BAB I

PENDAHULUAN
A. Latar Belakang
Matematika adalah suatu ilmu pengetahuan yang menyediakan suatu kerangka sistematis
yang dapat dipelajari. Dalam matematika murni, definisi, aksioma serta teorema-teorema
dinyatakan secara tepat dengan menggunakan lambang-lambang. Lambang yang digunakan
menyatakan konsep abstrak yang nilainya dinyatakan oleh definisinya.
Sejak awal kehidupan manusia, matematika merupakan alat bantu untuk mengatasi
sebagian permasalahan yang ada disekitar lingkungan hidupnya, baik yang berkaitan dengan
perhitungan matematis maupun masalah terapan. Oleh karena itu matematika digunakan untuk
membantu merumuskan peubah-peubah yang penad, menyatakan anggapan-anggapan yang
diperlukan secara tepat, membangun analisis yang logis, serta mempertimbangkan analisis
verbal dari berbagai peubah yang diperbandingkan. Sebagai sebuah ilmu yang senantiasa
berkembang, statistika tak luput dari hasrat untuk menerapkan matematika di dalam bahasan-
bahasannya. Berbagai konsep matematika kini menjadi alat analisis yang penting dalam ilmu
statistik. Ilmu statistik modern memang cenderung menjadi semakin sistematis.
Penggunaan istilah statistika berakar dari istilah-istilah dalam bahasa latin Modern
Statisticum Collegium (dewan negara) dan bahasa Italia Statista(negarawan atau politikus).
Analisis statistik banyak menggunakan probabilitas sebagai konsep dasarnya, hal tersebut
terlihat banyak digunakannya uji statistika yang mengambil dasar pada sebaran peluang.
Sedangkan statistika matematika merupakan cabang dari matematika terapan yang

menggunakan teori probabilitas dan analisis matematika untuk mendapatkan dasar-dasar teori
statistika.
Ada dua macam statistika, yaitu statistika deskriptif dan statistika inferensial. Statistika
deskriptif berkenaan dengan bagaimana data dapat digambarkan (dideskripsikan) atau
disimpulkan, baik secara numerik (misalnya menghitung rata-rata dan deviasi standar) atau
secara grafis (dalam bentuk tabel atau grafik), untuk mendapatkan gambaran sekilas mengenai
data tersebut, sehingga lebih mudah dibaca dan bermakna. Sedangkan, statistika inferensial
berkenaan dengan permodelan data dan melakukan pengambilan keputusan berdasarkan
analisis data, misalnya melakukan pengujian hipotesis, melakukan estimasi pengamatan masa
mendatang (estimasi atau prediksi), membuat permodelan hubungan (korelasi, regresi,
ANOVA, deret waktu), dan sebagainya.
Sebarang peluang merupakan konsep yang menjadi dasar pengembangan statistika
inferensial, khususnya penaksiran parameter dan pengujian hipotesis. Sebarang yang
diturunkan dari hasil suatu percobaan dapat dibedakan atas :
- Sebarang farik
- Sebarang malar
Sesuai dengan sifat ruang sampelnya. Jadi, kalau ruang sampelnya farik, sebarannya
juga disebut sebaran farik. Begitu pula sebaliknya, jika ruang sampelnya malar maka
sebarannya juga disebut sebaran malar.
Sedangkan, adapun sebaran yang umumnya digunakan untuk mengkaji peubah acak
malar yang bernilai non-negatif adalah sebaran gamma. Penggunaan model ini dapat dijumpai
sebagai peluang untuk waktu tunggu (waiting time). Umpamanya dalam pengujian daya tahan

penggunaan sejenis alat, dengan memperhatikan waktu tunggu sampai alat tersebut tidak
berfungsi. Peubah acak seperti ini dapat digambarkan dengan baik oleh model sebaran gamma.
Dari latar belakang inilah, kami tertarik untuk membahas lebih lanjut mengenai sebaran
gamma dan seragam normal.
B. Rumusan Masalah
1. Apa yang dimaksud dengan sebaran sebaran gamma dan sebaran normal?
2. Bagaimanakah yang dimaksud dengan sebaran gamma dan sebaran normal?
3. Bagaimanakah rumus dari sebaran gamma dan sebaran normal?
4. Kemukakanlah beberapa penerapan sebaran gamma dan sebaran normal?

