DISTRIBUSI VARIABEL RANDOM

A. DISTRIBUSI VARIABEL RANDOM DISKRIT

Fungsi
Mean Varians
No. Nama Formula Parameter Pembangkit FPMF
(μ) (σ2) Momen (FPM)

f (x ,k)
xk xk

1
1
Distribusi Seragam
k
 xi
x  xi
 (x
x  xi
i  )2
- -
k
k k
.
x 1−x
p q
Distribusi Bernoulli
x=0 , 1 p p pq q + pet q + pt
P(X)
2.
n
( q + p et )
Distribusi Binomial  n  x n x
( q+ pt )n   p q n, p np npq
P x   b x ; n ; p  q
3.
2
Distribusi Multinomial n  n  x x x  n  n  x2

4.
f x1 , x2 ,..., xk ; p1, p ,... p ; n 
x , x ,... , x p
1 2
n
k 1
x1 x
. p2 2 ..... pk
xk
P  

 p1 1 p2 2 p3 3 ... pk xk

 
  
 x x3 xk 
p p p .... pk 
1

 1 2 3
- -
2 k x  xi  x1 , x2 ,...,xk  x  xi  x1 , x2 ,... xk  
 
  k  N  k 
  
Distribusi Hipergeometrik   
 x  n  x  ; x  0,1,.., n nk N n k  k
5. N, n, k .n. 1   - -
hx; N , n, k  N N N 1 N  N 
 
 
x

e   x
Distribusi Poisson
6. x! Μ μ μ - -
P(x ; μ) x  1, 2 , 3, ... k
Distribusi Binomial Negatif  x  1 k x  k k n
 x  1 k x  k k n
 x  1  k x  k  k  n  x  1 k x  k 
2

7.
P x   b *  x ; k ; p 
  p q k  x  p q  x 2   p q   x   p q  - -
 k  1 x  k  k  1 x k  k  1  x  k  k  1 

Distribusi Geometris 1 q pe t pt
x 1
8. pq p
P x   g x ; p  p p2 1  qe t 1  qt

B. DISTRIBUSI VARIABEL RANDOM KONTINU

No Mean Varians Fungsi Pembangkit
Nama Formula Parameter FPMF
. (μ) (σ )2
Momen (FPM)
 1
Distribusi Seragam Kontinu ,a  x  b ab b  a 2
1. b  a  a,b - -
f x   f x ; a ; b  2 2
0 , untuk x lainnya

Distribusi Normal 1  x 

2

2. 1  
2  

μ,σ μ σ2
1
t2
-
e e2
f  x   n x ;  ;    2
x
1
x  1e  , x  0
  

1
3. Distribusi Gamma T(α) α,β αβ αβ2 -
0 , untuk x yang lain 1  t 2
α > 0 dan β > 0 , x > 0
x
1 
e , x0
Distribusi Eksponensial  1
4. β β β2 -
f (x ; β) 0 , untuk x yang lain 1  t
dimana β > 0
     1  
x 1  x 
 1
5. Distribusi Beta α,β - -
           1
2
 

v x
6. 1 1 
Distribusi Chi-Square x 2
e 2 v v 2v - -
2 v / 2 v / 2
 
x
  1     1
7. x e   1  
 2   1 
 2   1   2 1  
Distribusi Weibull  β,θ - -
        
x0
 DISTRIBUSI VARIABEL RANDOM

A. DISTRIBUSI VARIABEL RANDOM DISKRIT

1. Distribusi Seragam
Suatu variabel random diskrit X dengan harga-harga x1, x2, ..., xk yang
mempunyai nilai probabilitas yang sama, distribusinya adalah:
1
f ( x , k )= , x =x1 , x2 , … x k
k
dimana:
X = Peubah acak
k = Parameter
Mean
Mean distribusi seragam f ( x ; k ) adalah:
xk

x
k
x
k
∑ xi
1 x= xi
μ = E (x) = ∑ x i P( x i ; k ) = ∑ x i ⋅ =
k k
x=x i x= xi

1
Karena merupakan suatu konstanta.
k
Variansi
Varian distribusi seragam f ( x ; k ) adalah:
xk xk
1
σ 2 = E ( ( x−μ )2 ) = ∑ ( x i−μ )2 P( x i ; k ) = ∑ ( xi −μ)2 ⋅ k
x =xi x=x i
xk

∑ ( x i −μ)2
x=x i
=
k
1
Karena merupakan suatu konstanta.
�� �} ¿
Standar Deviasi (SD)
Standar deviasi distribusi seragam f ( x ; k ) adalah:

