parameter 
pada distribubsi gamma hanya boleh bilangan bulat positif. Hal ini
mengakibatkan distribusi Erlang memiliki sifat –sifat yang sama persis dengan
distribusi Gamma. Karena kedekatannya, kurva distribusi Erlang juga mengikut
kurva distribus gamma yang dapat terlihat pada distribusi Erlang terlihat
mengikuti bentuk distribuis chi-kuadrat pada saat f (x;1,2) . Kondisi ini
menunjukkan adanya hubungan antara distribusi Erlang dan chi-kuadrat.

Sebuah generalisasi dari distribusi eksponensial adalah lama waktu yang

dibutuhkan sampai r kejadian terjadi dalam proses Poisson. Disaat X dalam hal ini
menunjukkan waktu yang dibutuhkan sampai kejadian ke r dalam proses Poisson,
maka probabilitas kepadatan ini didefinisikan sebagai distribusi Erlang.

Contoh Probabilitas kesalahan (error) laser ketiga dalam mesin sitogenik lebih
dari 50000 jam.

3) DISTRIBUSI EKSPONENSIAL
Suatu peubah acak kontinu X yang berdistribusi Eksponensial ditulis X ~ EXP().
Distribusi Eksponensial sendiri merupakan kejadian khusus distribusi Gamma dengan
parameter  =1 , oleh sebab itu berdasarkan Persamaan (1) maka fdp distribusi
Eksponensial adalah :
Distribusi probabilitas yang digunakan untuk mengukur waktu antara dua kejadian sukses atau
jarak satu interval proses poisson.

4) DISTRIBUSI CHI- KUADRAT

Distribusi Chi-Kuadrat adalah distribusi Gamma dengan parameter  = 2 dan 2 v  =

dimana v bilangan asli.Distribusi Chi-Kuadrat memiliki parameter tunggal v yang disebut
derajat bebas. Suatu peubah acak X yang berdistribusi Chi-Kuadrat (ditulis : X (v) 2 ~  )
memiliki fdp sebagai berikut :

Seperti pada distribusi t, distribusi chi-square mempunyai satu parameter, yaitu derajat
kebebasan (df). Derajat kebebasannya dapat dihitung menggunakan formula yang berbeda dari
pengujian yang berbeda. Bentuk kurva distribusi chi-square berbentuk skewness positif dari df
yang terkecil sampai df yang paling besar.
5) DISTRIBUSI BETA

Distribusi beta merupakan sebuah penjabaran dari distribusi uniform. Misalkan X suatu
peubah acak kontinu. X dikatakan berdistribusi Beta (ditulis : X ~ BETA(,  ) ) apabila
memiliki fdp berbentuk :
6) DISTRIBUSI WEILBUL

Distribusi Weibull sering digunakan untuk menghitung waktu yang dicapai sampai
terjadinya kerusakan suatu sistem fisik. Distribusi weibull merupakan salah satu
distribusi teoritis variabel acak kontinu yang sering digunakan untuk menganalisis suatu
keandalan suatu item. Mengembalikan distribusi Weilbull. Gunakan distribusi ini dalam
analisis keandalan, misalnya menghitung waktu rata-rata perangkat hingga gagal.

7) DISTRIBUSI LOGNORMAL

Variabel dalam sistem terkadang mengikuti distribusi eksponensial dengan variabel X

adalah exp(W). Saat W ditranformasikan menggunakan logaritma dan menjadi distribusi
normal, maka distribusi dari variabel X ini disebut distribusi lognormal. distribusi dari
peubah acak kontinu dengan parameter meannya µ dan ragam σ2. Dalam penelitian ini
dilakukan pengka- jian mengenai pendugaan parameter µ dengan σ2 diketahui dari
distribusi Log- Normal dengan metode Maximum Likelihood Estimation dan metode
Bayes.
Fungsi Distribusi Kumulatif Distribusi LogNormal

Selain mempunyai fungsi kepekatan peluang, distribusi Log Normal memiliki fungsi
distribusi kumulatif.
Nilai Ragam Distribusi Log Normal
Sebaran dari distribusi Log Normal ditentukan oleh standar devisiasi, . Kuadrat dari standar
devisiasi merupakan ragam dari distribusi Log Normal. Untuk mengetahui nilai ragam dari
distribusi Log Normal diperlukan definisi dan bentuk rumus umum dari nilai ragam, adapun
penjelasannya sebagai berikut: Definisi 2.4 (Ragam) Misalkan X sampel acak dengan rata-rata
terbatas dan sedemikian sehingga ([ ] ) terbatas. Maka ragam dari X didefinisikan sebagai ([ ] ).
([ ] ) dinotasikan dengan atau ( ).
8) DISTRIBUSI STUDENT ( t )

Misalkan X1, X2,....,Xn merupakan sampel random dari suatu distribusi normal dengan rata-rata

dan standar deviasi yang tidak diketahui. Variabel random berdistribusi t dengan derajat

kebebasan n-1. distribusi-t banyak diterapkan pada statistik inferensia ketika nilai varians dari

suatu populasi tidak diketahui. Untuk sampel yang besar, nilai varians populasi σ2σ2 dapat

diestimasi dengan varians dari sampel s2�2 sehingga dapat dilakukan pendekatan (approximate)

dengan distribusi normal baku. Namun, jika sampel yang diambil kecil maka distribusi peubah

acaknya akan menyimpang jauh dari distribusi normal baku sehingga diperlukan distribusi

student-t.

Ciri – ciri distribusi T

Sampel yang di uji berukuran kecil (n < 30)

Penentuan nilai tabel di lihat dari besarnya tingkat signifikan (α) dan besarnya derajatbebas (db

Fungsi Pengujian Distribusi T

untuk memperkirakan interval rata-rata

untuk menguji hipotesis tentang rata-rata suatu sampel

menunjukkan batas penerimaan suatu hipotesis

untuk menguji suatu pernyataan apakah sudah layak untuk dipercaya.

Cara menghitung nilai T dengan Tabel

  Perhatikan jenis uji hipotesisKita harus menentukan apakah uji yang digunakan adalah uji

1 arah atau 2 arah. Jika uji 2 arah, kita harus membagi nilai α dengan 2. Jika uji 1 arah,

kita bisa langsung menggunakan nilai alpa tersebut.

 Kurangi jumlah sampel dengan 1Jangan lupa untuk mengurangi total sampel dengan 1.

Distribusi t menggunakan derajat kebebasan n-1. Hal ini sering kali terlupa oleh para

peneliti.

Ciri – ciri distribusi T

 Sampel yang di uji berukuran kecil (n < 30)
 Penentuan nilai tabel di lihat dari besarnya tingkat signifikan (α) dan besarnya derajat
bebas (db
Ciri – ciri distribusi T
 Sampel yang di uji berukuran kecil (n < 30)
 Penentuan nilai tabel di lihat dari besarnya tingkat signifikan (α) dan besarnya derajat
bebas (db

9) CONTOH GAMBAR DISTRIBUSI F

10) DISTRIBUSI UNIFORM
 Sebuah distribusi probabilitas yang mempunyai probabilitas yang sama untuk semua
kemungkinan variabel random yang muncul. Distribusi uniform mendapatkan namanya dari
fakta bahwa probabilitas untuk semua hasil adalah sama. Tidak seperti distribusi normal dengan
punuk di tengah atau distribusi chi-kuadrat, distribusi uniform tidak memiliki modus.
Sebaliknya, setiap hasil kemungkinan besar akan terjadi.

NAMA : NADIRA MEGA AULIA

NIM : 221010501434