C. Tujuan Penulisan
1. Untuk mengetahui apa yang dimaksud dengan sebaran gamma dan sebaran
normal.
2. Untuk mengetahui bagaimanakah yang dimaksud dengan sebaran gamma dan
sebaran normal.
3. Untuk mengetahui bagaimanakah rumus dari sebaran gamma dan sebaran
normal.
4. Untuk mengetahui penerapan dari sebaran gamma dan sebaran normal.






D. Manfaat Penulisan
1. Mengetahui apa yang dimaksud dengan sebaran sebaran gamma dan sebaran
normal.
2. Mengatahui bagaimanakah yang dimaksud dengan sebaran gamma dan
sebaran normal.
3. Mengetahui bagaimanakah rumus dari sebaran gamma dan sebaran normal.
4. mengetahui penerapan dari sebaran gamma dan sebaran normal

















BAB II
PEMBAHASAN
A. Sebaran Peluang Malar
a. Sebaran Gamma
Sebaran gamma umumnya digunakan untuk mengkaji peubah acak malar yang
bernilai non-negatif. Penggunaan model ini dapat dijumpai sebagai peluang untuk waktu
tunggu (waiting time). Umpamanya dalam pengujian daya tahan penggunaan sejanis alat,
denagn memperhatikan waktu tunggu sampai alat tersebut tidak berfungsi. Peubah acak
seperti ini dapat digambarkan dengan baik oleh model sebaran gamma. Distribusi
gamma mendapat namanya dari fungsi gamma yang sudah dikenal luas.
Definisi (6.2):
Fungsi gamma didefinisikan sebagai:

Untuk

Jadi,
Jika di integralkan per bagian (parsial) dengan
Diperoleh



1
1
0
0
x
( ) x e dx ; untuk
E
E E

+ ! "

0
0
1 1 1
x x
( ) e dx e E
g
g

! p + ! ! !

(1) 1 + !
1 x
x dan dv e dx
E
Q

! !
1 2
1
x x
u x du ( )x dx
v e dv e dx
E E
E


! p !
! p !


Maka




Jadi diperoleh
Dengan formula (rumus) berulang diperoleh :






Jika , dengan bilangan n bulat positif maka :
n n n n kaiena
n n n n n
Atau
n n

1
0 0 0
1 2
0
0
2
0
1
1
1 1
x
x x
x
( )
( ) x e dx u dv uv v du
x e e ( )x dx
( ) e x dx ; untuk
E
E E
E
E
E
E
E E
g g g

g
g

g

+
+ ! ! !
!
! "

Sifat penting fungsi Gamma adalah
Bukti:
Dari definisi
Untuk
Menggunakan substitusi

, Diperoleh:



Dengan merubah sistem koordinatnya ke polar koordinat dengan cos
dan sin persamaan diatas menjadi :






Jadi,

atau

1
2
( ) T + !
1
1
0
0
x
( ) x e dx ; untuk
E
E E

+ ! "

1
1 1
2
2 2
0
x
( ) x e dx E
g

! p + !

_ a
2 2
1
1
2
0 0
2 2 2 2 2
1
2
0 0 0 0
2 2
2 2 4
u u
u v [u v ]
( ) u e udu e du
( ) e du e dv e dudv
g g

g g g g

+ ! !


+ ! !





_ a
_ a
2
2 2 2 2
2
2 2 2
2
2
2 2
2
2
2
1
2
0 0
0 0
0 0
2
1 1
0 2 2
0
0 0
4
4
4
4 2 2
[ cos sin ]
[cos sin ]
( ) e d d
e d d
e d d
( ) e d d
T
T
T
T T
T
V J V J
J V
V J J
J V
V
J V
V
J J
V V J
V V J
V V J
J J J T
g

! !
g

! !
g

! !
g

! !
+ !
!
!
+ ! ! ! !





