Upload
sophie-piyu
View
365
Download
1
Embed Size (px)
Citation preview
BAB II
LANDASAN TEORI
2.1. Peubah Acak
Peubah Acak1 ialah deskripsi numerik dari suatu percobaan acak.
Sebagaimana diketahui percobaan ialah sembarang proses yang membangkitkan
data (any process that generate data). Percobaan dibagi dua yaitu Percobaan
Deterministik dan Percobaan Acak/Stokastik. Percobaan deterministik ialah
percobaan yang hasilnya dapat dipastikan, jika diulang-ulang hasilnya tepat sama.
Percobaan acak atau stokastik ialah percobaan yang hasilnya tidak dapat
dipastikan, jika diulang-ulang akan memberikan hasil yang berbeda. Kejadian
Peluang termasuk kejadian yang bersifat acak karena didapatkan dari hasil suatu
percobaan yang acak.
Fungsi yang mendefinisikan titik-titik contoh dalam ruang contoh
sehingga memiliki nilai berupa bilangan nyata disebut : peubah acak = variabel
acak = random variable (beberapa buku juga menyebutnya sebagai stochastic
variable ). Biasanya peubah acak dinotasikan sebagai X (X kapital) sedangkan
nilai dalam X dinyatakan sebagai x (huruf kecil x). contohnya pelemparan
sekeping mata uang setimbang sebanyak 3 Kali
S : {GGG, GGA, GAG, AGG, GAA, AGA, AAG, AAA}
dimana G = gambar dan A = angka
X: setiap satu sisi gambar bernilai satu (G = 1)
S : {GGG, GGA, GAG, AGG, GAA, AGA, AAG, AAA} 3 2 2 2 1 1 1 0Perhatikan bahwa X{0,1,2,3}
Nilai x1= 0, x2= 1 x3= 2, x4= 3
Peubah Acak dapat dikategorikan menjadi
1. Peubah Acak Diskrit
1 http://www.ilmustatistik.com/2008/11/17/peubah-acak-dan-fungsi peluang/#more-190
Peubah acak diskrit nilainya berupa bilangan cacah, dapat dihitung dan
terhingga. Digunakan untuk hal-hal yang dapat dicacah
Misal : Banyaknya Produk yang rusak = 12 buah
Banyak pegawai yang di-PHK = 5 orang
2. Peubah Acak Kontinu
Peubah acak kontinu nilainya berupa selang bilangan, tidak dapat di hitung
dan tidak terhingga (memungkinkan pernyataan dalam bilangan pecahan)
digunakan untuk hal-hal yang diukur (jarak, waktu, berat, volume)
Misalnya Jarak Pabrik ke Pasar = 35.57 km
Waktu produksi per unit = 15.07 menit
Berat bersih produk = 209.69 gram
Volume kemasan = 100.00 cc
2.2. Distribusi Peluang Diskrit
2.2.1. Distribusi Seragam2
Di antara semua sebaran peluang diskrit, yang paling sederhana adalah
sebaran sebaran diskrit. Dalam sebaran ini, setiap nilai peubah acak mempunyai
peluang terjadi yang sama.
Bila peubah acak X mempunyai nilai-nilai X1, X2, X3, …, Xk, dengan
peluang yang sama, maka sebaran seragam diskrit dtentukan oleh :
F (x;k) = , untuk x = x1, x2, …, xk
Penggunaan notasi f (x;k) sebagai pengganti f (x) untuk menunjukkan bahwa
sebaran seragam itu bergantung pada parameter k.
Misalnya, jika sebuah dadu dilempar, maka setiap elemen dari ruang
sampelnya S = {1, 2, 3, 4, 5, 6} terjadi dengan peluang yang untuk muncul yaitu
1/6, sehingga kita mempunyai distribusi uniform: f(x; 6) =1/6; x = 1; 2; 3; 4; 5; 6.
Dengan demikian, histogram contoh tersebut dapat digambarkan seperti berikut.
22 Walpole, Ronald E. Pengantar Statistika (Jakarta: Gramedia, 1997), hal. 152.
Gambar 2.8. Histogram dari Pelemparan Dadu
Sumber: Walpole, Ronald E. Pengantar Statistika (Jakarta: Gramedia, 1997), hal. 152.
