P. 1
Modul Matematika Distribusi Peluang Farik Dan Malar

Modul Matematika Distribusi Peluang Farik Dan Malar

|Views: 427|Likes:
Published by ghilzzz

More info:

Published by: ghilzzz on Oct 03, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

01/07/2014

pdf

text

original

BAB I PENDAHULUAN A. Latar Belakang Distribusi peluang merupakan konsep yang menjadi dasar pengembangan makalah ini.

statistika Distribusi inferensial, yang khususnya dari penaksiran hasil suatu parameter dan pengujian hipotesis, menjadi topik utama dalam diturunkan percobaan dapat dibedakan atas: Distribusi farik Distribusi malar Sesuai dengan sifat yang sampelnya. Jadi, kalau ruang sampelnya farik, distribusinya juga disebut disebut distribusi malar. Namun distribusi farik. sebelum Demikian juga kalau ruang sampelnya malar, distribusinya demikian, membicarakan distribusi peluang, konsep peubah acak perlu dipahami, karena sesungguhnya peubah acak inilah yang memiliki fungsi distribusi. B. Tujuan Berdasarkan latar tujuan 1. Mahasiswa dapat menjelaskan apa yang dimaksud distribusi peluang? 2. Mahasiswa dapat membedakan distribusi farik dan distribusi malar? 3. Mahasiswa dapat memahami konsep peubah arah? belakang diatas makalah ini memiliki

i

BAB II PEMBAHASAN A. Peubah Acak Pada percobaan yang digunakan untuk menjelaskan setiap proses yang menghasilkan pengukuran, sering yang menarik perhatian kita bukan titik sampel itu sendiri melainkan gambaran numeriknya. Misalnya, sebuah mata uang dengan sisi muka (M) dan Belakang (B) yang dilemparkan tiga kali memberikan ruang sampel S = {MMM, MMB, MBM, BMM, MBB, BMB, BBM, BBB}. Bila yang diperhatikan banyaknya sisi muka yang muncul, maka hasil numerik, 0, 1, 2, atau 3 dikaitkan dengan titik sampel. Transformasi yang memasangkan titik sampel di S ke suatu hasil numeric disebut peubah acak (random variable). Jika X menyatakan banyaknya sisi muka yang muncul dalam tiga kali pelemparan mata uang itu, maka X = 0 merupakan gambaran numeric untuk {BBB} , X = 1 untuk {MBB, BMB, BBM}, X = 2 untuk {MMB, MBM, BMM}, dan X = 3 {MMM}. Karena bilangan cardinal n(S) = 8, diperoleh nilai-nilai peluang P (X = 3) = 1/8, sesuai ed bilangan cardinal masing-masing peristiwa yang berkaitan dengan nilai X tersebut. Nilai-nilai peluang inilah yang disebut fungsi distribusi peluang farik yang biasa disebut fungsi massa peluang dari peubah acak X, yang dapat dibuat dalam sebuah tabel sebagai berikut:

i

Sifat ini dapat diperluas lagi untuk peubah acak yang memiliki tak hingga banyaknya nilai. maka peubah acak X yang diturunkan dari S juga disebut peubah acak farik. harus memenuhi sifat-sifat fungsi massa peluang berikut: 1. p(x) ≥ 0 untuk x = 0. 3 memiliki sifat-sifat sebagai berikut: 1. Peubah acak ditulis dengan huruf capital. Untuk penyerderhanaan. 2. 2. dan masih dapat dipadankan satusatu dengan bilangan asli A = {1. Sifat-sifat diatas dapat dinyatakan secara umum.xn dengan peluang p(xi) = pi untuk i = 1. misalnya X dan symbol nilai pengamatannya dengan huruf kecil x. x3. 1. 3. x2. 2.. 1. …. Misalkan nilai-nilai i .1. 3. 2. 3 2. kita tulis p (x) untuk x = 0. ……n untuk sebaang bilangan asli n.n 2. ……. Untuk setiap peubah acak farik X yang mempunyai terhingga banyaknya nilai x1. dan distribusi peluangnya disebut distribusi peluang farik. 2. Fungsi massa peluang munculnya sisi muka dalma tiga kali pelemparan mata uang x 0 1 2 3 P (X = x) = p (x) 1/8 3/8 3/8 1/8 Karena ruang sampel S adalah ruang sampel farik.3. 3…}. pi ≥ 0 untuk i = 1.