Definisi 6.3
Peubah acak X dikatakan mempunyai sebaran gamma dengan parameter
ditulis dengan simbol X~Gam ( , ) jika dan hanya jika fungsi kepadaatan
peluangnya adalah :
f (x) =

dimana =

. Diagram f(x) untuk tiga pasangan (,) dari sebaran

X~Gam ( , ) ditunjukan pada Gambar 9.2.
Kita perlu mengetahui bahwa nama sebaran gamma antara lain karena munculnya
fungsi gamma ( ) dalam fkp. Sifat khusus fungsi gamma apabila merupakan bilangan
bulat, yakni = ( 1 )!. Untuk menyelidiki rerata dan variansi sebaran gamma, kita
dapat menggunakan fungsi pembangkit momennya.

Teorema 6.3
Jika X~Gam ( , ) maka fpm nya adalah
M(t) = ( 1 t )

; t <

.
Bukti :
M(t) = E (

sekarang, kita menuliskan y =

sehingga x =

dan dx =

.
Akibatnya,
M(t) =

M(t) =

M(t) =

M(t) =

M(t) =

Dari definisi 6.3
=

.
M(t) =

M(t) =

M(t) =

, untuk

Sedangkan untuk:

Teorema 9.3
Nilai harapan da variansi dari peubah acak X~Gam ( , ) adalah = dan
2
=
2
.
Bukti :
= M ( 0 ) dan
2
= M ( 0 ) - M ( 0 )
Berdasarkan fungsi pembangkit momennya, kita peroleh :
(i) M ( t ) = ( - ) ( - ) ( 1 t )
--1

= ( 1 t )
--1

Untuk t = 0, maka
M ( 0 ) = ( 1 (0) )
--1

= ( 1 )
=
= M ( 0 )
= (terbukti)

(ii) M ( t ) = () ( - - 1 ) ( - ) ( 1 t )
- 1-1

= (-
2
) ( - - 1 ) ( 1 t )
- 2

= (
2

2
+
2
) ( 1 t )
- 2

= (
2

2
+
2
) ( 1 t )
- 2

Untuk t = 0, maka
M ( 0 ) =(
2

2
+
2
) ( 1 (0) )
- 2

=(
2

2
+
2
) ( 1 )
=(
2

2
+
2
)

2
= M ( 0 ) (M ( 0 ))
2
= (
2

2
+
2
) ()
2

= (
2

2
+
2
)
2

2

=
2

2

2

2
+
2

=
2
(terbukti)

Penerapan dari sebaran gamma
1. Komponen elektronik di sebuah komputer mempunyai lama waktu sebelum
rusak selama T tahun. Diketahui variabel random T dapat dimodelkan dengan
distribusi eksponensial dengan waktu rata-rata sebelum rusak (mean time before
failure = MTBF) =5. Sebanyak 5 komponen dipakai dalam 5 komputer berbeda,
berapakah probabilitasnya bahwa setelah 8 tahun paling tidak 2 buah komponen
masih baik berfungsi?
Jawab:
Probabilitas sebuah komponen masih berfungsi setelah 8 tahun diberikan oleh:



g

} ! ! "
8
5 /
8
/
2 . 0
5
1 1
) 8 ( dt e dt e T P
t t F
F

Selanjutnya, misalkan X menyatakan jumlah komponen yg masih berfungsi setelah 8
tahun.
Sekarang persoalan adalah distribusi binomial, dengan probabilitas sukses
p=0.2 (berfungsi setelah 8 tahun), banyak percobaan (yaitu banyak komponen yg diuji
n=5, dan yg ingin diketahui adalah sebanyak 5 sukses, x=5.
Jadi probabilitas bahwa setelah 8 tahun, sebanyak paling tidak 2 komponen masih
berfungsi diberikan :

