BEBERAPA DISTRIBUSI

PROBABILITAS YANG PENTING

Anggota Kelompok
3:
1. Alifia Arthania
2. Desi Ratna Sari
3. Evdi Muhammad
4. Isabella
Tampubolon
5. Mutia Meiliani
6. Siska Oktariani
7. Velia Yafni
Mind Distribusi Normal 1
Map
Distribusi t 2
Distribusi Probabilitas
Chi-Square (X2) 3
Distirbusi F 4
1 Distribusi
Normal
Part 1
Sifat-sifat
Distribusi
Normal

 
1. Kurva distribusi normal, memiliki titik – titik yang simetris disekitar nilai rata – rata µ x.
2. FKP dari v.a yang didistribusikan secara normal memiliki titik tertinggi sebesar nilai rata –
ratanya tetapi memiliki titik terendah pada bagian kakinya ( yaitu, di bagian bawah kaki
distribusi probabilitas ini ).
3. Luas daerah di bawah kurva normal dapat digunakan sebagai ukuran probabilitas. Luas
seluruh daerah dibawah kurva normal adalah 1 bagian atau 100%.
4. Distribusi normal ditentukan sepenuhnya oleh kedua parameternya, yaitu µx dan . .
5. Kombinasi linear (fungsi) dari dua (atau lebih) variabel acak yang didistribusikan secara
normal akan dengan sendirinya didistribusikan secara normal.
6. Pada distribusi normal, kemencengan (S)-nya adalah nol, sedangkan peruncingan (K)-nya
Contoh 4.1 :

Kita misalkan bahwa X menyatakan jumlah bunga mawar yang terjual

tiap harinya di Toko Bunga di Kota Manhattan bagian atas. Sementara
Y adalah jumlah bunga mawar yang terjual tiap harinya di sebuah toko
bunga di pusat perdagangan Kota Manhattan. Kemudian, kita
asumsikan bahwa baik X ataupun Y didistribusikan secara normal tanpa
saling terikat satu sama lain, di mana X ~ N (100, 64) dan Y ~ N (150,
81). Lalu, berapakah nilai rata-rata bunga mawar yang terjual dalam 2
hari di kedua toko bunga serta varians dari penjualannya? Di sini, W =
2X + 2Y. Oleh karena itu, berdasarkan persamaan (1.3) kita
memperoleh E(W) = E(2X + 2Y) = 500 dan var (W) = 4 var(X) + 4 var(Y)
= 580. Dengan demikian, W didistribusikan secara normal dengan nilai
rata-rata 500 dan varians 580: [W ~ N(500, 580)].
Distribusi Normal
Standar

Distribusi normal yang satu dapat

berbeda dengan distribusi normal
1 Add your title

lainnya baik dari segi nilai rata – rata

atau varians, ataupun keduanya.

YOUR TITLE YOUR TITLE

( a ) Rata – rata berbeda, varians sama, ( b ) rata – rata

sama, varians berbeda, ( c ) rata – rata berbeda, varians
berbeda.
Distribusi Normal
Standar

Variabel normal satuan atau variabel normal standar, yaitu,

1 Add your title Add your title
variabel normal yang memilii rata – rata sebesar nol dan varians
sebesar satu. Variabel normal semacam itu kita tuliskan sebagai :

Z N(0,1)
 

Jadi, setiap v.a. yang didistribusikan secara normalYOUR

YOUR TITLE dengan
TITLE rata –
rata dan varians tertentu dapat diubah menjadi variabel normal
standar, yang akan sangat memudahkan kita dalam menghitung
probabilitas
Contoh 4.2 :

Telah1 diketahui sebelumnya bahwa

Add your title X, yakni penjualan roti tiap harinya di toko roti,
Add your title

memiliki distribusi normal degan rata – rata 70 roti dan varians 9 ; dalam hal ini, X ~ N
(70,9). Berapakah probabilitas bahwa pada haro tertentu penjualan roti di toko itu
lebih besar daripada 75 buah roti ?
Karena X memiliki distribusi normal dengan rata – rata dan varians yang telah
dinyatakan sebelumnya maka:
Z = = 1,67
YOUR TITLE YOUR TITLE
 Contoh 4.2 :
Oleh karena itu,

P(Z > L67) = I 0.9525 = 0.0475

Dalam hal ini, probabilitas penjualan roti
melampaui 75 buah tiap harinya adalah 00475 atau
sekitar 4.75 persen.
1 Add your title Add your title

Contoh 4.3.