√
xk xk

σ =¿ ∑ ( x i−μ ) 2
∑ ( xi −μ)2
x= xi x=x i
σ=
k k
2. Distribusi Bernoulli
Distribusi Bernoulli adalah suatu distribusi random yang terdiri dari dua
kejadian yang berkomplemen, seperti sukses-gagal, ya tidak, baik cacat, dan
sebagainya. Misalkan E kejadian sukses dengan peluang p maka Ec kejadian
gagal dengan peluang q = 1- p. Jika X suatu variabel random yang nilainya
hanyalah 0 dan 1 maka X disebut dengan variabel bernoulli.
Distribusi Bernoulli dirumuskan:
x 1−x
P ( X )= p q , x =0 ,1
dimana x = peubah acak
p = peluang sukses (0 ≤ p ≤ 1)
q = peluang gagal (0 ≤ q ≤ 1)
p+q=1
Mean
Mean distribusi bernoulli P(x) adalah:
1 1
μ = E( x ) = ∑ x P( x )= ∑ x p x⋅q1−x= 0+ 1⋅p 1⋅q1−1 = p
x =0 x=0

Variansi
Variansi distribusi bernoulli P(x) adalah:
σ 2 =E ( ( x−μ )2 ) =E ( x 2−2 μx+ μ 2 )
1
= ∑ ( x 2 −2 μx + μ2 ) f ( x )
x=0
1 1 1
= ∑ x f ( x )−2 ∑ μ x f ( x )+ ∑ μ2 f ( x ) −2
2

x=0 x =0 x =0
=E ( x )−2 μ E ( x ) + μ =E ( x ) −2 μ⋅μ+ μ2
2 2 2

1
=E ( x )−μ =E ( x ) −E ( x )= ∑ x 2 p ( x )− p2
2 2 2 2

x=0
1
= ∑ x p ⋅q
2 x 1−x 2 1 1−1 2
− p =0+1⋅p ⋅q −p
x=0
= p ( 1− p )
=p q
Standar Deviasi (SD)
Standar deviasi distribusi bernoulli P(x) adalah:
σ =√ p ∙ q
 Fungsi Pembangkit Momen (FPM)
Fungsi Pembangkit Momen distribusi bernoulli P(x) adalah:
1
M x ( t )=E ( e t x )= ∑ ( e t x⋅p x⋅q 1− x ) =e 0⋅t p0 q1−0 +e t p1 q1−1 = q +e t p
x =0

3. Distribusi Binomial
Variabel random binomial merupakan jumlah sukses yang terjadi dalam n
percobaan dari eksperimen binomial.
Distribusi probabilitas dari variabel random binomial x disebut distribusi
binomial. Distribusi ini tergantung pada jumlah percobaan dan kemungkinan
terjadinya sukses dari percobaan tersebut dan dinotasikan sebagai b(x ; n ; p).
Jika setiap percobaan binomial memiliki hasil sukses dengan kemungkinan p
dan kemungkinan q-1 untuk gagal, maka distribusi probabilitas dari variabel
random binomial x yang menyatakan jumlah sukses yang terjadi dalam n
percobaan yang independen adalah:

P ( x )=b ( x ; n ; p )= ( nq) p q x n−x

, x=0, 1, 2, 3 , ..., n

dimana x = peubah acak

p = peluang sukses (0 ≤ p ≤ 1)
q = peluang gagal (0 ≤ q ≤ 1)
n = banyaknya percobaan (n ≥ 0)
p+q=1
Mean
Karena distribusi binomial merupakan kumpulan dari distribusi bernoulli
yang saling bebas maka rataan dari distribusi binomial juga merupakan
jumlahan dari rataan masing-masing peubah acak bernoulli.
μ= E ( x )=E ( I 1 ) + E ( I 2 ) +…+ E ( I n )
Karena pada distribusi bernoulli telah diketahui bahwa rataannya adalah p
maka μ= E ( x )
=p+p+p+...+p
sebanyak n
=np
 Variansi
Variansi setiap Ij diberikan oleh:

σ 2Ij =E [ ( Ij−P )2 ] =∑ [ I 2j −2 IjP+P2 ] =∑ ( I 2j −2 IjP+ P2 ) f ( Ij )

=∑ I 2j f ( Ij )−2 ∑ IjP f ( Ij ) +∑ P2 f ( Ij ) =E ( I 2j )−2 PE ( Ij ) +P2
=E ( I 2j )−2 PP+ P 2=E ( I 2j )−P 2=( 0 )2 q+ ( 1 )2 p−p 2=P−P2
=P (1−P )= pq
Bila x dan y peubah acak yang bebas, maka: σ 2ax +by =a2 σ 2�〰 +b 2 σ 2y
Distribusi binomial mempunyai variansi
σ 2x =σ 2I +σ 2I +…+ σ 2I = pq+ pq+…+ pq
1 2 n

=npq
Standar Deviasi (SD)
Standar deviasi distribusi binomial adalah:
σ =√ n ∙ p ∙ q
Fungsi Pembangkit Momen (FPM)
Fungsi pembangkit momen distribusi binomial adalah:
t n
M x ( t ) =( q+ p e )
FPMF
Fungsi pembangkit momen distribusi binomial adalah:
G x ( t )=( q+ pt )n