2. Dalam studi thd tikus, dipelajari efek racun thd waktu survival-nya. Diketahui
bahwa untuk dosis tertentu racun, waktu survivalnya mengikuti pola distribusi
gamma dengan =5 dan =10 dalam satuan minggu. Berapakah probabilitasnya
bahwa seekor tikus akan masih selamat (survive) tak lebih dari 60 minggu.
Jawab:
Misal X adalah variabel random yg menyatakan waktu hidup (survival time),
berarti probabilitasnya bahwa X60 adalah:

Integral ini sulit dievaluasi secara langsung. Akan tetapi dapat dievaluasi dengan
perantaraan tabel fungsi gamma tak lengkap F:



! !
! ! ! ! ! ! u
1
0
5
2
2627 . 0 7373 . 0 1 ) 2 . 0 , 5 ; ( 1 ) 2 . 0 , 5 ; ( ) 2 (
x x
x b p n x b X P
dx e x dx e x X P
x x


+
!
+
! ! ! e
60
0
/ 4
5
60
0
/ 1
) 5 (
1
) (
1
) 10 , 5 ; 60 (
F F E
E
F E F
F E
dy
e y
x F
x y

+
!

0
1
) (
) ; (
E
E
E

Jadi didefinisikan x/=y, berarti x= y dx= dy dan x=60 jadi y= 60/10=6 sehingga:

Dengan definisi fungsi gamma tak lengkap F(x;) jadi:
P (X60)= F(x=6; =5) = 0.715
b. Sebaran Normal
Distribusi probailitas kontinyu yang terpenting di bidang statistik adalah
distribusi Normal. Distribusi normal berupa kurva berbentuk lonceng setangkup yang
melebar tak berhingga pada kedua arah positif dan negatifnya. Penggunaanya sama
dengan penggunaan kurva distribusi lainnya. Frekuensi relatif suatu variabel yang
mengambil nilai antara dua titik pada sumbu datar. Tidak semua distribusi berbentuk
lonceng setangkup merupakan distribusi normal. Grafiknya disebut kurva normal,
berbentuk lonceng seperti gambar 6.1. Distribusi ini ditemukan Karl Friedrich (1777-
1855) yang juga disebut distribusi Gauss. Perubah acak X yang bentuknya seperti
lonceng disebut perubah acak normal dengan persamaan matematik distribusi
probabilitas yang bergantung paramerter dinyatakan

Gambar 6.1 kurva normal
-4 -2 0 2 4
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
x
d
n
o
r
m
(
x
)
n(x; , ) Q W
dy e y dy e y dx e x X P
y y x


+
!
+
!
+
! e
6
0
4
6
0
4
5
6
0
/ 4
5
) 5 (
1
) (
) 5 (
1 1
) 5 (
1 1
) 60 ( F F
F F
F


sebaran normal yang biasa juga disebut sebaran gauss banyak digunakan dalam
pengujian hipotesis, teori penaksiran parameter, dan sebaran penyampelan. Asumsi
bahwa populasi mempunyai sebaran normal telah mlancarkan teori dan metode begitu
rupa sehingga banyak persoalan dapat diselesaikan dengan lebih mudah dan cepat.
Model sebaran ini merupaka pendekatan untuk menghitung peluang timbulnya gejala
yang diharapkan (gejala sukses) dari sejumlah n kejadian untuk peubah acak yang
sifatnya malar.
Pada gambar (6.2) melukiskan dua kurva normal dengan simpangan baku yang sama
tapi rata-rata berbeda, gambar 6.3 melukiskan beberapa kurva yang mempunyai mean
sama tetapi standart deviasi bebeda. Gambar 6.4 mellukiskan kurva normal dengan
mean dan standart deviasi yang berbeda.