Masih dengan Contoh 4.2. namun sekarang kita

andaikan bahwa kita ingin mengetahui probabilitas
dari penjualan roti sebanyak 75 buah atau kurang
setiap harinya. Jawabannya tampak jelas dari contoh
YOUR TITLE
sebelumnya, yaitu, bahwa probabilitas YOUR
ini TITLE
adalah
( a ) FKP dan ( b ) FDK dari variabel normal standar.
0.9525 yang ditunjukkan dalam Gambar 4-3 (b).
Contoh 4.2 :

 Contoh 4.4.

Masih dengan Contoh 4.2. namun sekarang kita andaikan bahwa kita ingin mengetahui probabilitas bahawa roti yang
terjual antara 65 dan 75 buah setiap harinya. Untuk menghitung probabilitas ini, kita pertama-tama menghitung

1 Add your title Add your title

Sekarang, dari Tabel A-1 kita ketahui bahwa

dan

Oleh karena itu.

YOUR TITLE YOUR TITLE

Dalam hal ini. probabilitas bahwa volume penjualan akan terletak antara 65 dan 75 buah roti setiap harinya adalah 90.5
persen. sebagaimana tampak dalam Gambar 4-3 (a).
Penarikan Sampel
Acak dari Populasi
Normal

2
Sebagai contoh, dengan menggunakan paket komputer 4) .

statistik MINITAB, kita peroleh 25 bilangan acak dari N (0,1) N (2,4 N (0,1) N (2,4)
-0,48524 4,25181 0,22968 0,21487
populasi normal N(0,1). Bilangan acak ini ditunjukkan 0,46262 0,01395 -0,00719 -0,47726
2,23092 0,09037 -0,71217 1,32007
dalam kolom pertama Tabel 4-l. Dalam kolom 2 tabel -0,23644 1,96909 -0,53126 -1,25406
1,10679 1,62206 -1,02664 3,09222
tersebut juga ditunjukkan sampel acak lain berupa 25 -0,82070 1,17653 -1,29535 1,05375
observasi yang diperoleh dari populasi normal dengan 0,86553 2,78722 -0,61502 0,58124
-0,40199 2,41138 -1,80753 1,55853
rata-rata sama dengan 2 dan varians sama dengan 4 1,13667 2,58235 0,20687 1,71083
-2,05585 0,40786 -0,19653 0,90193
(dalam hal ini, N(2, 4)). Tentu saja, Anda dapat 2,98962 0,24596 2,49463 -0,14726
0,61674 -3,45379 0,94602 -3,69238
menghasilkan sampel sebanyak yang Anda inginkan -0.32833 3.29003    
dengan menggunakan prosedur seperti di atas.
Penarikan
  Sampel atau
Distribusi Probabilitas
dari Rata-rata Sampel

 
Contoh 4.6.

Pertimbangkanlah sebuah distribusi normal dengan nilai rata-rata 10 dan varians 4, yakni N(10, 4).
Dari populasi ini kita peroleh 20 sampel acak yang masing-masing terdiri atas 20 observasi. Jadi,
untuk tiap sampel yang diambil, kita peroleh nilai rata-rata sampel, . Dengan demikian, kita
memiliki rata-rata sampel sebanyak 20 buah, yang disajikan dalam Tabel 4-2.

Marilah kita mengelompokkan ke-20 rata-rata sampel ini ke dalam distribusi frekuensi,
sebagaimana yang ditunjukkan dalam Tabel 4-3.

Distribusi frekuensi dari rata-rata sampel yang diberikan dalam Tabel 4-3 dapat disebut
penarikan sampel empiris, atau distribusi probabilitas dari rata-rata sampel. Bila kita gambarkan
distribusi empiris ini, kita peroleh diagram batang sebagaimana yang ditunjukkan dalam Gambar 4-
4.
Penarikan
  Sampel atau
Distribusi Probabilitas
dari Rata-rata Sampel
Penarikan
  Sampel atau
Distribusi Probabilitas
dari Rata-rata Sampel

Kita
  misalkan X menyatakan jumlah kilometer per liter BBM yang ditempuh mobil-mobll model tertentu. Anda diberitahu
bahwa X ~ N(20, 4). Berapakah probabilitas bahwa, untuk sampel acak yang terdiri dari 25 buah mobil. rata-rata jarak yang
ditempuh untuk setiap liter BBM adalah
a. lebih dari 2l kilometer
b. kurang dari 18 kilometer
c. antara l9 dan 21 kilometer?
Karena X mengikuti distribusi normal dengan rata-rata = 20 dan varians = 4, kita ketahui bahwa juga mengikuti distribusi
normal dengan rata-rata = 20 dan varians = 4/25. Hasilnya, kita ketahui bahwa

Dalam hal ini. Z mengikuti distribusi normal standar. Oleh karena itu, kita ingin menghitung

(Dari Tabel A-1(b))

Teorema Limit
Sentral (TLS)

 
Teorema limit sentral (TLS)-yang mula-mula dikemukakan oleh pakar
matematika berkebangsaan Prancis, Laplace, yang menyatakan bahwa apabila X l,

X2, ..., Xn merupakan variabel acak dari populasi (dalam hal ini, distribusi
probabilitas) manapun dengan rata-rata . dan varians maka rata-rata sampel
cenderung didistribusikan secara normal.
DISTRIBUSI t

Distribusi T berkaitan erat dengan distribusi normal.

