Analisis Analisis Statistik Statistik dan dan Analisis Analisis Statistik Statistik dan dan

Probabilitas Probabilitas
Fungsi Fungsi Distribusi Distribusi Probabilitas Probabilitas
Minggu Minggu- -4 & 5 4 & 5
1. Deskripsi utama dari variabel acak 1. Deskripsi utama dari variabel acak
Karakter probabilitas dari variabel acak akan digambarkan dengan Karakter probabilitas dari variabel acak akan digambarkan dengan
lengkap jika bentuk dari fungsi distribusi (fungsi massa atau kerapatan lengkap jika bentuk dari fungsi distribusi (fungsi massa atau kerapatan
probabilitas) dan parameter terkait ditentukan. probabilitas) dan parameter terkait ditentukan.
Dalam praktis, bagaimanapun, bentuk distribusi fungsi mungkin tidak Dalam praktis, bagaimanapun, bentuk distribusi fungsi mungkin tidak
diketahui; sebagai konsekuensinya, deskripsi pendekatan dari variabel diketahui; sebagai konsekuensinya, deskripsi pendekatan dari variabel
acak selalu diperlukan. Karakteristik probabilitas dari variabel acak dapat acak selalu diperlukan. Karakteristik probabilitas dari variabel acak dapat
digambarkan dalam bentuk deskripsi utama variabel acak, yaitu digambarkan dalam bentuk deskripsi utama variabel acak, yaitu nilai nilai
t l t l d i i b l k d d i i b l k d k di i k di i d i il i2 t b t d i il i2 t b t sentral sentral dari variabel acak, dan dari variabel acak, dan pengukuran dispersi pengukuran dispersi dari nilai2 tersebut. dari nilai2 tersebut.
Pengukuran skewness Pengukuran skewness juga penting dan berguna jika distribusi yang juga penting dan berguna jika distribusi yang
dimaksud diketahui berbentuk nonsymmetric. dimaksud diketahui berbentuk nonsymmetric.
1.1 Nilai rata 1.1 Nilai rata--rata atau harapan (nilai sentral). rata atau harapan (nilai sentral). 1.1 Nilai rata 1.1 Nilai rata rata atau harapan (nilai sentral). rata atau harapan (nilai sentral).
Karena nilai yang berbeda dari variabel acak dikaitkan dengan probabilitas Karena nilai yang berbeda dari variabel acak dikaitkan dengan probabilitas
yang berbeda atau kerapatan probabilitas, rata yang berbeda atau kerapatan probabilitas, rata- -rata weighted menjadi rata weighted menjadi
perhatian khusus; ini yang disebut sebagai nilai rata perhatian khusus; ini yang disebut sebagai nilai rata- -rata (mean value) rata (mean value)
atau nilai harapan (expected value) dari variabel acak. atau nilai harapan (expected value) dari variabel acak.
Jika X adalah variabel acak diskret dengan PMF p Jika X adalah variabel acak diskret dengan PMF p
xx
(x (x
ii
), nilai rata ), nilai rata- -rata rata
weighted, berupa E(X), adalah weighted, berupa E(X), adalah
= E(x) = x = E(x) = x pp (x (x ) = (1/N) x ) = (1/N) x (1a) (1a)
N

xx
= E(x) = x = E(x) = x
ii
pp
xx
(x (x
ii
) = (1/N) x ) = (1/N) x
ii
(1a) (1a)
Semua
x
i
i=1
Dengan cara yang sama, untuk variabel acak kontinyu X dengan PDF Dengan cara yang sama, untuk variabel acak kontinyu X dengan PDF
ff
xx
(x), nilai rata (x), nilai rata--rata adalah rata adalah