4. Distribusi Multinomial
Suatu percobaan merupakan percobaan multinomial jika pada setiap
percobaan dalam percobaan binomial memberi hasil lebih dari dua.
Jika setiap percobaan dapat memberikan sejumlah k hasil yang mungkin,
yaitu E1, E2, ….,Ek dengan nilai probabilitas P1, P2,…, Pk maka distribusi
multinomial akan menghasilkan terjadinya E1 sebanyak x1 kali, E2 sebanyak x2
kali,…dan Ek sebanyak xk kali untuk percobaan-percobaan yang independen,
dimana x1 + x2+…+ xk = n. Distribusi probabilitasnya dapat ditulis :
f(x1, x2, …, xk; p1, p2, …, pk;n) dimana p1 + p2 +…+ pk =1
Penurunan rumus dalam distribusi binomial dapat digunakan untuk
memperoleh rumus umum distribusi multinomial. Untuk percobaan-percobaan
independen, suatu urutan tertentu menghasilkan x1 untuk E1, x2 untuk E2,
….,dan xk untuk Ek. Misalnya dengan ,nilai probabilitas masing-masing
p x1 , p x
2
, . .. p x
k
1 2 k
. Dalam hal ini, jumlah urutan yang mungkin terjadi untuk n
percobaan dapat ditulis sebagai berikut:

( )
n
=
n!
x 1 ,x 2 ,... ,xk x 1!. x2!....xk !
Distribusi multinomial didapat dari hasil kali nilai probabilitas dari urutan
tertentu dengn jumlah urutan yang mungkin terjadi dalam n percobaan.
Jika dalam suatu percobaan dapat menghasilkan sejumlah k hasil E1, E2,
….,Ek dengan nilai probabilitas p1, p2, ….,pk, maka distribusi probabilitas dari
variable random x1, x2, ….,xk yang menyatakan jumlah terjadinya kejadian E1,
E2,….,Ek dalam n percobaan-percobaan yang independent dapat ditulis sbb:
f ( x 1 , x 2 , .. . , x k ; p1 , p2 , . .. p k ; n ) = ( x1 , x 2 , .. .n , x k ) p x1 . p 2 .. . .. p
x x

1 2 k k

k k

dengan ∑i=1 xi =n dan ∑i=1 p i=1 , x=x 1 , x2 ,. .. . , x n

dimana :

x = peubah acak multinomial (

x i≥0 , x i ∈ bilangan bulat non negatif )

p = peluang sukses ( 0 ≤ p ≤ 1 )

n = banyaknya usaha bebas ( n ≥ 0 )

parameter = n dan p1 , i=1,2 ,. . .. , k

k

dengan syarat : ∑i=1 xi =n ,n ¿0,n ∈ bilangan bulat

k
∑i=1 p i=1 , (0≤ pi ≤1)
Mean
Mean pada distribusi multinomial adalah:

( )
n n
μ=Ε ( x )=∑ xf ( x )= ∑ p 1 p 2 p 3 . .. p
x x x x

x=x i x1 ,x 2 ,... ,x k 1 2 3 kk
x

Variansi
Variansi pada distribusi multinomial adalah:
 σ 2 =Ε ( x 2 ) −μ2 =∑ x 2 f ( x )−Ε 2 ( x )
x

( )
n
=∑ x 2 p 1 p 2 p 3 .. . p k −
x x x x

x 1 , x2 ,.. . ,xk 1 2 3 k
x

(∑ ( ) )
n n x 2
2
= p 1 p 2 p 3 .... p
x x x

x=x i x1 , x 2 ,. .. x k 1 3 kk

Standar Deviasi (SD)

√∑ x ( ) (∑ ( ) )
n n n
2
σ= p 1 p 2 . .. p k −
x x x x p 1 p 2. . . p
x x x
k
x x1 , x2 , .. . , x k 1 2 k x= x1 x , x ,.. ., x 1 2 k
1 2 k

5. Distribusi Hipergeometrik
Variable random hipergeometrik mempresentasikan jumlah sukses dalam
eksperimen hipergeometrik.
Distribusi hipergeometrik merupakan distribusi probabilitas dari variable
random hipergeometrik x. Distribusi ini besarnya tergantung pada jumlah
sukses sebagai bagian dari N yang diambil sebanyak n item, dan diberi notasi
h(x; N, n, k). Distribusi hipergeometrik merupakan distribusi probabilitas yang
mempresentasikan jumlah sukses dari sampel random n yang diambil dari N
item, dimana sebanyak k item bertanda sukses dan sebanyak N-k bertanda
gagal. Distribusi ini dapat dituliskan sebagai berikut:

( )( )
k N−k

x n−x
h ( x ; N , n , k )= ; x=0,1 ,. . ,n

()
N

Bukti:
 Untuk x=0 maka
 ( )( )
k N−k
( N−k ) !
0 n−0 ( N−k−n ) !
P ( 0 )=h ( 0 ; N , n , k )= =

()
N N!
n
( N−n ) ! n!
( N−k ) ! ( N −n ) !n ! ( N −k ) ! ( N−n ) !
= . = .
( N−k−n ) ! n! N ! N! ( N−k−n ) !
( N−k ) ! ( N −k−n ) ! ( N −n−k +1 ) .. . ( N −n )
= .
( N−k ) ! ( N −k +1 ) . ( N −k +2 ) . .. ( N ) ( N −k−n ) !
( ( N−k +1 )−n )( ( N −k +2 )−n ) . .. ( N−n )
=
( N−k +1 ) . ( N−k +2 ) . . . ( N )

Karena pembilangnya lebih kecil dari penyebutnya maka ( 0≤ p≤1 )

 Untuk x=n
P ( n )=h ( n ; N ;n , k )

( )( )
k N−k

n n−n k! ( N −n ) ! n!
= = .

()
N ( k−n ) ! n! N !
n

k! ( N −n ) ! ( k −n ) ! ( k −n+1 ) . . . k ( N−n ) !
= . = .
( k −n ) ! N ! ( k −n ) ! ( N−n ) ! ( N −n+1 ) .. . N
( k −n+1 ) .. . k
=
( N−n+1 ) . .. N

Karena k ≤N , berarti ( k −n+1 ) .. . k≤( N −n+1 ) .. . N . Sehingga ( 0≤ p≤1 )

dengan demikian nilai P(x) berkisar dari 0 hingga 1.

( )( )
k N−k

∑ ( )( ) ()
n n k N−k N
1 1
∑ P ( X =x ) = ∑
n n−n
= = =1

() () ()
N N N
x x =0 x =0 n n−n n

n n n

Mean
Mean dari distribusi variabel random hipergeometrik adalah sebagai berikut:
 ( )( ) ( ) ( )
k N −k N−k N −k
n n n
x n−x k! n−x k . ( k−1 ) ! n− x
μ=Ε ( x )= ∑ x ∑ ( ) = x =∑ x

() x=0 k −x ! x !
() x=0 x ( x−1 ) ! ( k −x ) !
()
N N N
x=0

n n n

( ) ( )( )
N −k k −1 N−k
n
( k −1 !
) n−x x−1 n−1− y
=∑ =
x =0 ( x−1 ! k −x !
() ()
) ( ) N N

n n

( )( )
k −1 N −k

y n−1− y
E ( x )=

()
N

Ambil y = x-1 sehingga n

( )=( ) () ( )
N−k ( N −1 ) −( k−1 ) N N −1
N! N
= =
Karena n−1− y n−1− y dan n ( N −n ) !n ! n n−1

Maka diperoleh

( )( ) = nk ∑ ( )( ) =nk
k −1 N −k k−1 ( N−1 )− ( k−1 )

n
y n−1− y y n−1− y
E ( x )=
() ( )
N N N x=0
N−1

n n−1

Variansi
Variansi dari distribusi variabel random hipergeometrik adalah:

σ 2 =E ( x 2 ) −μ2
=E ( x ( x −1 ) )+μ−μ2
k ( k −1 ) n ( n−1 ) nK n2 k 2
= + − 2
N ( N −1 ) N N
nk ( N−k ) ( N −n )
= 2
N ( N −1 )
=
N −n
N −1
k
. n. 1−
N
k
N ( )
Standar Deviasi (SD)

σ=
√ N −n k
. n . 1−
N −1 N
k
N ( )
 Jika persamaan distribusi hipergeometrik, diambil n lebih kecil dari N, maka
besar probabilitas terjadinya sukses pada setiap pengambilan akan berubah
sangat kecil, sehingga percobaan binomial merupaka pendekatan dari
k
p=
percobaan hipergeometrik dimana n
Mean dan variansinya dapat ditulis sebagai berikut:
nk
μ =np=
N
σ 2 =npq=n .
k
n ( )
1−
k
n
N −n
2
Perbedaan σ dari distribusi hipergeometrik hanya ada pada n−1 , dimana
nilai ini dapat diabaikan jika n sangat kecil dibandingkan dengan N.