Ada dua momen penting dari peubah acak yang disebut nilai harapan (expected value) dan variansi (variance).. kedua nomen tersebut dinyatakan oleh rumus yang sama. x2. Misalnya. Untuk peubah acak farik X yang nilainya terhingga banyaknya (n). 2. Rumus kedua momen ini berturut-turut adalah: µ = E (X) = σ 2 ∞ ∑x i =1 i pi = E (X . penelitian mengenai jarak yang ditempuh sebuah mobil yang dijalankan dengan lima liter bensin. pi ≥ 0 untuk i = 1.. harus memenuhi sifat-sifat berikut: 1. p3…. rumus variansi dapat pula ditulis dengan σ E(X ) = 2 2 = E(X2) . 3. ……. tetapi batas sigma yang berbeda sebagai berikut: µ = E (X) = σ 2 n ∑x i =1 i pi = E (X . Jika X i .peubah acak X adalah x1. dengan ∑x i =1 ∞ 2 i p i .µ )2 = ∑ (x i =1 n i − µi ) pi Hasil suatu percobaan mungkin saja tak hingga banyaknya dan tidak dapat dipadankan satu-satu dengan bilangan asli. x3…. dengan peluang masingmasing p1. 2. p2.µ ) = 2 ∑ (x i =1 ∞ i − µi ) pi Symbol E (X) dalam bahasa Inggris dibaca Expected value of X.µ 2.

menyatakan jarak yang ditempuh oleh mobil itu sampai bensin itu habis. −∞ ∫ f (x)dx dx = 1 ∫ f (x) dx untuk a. f(x) ≥ 0 untuk semua x ∈ R = {bilangan riil} +∞ malar X memiliki fungsi distribusi khusus yang disebut fungsi padat peluang f (x).f (x)dx +∞ −∞ −∞ 2 ∫ (x − µ ) . b ∈ R a b 3. Ruang sampel yang memuat takhingga banyaknya titik sampel dan tidak dapat dipadankan satu-satu dengan bilangan asli disebut ruang sampel malar. dan harus memenuhi 2. Perlu diperhatikan disini bahwa peubah acak X dapat didefinisikan langsung dari percobaan dan tidak melalui transformasi dari ruang sample S. karena ruang sample itu sendiri sudah dinyatakan dengan bilangan riil.f (x)dx = ∫ x . seperti A ≤ X ≤ B. P(a<X<b) = Nilai harapan dan variansi peubah acak malar dihitung dengan rumus +∞ µ = E(X) = σ2 = +∞ −∞ ∫ x. dan peubah acak yang diturunkannya disebut peubah acak malar. Peubah acak sifat-sifat berikut: 1. maka peubah acak ini memiliki nilai tak hingga banyaknya.f (x)dx − µ 2 2 Rumus-rumus ini dapat dimodifikasi untuk peubah acak malar X yang memiliki nilai terbatas. untuk bilangan i .

Dalam fungsi/padat peluang ini terkandung sifat-sifat mendasar yang menjadi ciri khas distribusi itu. Dalam hal ini.riil A. Perhatikan bahwa kita distribusi menggunakan istilah fungsi massa peluang untuk peluang farik dan fungsi pada peluang untuk peluang malar.f (x)dx = ∫ x 2 . Selanjutnya. khususnya yang sudah banyak digunakan dalam statistika terapan. Distribusi Seragam Farik Distribusi Seragam Farik merupakan salah satu model distribusi peluang yang sering muncul dalam kenyataan. 1.f (x)dx A B σ = ∫ (x − µ ) . kedua momen tersebut dapat ditulis: µ = E(X) = ∫ x. baik yang mempunyai kecenderungan tertentu dan mudah dinyatakan dengan fungsi matematis maupun yang sangat khusus dan sulit dinyatakan dengan sebuah fungsi matematis.f (x)dx − µ 2 2 2 A A B B Karakteristik yang paling mendasar untuk dikaji dalam mempelajari tingkah laku suatu distribusi adalah fungsi massa atau fungsi padat peluang. DISTRIBUSI PELUANG FARIK Takhingga banyaknya distribusi peluang farik yang terjadi dalam kehidupan nyata. Model i . Kita akan membicarakan beberapa dari jenis yang pertama. dan B tertentu. B. kita akan melihat beberapa fungsi peluang farik dan fungsi peluang malar. Misalnya. nilai rata-rata dan variansi dapat dihitung dari fungsi massa/pada peluang.