E(x) = x f E(x) = x f
xx
(x) dx (1b) (x) dx (1b)

-
1.2 Ekspektasi matematik 1.2 Ekspektasi matematik
Gagasan rata Gagasan rata- -rata weighted atau nilai harapan dapat dinyatakan untuk rata weighted atau nilai harapan dapat dinyatakan untuk
sebuah fungsi X. Diberikan sebuah fungsi g(X), nilai harapan E[g(X)], sebuah fungsi X. Diberikan sebuah fungsi g(X), nilai harapan E[g(X)],
ditentukan sebagai suatu pernyataan dari persamaan (1), adalah ditentukan sebagai suatu pernyataan dari persamaan (1), adalah
E[g(X)] = g(x E[g(X)] = g(x
ii
) p ) p
xx
(x (x
ii
) (2a) ) (2a)
jika X adalah diskret. Jika X adalah kontinyu, maka jika X adalah diskret. Jika X adalah kontinyu, maka
E[g(x)] = g(x) f E[g(x)] = g(x) f
xx
(x) dx (2b) (x) dx (2b)
Semua
x
i

[g( )] g( ) [g( )] g( )
xx
( ) ( ) ( ) ( )
Kedua kasus diatas, E[g(X)] disebut sebagai ekspektasi matematik dari Kedua kasus diatas, E[g(X)] disebut sebagai ekspektasi matematik dari
g(X). Kuantitas lain yang digunakan juga untuk mendisain nilai sentral g(X). Kuantitas lain yang digunakan juga untuk mendisain nilai sentral
dari variabel acak termasuk mode dan median dari variabel acak termasuk mode dan median
-
dari variabel acak termasuk mode dan median. dari variabel acak termasuk mode dan median.
Mode Mode x adalah nilai yang paling mungkin dari variabel acak atau x adalah nilai yang paling mungkin dari variabel acak atau
kerapatan probabilitas paling tinggi. kerapatan probabilitas paling tinggi.
Median, x Median, x
mm
adalah nilai tengah dari variabel acak dimana nilai adalah nilai tengah dari variabel acak dimana nilai- -nilai diatas nilai diatas
dan bawahnya mempunyai kemungkinan yang sama Jika x dan bawahnya mempunyai kemungkinan yang sama Jika x adalah adalah dan bawahnya mempunyai kemungkinan yang sama. Jika x dan bawahnya mempunyai kemungkinan yang sama. Jika x
mm
adalah adalah
median dari X, maka median dari X, maka
FF
xx
(x (x
mm
) = 0.50 (3) ) = 0.50 (3)
Secara umum, mean, median, dan mode adalah berbeda, khususnya jika Secara umum, mean, median, dan mode adalah berbeda, khususnya jika
fungsi kerapatan tidak simetri. Akan tetapi, jika PDF adalah simetri dan fungsi kerapatan tidak simetri. Akan tetapi, jika PDF adalah simetri dan
unimodal unimodal (mode tunggal), ketiga besaran ini adalah sama. (mode tunggal), ketiga besaran ini adalah sama. ( gg ), g ( gg ), g
1.3 Varian dan Deviasi standar (pengukuran dispersi). 1.3 Varian dan Deviasi standar (pengukuran dispersi).
Besaran paling penting lainnya dari variabel acak adalah pengukuran Besaran paling penting lainnya dari variabel acak adalah pengukuran
di i it b b ik k b d k t di i it b b ik k b d k t dispersi, yaitu besaran yang memberikan pengukuran, seberapa dekat dispersi, yaitu besaran yang memberikan pengukuran, seberapa dekat
nilai nilai--nilai yang berbeda dikelompokkan (atau seberapa besar nilai yang berbeda dikelompokkan (atau seberapa besar
penyebarannya) disekitar nilai sentral. penyebarannya) disekitar nilai sentral.