Andaikan N item dibagi-bagi dalam k bagian M1, M2,....,Mk masing-masing

dengan m1, m2,..., mk elemen, maka distribusi probabilitas dari variabel random
x1, x2,...,xk yang menyatakan jumlah elemen yang dipilih dari M1, M2,...,Mk
dalam satu sampel random berukuran n dapat dituliskan sebagai berikut :

() )( ) ( )
m1 m2 mk

.. .
x1 x2 xk
f ( x 1 , x 2 , .. . , x k ;m 1 ,m2 , .. . mk , N ,n =
()
N

k k
∑ x i=n ∑ mi =N
dimana i=1 dan i=1

6. Distribusi Poisson
Suatu percobaan merupakan percobaan poisson jika percobaan itu
menghasilkan jumlah sukses yang terjadi pada selang waktu ataupun pada
daerah khusus/ tertentu.
Distribusi poisson merupakan distribusi probabilitas dari variabel random
poisson X. Distribusi ini nilainya tergantung pada μ yang mempresentasikan
banyaknya sukses yang terjadi pada selang waktu tertentu atau pada daerah
tertentu dan diberi notasi P =( x ; μ ) . Distribusi ini dapat dituliskan sebagai
berikut :
−μ x
e μ
P =( x ; μ ) = , x = 1, 2, 3, ...k
x!
dengan μ jumlah sukses yang terjadi dan e = 2, 71828…
dimana
x = peubah rata-rata
μ = rata-rata banyaknya sukses yang terjadi dalam selang waktu

e = 2, 71828…
Mean
−μ x −μ x
e μ ∞ ∞
e μ ∞
e−μ μ x ( μ−1 μ )
=∑x. = ∑x . = ∑x.
μ = E(X) x=0 x! x=1 x! x=0 x!
∞
e−μ μ x−1 ( μ−1 μ )
= μ∑
x =0 ( x−1 ) !
Misalkan y = x – 1
∞ −μ x
e μ
= μ∑
E(x) x =0 y ! = μ P ( y; μ ) = μ . 1 = μ
Variansi
∞
e μ
−μ x ∞
e−μ μ x ( μ2 μ−2)
E ( x ( x − 1 ) )= ∑ x ( x − 1 ) . = ∑ x ( x − 1) .
x=0 x! x=2 x (x − 1 ) ( x − 2) !
∞ −x x−2
e μ
=μ 2
∑ ( x − 2) !
x=2

Misalkan y = x – 2 maka diperoleh :

∞ −μ y
e μ
E ( x ( x − 1 ) )= μ2 ∑
x=2 y! = μ2 P ( y ; μ ) = μ2 . 1 = μ2
Jadi
σ = E ( x ( x − 1 ) ) + μ − μ 2 = μ2 μ − μ2 = μ
Standar Deviasi (SD)

σ = √μ
Pada umumnya, jika n → ∞ , p → 0 dan np sebuah konstanta maka distribusi
 Poisson merupakan bentuk terbatas dari distribusi binomial. Oleh karena itu,
distribusi poisson dapat digunakan sebagai pendekatan terhadap distribusi
binomial, dimana μ = np . Distribusi poisson masih bisa dipakai sebagai

pendekatan terhadap distribusi binomial meskipun p → 1 yaitu dengan

menukar sukses menjadi gagal atau dengan mengubah nilai p mendekati nol.

7. Distribusi Binomial Negatif

Misalkan x adalah bilangan yang menyatakan banyaknya percobaan yang
dilakukan untuk mendapatkan k sukses dalam suatu eksperimen binomial,
maka x merupakan variabel binomial negatif.
Distribusi probabilitasnya disebut sebagai distribusi binomial negatif.
Distribusi ini nilainya tergantung pada jumlah sukses yang diinginkan dan
kemungkinan jumlah sukses pada percobaan yang dilakukan, dan diberi notasi
b* (x, k, p). Jika beberapa percobaan independen menghasilkan sukses dengan
kemungkinan p dan gagal dengan kemungkinan q = 1 – p, maka distribusi
probabilitas variabel random x yang menyatakan banyaknya percobaan yang
harus dilakukan untuk memperoleh k sukses, dapat ditulis :

P ( x ) = b∗ ( x , k , p ) = ¿ ( x − 1 ¿ ) ¿ ¿
¿ , untuk x = k, k + 1, k + 2, …, k + n

Dimana
x = peubah acak binomial negatif
p = peluang sukses
q = peluang gagal dimana q = 1 – q
k = parameter dengan k ≥ 0 dan k є bilangan bulat

Mean
Mean pada distribusi binomial negatif adalah:
k+n k +n

μ = E(x)
= ∑ x P ( x )= ∑ x ¿ ( x −¿1 ¿ ) ¿ ¿ ¿
x=k x =k

Variansi
Varians pada distribusi binomial negatif adalah:
 σ 2 = E ( x 2 ) − E2 ( x )
k +n
= ∑ x2 P ( x ) − ¿ ¿
x=k

k +n
= ∑ x2 ¿ ( x − 1 ¿) ¿ ¿ ¿
x=k ¿

Standar Deviasi

√∑
k +n
¿ ( x − 1 ¿) ¿¿ ¿
2
σ = x
x=k ¿

8. Distribusi Geometris
Jika beberapa percobaan independen menghasilkan sukses dengan
kemungkinan p dan gagal dengan kemingkinan q = 1- p, maka distribusi
probabilitas dari banyaknya percobaan yang harus dilakukan untuk mendapat
satu kali sukses adalah :
P ( x ) = g ( x; p ) = p . q x−1 , x = 1, 2, 3, ...
dimana
x = peubah acak

p = peluang sukses (0 ≤ p ≤ 1)

q = peluang gagal (0 ≤ q ≤ 1)
p+q = 1
Mean
Mean pada distribusi geometris adalah :
∞ ∞
= ∑ x g ( x; p ) = ∑ x . ( p . q1−x )
μ = E(x) x=0 x=0 = p + 2 p . q + 3 . p . q2 + ...
= p ( 1 + 2 q + 3 q 2 + .. . ) = p ( 1 + 2 q + 3 q 2 + .. . )