2.2.2. Distribusi Binomial3
Suatu percobaan sering kali terdiri atas ulangan-ulangan, dan masing-
masing mempunyai kemungkinan hasil yang dapat diberi nama berhasil atau
gagal. Misalkan saja dalam pelemparan sekeping uang logam sebanyak 5 kali,
hasil setiap ulangan mungkin muncul sisi gambar atau sisi angka, kita dapat
menentukan salah satu di antara keduanya sebagai “berhasil”. Begitu pula, bila 5
kartu diambil berturut-turut kita dapat memberi label “berhasil” bila yang terambil
adalah kartu merah atau “gagal” bila yang terambil adalah kartu hitam. Bila setiap
kartu dikembalikan sebelum pengambilan berikutnya, maka kedua percobaan
yang disebutkan di atas mempunyai ciri-ciri yang sama yaitu bahwa ulangan-
ulangan tersebut bersifat bebas dan peluang keberhasilan setiap ulangan tetap
sama yaitu sebesar 1/2. Percobaan semacam ini dinamakan percobaan binom.
Distribusi binomial mempunyai ciri-ciri sebagai berikut:
1. Percobaan terdiri atas n ulangan.
2. Dalam setiap ulangan, hasilnya dapat digolongkan sebagai berhasil atau gagal.
3. Peluang berhasil, yang dilambangkan dengan p, untuk setiap ulangan adalah
sama, tidak berubah-ubah.
4. Ulangan-ulangan itu bersifat bebas satu sama lain.
Peubah X yang menyatakan banyaknya keberhasilan dalam n ulangan
suatu percobaan binom disebut peubah acak binom. Sebagai peluang bagi peubah
33 Walpole, Ronald E. Pengantar Statistika (Jakarta: Gramedia, 1997), hal. 153.
acak diskrit disebut sebaran binom, dan nilai-nilainya akan dilambangkan dengan
b (x; n, p), karena nilai-nilai ini bergantung pada banyaknya ulangan dan peluang
keberhasilan pada suatu ulangan.
Suatu percobaan sering kali terdiri dari ulangan-ulangan, masing-masing
mempunyai dua kemungkinan hasil yang dapat diberi nama berhasil atau gagal.
Bila suatu ulangan binom mempunyai peluang keberhasilan p dan peluang
kegagalan q = 1-p, maka sebaran peluang bagi peubah acak binom X, yaitu
banyaknya keberhasilan dalam n ulangan yang bebas adalah:
b (x; n, p) =
Sebaran binom mendapatkan namanya dari kenyataan bahwa ke-(n+1)
suku dalam penguraian binom (q+p)n ternyata merupakan berbagai nilai dari
b(x; n, p) untuk x = 0, 1, 2, …, n. Perhatikan bahwa :
(q + p)n = b (0; n, p) + b (1; n, p) + b (2; n, p) + … + b (n; n, p)
Karena p + q = 1, maka kita peroleh = 1, suatu syarat yang harus
berlaku untuk sebaran peluang apapun.
Bila setiap peluang menghasilkan salah satu dari k hasil percobaan E1,
E2, …, Ek, dengan peluang p1, p2, …, pk, maka sebaran peluang bagi peubah
acak X1, X2, …, Xk, yang menyatakan berapa kali E1, E2, …, Ek terjadi dalam n
ulangan yang bebas, adalah :
F (x1, x2, …, xk; p1, p2, …, pk, n ) =
dengan = n dan = 1
Sebaran multinom mendapatkan namanya dari kenyataan bahwa suku-
suku penguraian multinom (P1 + P2 + … + Pk)n berpadanan dengan semua
kemungkinan nilai f (X1, X2, …, Xk; P1, P2, …, Pk, n ).
Gambar 2.9. Grafik Binomial
Sumber: www.boost.org
2.2.3. Distribusi Hipergeometrik4
Jika peluang terambilnya x keberhasilan dari k benda yang diberi label
“berhasil” dan n-x kegagalan dari N-k benda yang diberi label “gagal”, bila suatu
contoh berukuran n diambil dari sebuah populasi terhingga beukuran N.
percobaan ini dikenal sebagai percobaan hipergeometrik.