Jika deviasi diambil terhadap nilai rata Jika deviasi diambil terhadap nilai rata- -rata, maka pengukuran rata rata, maka pengukuran rata- -rata rata
yang sesuai dari dispersi adalah varian. Untuk variabel acak X diskret yang sesuai dari dispersi adalah varian. Untuk variabel acak X diskret ya g ua da d p ada a a a U u a ab a a d ya g ua da d p ada a a a U u a ab a a d
dengan PMF p dengan PMF p
xx
(x (x
ii
), varian X adalah ), varian X adalah
Var(X) = (x Var(X) = (x
ii
--
xx
))
22
pp
xx
(x (x
ii
) = (1/N) (x ) = (1/N) (x
ii
--
xx
))
2 2
(4) (4)
N
dimana dimana
xx
E(x). Persamaan diatas adalah berdasarkan persamaan (3) E(x). Persamaan diatas adalah berdasarkan persamaan (3)
adalah ekspektasi matematik dari g(X) = (X adalah ekspektasi matematik dari g(X) = (X - -
xx
))
22
. Selanjutnya jika X . Selanjutnya jika X
adalah kontinyu dengan f adalah kontinyu dengan f (x) PDF varian adalah (x) PDF varian adalah
Semua
x
i
i=1
adalah kontinyu dengan f adalah kontinyu dengan f
xx
(x) PDF, varian adalah (x) PDF, varian adalah
Var(X) = (x Var(X) = (x --
xx
))
22
ff
xx
(x) dx (5) (x) dx (5)
Ek i t l d l (5) did t Ek i t l d l (5) did t

-
Ekspan integral dalam persamaan (5), didapat Ekspan integral dalam persamaan (5), didapat
Var(X) = (x Var(X) = (x
22
-- 2 2
xx
x + x +
xx
22
) f ) f
xx
(x) dx (x) dx

-
= E(x = E(x
22
) ) - - 2 2
xx
E(x) + E(x) +
xx
22
Var(x) = E(x Var(x) = E(x
22
) ) - -
xx
22
(6) (6)
Pada persamaan (6), suku E(X Pada persamaan (6), suku E(X
22
) diketahui sebagai nilai rata ) diketahui sebagai nilai rata- -rata kuadrat rata kuadrat
dari X. dari X.
Pengukuran lebih mudah dari dispersi adalah akar kuadrat dari varian, Pengukuran lebih mudah dari dispersi adalah akar kuadrat dari varian,
atau deviasi standar, atau deviasi standar, ; yaitu, ; yaitu,

xx
= square root(Var(X)) (7) = square root(Var(X)) (7)
Pengukuran dispersi relatif terhadap nilai sentral adalah lebih berguna. Pengukuran dispersi relatif terhadap nilai sentral adalah lebih berguna. Pengukuran dispersi relatif terhadap nilai sentral adalah lebih berguna. Pengukuran dispersi relatif terhadap nilai sentral adalah lebih berguna.
Dengan kata lain, apakah dispersi besar atau kecil sangat berarti jika Dengan kata lain, apakah dispersi besar atau kecil sangat berarti jika
relatif terhadap nilai sentral. Untuk alasan ini, koefisien variasi, relatif terhadap nilai sentral. Untuk alasan ini, koefisien variasi,
/ / (8) (8)
xx
= =
xx
/ /
xx
(8) (8)
1.4 Pengukuran skewness 1.4 Pengukuran skewness
Sifat lain yang berguna dari variabel acak adalah simetri atau kurang Sifat lain yang berguna dari variabel acak adalah simetri atau kurang Sifat lain yang berguna dari variabel acak adalah simetri atau kurang Sifat lain yang berguna dari variabel acak adalah simetri atau kurang
simetri dari suatu distribusi probabilitas, berkaitan dengan besar dan arah simetri dari suatu distribusi probabilitas, berkaitan dengan besar dan arah
