P. 1
Distribusi

Distribusi

|Views: 64|Likes:

More info:

Published by: Margareta Mera Ekawati on Jun 27, 2012
Copyright:Attribution Non-commercial

Availability:

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

11/12/2012

pdf

text

original

Kedisktritan suatu sistem dapat dilihat dari perubahan keadaan sistem dari waktu ke waktu.

Jika perubahan keadaan yang terjadi hanya pada waktu tertentu, bukan pada setiap titik waktu, maka dikatakan sistem diskrit. Dalam hal lain dikatakan sistem kontinu. Dalam membuat suatu simulasi, harus sesuai dengan perilaku sistem. Dari sistem diskrit, akan dijumpai variabel diskrit, untuk sistem kontinu, akan dijumpai variabel kontinu. Contoh mendapatkan variabel diskrit dengan menghitung jumlah produk cacat, jumlah sumber daya manusia, jumlah mesin yang dibutuhkan. Contoh mendapatkan variabel kontinu dengan menggunakan alat ukur, berat kemasan, tekanan udara, waktu antar kedatangan, waktu proses. Dari variabel diatas didapatlah data pengamatan, tidak hanya sifatnya yang harus kita ketahui, tetapi pola penyebarannya juga harus kita ketahui, maka kita pelajari mengenai pola distribusinya. Agar simulasi yang kita lakukan nantinya sesuai dengan keadaan yang sebenarnya. Pendugaan Pola Distribusi Kita perlu mengetahui pola distribusi dari data pengamatan, sehingga pada saat melakukan simulasi nantinya, pola distribusi variabel acak yang diambil akan sesuai dengan pola distribusi data yang sebenarnya. Ada beberapa cara yang bisa ditempuh : 1. Ringkasan Statistik a. Beberapa distribusi dapat dikarakteristikan paling tidak oleh ringkasan statistik datanya. Dari ringkasan ini dapat diketahui keluarga distribusinya. Nilai-nilai pemusatan merupakan besaran statistik yang cukup penting guna menduga keluarga distribusi. Mean (

x

 fixi )  fi

dan

median

(

med  batasbawahkelasmed  lebarkelas* (

 f i  fi  sebklsmed 2 fkelasmed

) ) misalnya,

pada distribusi kontinu jika nilainya sama, maka dapat dipastikan bahwa kurva distribusi berbentuk simetris. b. Koefisien varian ( cv  s X ) juga mempunyai peranan yang penting dalam menduga keluarga distribusi. Untuk nilai koefisien varian 1(satu) maka dapat

diduga data berdistribusi eksponensial, jika lebih besar atau lebih kecil dari satu maka dugaan mengarah kepada ditribusi Gamma.
2 c. Untuk distibusi diskrit, maka dari nilai rasio lexis (   s X ) dapat diduga

distribusinya. Jika nilai rasio lexis = 1 dugaan berdistribusi poisson, Jika nilai rasio lexis < 1 dugaan berdistribusi Binomial dan Jika nilai rasio lexis > 1 dugaan berdistribusi binomial negatif. d. Kelandaian distribusi (Skewness) Rumus Skewness =   3 * (mean  median) s . Untuk distribusi simetris, skewness bernilai 0(nol), jika, skewness > 0 distribusi akan menjulur kekanan dan sebaliknya ke kiri. Misal nilai skewness = 2 berarti data berdistribusi eksponensial. 1. Distribusi Hipergeometrik • Distribusi hipergeometrik mempunyai sifat-sifat sebagai berikut: 1. Secara acak diambil sebanyak n tanpa dikembalikan dari N benda. 2. k dari N benda diklasifikasikan sukses dan N-k diklasifikasikan gagal • Jumlah sukses X dari eksperimen hipergeometrik disebut peubah acak hipergeometrik. • Distribusi peluang dari peubah acak hipergeometrik disebut dengan distribusi hipergeometrik, dan nilainya dinotasikan dengan h(x; N, n, k) Definisi. Distribusi peluang dari peubah acak hipergeometrik X, yaitu jumlah sukses dari sampel acak berukuran n yang diambil dari N benda, di mana terdapat k jumlah sukses dan N-k jumlah gagal adalah: h(x; N, n, k)= (kx) (N-kn-x) (Nn) Hipergeometric Probability mass function x= 0,1,2,...,n