Percobaan hipergeometrik bercirikan dua sifat berikut:
1. Suatu contoh acak berukuran n diambil dari populasi yang berukuran N.
2. K dari N benda yang diklasifikasikan sebagai berhasil dan N – k benda
diklasifikasikan sebagai gagal.
Banyaknya keberhasilan X dalam suatu percobaan hipergeometrik
disebut peubah acak hipergeometrik. Dengan demikian, sebaran peluang bagi
peubah acak hipergeometrik disebut sebaran hipergeometrik dan nilai-nilainya
dilambangkan dengan h (x; N, n, k), karena nilai-nilai itu bergantung pada
banyaknya keberhasilan k di antara n benda yang diambil dari populasi N benda.
Bila dalam populasi N benda, k benda di antaranya diberi label “berhasil”
dan N – k benda lainnya diberi label “gagal”, maka sebaran peluang bagi peubah
44 Walpole, Ronald E dan Raymond Meyers. Ilmu Peluang dan Statistika untuk
Insinyur dan Ilmuwan (Bandung: Penerbit ITB, 1986), hal. 99.
acak hipergeometrik X, yang menyatakan banyaknya keberhasilan dalam contoh
acak berukuran n, adalah :
h (x; N, n, k)= , untuk x = 0,1,2,….,k
Gambar 2.10. Grafik Hipergeometrik
Sumber: zoonek2.free.fr
2.2.4. Distribusi Binom Negatif5
Percobaan pada distribusi ini mempunyai ciri yang sama dengan
percobaan binom, kecuali jika ulangan diulang terus sampai terjadi sejumlah
tertentu keberhasilan. Jadi, alih-alih menentukan peluang x keberhasilan alam n
ulangan, dengan n telah ditetapkan lebih dulu, sedangkan dengan peluang bahwa
keberhasilan ke-k terjadi pada ulangan ke-x. Percobaan semacam ini disebut
sebagai percobaan binom negatif.
Distribusi binom negatif adalah jika ulangan yang bebas dan berulang-
ulang dapat menghasilkan keberhasilan dengan peluan p dan kegagalan dengan
peluang q = 1- p, maka sebaran peluang bagi peubah acak X, yaitu banyaknya
ulangan sampai terjadinya k keberhasilan, diberikan menurut rumus:
5 Walpole, Ronald E. Pengantar Statistika (Jakarta: Gramedia, 1997), hal. 170.
b* (x; k,p) =
untuk x = k, k + 1, k + 2,…
Sebaran binom negatif memperoleh namanya dari kenyataan bahwa setiap
suku dalam penguraian pk(1 – p)x-k berpadanan dengan nilai-nilai b* (x; k,p) untuk
x = k, k + 1, k + 2,…
Gambar 2.11. Grafik Binom Negatif
Sumber: zoonek2.free.fr
2.2.5. Distribusi Geometrik6
Distribusi geometrik adalah jika tindakan yang bebas dan berulang- ulang
dapat menghasilkan keberhasilan dengan peluang p dan kegagalan dengan
peluang q = 1 – p, maka sebaran peluang bagi peubah acak X, yaitu banyaknya
ulangan sampai munculnya keberhasilan yang pertama, diberikan menurut rumus:
g(x;p) = pqx-1, untuk x = 1, 2, 3,...
6 Walpole, Ronald E. Pengantar Statistika (Jakarta: Gramedia, 1997), hal. 172.
Gambar 2.12. Grafik Geometrik
Sumber: zoonek2.free.fr
2.2.6. Distribusi Poisson7
Percobaan yang menghasilkan nilai-nilai bagi suatu peubah acak X, yaitu
banyaknya hasil percobaan yang terjadi selama suatu selang waktu tertentu,
disebut percobaan Poisson. Selang waktu tersebut dapat berapa saja panjangnya,
misalnya semenit, sehari, seminggu, sebulan atau bahkan setahun. Dengan
demikian percobaan Poisson dapat saja membangkitkan pengamatan-pengamatan
bagi peubah acak X yang menyatakan banyaknya dering telepon di suatu
kantor,jumlah hari sekolah ditutup karena turunnya salju di musim dingin atau
banyaknya pertandingan yang tertunda karena hujan selaa suatu musim kompetisi
sepakbola dll.