ketidaksimterian. Pengukuran ketidaksimetrian ini atau skewness adalah ketidaksimterian. Pengukuran ketidaksimetrian ini atau skewness adalah
momen sentral ketiga, atau momen sentral ketiga, atau
E(X E(X - -
xx
))
33
= (x = (x
ii
--
xx
))
33
pp
xx
(x (x
ii
) untuk X diskret ) untuk X diskret
Semua
x
i
dan dan
E(X E(X - -
xx
))
33
= (x = (x - -
xx
))
33
ff
xx
(x) dx untuk X kontinyu (x) dx untuk X kontinyu
Untuk E(X Untuk E(X -- ))
33
= 0 = 0 distribusi probabilitas adalah simetri sekitar distribusi probabilitas adalah simetri sekitar

-
Untuk E(X Untuk E(X --
xx
))
33
= 0 = 0 distribusi probabilitas adalah simetri sekitar distribusi probabilitas adalah simetri sekitar
xx
Skewness positif Skewness negatif
f
x
(x) f
x2
f
x1
E(X
2
-
2
)
3
> E(X
1
-
1
)
f
x
(x)
f
f
x1 E(X
1
-
1
)
3
< E(X
2
-
2
)
3
f
x2
0 x x 0
Ketidaksimetrian PDF
2. Distribusi Probabilitas 2. Distribusi Probabilitas
Jenis Jenis- -jenis fungsi sebelumnya dapat digunakan untuk menggambarkan jenis fungsi sebelumnya dapat digunakan untuk menggambarkan
distribusi probabilitas dari suatu variabel acak. Akan tetapi, terdapat distribusi probabilitas dari suatu variabel acak. Akan tetapi, terdapat
sejumlah fungsi diskret dan kontinyu yang berguna dan dikenal luas, sejumlah fungsi diskret dan kontinyu yang berguna dan dikenal luas,
diantaranya: diantaranya: diantaranya: diantaranya:
(1). Distribusi Normal (1). Distribusi Normal
(2). Distribusi Normal Standar (2). Distribusi Normal Standar ( ) ( )
(3). Distribusi Rayleigh (3). Distribusi Rayleigh
(4). Distribusi Rayleigh Tak Berdimensi (4). Distribusi Rayleigh Tak Berdimensi
(5). Distribusi Binomial (5). Distribusi Binomial
2.1 Distribusi Normal 2.1 Distribusi Normal
Distribusi normal merupakan distribusi probabilitas yang paling dikenal Distribusi normal merupakan distribusi probabilitas yang paling dikenal
dan secara luas digunakan. Distribusi ini disebut juga sebagai distribusi dan secara luas digunakan. Distribusi ini disebut juga sebagai distribusi dan secara luas digunakan. Distribusi ini disebut juga sebagai distribusi dan secara luas digunakan. Distribusi ini disebut juga sebagai distribusi
Gaussian. Distribusi normal memiliki fungsi kerapatan probabilitas, PDF Gaussian. Distribusi normal memiliki fungsi kerapatan probabilitas, PDF
diberikan oleh diberikan oleh
ff ( ) (1/( ( ) (1/( t(2)) [ t(2)) [ 1/2 (( 1/2 (( )/ )/ ))
22
] ] < < (9) < < (9) ff
xx
(x) = (1/( (x) = (1/(.sqrt(2)) exp [ .sqrt(2)) exp [--1/2.((x 1/2.((x- -)/ )/))
22
] , ] , -- < x < (9) < x < (9)
dimana dan dimana dan adalah parameter distribusi, yang mana adalah juga rata adalah parameter distribusi, yang mana adalah juga rata- -
rata dan deviasi standar Notasi pendek untuk distribusi ini adalah N( rata dan deviasi standar Notasi pendek untuk distribusi ini adalah N( ) ) rata dan deviasi standar. Notasi pendek untuk distribusi ini adalah N(, rata dan deviasi standar. Notasi pendek untuk distribusi ini adalah N(,). ).