Untuk memperkenalkan distribusi ini, ingatlah

X ⁓N   x , x n 
2
bahwa apabila, maka variabel
  Sifat-sifat distribusi t
Yang dalam hal ini merupakan distribusi normal 1. Distribusi t, seperti halnya distribusi normal, bentuk
standar. sistematis, sebagaimana yang ditunjukkan dengan
gambar 4-6
2. Rata-rata distribusi t, seperti halnya distribusi normal
standar, adalah nol, tetapi variansnya adalah k/(k-2).
Oleh karena itu, varians dari distribusi t didefinisikan
untuk d.k. lebih dari 2.
 4.8
Contoh Mari kita menengok kembali contoh 4.2. dalam kurun waktu 15 hari, penjual roti mencapai rata-rata 74 buah
dengan deviasi standar (sampel) = 4 buah roti. Berapaksh probabilitas untuk mendapatkan penjualan sebesar itu
bila mengingat bahwa rata-rata penjualan sesungguhnya adalah 70 buah roti per harinya?
Jika kita telah menghitung σ yang sebenarnya, kita dapat menggunakan variabel Z normal standar guna menjawab
pertanyaan ini. Akan tatapi, karena kita mengetahui penaksirannya, S, kita dapat menggunakan persamaan (4.8)
untuk menghitung nilai t dan menggunakan tabel A-2 dalam lampiran A guna menjawab pertanyaan ini sebagai
berikut:
t= = 3,873

perhatikan bahwa dalam contoh ini d.k.-nya adalah 14 = (15-1). Mengapa?

Sebagaimana yang ditunjukkan dalam tabel A-2 untuk d.k. 14, probabilitas mendapatkan nilai t=2,145 atau lebih
adalah 0,025(2,5%), untuk t = 2,624 atau lebih adalah 0,01 (1%), dan untuk t=3,787 atau lebih pasti jauh lebih kecil
daripad 0,001.

4.9
Marilah kita mengulang kembali contoh 4.8 secara utuh kecuali asumsi bahwa rata-rata penjualan roti selama 15 hari adalah
72 buah. sekarang berapakah probabilitas untuk mendapatkan angka penjualan sebesar itu?

Dengan mengikuti secara persis jalan pikiran seperti di atas, anda dapat membuktikan bahwa nilai hitung t adalah ~ 1,936.
Sekarang berdasarkan tabel A-2 kita ketahui bahwa untuk d.k. =14, probabilitas untuk mendapatkan nilai t=1,761 atau lebih
adalah ~0,05 (5%) dan untuk t=2,145 atau lebih adalah 0,025 (2,5%). Oleh karena itu, probabilitas untuk mendapatkan nilai
t=1,936 atau lebih terletak diantara 2,5 dan 5 persen.
 DISTRIBUSI
PROBABILITAS CHI
SQUARE
Catatan tentang derajat kebebasan: secara
umum, jumlah derajat kebebasan berarti
jumlah observasi independen yang tersedia
2. Seperti yang ditunjukkan pada gambar 4-7, distribusi chi-
untuk menghitung statistik, seperti rata-rata square juga merupakan distribusi menceng, dimana derajat
sampel atau varians sampel. kemencengan tergantung pada derajat kebebasan. Untuk
derajat kebebasan yang relative kecil, maka distribusi ini
menceng ke kanan, tetapu ketika derajat kebebasan
Sifat-sifat distribusi kai-kuadrat atau Chi- bertambah, maka distribusinya menjadi semakin simetris dan
mendekai distribusi normal.
Square
1. Seperti yang ditunjukkan pada gambar 4-
3. Nilai harapan atau rata-rata dari variabel
7, distribusi chi-suare sama seperti
acak chi-square adalah k dan variasinya adalah
distribusi normal yang hanya mengambil
2k. k adalah derajat kebebasan
nilai positif (distribusi ini merupakan
4. Jika Z1 dan Z2 merupakan variabel kai-
distribusi variabel kuadrat dan nilainya
berkisar anatara 0 sampai tak hingga) kuadrat atau chi-square, ynag independen
dengan derajat kebebasan sebesar k1 dan k2,
maka jumlah dari (Z1 + Z2) juga merupakan
variabel kai-kuadrat atau chi-square dengan
derajat kebebasan = (k1 + k2)
Contoh Contoh 4.13.
Untuk d.k. 30, berapakah probabilitas bahwa nila chi-square ynag diobservasi
lebih besar dari 13,78? Atau lebih besar dari 18,49? Atau lebih besar dari
50,89?
Dari tabel A-4 pada Lampiran A dapat diketahui bahwa probabilitas
masing-masing adalah 0,995;0,95;dan 0,01. Jadi untuk d.k. 30 probabilitas
mendapatkan nilai kai-kuadrat atau chi-square mendekati 51 sangat kecil
1 Add your title Add your title
yakni hanya sebesar 1%, namun pada d.k. yang sama probabilitas mendapat
nilai chi-square mendekati 14 sangat tinggi yakni 99,5%.
 