Cumulative distribution function

Parameters (real) Support Probability mass function (pmf) Cumulative distribution function (cdf) Mean

success probability

Median

(not unique if − log(2) / log(1 − p) is an integer) 1

Mode Variance

Skewness Excess kurtosis Entropy Momentgenerating function (mgf)

Characteristic function

(where q = 1 − p)

2. Distribusi Poisson • Eksperimen Poisson adalah eksperimen yang menghasilkan nilai numerik dari peubah acak X pada selang waktu yang tertentu atau daerah tertentu. Contoh: 1) jumlah panggilan telepon dalam waktu 1 jam yang diterima oleh resepsionis. 2) banyaknya pertandingan tenis yang terpaksa diundurkan karena terjadinya hujan selama musim hujan 3) banyaknya tikus dalam satu hektar sawah 4) banyaknya salah ketik dalam satu halaman • Eksperimen Poisson diturunkan dari proses Poisson. Sifat-sifat proses Poisson: 1. Jumlah hasil yang terjadi dalam satu selang waktu atau daerah tertentu adalah independen terhadap hasil yang terjadi pada selang atau daerah lain. Proses Poisson dikatakan tidak mempunyai ingatan. 2. Peluang terjadinya suatu hasil (tunggal) dalam selang waktu yang sangat pendek atau daerah yang sangat kecil sebanding dengan panjang selang waktu atau besarnya daerah dan tidak bergantung pada banyaknya hasil yang terjadi di luar selang atau daerah tersebut 3. Peluang terjadinya lebih dari satu hasil yang terjadi dalam selang waktu yang pendek dapat diabaikan
Poisson Probability mass function

The horizontal axis is the index k. The function is defined only at integer values of k. The connecting lines are only guides for the eye and do not indicate continuity. Cumulative distribution function

The horizontal axis is the index k.

Parameters Support Probability mass function (pmf) Cumulative distribution (where Γ(x,y) function (cdf) is the Incomplete gamma function) Mean Median Mode Variance Skewness Excess kurtosis Entropy

Momentgenerating function (mgf) Characteristic function

1. Distribusi eksponensial Distribusi eksponensial digunakan untuk menggambarkan distribusi waktu pada fasilitas jasa pengasumsian bahwa waktu pelayanan bersifat acak. Artinya, waktu untuk melayani pendatang tidak tergantung pada pada banyaknya waktu yang telah dihabiskan untuk melayani pandatang sebelumnya, dan tidak bergantung pada jumlah pendatang yang sedang menunggu untuk dilayani. jika fungsi kepadatan peluangnya sebagai berikut. (Djauhari, 1997:175-176 ) disini, X dapat menyatakan waktu yang dibutuhkan sampai terjadi satu kali sukses dengan λ= rata-rata banyaknya sukses dalam selang waktu satuan.
Exponential Probability density function

Cumulative distribution function

Parameters

rate or inverse scale (real)

Support Probability density function λe − λx (pdf) Cumulative distribution function (cdf) Mean Median Mode Variance Skewness Excess kurtosis Entropy Moment-generating function (mgf) Characteristic function 1 − e − λx

2. Distribusi Gamma Distribusi Gamma adalah distribusi fungsi padat yang terkenal luas dalam bidang matematika. Fungsi gamma didefinisikan oleh

Untuk α > 0 dengan e= • Fungsi gamma ini adalah fungsi rekursif di mana Γ(n) = (n-1)!

• Distribusi Gamma
Gamma Probability density function

Cumulative distribution function

Parameters

shape (real) scale (real)

Support Probability density function (pdf) Cumulative distribution function (cdf) Mean Median Mode Variance Skewness no simple closed form

Excess kurtosis

Entropy Moment-generating function (mgf) Characteristic function

http://informatika.stei.itb.ac.id/~rinaldi.munir/Probstat/20102011/Beberapa%20Distribusi%20Peluang%20Diskrit.pdf

http://elearning.gunadarma.ac.id/docmodul/statistik_industri1/bab7beberapa_distribusi_peluang_diskrrit.pdf

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)//-->