modul matematika distribusi peluang farik
TRANSCRIPT
BAB I
PENDAHULUAN
A. Latar Belakang
Distribusi peluang merupakan konsep yang menjadi dasar
pengembangan statistika inferensial, khususnya penaksiran
parameter dan pengujian hipotesis, menjadi topik utama dalam
makalah ini. Distribusi yang diturunkan dari hasil suatu
percobaan dapat dibedakan atas:
- Distribusi farik
- Distribusi malar
Sesuai dengan sifat yang sampelnya. Jadi, kalau ruang
sampelnya farik, distribusinya juga disebut distribusi farik.
Demikian juga kalau ruang sampelnya malar, distribusinya
disebut distribusi malar. Namun demikian, sebelum
membicarakan distribusi peluang, konsep peubah acak perlu
dipahami, karena sesungguhnya peubah acak inilah yang
memiliki fungsi distribusi.
B. Tujuan
Berdasarkan latar belakang diatas makalah ini memiliki
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?
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
3.1. Fungsi massa peluang munculnya sisi muka dalma tiga kali pelemparan
mata uang
x P (X = x) = p (x)
0
1
2
3
1/8
3/8
3/8
1/8
Karena ruang sampel S adalah ruang sampel farik, maka
peubah acak X yang diturunkan dari S juga disebut peubah acak
farik, dan distribusi peluangnya disebut distribusi peluang farik.
Peubah acak ditulis dengan huruf capital, misalnya X dan symbol
nilai pengamatannya dengan huruf kecil x. Untuk
penyerderhanaan, kita tulis p (x) untuk x = 0, 1, 2, 3 memiliki
sifat-sifat sebagai berikut:
1. p(x) ≥ 0 untuk x = 0, 1, 2, 3
2.
Sifat-sifat diatas dapat dinyatakan secara umum. Untuk
setiap peubah acak farik X yang mempunyai terhingga
banyaknya nilai x1, x2, x3, …..xn dengan peluang p(xi) = pi untuk i
= 1, 2, 3, ……n untuk sebaang bilangan asli n, harus memenuhi
sifat-sifat fungsi massa peluang berikut:
1. pi ≥ 0 untuk i = 1, 2, 3, …….n
2.
Sifat ini dapat diperluas lagi untuk peubah acak yang memiliki
tak hingga banyaknya nilai, dan masih dapat dipadankan satu-
i
satu dengan bilangan asli A = {1, 2, 3…}. Misalkan nilai-nilai
peubah acak X adalah x1, x2, x3….. dengan peluang masing-
masing p1, p2, p3….. harus memenuhi sifat-sifat berikut:
1. pi ≥ 0 untuk i = 1, 2, 3, …….
2.
Ada dua momen penting dari peubah acak yang disebut
nilai harapan (expected value) dan variansi (variance). Rumus
kedua momen ini berturut-turut adalah:
m = E (X) =
s2 = E (X - m)2 =
Symbol E (X) dalam bahasa Inggris dibaca Expected value of X.
rumus variansi dapat pula ditulis dengan s2 = E(X2) - m2, dengan
E(X2) = . Untuk peubah acak farik X yang nilainya
terhingga banyaknya (n), kedua nomen tersebut dinyatakan oleh
rumus yang sama, tetapi batas sigma yang berbeda sebagai
berikut:
m = E (X) =
s2 = E (X - m)2 =
Hasil suatu percobaan mungkin saja tak hingga banyaknya
dan tidak dapat dipadankan satu-satu dengan bilangan asli.
Misalnya, penelitian mengenai jarak yang ditempuh sebuah
mobil yang dijalankan dengan lima liter bensin. Jika X
i
menyatakan jarak yang ditempuh oleh mobil itu sampai bensin
itu habis, maka peubah acak ini memiliki nilai tak hingga
banyaknya. 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. Ruang sampel
yang memuat takhingga banyaknya titik sampel dan tidak dapat
dipadankan satu-satu dengan bilangan asli disebut ruang sampel
malar, dan peubah acak yang diturunkannya disebut peubah
acak malar.
Peubah acak malar X memiliki fungsi distribusi khusus
yang disebut fungsi padat peluang f (x), dan harus memenuhi
sifat-sifat berikut:
1. f(x) 0 untuk semua x R = {bilangan riil}
2.