Percobaan Poisson memiliki cirri-ciri sebagai berikut:
1. Banyaknya hasil percobaan yang terjadi dalam suatu selang waktu atau suatu
daerah tertentu, tidak tergantung pada banyaknya hasil percobaan yang terjadi
pada selang waktu atau daerah lain yang terpisah.
2. Peluang terjadinya satu hasil percobaan selama suatu selang waktu yang
singkat sekali atau dalam suatu daerah yang kecil, sebanding dengan panjang
selang waktu tersebut atau besarnya daerah tersebut, dan tidak bergantung
pada banyaknya hasil percobaan yang terjadi diluar selang waktu atau daerah
tersebut.
7 Walpole, Ronald E dan Raymond Meyers. Ilmu Peluang dan Statistika untuk
Insinyur dan Ilmuwan (Bandung: Penerbit ITB, 1986), hal. 107.
3. Peluang bahwa lebih dari satu hasil percobaan akan terjadi dalam selang
waktu yang singkat tersebut atau dalam daerah yang kecil tersebut, dapat
diabaikan.
Bilangan X yang menyatakan banyaknya hasil percobaan dalam suatu
percobaan Poisson disebut peubah acak Poisson dan sebaran peluangnya disebut
sebaran Poisson diberikan menurut rumus:
, untuk x = 0,1,2,......
Gambar 2.13. Grafik Poisson
Sumber: zoonek2.free.fr
2.3. Distribusi Peluang Kontiniu
2.3.1. Distribusi Normal8
Distribusi normal, disebut pula distribusi Gauss, adalah distribusi
probabilitas yang paling banyak digunakan dalam berbagai analisis statistika.
Distribusi normal baku adalah distribusi normal yang memiliki rata-rata nol dan
simpangan baku satu. Distribusi ini juga dijuluki kurva lonceng (bell curve)
karena grafik fungsi kepekatan probabilitasnya mirip dengan bentuk lonceng.
8 Walpole, Ronald E. Pengantar Statistika (Jakarta: Gramedia, 1997), hal. 180.
Distribusi normal banyak digunakan dalam berbagai bidang statistika,
misalnya distribusi sampling rata-rata akan mendekati normal, meski distribusi
populasi yang diambil tidak berdistribusi normal. Distribusi normal juga banyak
digunakan dalam berbagai distribusi dalam statistika, dan kebanyakan pengujian
hipotesis mengasumsikan normalitas suatu data.
Jika X adalah peubah acak normal dengan nilai tengah μ dan ragam σ2,
maka persamaan dari kurva normal adalah:
Jika suatu peubah acak X menyebar secara normal dengan μx=0 dan σ2x=1,
maka peubah acak tersebut dinamakan peubah acak normal baku serta diberi
lambang Z. Sebaran dari peubah acak Z ini disebut sebaran normal baku, dengan
fungsi peluangnya:
Dengan peubah acak normal baku Z didefinisikan sebagai berikut:
Ada empat alasan mengapa distribusi normal menjadi distribusi yang
paling penting:
1. Distribusi normal terjadi secara alamiah. Seperti diuraikan sebelumnya banyak
peristiwa di dunia nyata yang terdistribusi secara normal.
2. Beberapa variabel acak yang itdak berdistribusi secara normal dapat dengan
mudah ditransformasi menjadi suatu distribusi variabel acak yang normal.
3. Banyak hasil dan teknik analisis yang berguna dalam pekerjaan statistic yang
bisa berfungsi dengan benar jika model distribusinya merupakan distribusi
normal.
Ada beberapa variabel acak yang tidak menunjukkan distribusi normal
pada populasinya, namun distribusi dari rata-rata sampel yang diambil secara
random dari populasi tersebut ternyata menunjukkan distribusi normal.
Untuk menghitung probabilitas P(a ≤ x ≤ b) dari suatu variabel acak
kontiniu X yang berdistribusi secara normal dengan parameter μx dan σx maka
harus diintegral mulai dari x = a sampai x = b. Namun tidak ada satupun dari
teknik-teknik pengintegralan biasa yang bisa digunakan untuk menentukan
integral tersebut. Untuk itu para ahli statistic/matematik telah membuat sebuah
penyederhanaan dengan memperkenalkan sebuah fungsi kepadatan probabilitas
normal khusus dengan nilai mean (μx) = 0 dan deviasi standard (σx) = 1.