= ( 1 + 2 q + 3 q 2 + .. . ) − ( q + 2 q2 + 3 q 4 + . .. )
 2 3
= 1 + q + q + q + ...

Pernyataan di atas merupakan deret geometri dengan r = q

∞ ∞
= ∑ x g ( x; p ) = ∑ x . ( p . q1−x ) = 1 1
=
μ = E(x) x=0 x=0 1−q p

Variansi
Variansi pada distribusi geometris adalah :
∞
1
σ 2 = E ( x 2 ) − E2 ( x )= ∑ x2 g ( x ; p ) − p2
x=0

1
= ( p + 4 p . q + 9 p . q2 + ... ) −
p2
p 2 ( p + 4 p . q + 9 p . q2 + ... ) − 1
=
p2
( 1 − q )2 ( p + 4 p . q + 9 p . q 2 + ... ) − 1
=
p2
( p + 2 p . q + 2 p . q 2 + 2 p . q3 + ... ) − 1
=
p2
p ( 1 + 2 . q + 2 . q2 + 2 . q3 + ... ) − 1
=
p2
p ( 1 + 2 . q + 2 . q2 + 2 . q3 + . .. ) − 1
=
p2
p ( 1 + 2 . q + 2 . q2 + 2 . q3 + ... ) − ( q + 2 . q 2 + 2 . q 3 + ... ) − 1
=
p2
(1 − q − 1)
=
p2
q
=
p2
Standar Deviasi (SD)

σ=
√ q
p2
 Fungsi Pembangkit Momen (FPM)
t
pe
M x (t ) =
FPM pada distribusi Bernoulli adalah: 1 − qet
FPMF
pt
Gx ( t ) =
FPMF pada distribusi Bernoulli adalah: 1 − qt

B. DISTRIBUSI VARIABEL RANDOM KONTINU

1. Distribusi Seragan Kontinu
Suatu variable random X berdistribusi seragam kontinu pada interval (a,b)
jika fungsi densitas dari X berbentuk

f ( x) = f ( x ; a, b) =
{
1
( b −a)
, a ≤ x ≤ b ¿ ¿¿¿

x = peubah acak yang berada pada interval [a, b]

Mean

[ ]
b b b b
1 1
μ = ∫ x f ( x)= ∫ x
2
b−a
dx =
b− a
∫ x d x = 1b − a 12 x 2
a a a a

=
1
b−a 2 [
b 2 a2
−
2
=
b2
] −
a2
=
b2 − a2
=
(a + b)( b − a)
2b − 2 a 2b −2a 2b − 2 a 2 (b − a)
a+b
μ2 =
2
Variansi
 σ 2 = E( x 2 ) − μ2

( )
b b 2
1
=∫x
b−a
dx − ∫ 1b − a x dx
a a

[ ] ( )
b 2
1 1 3 a+b
= x −
b−a 3 a 2

=
1
( ) (
b3 a3
b− a 3
−
3
−
4 )
a2 + 2 ab + b2

= ( ) (
b3 − a3
3b − 3a
−
4 )
a2 + 2 ab + b2

= (3(b − a ) ) ( )
(b − a)3 + 3 ab 2 − 3 a 2 b
−
a2 + 2 ab + b2
4

= (3(b − a ) ) ( )
(b − a)3 + 3 ab( b −a)
−
a2 + 2 ab + b2
4

( ) ( )
2
(b − a) + 3 ab a2 + 2 ab + b2
= −
3 4

= ( )
4 (b2 + ab + a2 ) ( a2 + 2 ab + b2 )
12
( a 2 − 2 ab + b2 )
=
12
(b − a )2
=
12
Standar Deviasi

2. Distribusi Normal
Fungsi kepadatan dari variabel random X dengan rata-rata μ dan dan
variansi σ2 adalah
− ( )
2
1 x−μ
1
f (x ) = n ( x; μ, σ ) = e 2 σ
σ √2 π
dengan −∞ ≤ x ≤ ∞, π = 3, 14159...dan e = 2, 72828..