n.. Model distribusi seragam menganut asumsi bahwa peluang setiap keadaan atau hasil adalah sama dan tidak berubah sepanjang suatu rangkaian percobaan. n dimaksudkan bahwa p(x) = 0 untuk nilai x yang lain. Dalam model ini. 3. Cara ini akan digunakan untuk keefisienan penukisan... yakni dalam keadaan dimana kita tidak mengetahui secara pasti apa yang akan terjadi di antara kemungkinan-kemungkinan yang bakal terjadi. . 3. tetapi sekedar i . 2. Dengan sedikit pekerjaan matematis diperoleh rumus nilai rumus nilai harapan µ = ( n + 1 )/2 dan variansi σ 2 = (n2 – 1)/12. Pengertian sukses dan gagal disini tidak selalu sama maknanya dengan istilah sukses dan gagal dalam pembicaraan sehari-hari. 2..ini sering di gunakan dalam teori pengambilan keputusan secara statistik. populasi yang berisi sejumlah N sub-populasi sukses yang mempunyai anggota sebanyak N1 dan sub-populasi gagal dengan anggota sebanyak N – N1 = N2 yang sifatnya saling berlainan atau bahkan berlawanan. 2. Distribusi Hipergeometris Distribusi hipergeometris diterapkan pada kasus penarikan sampel (sampling) dimana objek yang telah diambil tidak dikembalikan lagi ke populasinya. Perlu di jelaskan bahwa cara penukisan p(x) = 1/n untuk x = 1. Jika X adalah sebuah peubah acak seragam. x = 1. fungsi massa peluang dari X adalah: p( x )= 1/n . Dengan n menyatakan banyaknya keadaan atau hasil yang dapat terjadi.. .

2.. Tiap-tiap percobaan hanya memiliki dua kemungkinan hasil. Koefisien timbulnya diharapkan (gejala sukses) dari sejumlah n peristiwa. Distribusi Rumpun Binomial distribusi peluang untuk menunjukkan peubah aack yang farik.menunjukkan adanya dua kategori hasil yang berbeda. fungsi massa peluang dari X adalah:  N1  N 2      x  n − x  . 3. x =1.. Model distribusi ini diterapkan pada kasus percobaan Bernoulli dengan ciri sebagai berikut: a.n p(x) = N   n Dengan N1 = Ukuran sub populasi sukses N2 = Ukuran sub populasi gagal N = Ukuran populasi = N1 + N2 n = ukuran sampel x = banyaknya gejala sukses di antara n objek yang terambil Nilai harapan dan variansi masing-masing N1 N N N−n dan σ = n( 1 )(1 − 1 )( ) N N N N −1 Distribusi binomial binomial merupakan peluang salah satu gejala model yang µ = n. yakni sukses dan gagal (tidak selalu sama maknanya dengan pengertian sukses dan gagal dalam pembicaraan sehari-hari) i . Jika X adalah sebuah peubah acak hipergeometris yang menggambarkan pengambilan n objek dari populasi yang berukuran N...3.