f
x
(x)
Area = P
r
(a x b)
x
0 a b
x
Sifat Sifat- -sifat PDF Normal berdasarkan gambar adalah: sifat PDF Normal berdasarkan gambar adalah:
-- Simetris di x = Simetris di x =
xx
X*
-- Pr(X x*) = (1/( Pr(X x*) = (1/(
xx
.sqrt(2)).exp[ .sqrt(2)).exp[- -1/2.((x 1/2.((x- -
xx
)/ )/
xx
))
22
] dx ] dx
CDF Normal CDF Normal
-- Pr(a X b) = (1/( Pr(a X b) = (1/(
xx
.sqrt(2)).exp[ .sqrt(2)).exp[- -1/2.((x 1/2.((x- -
xx
)/ )/
xx
))
22
] dx ] dx
b
a
X*
-
-- Pr[x Pr[x
xx
] = Pr[x ] = Pr[x
xx
] = 50 % ] = 50 %
2.2 Distribusi Normal Standar 2.2 Distribusi Normal Standar
Distribusi Gaussian dengan parameter Distribusi Gaussian dengan parameter
xx
= 0 dan = 0 dan
xx
= 1 dikenal sebagai = 1 dikenal sebagai
distribusi normal standar dan dinyatakan sebagai N(0,1). Fungsi distribusi normal standar dan dinyatakan sebagai N(0,1). Fungsi
kerapatannya adalah kerapatannya adalah
ff
zz
(z) = (1/sqrt(2)).exp [ (z) = (1/sqrt(2)).exp [- -1/2.z 1/2.z
22
] , ] , - - < z < (10) < z < (10)
dimana dimana
z = (x z = (x - -
xx
)/ )/
xx
Sif t Sif t if t PDF N l St d if t PDF N l St d Sifat Sifat--sifat PDF Normal Standar: sifat PDF Normal Standar:
-- Simetris di z = 0 Simetris di z = 0
-- Pr[z 0] = Pr[z 0] = 50 % Pr[z 0] = Pr[z 0] = 50 %
-- F(z*) = Pr(Z z*) = F(z*) = Pr(Z z*) = (z*) = (1/(2)).exp[ (z*) = (1/(2)).exp[- -zz
22
/2] dz , z 0 /2] dz , z 0
CDF normal standar, Gambar (1a), nilai CDF normal standar, Gambar (1a), nilai (z*) di lamp Ang&Tang (z*) di lamp Ang&Tang
z*
-
dan inversnya dan inversnya
z* = z* =
--11
(p) (p)
p = F(z*) p = F(z*)
f
z
(z)
Probabilitas = p
z
Z* 0
Gambar (1a) Gambar (1a)
-- Untuk Pr(Z Untuk Pr(Z --z*) z* 0 (Gambar 1b) z*) z* 0 (Gambar 1b) Untuk Pr(Z Untuk Pr(Z z ) , z 0 (Gambar 1b) z ) , z 0 (Gambar 1b)
Pr[Z Pr[Z - -z*] = Pr[Z +z*] z*] = Pr[Z +z*]
= 1 = 1 Pr[Z +z*] Pr[Z +z*]
((--z*) = 1 z*) = 1 (z*) , z* 0 (z*) , z* 0
dan inversnya dan inversnya
--z* = z* =
--11
(1 (1- -p) p)
* *
11
(1 (1 ) ) z* = z* = --
--11
(1 (1--p) p)
f
z
(z)
Probabilitas = p
z
-Z* 0
Gambar (1b)
-- Untuk p = Pr(Z z*) , z* 0 (Gambar 1c) Untuk p = Pr(Z z*) , z* 0 (Gambar 1c)
Pr(Z z*) = 1 Pr(Z z*) = 1 Pr[Z +z*] Pr[Z +z*]
= 1 = 1 (z*) (z*)
dan inversnya dan inversnya dan inversnya dan inversnya
z* = + z* = +
--11
(1 (1- -p) p)
f
z
(z)
Probabilitas = p
z
+Z* 0
Gambar (1c)
-- Untuk p = Pr(Z z*) , z* 0 (Gambar 1d) Untuk p = Pr(Z z*) , z* 0 (Gambar 1d)
Pr[Z Pr[Z - -z*] = Pr[Z +z*] z*] = Pr[Z +z*]
= = (z*) (z*)
d i d i dan inversnya dan inversnya
z* = z* = - -
--11
(p) (p)
f (z) f
z
(z)
Probabilitas = p obab tas p
z
-Z*
0
Gambar (1d)
Distribusi Normal kebanyakan digunakan untuk: Distribusi Normal kebanyakan digunakan untuk:
-- Penentuan persentase kejadian pada batas tertentu Penentuan persentase kejadian pada batas tertentu
-- Penentuan interval kepercayaan pada persentase tertentu Penentuan interval kepercayaan pada persentase tertentu
2.2.1 Penentuan Persentase Kejadian 2.2.1 Penentuan Persentase Kejadian 2.2.1 Penentuan Persentase Kejadian 2.2.1 Penentuan Persentase Kejadian
Persentase kejadian suatu kejadian pada batas [a,b] dapat ditentukan Persentase kejadian suatu kejadian pada batas [a,b] dapat ditentukan
dengan mengubah distribusi N( dengan mengubah distribusi N(
xx
,,
xx
) menjadi distribusi N(0,1): ) menjadi distribusi N(0,1):
Pr[a <x< b] = Pr[(a Pr[a <x< b] = Pr[(a-- )/ )/ < Z < (b < Z < (b-- )/ )/ ]] Pr[a <x< b] = Pr[(a Pr[a <x< b] = Pr[(a--
xx
)/ )/
xx
< Z < (b < Z < (b--
xx
)/ )/
xx
]]
= = [(b [(b--
xx
)/ )/
xx
] ] [(a [(a- -
xx
)/ )/
xx
]]
= = (z (z
bb
) ) (z (z
aa
) (11) ) (11)
2.2.2 Penentuan Interval Kepercayaan 2.2.2 Penentuan Interval Kepercayaan
Penentuan interval suatu kejadian pada suatu persentase tertentu Penentuan interval suatu kejadian pada suatu persentase tertentu
dilakukan dengan aturan dilakukan dengan aturan- -aturan penggunaan distribusi normal standar aturan penggunaan distribusi normal standar
berikut: berikut:
1. z 1. z
aa
= = - -zz
bb
2. Pr[z 2. Pr[z
aa
z z z z
bb
] = (1 ] = (1 - - ))
3. Pr[z z 3. Pr[z z
aa
] = Pr[z z ] = Pr[z z
bb
] = ] = /2 /2
4. z 4. z
aa
= = - -
--11
(1 (1 - - /2) /2)
aa
(( / ) / )
5. z 5. z
bb
= =
--11
(1 (1 - - /2) /2)
bb
6. [a,b] = [ 6. [a,b] = [
xx
+ z + z
aa

xx
, ,
xx
+ z + z
bb

xx
]]
Untuk memperjelas aturan Untuk memperjelas aturan- -aturan diatas dapat dilihat pada gambar. aturan diatas dapat dilihat pada gambar.
f (x) f (z) f
x
(x) f
z
(z)
/2 /2
1 -
/2 /2
1 -
x
a
x
b
1
z
z
a
0 z
b
1
Gambar (2) Definisi interval kepercayaan dengan persentase kejadian (1 - )
Contoh Contoh: : Diketahui Diketahui arus arus kendaraan kendaraan bermotor bermotor di di kota kota A A di di tahun tahun 1999 1999
mengikuti mengikuti aturan aturan distribusi distribusi normal N(200, 85). normal N(200, 85).
(a) (a) Berapa Berapa persentase persentase kejadian kejadian tahun tahun 2000 2000 dengan dengan jumlah jumlah kendaraan kendaraan
diantara diantara 180 180 dan dan 205 ? 205 ?
(b) (b) Tentukan Tentukan jumlah jumlah kendaraan kendaraan yang yang terjadi terjadi untuk untuk suatu suatu perencanaan perencanaan jika jika (b) (b) Tentukan Tentukan jumlah jumlah kendaraan kendaraan yang yang terjadi terjadi untuk untuk suatu suatu perencanaan perencanaan jika jika
persentase persentase kejadian kejadian yang yang diinginkan diinginkan adalah adalah 80 %. 80 %.