dimana:
 x = peubah acak normal
μ = rataan −∞ ≤ x ≤ ∞
e = 2, 71828...
σ2 = Variansi −∞ ≤ x ≤ ∞
π = 3, 14159...
Mean

x−μ
z=
Misalkan σ maka dx = σ dz sehingga

Varian

x−μ
z=
Misalkan σ maka dx = σ dz sehingga
 Dengan menggunakan integral parsial,
misalkan:

Standar Deviasi (SD)

3. Distribusi Gamma
Variabel random kontinu X memiliki distribusi gamma dengan parameter
α dan β apabila fungsi distribusinya adalah:

{
x
1 α −1 − β
f (x ) = ¿ α x e , untuk x > 0 ¿¿¿
β Γ(α)
dengan α > 0 dan β > 0, x > 0.
Mean
Mean dari distribusi gamma:
Momen ke-r disekitar titik asal untuk distribusi gamma adalah

x
y=
Misalkan β , maka
 Jadi

Variansi (σ2)
σ 2 = μ 2 − μ2
β 2 Γ (α + r )
= − α 2 β 2 (σ 2 adalah momen II )
Γ (α ) -
Standar Deviasi

4. Distribusi Eksponensial
Distribusi eksponensial dinotasikan sebagai X ~ Exp (β). Distribusi ini
merupakan distribusi gamma yang khusus, dimana α = 1.
Suatu variabel random kontinu X dikatakan berdistribusi eksponensial
dengan parameter β > 0 jika fungsi densitas dari x berbentuk
−x
1 β
e , untuk x > 0
β
f (x) = 0 , untuk x yang lain
Mean (μ)
∞ ∞ x ∞ x
1 − 1 −
μ = E( x)= ∫ xf ( x) dx = ∫ x e β dx = ∫ xe β dx ................... (i)
−∞ 0 β β0
∞ x
−
∫ xe β
dx
Pada 0 dengan integral parsial, dimisalkan
x x
− −
β β
u = x → du = dx; dv = e dx → v = −β e
 ∞ x x ∞ x x x x
− − − − − −
∫x e β
dx = x(−β e ) − ∫ β e β β β 2
dx = −xβ e − ( β e ) = −β e (x + β ) β β

0 0

[ ]
x x ∞
∞ − −
Sehingga ∫ x e β β
dx = −β e ( x + β ) 0 disubstitusi ke (i)
0

[ ]
x x ∞
∞ − −
Sehingga ∫ x e β β
dx = −β e ( x + β) 0 disubstitusi ke (i)
0

[ ]
x x ∞
∞
1 − 1 −

β0
∫x e β
dx =
β
−β e ( x + β) 0 β

1
= (0 − (− β. β))
β
1
= ( β2 )
β
=β
Variansi
Variansi untuk distribusi eksponensial diperoleh dari variansi distribusi
gamma dengan mensubstitusi α = 1, sehingga

σ 2 = α β 2 = 1.β 2 = β 2
Jadi σ 2 = β 2
1 1 a a
f (x ) = e−x/ β , x >0 = lim [−β e−x/β ]0 = lim [−e−x/β ]0 = 0−(−1) = 1
β β a→ ∞ a→∞

Fungsi Pembangkit Momen

∞ ∞
1 1∞
M x (t ) = E( etx ) = ∫ etx f ( x) dx= ∫ etx e−x / β dx= ∫ e tx e−x/ β dx
0 0
β β 0
∞ 1 ∞ 1=tβ
1 −( −t ) x 1 −( )x 1−tβ
= ∫e β dx = ∫ e β d( )x
β0 β0 β
∞ 1−tβ
1β −( )x 1−tβ
= ∫ β
β 1−tβ 0
e d(
β
)x

1
=
1−tβ
Standar deviasi (SD)

σ = √ β2
5. Distribusi Beta
Suatu peubah acak X dikatakan berdistribusi beta dengan perameter α > 0
dan β > 0, ditulis X~B(α , β), jika
Γ ( α +β ) α −1
x ( 1−x )β−1
f (x) = Γ ( α ) Γ ( β ) untuk 0 < x < 1
Mean
Mean dari distribusi beta adalah:
1 1 1
Γ ( α+ β ) α−1 Γ ( α+β )
E ( x )=∫ xf ( x ) dx =∫ x x ( 1−x )β −1 dx = ∫ x α ( 1−x ) β−1 dx
0 0 Γ (α ) Γ ( β ) Γ (α ) Γ ( β ) 0
Γ ( α+β ) Γ ( α+ β ) Γ ( β ) Γ ( α+ β ) αΓ ( α ) Γ ( β )
= ⋅ = ⋅
Γ ( α ) Γ ( β ) Γ ( α+1+ β ) Γ ( α ) Γ ( β ) ( α +β ) Γ ( α +β )
α
=
α+β
Variansi
Variansi dari distribusi beta adalah:
2
σ 2 =E ( x 2 ) −( E ( x ) )
1 1
Γ ( α+β ) Γ ( α+ β )
E ( x )= 2
∫
Γ (α) Γ ( β ) 0
x 2 x α −1 ( 1−x ) β−1 dx = ∫
Γ (α ) Γ ( β ) 0
x α+1 ( 1−x ) β−1 dx