Peluang sukses selalu sama pada setiap gagal.1.1... banyaknya percobaan mendapatkan sukses yang ke-k disebut peubah acak binomial negatif. dan hasil ini diperoleh setelah y kali Dengan demikian.b. Fungsi masa peluangnya adalah:  y − 1 k y−k p(y) =   p (1 − p) .. yaitu n = 1. kita peroleh peubah acak Bernoulli dengan fungsi massa peluang p x (1 − p) n − x . 2. menyatakan percobaan 2 = p (1-p) diulang acak Y untuk yang Bernoulli peubah untuk mendapatkan k sukses. akan tetapi peluang sukses tidak harus sama dengan peluang c. k + 2  k − 1 Nilai harapan µ = k/p dan variansi σ 2 = k (1-p)/ p2 i . Percobaan diulangi sebanyak n percobaan yang lain). Jika X adalah sebuah peubah acak biomial. Nilai harapan µ = p dan variansi σ Andaikan percobaan. untuk x = 0. x = 0. percobaan dilakukan sekali saja. maka fungsi massa peluang X adalah: n p(x) =   p x (1 − p) n − x .n x Dengan p = Peluang percobaan sukses n = banyaknya percobaan x = banyaknya gejala sukses yang terjadi. Nilai harapan µ = np dan variansi σ 2 kali dan bersifat bebas (hasil percobaan yang satu tidak mempengarui hasil = np (1-p) Dalam keadaan khusus.. untuk y = k. k + 1. percobaan.

distribusi 2 = (1-p)/ p2 poisson sering digunakan untuk menentukan peluang sebuah peristiwa yang dalam daerah atau waktu tertentu diharapkan jarang terjadi.... tetapi sangat jarang terjadi seseorang yang menemukan barang hilang dan mengembalkan kepada i . Fungsi masa peluangnya dinyatakan dengan: p(y) = p(1-p)y-1 untuk y = 1. Distribusi Multinomial Perluasan distribusi binomial adalah distribusi multinomial.. yaitu peubah acak Y yang menyatakan banyaknya percobaan yang dilakukan untuk mendapatkan sukses yang pertama. 3. dan ini disebut peubah acak geometris. 2.….….. Andaikan percobaan ini diulangi secara bebas n kali. banyak orang yang lewat di depan pasar setiap hari.Selanjutnya. x2 hasil h2.k dan p1 + p2 +…. pk = 1 5. Misalkan. n dan p1 + p2 + ……. sebuah percobaan memberikan hasil yang mungkin h1. Nilai harapan µ = l/p dan variansi σ 4.. ……xk) = dengan x1 + x2 +….3. kita perhatikan keadaan khusus untuk k=1. Distribusi Poisson Distribusi Poisson juga merupakan salah satu distribusi peluang untuk model peubah acak yang farik. 2. Misalnya. ……. i= 1. x2. xk = n. h2. Fungsi masa peluang distribusi multinomial dinyatakan dengan: p (x1.xk hasil hk dengan x1 + x2 + ……+ xk = n disebut peubah acak multinomial.…. maka peubah acak yang menyatakan bahwa kita akan mendapatkan x1 hasil h1. + pk = 1. 3. 0 < pi < 1.

Menghitung nilai peluang yang menggunakan bilangan e maupun bilangan factorial dapat dilakukan dengan bantuan kalkulator. C. untuk − ∞ < x < ∞ σ 2π peubah acak malar yang pertama kali kita bicarakan adalah distribusi normal. Nilai π juga terdapat hampir semua kalkultor. distribusi chi Dengan π adalah nilai konstanta yang bisa ditulis dengan π = 3. DISTRIBUSI PELUANG MALAR Distribusi dengan kuadrat. diharapkan jarang sekali terjadi salah sambung setiap menit.718281828.pemilik-nya atau melaporkannya kepada polisi. Sekarang kita akan tinjau mengenai fungsi padat peluang distribusi normal dengan rata-rata µ dan simpangan baku σ sebagai berikut f (x) = 2 2 1 e −1/ 2(x − µ ) / σ . Jika X adalah sebuah peubah acak Poisson dengan rata-rata = µ. Distribusi Normal Distribusi normal yang biasa juga disebut distribusi Gauss banyak digunakan dalam pengujian hipotesis. 1. dan juga pada komputer. maka fungsi masa peluang dari X adalah: Dimana bilangan Euler e = 2. operator telepon banyak menerima permintaan nomor untuk disambungkan. i . dan distribusi F.…. adalah konstanta yang dapat ditemukan pada hampir semua kalkulator. dan distribusi penyampelan. kemudian distribusi student t.1416 dan e bilangan Euler yang sudah dijelaskan sebelumnya. teori penaksiran parameter. Contoh lain.