Distribusi khusus ini dikenal sebagai distribusi normal standard (standard normal
distribution). Variabel acak dari distribusi normal standard ini biasanya
dinotasikan dengan Z.
Dengan menerapkan ketentuan di atas, maka fungsi kepadatan probabilitas
dari distribusi normal standard variabel acak kontiniu Z adalah
Sedangkan fungsi distribusi kumulatif (cdf) dari distribusi normal standard
ini dinyatakan sebaga:
Bentuk kurva fungsi kepadatan probabilitas dan fungsi distribusi kumulatif
normal standard ditunjukkan oleh Gambar 2.14.
Gambar 2.14. Distribusi Normal
Sumber: www.wikipedia.org
2.3.2. Distribusi T9
Di dalam suatu sebaran, bila n 30, maka nilai-nilai masih
menyebar menghampiri sebaran normal baku. Namun bila ukuran contohnya
n<30, maka nilai s2 berfluktuasi cukup besar dari satu contoh ke contoh lainnya
dan sebaran tidak lagi normal baku. Bila demikian halnya, kita
sesungguhnya berhadapan dengan sebaran suatu statistik yang disebut T yang
nilai-nilainya yaitu:
Sebaran t menyerupai sebaran z, dalam hal keduanya setangkup di sekitar
nilai tengah nol. Kedua sebaran tersebut berbentuk genta namun, sebaran t lebih
bervariasi, berdasarkan kenyataan bahwa nilai t bergantung pada fluktuasi dua
besaran yaitu x dan s2, sedangkan nilai z bergantung pada perubahan x dari satu
contoh ke contoh lainnya. Sebaran bagi t berbeda dengan sebaran bagi z dalam hal
ragamnya bergantung pada ukuran contoh n dan selalu lebih besar dari 1. Hanya
bila ukuran contoh kedua sebaran itu menjadi sama.
9 Walpole, Ronald E dan Raymond Meyers. Ilmu Peluang dan Statistika untuk
Insinyur dan Ilmuwan (Bandung: Penerbit ITB, 1986), hal. 187.
Gambar 2.15. Distribusi T
Sumber: geodesy.gd.itb.ac.id
2.3.3. Distribusi F10
Uji F adalah pengujian hipotesis mengenai perbandingan antara frekuensi
observasi yang benar-benar terjadi/aktual dengan frekuensi harapan/ekspektasi.
Selain itu, distribusi F juga memperbandingkan dua variance, uji harga rata-rata
tidak mencukupi (deviasinya sangat besar, sehingga nilai rata-rata sulit dijadikan
ukuran) oleh karena itu digunakan uji variance yang mengikuti distribusi F.
Fungsi distribusi f yaitu:
dan
Bila S dan S adalah ragam dua contoh acak bebas berukuran n1 dan n2 yang
ditarik dari populasi normal dengan ragam σ dan σ22 maka:
Gambar 2.16. Distribusi F
Sumber: geodesy.gd.itb.ac.id
10 Walpole, Ronald E. Pengantar Statistika (Jakarta: Gramedia, 1997), hal. 273.
2.3.4. Distribusi Chi-Kuadrat11
Uji chi kuadrat atau chi-square antara frekuensi yang teramati dengan
frekuensi harapan yang didasarkan pada besaran yang terjadi. Fungsi distribusi chi
kuadrat diberikan sebagai berikut:
χ2 =
Z adalah chi-square dengan variabel acak m derajat kebebasan.Ada dua
jenis chi-square distribusi. Yang pertama adalah saat yang diperoleh X2 memiliki
nol berarti dan dinamakan pusat distribusi chi-square. Yang kedua adalah yang
diperoleh ketika X2 yang tidak nol berarti disebut non-pusat distribusi chi-square.
Contoh yang paling sederhana dari chi square adalah variabel acak
dimana X adalah Gaussian random variable dengan zero mean dan variance .