Γ ( α+β ) Γ ( α+2 ) Γ ( β ) Γ ( α+β ) ( α+1 ) Γ ( α ) Γ ( β )

= ⋅ = ⋅
Γ ( α ) Γ ( β ) Γ ( α+2+ β ) Γ ( α ) Γ ( β ) ( α+ β +1 ) ( α+ β ) Γ ( α+ β )
α ( α +1 )
=
( α+ β ) ( α+β +1 )
2
sehingga σ =E ( x ) −( E ( x ) )
2 2

α ( α +1 )
( )
2
α
= −
( α+ β )( α + β +1 ) α + β
2
α ( α +1 )( α+ β )−α ( α + β+ 1 )
¿
( α+ β )2 ( α+ β +1 )
αβ
¿
( α+ β )2 ( α+ β +1 )
Jika α = β = 1, maka distribusi beta adalah distribusi seragam dalam selang
(0,1).
6. Distribusi Chi-Square
Distribusi chi-square dengan v derajat kebebasan adalah bentuk khusus
yang lain dari distribusi gamma, dimana α = v/2 dan β = 2, dengan v adalah
bilangan bulat positif.
Variabel random kontinu X memiliki distribusi chi-square dengan v derajat
kebebasan jika fungsi kepadatannya adalah:
v −x
1 2
−1
2
x
v
e , untuk x > 0
v 2
2 τ( )
2
f(x) = 0 , untuk x yang lain
dengan v bilangan bulat positif.
Dimana x = peubah acak; v = bilangan bulat positif; e = 2,7183…; Г(v/2) =
fungsi gamma.
Distribusi ini merupakan pengkhususan dari distribusi gamma dimana α = v/2
dan β = 2, v bilangan bulat positif. Akibatnya:
a. Rataan distribusi chi-kuadrat diperoleh dari rataan distribusi gamma
dengan mensubstitusi α = v/2 dan β = 2 ke rataan distribusi gamma
v
μ = αβ = 2 = v
sehingga 2 .
b. Variansi distribusi chi-kuadrat juga diperoleh dari rataan dari distribusi
gamma dengan mensubstitusi α = v/2 dan β = 2 ke variansi distribusi
v
σ 2 = αβ 2 = 22 = 2v
gamma sehingga 2 .

c. σ = √ 2v .

7. Distribusi Weibull
Variabel random X berdistribusi weibull dengan parameter β > 0 dan θ > 0
jika memiliki fungsi padat peluang berbentuk
x β
β −( )
f ( X ;θ , β ) = e x β−1 e θ ; x > 0
θ
Notasi: X ~ Wei (θ,β)
 x
−( ) β
θ
Fungsi distribusi kumulatifnya: F( X ;θ , β ) = 1 − e
Mean
∞ ∞ x β ∞ x β
β −( ) β (β +1 )−1 −( β )
E( x) = ∫ x f ( x ) dx = ∫ x β x β−1 e β dx = β ∫ x e dx
0 0 θ θ 0

()
β
x
Misalkan t = θ maka xβ = tθβ
x = t1/βθ
1
1 −1
dx = θ t β dt
β
1
1 ( −1)
dx = θ t β dt
β
Sehingga
∞ x β ∞ β x β ∞ 1
β −( ) x −( ) −t 1
( −1 )
E( x) = β ∫ x e β dx = β ∫ β e θ dx = β ∫ t e
( β+1 )−1
θ t β dt
θ 0 0 θ 0 β
∞ ( 1 +1)−1
= θ∫t β −t 1
e dt = θ τ (1+ β )
0

Variansi
δ 2 = E( x 2 ) − (E ( x))2
∞ x β ∞ x β ∞ β x β
β −( ) β −( ) x −( )
E( x ) = ∫ x β x β−1 e θ dx = ∫ β x β +1 e θ dx = ∫ β β x e θ dx
2 2

0 x 0 θ 0 θ

()
β
x
Dari t = θ → x = t1/βθ
1 ∞ 1 ∞ 1 1
1 ( −1) 1 −1 +1 −1
dx = θ t β dt = ∫ β t t1/ β θ e−t θ t β dt = ∫ θ2 t β t β e−t dt
β 0 β 0
∞ ( 1 + 1 )+1−1 ∞ ( 2 +1)−1
2
=θ ∫t
2 β β −t
e dt = θ 2
∫t β −t
e dt = θ2 τ ( +1)
β
0 0
δ 2 = E( x 2 ) − (E ( x))2
2 2 1 2
= θ τ ( +1) − (θ τ (1+ ))
β β

[ 2
= θ2 τ ( +1) − τ 2 (1+ )
β
1
β]