kalkulus.Peubah acak X dengan daerah nilai -∞ < x < ∞.1. dan pada dan kita ini hanya tidak memperkenalkan dibicarakan lebih bagian i . transformasi X menjadi Z = X−µ σ akan membentuk peubah acak normal baku dengan rata-rata nol dan simpangan baku satu. untuk − ∞ < z < ∞ σ 2π Teknik integral banyak dibicarakan dalam buku matematika. jika fungsi padat peluangnya seperti f(x) di atas. untuk x = 0.. x! Grafik f(z) berbenuk simetris terhadap sumbu tegak (sumbu y) dan semuanya di atas sumbu datar (sumbu z). 2.. khususnya simbolnya mendalam... Fungsi padat peluang dari distribusi normal baku adalah : p(x) = e− µ µ x . berdistribusi normal. Luas daerah dibawah kurva normal baku di atas sumbu z sama dengan satu. dan dinamai kurva distribusi normal baku seperti pada gambar berikut. Andaikan X adalah peubah acak normal dengan rata-rata µ dan simpangan baku σ . Hal ini dapat dibuktikan dengan menggunakan hitung integral yaitu: f (x) = 1 z2 1 e 2 .

dan decimal kedua dicari pada baris paling atas.xxxx (bentuk empat desimal) Tabel daftar luas di bawah distribusi normal baku z 0. 8 i . kita perhatikan bentuk tabel distribusi normal baku pada lampiran C yang cuplikannya pada tabel berikut. Bilangan yang didapat harus ditulis dalam bentuk 0.Setelah kita memiliki distribusi normal baku yang didapat dari distribusi normal umum dengan transformasi tersebut di atas. • Dari z di kolom kiri maju ke kanan dan dari z dibaris atas turun ke bawah. lalu tarik garis Luas yang tertera dalam daftar adalah luas daerah Dalam daftar di lampiran C. Dengan daftar ini bagian-bagian luas dari distribusi normal baku dapat dicari. maka daftar distribusi normal baku (lampiran C) dapat digunakan.1 … … 1 9 4842 2 …… 5 ……. Untuk memudakan. maka di dapat bilangan yang merupakan luas yang dicari. cari tempat nilai z pada vertical sampai memotong kurva antara garis ini dengan garis tegak di titik nol kolom paling kiri hanya sampai satu decimal.0 0. Cara menggunakan tabel tersebut adalah sebagai berikut: • • • • • Hitung nilai z sampai dua decimal Gambarkan kurvanya Letakkan nilai z pada sumbu datar.

n = 1. maka luas dari garis tegak pada titik nol ke kiri ataupun ke kanan adalah 0.1 … 3.5. Distribusi Student t Distribusi distribusi t student t yang oleh biasa W. A.2. n>1 Γ (n) = (n-1) !. Gossett dengan (yang dipublikasikan menggunakan nama samara Student) pada tahun 1908 dan disempurnakan oleh R.9 Karena luas seluruh daerah di bawah kurva sama dengan satu dan kurva simetris terhadap µ = 0. nu) adalah parameter distribusi dan Γ (. disingkat S. Fisher pada tahun 1926. 3 …… i . Fungsi padat peluang distribusi t diberikan oleh.) menyatakan fungsi gamma yang didefinisikan dengan Γ(v) = ∫ x v −1dx 0 ∞ Beberapa sifat dasar fungsi gamma. antara lain sebagai berikut: Γ (n) = (n-1) Γ (n-1).  v +1  Γ  t 2 v+1 2  1 f (t) =  (1 + ) 2 untuk − ∞ < t < ∞ v v vπ Γ  2 Dengan v (baca. Sebagai contoh. Distribusi ini merupakan revolusi statitik untuk sampel kecil. 2. Informasi tentang hal ini dapat dilihat pada Snedecor (1982). kita akan mencari luas daerah kurva normal dengan menggunakan tabel lampiran C. 2.