PDF yang X adalah
Dengan definisi, maka fungsi distribusi kumulatif dari Z adalah
Sederhanakan ini ke
Uji chi-square acak variabel dengan satu derajat kebebasan adalah
Chi- square random variabel dengan 2 derajat kebebasan ini diberikan sebagai
berikut:
,
11 Walpole, Ronald E. Pengantar Statistika (Jakarta: Gramedia, 1997), hal. 268.
Dimana, X dan Y independen adalah variabel acak Gaussian dengan mean nol
dan varians . Dalam nilai pada variabel random Rayleightelah ditunjukkan
variabel acak , di mana yaitu:
Sehingga dilakukan analisa menjadi:
Diferensiasi dua sisi menjadi:
Maka uji chi square acak variabel dengan dua derajat kebebasan adalah:
Probabilitas fungsi kepadatan:
Dimana gamma yang berfungsi didefinisikan sebagai berikut:
’,
sebuah integer> 0
.
Gambar 2.17. Distribusi Chi-Kuadrat
Sumber: geodesy.gd.itb.ac.id
2.3.5. Distribusi Weilbull12
Distribusi Weibull (Waloddi Weibull, Swedish, 1939) banyak digunakan
dalam analisis keandalan yang barkaitan dengan umur (rentang waktu), contohnya
rentang waktu dimana sebuah peralatan mungkin akan rusak (tidak berfungsi).
Variabel random kontinu T berdistribusi. Distribusi Weibull sering digunakan
untuk memodelkan waktu hingga terjadi kegagalan teknis dari suatu alat.
Dalam aplikasinya, distribusi ini sering digunakan untuk memodelkan
“waktu sampai kegagalan (time to failure)” dari suatu sistem fisika. Ilustrasi yang
khas, misalnya yaitu pada sistem di mana jumlah kegagalan meningkat dengan
berjalannya waktu (misalnya keausan bantalan), berkurangnya dengan berjalannya
waktu (misalnya daya hantar beberapa semikonduktor) atau kegagalan yang
terjadi oleh suatu kejutan (shock) pada sistem.
Jika sebuah variabel acak kontiniu X memiliki distribusi Weibull dengan
parameter bentuk α dan faktor skala β, di mana α > 0 dan β > 0, maka fungsi
kepadatan probabilitas dari X adalah :
0 yang lain
Fungsi di atas mudah untuk diintegralkan, sehingga diperoleh fungsi
distribusi kumulatif Weibull.
12 Herinaldi. Prinsip-prinsip Statistik untuk Teknik dan Sains (Jakarta: Penerbit
Erlangga, 1997), hal 106.
,;xFw
x
exa
10x
Tanpa pembuktian secara matematik, berikut ini diberikan rumusan
beberapa uuran statistik deskriptif untuk distribusi Weibull.
1. Mean (Nilai Harapan) :
2. Varians :
3. Kemencengan (skewness) :
4. Keruncingan (kurtosis) :
Gambar 2.18. Distribusi Weibull
Sumber: www.weibull.com
2.3.6. Distribusi Lognormal13
Distribusi lognormal adalah probabilitas dengan satu ujung pada variabel
acak dimana data berdistribusi mendekati distibusi normal. Jika X adalah variabel
acak dengan distribusi normal kemudian Y = exp(x) merupakan distribusi
lognormal. Untuk y jika berdistribusi lognormal, maka log Y akan berdistribusi
normal. Fungsi kepadatan probabilitas dari sebuah variabel acak yang memenuhi
distribusi lognormal jika ln(X) erdistribusi normal dengan parameter dan
adalah:
13 Herinaldi. Prinsip-prinsip Statistik untuk Teknik dan Sains (Jakarta: Penerbit
Erlangga, 1997), hal 108.
Sedangkan fungsi distribusi kumulatif lognormalnya adalah:
dan adalah mean dan satndar deviasi dari ln(X) dan bukan dari X.
Karena ln(X) memiliki sebuah distribusi normal, maka fungsi distribus kumulatif
dari X dapat dinyatakan dengan menggunakan fungsi distribusi kumulatif normal
standar F(z), dengan transformasi sebagai berikut:
Tanpa pembuktian secara matematik, berikut ini diberikan rumusan
beberapa ururan statistik deskriptif untuk distribusi lognormal.