Contoh
  4.14.
Jika S2 adalah varian sampel yang diperoleh dari sampel acak sebanyak n observasi, dari
populasi normal dengan varians σ², teori statistic menunjukkan bahwa ukuran
(n – 1) (4.11)
Dalam hal ini, rasio varians sampel terhadap varians populasi dikalikan dengan d.k. (n – 1)
mengikuti distribusi chi-squre d.k. (n – 1). Andaikan sebuah sampel acak yang terdiri dari 20
observasi dari populasi normal dengan σ2 = 8 memberikan varians sampel S2 = 16. Berapakah
probabilitas unutk mendapatkan varians sampel sebesar ini?
Dengan menempatkan angka yang sesuai ke dalam persamaan di atas, diketahui bahwa
YOUR TITLE
19(16/8) = 38 adalah variabel chi-square dengan d.k. 19. Dari tabel A-4 pada lampiran A, kita YOUR TITLE
ketahui bahwa unutk d.k. 19 dan apabila σ2 yang sebenarnya adalah 8, maka probabilitas
untuk mendapatkan nilai chi-square adalah . Ini merupakan probabilitas yg sangat kecil.
 
DISTRIBUSI F
 Sifat – sifat distribusi F
Seperti distribusi chi-square, distribusi F juga menceng ke kanan dan
memiliki rentang antara 0 dan tak hingga
Seperti distribusi t dan chi-square, distribusi F mendekati distribusi
normal ketika k1 dan k2 yang merupakan d.k. sangat besar (secara
teknis, tak terhingga)
Kuadrat dari variabel acak yang didistribusikan sebgai distribusi t
dengan d.k. = k mempunyai distribusi F dengan d.k. = 1 pada
pembilang dan k pada penyebut
(4.15)
 Sifat – sifat distribusi F
Sebagaimana adanya hubungan antara distribusi F dan
distribusi t, terdapat hubungan antara distribusi F dan
distribusi chi-square atau kai-kuadrat, yaitu:
karena n (4.16)
Dalam hal ini, suatu variabel chi-square dibagi dengan d.k., m,
mendekati variabel F dengan d.k. = m sebagai pembilang dan
d.k. ynag sangat besar (secara teknis, tak terhingga) sebagai
penyebut. Oleh karena itu kita dapat menggunakan distribusi
χ² dan bukannya distribusi F, dan sebaliknya. Persamaan nomr
4 dapat ditulis dengan:
karena n (4.17)
CONTOH

Seorang
  dosen memberikan ujian ekonometrika yang sama di dua kelas: kelas yang satu terdiri dari 100 mahasiswa dan kelas satunya lagi terdiri
dari 150 mahasiswa.
Ia mengambil sampel acak sebanyak 25 mahasiswa dari kelas pertama dan sampel acak sebanyak 31 mahasiswa dari kelas lainnya dan
mengamati bahwa varians sampel dari rata-rata nilai di kedua kelas masing-masing adalah 100 dan 132.
Diasumsikan bahwa variabel acak tersebut, yakni rata-rata nilai, di kedua kelas didistribusikan secara normal.
Dapatkah kita mengasumsikan bahwa varians dari rata-rata nilai di kedua kelas itu sama?
Karena kita membahas dua sampel acak independen yang diambil dari dua populasi normal, maka dengan menerapkan rasio F yang diberikan
dalam Persamaan (4.14), kita ketahui bahwa

Mengikuti distribusi F dengan d.k. masing-masing sebesar 30 dan 24.

Berdasarkan nilai F yang diberikan dalam Tabel A-3, kita amati bahwa untuk d.k. 30 yang menjadi pembilang dan d.k. 24 yang menjadi penyebut,
probabilitas untuk mendapatkan nilai F sebesar 1,31 atau lebih adalah 25 persen.
Jika kita menganggap probabilitas ini cukup tinggi, kita dapat menyimpulkan bahwa varians (populasi) di kedua kelas ekonometrika itu sama
(secara statistik).
.

60%
THANK
YOU