3. P(a<X<b) = untuk a, b R
Nilai harapan dan variansi peubah acak malar dihitung dengan
rumus
Rumus-rumus ini dapat dimodifikasi untuk peubah acak malar X
yang memiliki nilai terbatas, seperti A X B, untuk bilangan
riil A, dan B tertentu. Dalam hal ini, kedua momen tersebut
dapat ditulis:
i
Karakteristik yang paling mendasar untuk dikaji dalam
mempelajari tingkah laku suatu distribusi adalah fungsi massa
atau fungsi padat peluang. Dalam fungsi/padat peluang ini
terkandung sifat-sifat mendasar yang menjadi ciri khas distribusi
itu. Misalnya, nilai rata-rata dan variansi dapat dihitung dari
fungsi massa/pada peluang.
Selanjutnya, kita akan melihat beberapa fungsi peluang
farik dan fungsi peluang malar, khususnya yang sudah banyak
digunakan dalam statistika terapan. Perhatikan bahwa kita
menggunakan istilah fungsi massa peluang untuk distribusi
peluang farik dan fungsi pada peluang untuk peluang malar.
B. DISTRIBUSI PELUANG FARIK
Takhingga banyaknya distribusi peluang farik yang terjadi
dalam kehidupan nyata, baik yang mempunyai kecenderungan
tertentu dan mudah dinyatakan dengan fungsi matematis
maupun yang sangat khusus dan sulit dinyatakan dengan sebuah
fungsi matematis. Kita akan membicarakan beberapa dari jenis
yang pertama.
1. Distribusi Seragam Farik
Distribusi Seragam Farik merupakan salah satu model
distribusi peluang yang sering muncul dalam kenyataan. Model
ini sering di gunakan dalam teori pengambilan keputusan
secara statistik, yakni dalam keadaan dimana kita tidak
i
mengetahui secara pasti apa yang akan terjadi di antara
kemungkinan-kemungkinan yang bakal terjadi.
Model distribusi seragam menganut asumsi bahwa
peluang setiap keadaan atau hasil adalah sama dan tidak
berubah sepanjang suatu rangkaian percobaan. Jika X adalah
sebuah peubah acak seragam, fungsi massa peluang dari X
adalah:
p( x )= 1/n , x = 1, 2, 3, ... n,
Dengan n menyatakan banyaknya keadaan atau hasil
yang dapat terjadi. Perlu di jelaskan bahwa cara penukisan p(x)
= 1/n untuk x = 1, 2, 3, ..., n dimaksudkan bahwa p(x) = 0
untuk nilai x yang lain. Cara ini akan digunakan untuk
keefisienan penukisan. Dengan sedikit pekerjaan matematis
diperoleh rumus nilai rumus nilai harapan m = ( n + 1 )/2 dan
variansi s2 = (n2 – 1)/12.
2. Distribusi Hipergeometris
Distribusi hipergeometris diterapkan pada kasus
penarikan sampel (sampling) dimana objek yang telah diambil
tidak dikembalikan lagi ke populasinya. Dalam model ini,
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. Pengertian sukses dan
gagal disini tidak selalu sama maknanya dengan istilah sukses
dan gagal dalam pembicaraan sehari-hari, tetapi sekedar
menunjukkan adanya dua kategori hasil yang berbeda. Jika X
adalah sebuah peubah acak hipergeometris yang
i
menggambarkan pengambilan n objek dari populasi yang
berukuran N, fungsi massa peluang dari X adalah:
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
3. Distribusi Rumpun Binomial
Distribusi binomial merupakan salah satu model
distribusi peluang untuk peubah aack yang farik. Koefisien
binomial menunjukkan peluang timbulnya gejala yang
diharapkan (gejala sukses) dari sejumlah n peristiwa. Model
distribusi ini diterapkan pada kasus percobaan Bernoulli
dengan ciri sebagai berikut:
a. Tiap-tiap percobaan hanya memiliki dua kemungkinan
hasil, yakni sukses dan gagal (tidak selalu sama maknanya
dengan pengertian sukses dan gagal dalam pembicaraan
sehari-hari)
b. Peluang sukses selalu sama pada setiap percobaan, akan
tetapi peluang sukses tidak harus sama dengan peluang
gagal.
i
c. Percobaan diulangi sebanyak n kali dan bersifat bebas
(hasil percobaan yang satu tidak mempengarui hasil
percobaan yang lain).
Jika X adalah sebuah peubah acak biomial, maka fungsi
massa peluang X adalah:
Dengan p = Peluang percobaan sukses
n = banyaknya percobaan
x = banyaknya gejala sukses yang terjadi.