Pada fungsi distribusi ini adalah bilangan v yang disebut derajat kebebasan (dk). atau dk = v = n – 1. Untuk perhitungan daftar distribusi t telah disediakan (lampiran D). Untuk nilai-nilai n yang besar. biasanya n ≥ 30. distribusi t mendeteksi distribusi normal baku. i . Kolom paling kiri.Γ (1/2) = π Dimana π = 3.99 t0.95 …… …… ……. Tabel daftar luas di bawah kurva distribusi t V t0. kolom v = dk. Dalam praktek. berisikan derajat kebebasan. baris teratas berisikan peluang.995 t0.1415……. tabel tersebut berisikan nilai-nilai t untuk dk dan peluang tertentu. derajat kebebasan itu sama dengan ukuran sampel dikurang satu.Dengan sedikit pekerjaan matematis dapat dibuktikan bahwa fungsi padat peluang distribusi t memenuhi: ∞ −∞ ∫ f (t)dt = 1 f(t) menyerupai kurva distribusi normal sebagai Grafik berikut. Jika sebuah populasi mempunyai model dengan fungsi padat peluang sama dengan f(t) maka populasi itu dapat dianggap berdistribusi t dengan dk = n – 1.55 t0.

Distribusi Chi Kuadrat Distribusi chi kuadrat adalah distribusi peubah acak malar yang mempunyai fungsi padat peluang. Untuk menjelaskan cara penggunaan i . … 3.9 1. f (x) = 2 v/2 1 v −1 1 x 1 x 2 e2 . x > 0 Γ(v / 2) dengan v = derajat. kebebasan dan dapat dibuktikan secara ∞ matematis bahwa −∞ ∫ f (x)dx = 1 . Kemiringan ini semakin berkurang jika derajat kebebasan makin besar.78 3. yaitu berekor panjang ke kanan. Grafik distribusi chi kuadrat secara umum dengan derajat kebebasan dk = v. dimana nilai peubah acak X ditulis dengan symbol X2 Luas daerah di bawah kurva yang dibayang-bayangi sama dengan nilai peluang p yaitu luas dari X2p ke sebelah. yaitu miring ke kanan. Untuk nilai dengan pasangan dk = v dan peluang p yang besarnya tertentu dapat dilihat pada tabel khusus distribusi chi kuadrat.1 … 12 …. Selanjutnya grafik distribusi chi kuadrat umumnya merupakan kurva positif.

i . tabel distribusi F telah nilai F untuk peluang 0. X20. Grafik distribusi F tidak simetris dan umumnya sedikit miring positif. Tabel Daftar luas di bawah kurva chi kuadrat v 1 2 23..05 dengan derajat kebebasan v1 dan v2. sedangkan dk = v1 ada pada baris paling atas dan dk = v2 pada kolom paling kiri. untuk keperluan perhitungan dengan distribusi F. Distribusi F memiliki dua buah derajat kebebasa. Peluang ini sama dengan luas daerah ujung kanan yang dibayang-bayangi.7 14 … ….tabel khusus ini. Seperti juga disediakan distribusi lainya. terdapat pada baris paling atas terdiri kebebasan n ada pada kolom paling kiri.005 X2 0.01 dan 0. dengan v1 = dk pembilang dan v2 = dk penyebut.95 …… 4. Distribusi Snedecor F Fungsi padat peluang peubah acak yang berdistribusi Snedecor F atau dengan singkat distribusi F adalah  v + v2  v1 Γ 1 v +v   v  2 ( v1 −1) v1 ( 12 2 )  2  1 2 f (x) = (1 + x)   x v2  v1   v 2   v 2  Γ Γ  2  2  Untuk x > 0.