Gambar 6.2 kurva normal dengan simpangan baku sama
0 2 4 6 8 10
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
0
.
5
x
d
n
o
r
m
(
x
,

5
,

1
)
Distribusi Normal


Gambar 6.3 kurva normal dengan rata-rata sama

Gambar 6.4 kurva normal dengan mean dan standar deviasi
yang berbeda

-4 -2 0 2 4
0
.
0
0
.
5
1
.
0
1
.
5
x
d
n
o
r
m
(
x
,

0
,

0
.
2
5
)
Distribusi Normal
-6 -4 -2 0 2 4
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
x
d
n
o
r
m
(
x
,

1
,

0
.
5
)

Fungsi padat perubah acak normal X, dengan rata-rata dan variansi dinyatakan
sebagai:

Dengan dan
Begitu dan

diketahui, maka kurva normal dapat ditentukan. Misal: ,

maka ordinat dengan mudah dapat dihitung.
Sifat-sifat Kurva Normal
1. Modus (nilai x maksimun) terletak di
2. Simetris terhadap sumbu vertikal melalui
3. Mempunyai titik belok pada
4. Memotong sumbu mendatar secara asimtotis.
5. Luas daerah dibawah kurva dg sumbu mendatar 1
Contoh variabel random yg memiliki distribusi normal misalnya:
a. distribusi error dalam pengukuran
b. pengukuran dalam meteorologi
c. pengukuran curah hujan
d. sebagai pendekatan bagi distribusi binomial
e. dan distribusi hipergeometrik, dan lainnya
Sekarang, kita akan meninjau fungsi padat peluang sebaran normal dengan rerata
dan simpangan baku adalah sebagai berikut :
2
1
1
2
2
x
( )( )
n(x; , ) e ; x
Q
W
TW
Q W

! g g

untuk
Dengan (baca; pi) adalah nilai konstanta yang biasa ditulis dengan ,
dan e bilangan Euler yang sudah dijelaskan sebelumnya. Nilai juga terdapat pada
hampir semua kalklator. Peubah acak X dengan daerah nilai - , mempunyai
sebaran normal, jika fungsi padat peluangnya seperti diatas.
Andaikan X adalah peubah acak normal dengan rerata dan simpangan baku ,
transformasi X menjadi

akan membentuk peubah acak normal baku dengan

rerata nol dan simpangan baku satu. Fungsi padat peluang dari sebaran normal baku
adalah

untuk -
Grafik berbentuk simetris terhadap sumbu tegak (sumbu y) dan semuanya
diatas sumbu datar (sumbu z), dan dinamai kurva sebaran normal bakuseperti pada :
Luas daerah dibawah kurva normal baku diatas sumbu z sama dengan satu. Hal
ini dapat dibuktikan dengan menggunakan perhitungan integral, yaitu

Teknik integral banyak dibicarakan dalam buku matematika, khususnya kalkulus,
dan kita hanya memperkenalkan simbolnya dan pada bagian ini tidak dibicarakan lebih
mendalam.
Setelah kita memiliki sebaran normal baku yang didapat dari sebaran normal
umum dengan transformasi tersebut diatas, maka daftar sebaran normal baku
(Lampiran D) dapat digunakan. Dengan daftar ini, bagian-bagian luas dari sebaran
normal baku dapat dicari.
Definisi 9.6
Suatu peubah acak X dikatakan mempunyai sebaran normal dengan rerata dan
simpangan baku , jika dan hanya jika fungsi kepadatan peluangnya :

untuk
Ditulis dengan X Norm , dan grafik fkp untuk Norm (0,25) ditunjukkan pada :



Teorema 9.9
Fungsi pembangkit momen (fpm) dari X Norm ( ) adalah

Bukti :
Berdasarkan definisi fpm,

Dengan menggunakan identitas

Diperoleh

Kita mengetahui bahwa

, karena merupakan suatu fungsi

kepadatan normal dengan parameter

dan , sehingga

Teorema 9.10
Nilai harapan dan variansi dari XNorm( )adalah dan

.
Bukti

, sehingga
E(X)