Nilai harapan µ = np dan variansi s2 = np (1-p)
Dalam keadaan khusus, percobaan dilakukan sekali saja,
yaitu n = 1, kita peroleh peubah acak Bernoulli dengan fungsi
massa peluang
Nilai harapan µ = p dan variansi s2 = p (1-p)
Andaikan percobaan Bernoulli diulang untuk
mendapatkan k sukses, dan hasil ini diperoleh setelah y kali
percobaan. Dengan demikian, peubah acak Y yang
menyatakan banyaknya percobaan untuk mendapatkan
sukses yang ke-k disebut peubah acak binomial negatif. Fungsi
masa peluangnya adalah:
Nilai harapan µ = k/p dan variansi s2 = k (1-p)/ p2
Selanjutnya, kita perhatikan keadaan khusus untuk k=1,
yaitu peubah acak Y yang menyatakan banyaknya percobaan
yang dilakukan untuk mendapatkan sukses yang pertama, dan
i
ini disebut peubah acak geometris. Fungsi masa peluangnya
dinyatakan dengan:
p(y) = p(1-p)y-1 untuk y = 1, 2, 3, …….
Nilai harapan µ = l/p dan variansi s2 = (1-p)/ p2
4. Distribusi Multinomial
Perluasan distribusi binomial adalah distribusi
multinomial. Misalkan, sebuah percobaan memberikan hasil
yang mungkin h1, h2,…..3, n dan p1 + p2 + …….. + pk = 1,
Andaikan percobaan ini diulangi secara bebas n kali, maka
peubah acak yang menyatakan bahwa kita akan mendapatkan
x1 hasil h1, x2 hasil h2,…..xk hasil hk dengan x1 + x2 + ……+ xk =
n disebut peubah acak multinomial. Fungsi masa peluang
distribusi multinomial dinyatakan dengan:
p (x1, x2, ……xk) =
dengan x1 + x2 +….. xk = n, 0 < pi < 1, i= 1, 2, 3,…..k dan p1 +
p2 +….. pk = 1
5. Distribusi Poisson
Distribusi Poisson juga merupakan salah satu model
distribusi peluang untuk peubah acak yang farik. distribusi
poisson sering digunakan untuk menentukan peluang sebuah
peristiwa yang dalam daerah atau waktu tertentu diharapkan
jarang terjadi. Misalnya, banyak orang yang lewat di depan
pasar setiap hari, tetapi sangat jarang terjadi seseorang yang
menemukan barang hilang dan mengembalkan kepada
pemilik-nya atau melaporkannya kepada polisi. Contoh lain,
operator telepon banyak menerima permintaan nomor untuk
disambungkan, diharapkan jarang sekali terjadi salah sambung
i
setiap menit. Jika X adalah sebuah peubah acak Poisson
dengan rata-rata = µ, maka fungsi masa peluang dari X adalah:
Dimana bilangan Euler e = 2,718281828,…. adalah konstanta
yang dapat ditemukan pada hampir semua kalkulator, dan juga
pada komputer. Menghitung nilai peluang yang menggunakan
bilangan e maupun bilangan factorial dapat dilakukan dengan
bantuan kalkulator.
C. DISTRIBUSI PELUANG MALAR
Distribusi dengan peubah acak malar yang pertama kali kita
bicarakan adalah distribusi normal, kemudian distribusi student t, distribusi chi
kuadrat, dan distribusi F.
1. Distribusi Normal
Distribusi normal yang biasa juga disebut distribusi
Gauss banyak digunakan dalam pengujian hipotesis, teori
penaksiran parameter, dan distribusi penyampelan.
Sekarang kita akan tinjau mengenai fungsi padat peluang
distribusi normal dengan rata-rata µ dan simpangan baku s
sebagai berikut
Dengan adalah nilai konstanta yang bisa ditulis dengan =
3,1416 dan e bilangan Euler yang sudah dijelaskan
sebelumnya. Nilai juga terdapat hampir semua kalkultor.
Peubah acak X dengan daerah nilai -∞ < x < ∞, berdistribusi
normal, jika fungsi padat peluangnya seperti f(x) di atas.