Untuk setiap dk (v1. tabel sebagai berikut: v2 = dk penyebut 8 v1 = dk pembilang 24 3. Peubah acak (random variable) yaitu transformasi yang memasangkan titik sampel di semesta ke suatu hasil numeric.Untuk tiap pasang dk. distribusinya disebut distribusi malar.05. Distribusi farik Distribusi malar Jadi. Fungsi distribusi terletak pada peubah acak. distribusinya juga disebut distribusi farik. v2).01 dan 0. Ruang sampel yang memuat takhingga banyaknya titik sampel dan tidak dapat dipadankan satu-satu dengan bilangan asli disebut ruang sampel i . 2.28 BAB III PENUTUP A. v1 dn v2 tabel berisikan nilai-nilai F dengan kedua luas daerah yaitu 0. Demikian juga kalau ruang sampelnya malar.12 5. Kesimpulan Distribusi yang diturunkan dari hasil suatu percobaan dapat dibedakan atas : 1. kalau ruang sampelnya farik.

B.malar dan peubah acak yang diturunkannya disebut peubah acak malar. i . Saran Dalam penulisan makalah ini masih memiliki banyak kekurangan sehingga kami mengharapkan sumbangan kritik dan saran demi kesempurnaan makalah kami selanjutnya. Wasalam.

Ujung Pandang Hasanuddin University Press...com www.distribusi.dasar.dasar. R. A. M. Gramedia Pustaka Utama. E. Ujung Pandang Badan Penerbit UNM Ujung Pandang. M. 2000.. Tiro. Pengantar Statistika.peluang. A. 1999b. M.statistika.statistika. 1999a.DAFTAR PUSTAKA http://.com i .. Tiro. 1993. Analisis Data Frekusi dengan Chi Kuadrat. Penerbit PT. A.. Dasar-dasar Statistika. Makassar: Makassar State University Press.id Tiro. Edisi ke-3 Jakarta. Walpole. www. Analisis Regresi dengan Data Kategori.

sehingga kami sebagai penulis mengharapkan sumbangsi saran. ide. maupun kritik yang membangun untuk kelanjutan penulisan makalah kedepan. 22 Januari 2009 Penulis Kelompok III i .KATA PENGANTAR Segala puji bagi Allah swt yang dengan segala kasih sayang dan menyeru hamba-Nya mengikuti petunjuk yang benar. Makassar. begitu juga dengan penulisan makalah ini. Shalawat dan salam atas Nabi Muhammad saw Rasul Allah yang telah mencucurkan keringat jihad sebanyak-banyaknya dalam menyebarkan kebenaran dan mengamalkan kebajikan. Dalam penulisan makalah ini kami sangat bersyukur karena dengan kerjasama antara anggota kelompok sehingga makalah yang berjudul “Distribusi Peluang” ini dapat terselesaikan tepat pada waktunya. Tiada gading yang tak retak.

...................................................................................................... 5....................................................... Distribusi Normal ....................................................................................... Latar Belakang ............................Saran i ................. 1....................................... pulan ........................ A............................................................... ........................................................................... A..........................................................DAFTAR ISI KATA PENGANTAR .......................... Distribusi Hipergeometris ........................... 2............................... BAB III PENUTUP .........................................................Peuba B...............Distri C.................................................... 1............................................................................................................................. busi Peluang Farik ................................................................................................ B....... Tujuan .............................. Distribusi chi kuadrat .. Distribusi Rumpun Bionomia..................................................... 4................................................................ 3....................... h Acak ............... Distribusi Multinomial .......................... Distribusi seragam farik .................................. BAB II PEMBAHASAN ....................... 4................................. 2.................................................................. DAFTAR ISI ............ Distribusi Poisson .............................................................................................. 3....... Distribusi Snedecor F ................................................ Distribusi student t .............................Distri busi Peluang Malar .............................................................................Kesim B.............. i ii 1 1 1 2 2 6 6 7 8 10 10 11 11 14 15 17 18 18 18 A...................................................................................... BAB I PENDAHULUAN ...

.....................DAFTAR PUSTAKA ............. 19 i ....................................

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->