1. Mean (Nilai Harapan) :
2. Varians :
3. Kemencengan (skewness) :
4. Keruncingan (kurtosis) :
Gambar 2.19. Distribusi Distribusi Lognormal
Sumber: upload.wikimedia.org
2.3.7. Distribusi Gamma14
Distribusi Gamma adalah distribusi fungsi padat yang terkenal luas
dalam bidang matematika. Fungsi gamma didefinisikan oleh ∫ untuk α > 0.
Dengan memvariasikan nilai kedua parameter, yaitu shape parameter β dan scale
parameter α maka ada banyak jenis sebaran data yang dapat diwakili oleh
distribusi Gamma. Untuk eksperimen probabilitas yang hasilnya menunujukkan
suatu bentuk distribusi yang mempunyai variasi ukuran kemencengan yang cukup
signifikan, distribusi gamma merupakan salah satu alternatif model yang banyak
digunakan.
Didefinisikan untuk α > 0, fungsi gamma (α) adalah:
Sifat-sifat penting fungsi gamma adalah:
1. Untuk sebuah bilangan bulat positif n, (n) = (n – 1)!
2. didefinisikan :
3. Untuk setiap α > 1 berlaku (α) = (α - 1). (α - 1)
Sebuah variabel acak kontinu X dikatakan memiliki distribusi gamma
dengan parameter bentuk α dan parameter skala β dimana α > 0 dan β > 0 jika
fungsi kepadatan probabilitas dari X adalah:
Sedangkan fungsi distribusi kumulatif gamma adalah:
14 Herinaldi. Prinsip-prinsip Statistik untuk Teknik dan Sains (Jakarta: Penerbit
Erlangga, 1997), hal 100.
Gambar 2.13. Grafik Distribusi Gamma
2.3.8. Distribusi Eksponensial15
Distibusi eksponensial digunakan pada saat menghitung peristiwa sambil
menunggu (kata kuncinya: waktu). Distribusi Eksponensial memiliki tipe data
kontinu. Sebagai contoh dari distribusi eksponensial adalah berapa selang waktu
antar mobil yang lewat di pintu tol. Fungsi dari distribusi eksponensial dapat
dilihat sebagai berikut:
Dimana yang merupakan parameter sebaran.
Fungsi kumulatif distribusi diberikan sebagai berikut:
dan
15 Herinaldi. Prinsip-prinsip Statistik untuk Teknik dan Sains (Jakarta: Penerbit
Erlangga, 1997), hal 102.
Gambar 2.21. Distribusi Eksponensial
Sumber: upload.wikimedia.org
2.4. Teori Pengujian Distribusi dengan Metode Chi-Square16
Untuk peubah acak kontinu z (z ≥ 0):
n = 1, 2, ... = derajat kebebasan
Gambar 2.22. Gambar Grafik Metode Chi-Square
Sumber: www.andrews.edu
Selain itu, terdapat uji kesesuaian dengan chi-square yang digunakan pada
uji frekuensi kejadian dari suatu eksperimen atau pengamatan. Tabel observasi
pengamatan dapat dilihat pada Tabel 2.1.
16 Siregar, Syafaruddin. Statistik Terapan (Jakarta: Grasindo, 2004), hal 175.
Tabel 2.1. Data Observasi
Kategori A1 A2 ... A3
Observasi (Oi) O1 O2 ... O3
Diharapkan (Ei) E1 E2 ...
Nilai statistik χ2 pada tabel tersebut adalah:
Atau
Langkah-langkah dalam metode ini adalah sebagai berikut :
1. Tentukan Ho (Hipotesa nol/awal)
2. Tentukan Hi (Hipotesa alternatif)
3. Tentukan taraf signifikan (α)
4. Tentukan wilayah kritik dengan nilai z yang diperoleh dari nilai α
5. Lakukan perhitungan z dan tentukan wilayah jatuhnya nilai z hitung.
6. Tarik kesimpulan dan buat keputusan dengan ketentuan Tolak Ho jika nilai z
yang dihitung berada dalam wilayah kritik sedangkan Terima Ho jika nilai z
yang dihitung berada di luar wilayah kritik.