i
Andaikan X adalah peubah acak normal dengan rata-rata
µ dan simpangan baku s, transformasi X menjadi Z =
akan membentuk peubah acak normal baku dengan rata-rata
nol dan simpangan baku satu. Fungsi padat peluang dari
distribusi normal baku adalah :
Grafik f(z) berbenuk simetris terhadap sumbu tegak
(sumbu y) dan semuanya di atas sumbu datar (sumbu z), dan
dinamai kurva distribusi normal baku seperti pada gambar
berikut;
Luas daerah dibawah kurva normal baku di atas sumbu z sama
dengan satu. Hal ini dapat dibuktikan dengan menggunakan
hitung 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 distribusi normal baku yang
didapat dari distribusi normal umum dengan transformasi
tersebut di atas, maka daftar distribusi normal baku (lampiran
i
C) dapat digunakan. Dengan daftar ini bagian-bagian luas dari
distribusi normal baku dapat dicari. Untuk memudakan, kita
perhatikan bentuk tabel distribusi normal baku pada lampiran
C yang cuplikannya pada tabel berikut. Cara menggunakan
tabel tersebut adalah sebagai berikut:
Hitung nilai z sampai dua decimal
Gambarkan kurvanya
Letakkan nilai z pada sumbu datar, lalu tarik garis vertical
sampai memotong kurva
Luas yang tertera dalam daftar adalah luas daerah antara
garis ini dengan garis tegak di titik nol
Dalam daftar di lampiran C, cari tempat nilai z pada kolom
paling kiri hanya sampai satu decimal, dan decimal kedua
dicari pada baris paling atas.
Dari z di kolom kiri maju ke kanan dan dari z dibaris atas
turun ke bawah, maka di dapat bilangan yang merupakan
luas yang dicari. Bilangan yang didapat harus ditulis dalam
bentuk 0,xxxx (bentuk empat desimal)
Tabel daftar luas di bawah distribusi normal baku
z 1 2 …… 5 ……. 8
9
0,0
0.1
…
…
2.1
…
3.9
4842
i
Karena luas seluruh daerah di bawah kurva sama dengan
satu dan kurva simetris terhadap µ = 0, maka luas dari garis
tegak pada titik nol ke kiri ataupun ke kanan adalah 0,5.
Sebagai contoh, kita akan mencari luas daerah kurva
normal dengan menggunakan tabel lampiran C.
2. Distribusi Student t
Distribusi student t yang biasa disingkat dengan
distribusi t dipublikasikan oleh W. S. Gossett (yang
menggunakan nama samara Student) pada tahun 1908 dan
disempurnakan oleh R. A. Fisher pada tahun 1926. Distribusi
ini merupakan revolusi statitik untuk sampel kecil. Informasi
tentang hal ini dapat dilihat pada Snedecor (1982). Fungsi
padat peluang distribusi t diberikan oleh;
Dengan v (baca; nu) adalah parameter distribusi dan Γ (.)
menyatakan fungsi gamma yang didefinisikan dengan
Beberapa sifat dasar fungsi gamma, antara lain sebagai
berikut:
Γ (n) = (n-1) Γ (n-1), n>1
Γ (n) = (n-1) !, n = 1, 2, 3 ……
Γ (1/2) =
i
Dimana = 3,1415…….Dengan sedikit pekerjaan matematis
dapat dibuktikan bahwa fungsi padat peluang distribusi t
memenuhi:
Grafik f(t) menyerupai kurva distribusi normal sebagai berikut.
Pada fungsi distribusi ini adalah bilangan v yang disebut
derajat kebebasan (dk). Dalam praktek, derajat kebebasan itu
sama dengan ukuran sampel dikurang satu, atau dk = v = n –
1. Jika sebuah populasi mempunyai model dengan fungsi
padat peluang sama dengan f(t) maka populasi itu dapat
dianggap berdistribusi t dengan dk = n – 1. Untuk nilai-nilai
n yang besar, biasanya n ≥ 30, distribusi t mendeteksi
distribusi normal baku.
Untuk perhitungan daftar distribusi t telah disediakan
(lampiran D). tabel tersebut berisikan nilai-nilai t untuk dk
dan peluang tertentu. Kolom paling kiri, kolom v = dk,
berisikan derajat kebebasan, baris teratas berisikan peluang.
Tabel daftar luas di bawah kurva distribusi t
V t0,995 t0,99 t0,95 …… …… …….
t0,55
1 1.78
i
…
12
….
…
3.9
3. Distribusi Chi Kuadrat
Distribusi chi kuadrat adalah distribusi peubah acak
malar yang mempunyai fungsi padat peluang.
dengan v = derajat, kebebasan dan dapat dibuktikan secara
matematis bahwa . Selanjutnya grafik distribusi chi
kuadrat umumnya merupakan kurva positif, yaitu miring ke
kanan, yaitu berekor panjang ke kanan. Kemiringan ini
semakin berkurang jika derajat kebebasan makin besar.
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.