E(

Penerapan sebaran normal
1. Sebuah perusahaan bolam lampu mengetahui bahwa umur lampunya (sebelum
putus) terdistribusi secara normal dengan rata-rata umurnya 800 jam dan
standard deviasinya 40 jam. Carilah probabilitas bahwa sebuah bolam
produksinya akan:
Berumur antara 778 jam dan 834 jam
Berumur kurang dari 750 jam atau lebih dari 900 jam
Jawab.
= 800 =40.
P(778<x<834)
x1=778 z1 = (x1-)/ = (778-800)/40 = -0.55
x2=834 z2 = (x2-)/ = (834-800)/40 = 0.85
P(778<x<834) = P(-0.55<z<0.85) = P(z<0.85)-P(z<-0.55)
= 0.8023 0.2912 = 0.5111
Berumur kurang dari 750 jam atau lebih dari 900 jam
= 800 =40.
P(x< 750 atau x>900)

x1=750 z1 = (x1-)/ = (750-800)/40 = -1.25
x2=900 z2 = (x2-)/ = (900-800)/40 = 2.5
P(x< 750 atau x>900) = P(z<-1.25) + P(z>2.5)
= P(z<-1.25) + 1- P(z<2.5)
= 1 + P(z<-1.25) - P(z<2.5)
= 1 + 0.1056-0.9938 = 0.1118
2. Diketahui rata-rata hasil ujian adalah 74 dengan simpangan baku 7. Jika nilai-nilai
peserta ujian bersidtribusi normal dan 12% peserta nilai tertinggi mendapat nilai
A, berapa batas nilai A yang terendah ?
Jawab:


Jika 5% peserta terendah mendapat nilai E, berapa batas atas nilai E ?

BAB III
PENUTUP
A. Kesimpulan
Peubah acak X dikatakan mempunyai sebaran seragam malar, dengan parameter a
dan b ditulis dengan simbol X~Ser(m) (a,b), jika dan jika fungsi kepadatan peluang (fkp)
nya adalah f(x) =

Peubah acak X dikatakan mempunyai sebaran gamma dengan parameter
ditulis dengan simbol X~Gam ( , ) jika dan hanya jika fungsi
kepadaatan peluangnya adalah :
f (x) =

dimana =

.
B. Saran
Adapun saran kami untuk para pembaca agar dapat memanfaatkan isi dari makalah
ini dengan sebaik-baiknya, baik untuk kepentingan pribadi maupun kepentingan umum.
Selain itu, kami mengharapkan kepada para pembaca dengan tidak hanya
menggunakan makalah kami sebagai sebuah rujukan ataupun referensi satu-satunya
dalam mempelajari mengenai sebaran gamma dan sebaran normal. Tetapi,
menggunakan makalah kami ini menjadi sebuah bahan yang akan membantu untuk
mengkaji serta mengembangkan pengetahuan pembaca mengenai sebaran gamma dan
sebaran normal.


DAFTAR PUSTAKA
Tiro, M. A. 2008. Dasar-dasar Statistika. Makassar : Andira Publisher.
Tiro, M. A. 2008. Pengantar Teori Peluang. Makassar : Andira Publisher.
Tiro, M. A. 2004. Pengenalan Biostatistika. Makassar : Andira Publisher.
















TUGAS MATA KULIAH STATISTIKA MATEMATIKA
Sebaran Peluang Malar
(Sebaran Gamma dan Sebaran Normal)

Diusulkan oleh :
Kelompok 2
Kartini (10536 3423 09)
Hasriani .K (10536 3410 09)
Nurhafsari (10536 3414 09)
Nur Ikha Abrianti (10536 3422 09)
Nurul Anisah (10536 3418 09)
A Kurnia Fahruddin(10536 3427 09)
Rien Ariestha (10536 3425 09)
Sarnika (10536 3393 09)
Andriya Gandhi (10536 3416 09)
Andi Taufan (10536 3392 09)
Mardatillah (10536 3420 09)
Elmi Srijayanti (10536 3413 09)
M. Syahrir (10536 3388 09)
Husnaeni (10536 3406 09)
Ika Puspitasari (10536 3399 09)

UNIVERSITAS MUHAMMADIYAH MAKASSAR
FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
2011