Untuk nilai dengan pasangan dk = v dan peluang p
yang besarnya tertentu dapat dilihat pada tabel khusus
distribusi chi kuadrat. Untuk menjelaskan cara penggunaan
tabel khusus ini, terdapat pada baris paling atas terdiri
kebebasan n ada pada kolom paling kiri.
i
Tabel Daftar luas di bawah kurva chi kuadrat
v ….. X2 0,95 ……
X20,005
1
2
14
…
23.7
4. Distribusi Snedecor F
Fungsi padat peluang peubah acak yang berdistribusi
Snedecor F atau dengan singkat distribusi F adalah
Untuk x > 0, dengan v1 = dk pembilang dan v2 = dk
penyebut. Distribusi F memiliki dua buah derajat kebebasa.
Grafik distribusi F tidak simetris dan umumnya sedikit miring
positif. Seperti juga distribusi lainya, untuk keperluan
perhitungan dengan distribusi F, tabel distribusi F telah
disediakan nilai F untuk peluang 0,01 dan 0,05 dengan
derajat kebebasan v1 dan v2. Peluang ini sama dengan luas
daerah ujung kanan yang dibayang-bayangi, sedangkan dk =
v1 ada pada baris paling atas dan dk = v2 pada kolom paling
kiri.
i
Untuk tiap pasang dk, v1 dn v2 tabel berisikan nilai-nilai F
dengan kedua luas daerah yaitu 0,01 dan 0,05. Untuk setiap
dk (v1, v2), tabel sebagai berikut:
v2 = dk penyebut
v1 = dk pembilang
24
83.125.28
BAB III
PENUTUP
A. Kesimpulan
Distribusi yang diturunkan dari hasil suatu percobaan
dapat dibedakan atas :
1. Distribusi farik
2. Distribusi malar
Jadi, kalau ruang sampelnya farik, distribusinya juga
disebut distribusi farik. Demikian juga kalau ruang sampelnya
malar, distribusinya disebut distribusi malar.
Fungsi distribusi terletak pada peubah acak. Peubah acak
(random variable) yaitu transformasi yang memasangkan titik
sampel di semesta ke suatu hasil numeric. Ruang sampel yang
memuat takhingga banyaknya titik sampel dan tidak dapat
dipadankan satu-satu dengan bilangan asli disebut ruang sampel
malar dan peubah acak yang diturunkannya disebut peubah
acak malar.
i
B. Saran
Dalam penulisan makalah ini masih memiliki banyak kekurangan
sehingga kami mengharapkan sumbangan kritik dan saran demi
kesempurnaan makalah kami selanjutnya. Wasalam.
i
DAFTAR PUSTAKA
http://......dasar.statistika.id
Tiro, M. A. 1999a. Analisis Data Frekusi dengan Chi Kuadrat. Ujung Pandang Hasanuddin University Press.
Tiro, M. A. 1999b. Dasar-dasar Statistika. Ujung Pandang Badan Penerbit UNM Ujung Pandang.
Tiro, M. A. 2000. Analisis Regresi dengan Data Kategori. Makassar: Makassar State University Press.
Walpole, R. E. 1993. Pengantar Statistika, Edisi ke-3 Jakarta; Penerbit PT. Gramedia Pustaka Utama.
www.dasar.statistika.com
www.distribusi.peluang.com
i
KATA PENGANTAR
Segala puji bagi Allah swt yang dengan segala kasih sayang
dan menyeru hamba-Nya mengikuti petunjuk yang benar. 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, begitu juga dengan penulisan
makalah ini, sehingga kami sebagai penulis mengharapkan
sumbangsi saran, ide, maupun kritik yang membangun untuk
kelanjutan penulisan makalah kedepan.
Makassar, 22 Januari 2009
Penulis
Kelompok III
i
DAFTAR ISI
KATA PENGANTAR ..................................................................... i
DAFTAR ISI ................................................................................ ii
BAB I PENDAHULUAN ................................................................ 1
A. Latar Belakang ........................................................... 1
B. Tujuan ........................................................................ 1
BAB II PEMBAHASAN ................................................................. 2
A. Peubah Acak .............................................................. 2
B. Distribusi Peluang Farik ............................................. 6
1. Distribusi seragam farik ....................................... 6
2. Distribusi Hipergeometris .................................... 7
3. Distribusi Rumpun Bionomia................................. 8
4. Distribusi Multinomial ........................................... 10
5. Distribusi Poisson ................................................. 10
C. Distribusi Peluang Malar ............................................ 11
1. Distribusi Normal ................................................. 11
2. Distribusi student t ............................................... 14
3. Distribusi chi kuadrat ........................................... 15
4. Distribusi Snedecor F ........................................... 17
BAB III PENUTUP ....................................................................... 18
A. Kesimpulan ................................................................ 18
B. Saran ......................................................................... 18
DAFTAR PUSTAKA ..................................................................... 19
i