Solusi Solusi
(a) (a) Berdasarkan Berdasarkan persamaan persamaan 11: 11:
Pr[180 X 205] = Pr[180 X 205] = ((205 ((205- -200)/85) 200)/85) ((180 ((180- -200)/85) 200)/85)
= = (0.059) (0.059) ((--0.176) 0.176)
= = (0.059) (0.059) (1 (1- -(0.176)) (0.176))
= 0.523 = 0.523 (1 (1 0.570) 0.570)
= 0.09 = 9 % = 0.09 = 9 %
(b) (b) Berdasarkan Berdasarkan sifat sifat--sifat sifat distribusi distribusi normal normal standar standar: :
Pr[ Pr[zz
aa
Z Z z z
bb
] = 80 % ] = 80 %
(1 (1 - - ) = 80 % ) = 80 % (( ))
= 1 = 1 80 % 80 %
= 20 % = 20 %
Pr[z Pr[z
aa
Z] = Z] = /2 = 10 % /2 = 10 %

11
(1 (1 /2) /2) zz
aa
= = --
--11
(1 (1--/2) /2)
= = - -
--11
(0.9) (0.9)
= = - -1.282 1.282
Pr[Z z Pr[Z z
bb
] = ] = /2 = 10 % /2 = 10 %
zz
bb
= =
--11
(1 (1- -/2) /2)
= =
--11
(0.9) (0.9)
= 1.282 = 1.282
Jadi persentase kejadian 80 % terjadi saat jumlah kendaraan bermotor Jadi persentase kejadian 80 % terjadi saat jumlah kendaraan bermotor
[200 [200 (1 282)(85)] = [91 1 308 9] (1 282)(85)] = [91 1 308 9] [200 [200 (1.282)(85)] = [91.1, 308.9] (1.282)(85)] = [91.1, 308.9]
2.3 Distribusi Rayleigh 2.3 Distribusi Rayleigh
Distribusi ini disebut juga dengan distribusi selisih atau distribusi puncak Distribusi ini disebut juga dengan distribusi selisih atau distribusi puncak- -
lembah. Untuk lebih jelas lihat gambar. lembah. Untuk lebih jelas lihat gambar.

t
H2
H5
H1
H2
H3
H4
3
Gambar 3 Data pengamatan dan selisih puncak - lembah
Berdasarkan gambar sampel data elevasi muka air diatas, yang dimaksud Berdasarkan gambar sampel data elevasi muka air diatas, yang dimaksud
dengan selisih puncak dengan selisih puncak lembah adalah tinggi gelombang, H. lembah adalah tinggi gelombang, H.
Bentuk PDF dan CDF Rayleigh: Bentuk PDF dan CDF Rayleigh:
f(x) = (2x/R).exp[ f(x) = (2x/R).exp[--xx
22
/R] (12) /R] (12)
F(x) = (2x/R).exp[ F(x) = (2x/R).exp[--xx
22
/R] dx = 1 /R] dx = 1 exp[ exp[--xx
22
/R] (13) /R] (13)
X
( ) ( / ) p[ ( ) ( / ) p[ / ] / ] p[ p[ / ] ( ) / ] ( )
dimana R adalah parameter distribusi, yang secara matematika dimana R adalah parameter distribusi, yang secara matematika
dinyatakan sebagai: dinyatakan sebagai:
0
R = (1/N) x R = (1/N) x
ii
22
= (x = (x ))
22
i=1
N
= (x = (x
rms rms
))
xx
rms rms
disebut x root mean square atau x akar rata disebut x root mean square atau x akar rata- -rata kuadrat. rata kuadrat.
Distribusi Rayleigh digunakan dalam penentuan rata Distribusi Rayleigh digunakan dalam penentuan rata- -rata variabel tinggi rata variabel tinggi
gelombang terbesar (x gelombang terbesar (x
1/n 1/n
) dengan persentase kejadian 1/n x 100 % dalam ) dengan persentase kejadian 1/n x 100 % dalam
analisis gelombang individu. analisis gelombang individu.
Gambar (4) merupakan sketsa definisi x Gambar (4) merupakan sketsa definisi x
1/ 1/
sebagai rata sebagai rata--rata variabel X rata variabel X Gambar (4) merupakan sketsa definisi x Gambar (4) merupakan sketsa definisi x
1/n 1/n
sebagai rata sebagai rata rata variabel X rata variabel X
yang melewati atau sama dengan x yang melewati atau sama dengan x
pp
. Besar probabilitas yang terbentuk . Besar probabilitas yang terbentuk
sebesar p = Pr(X x sebesar p = Pr(X x
pp
). Besaran yang digunakan ). Besaran yang digunakan
xx
11
= Rata = Rata- -rata variabel acak di Pr(X x rata variabel acak di Pr(X x
pp
) = 1 x 100 % = 100 % =1 ) = 1 x 100 % = 100 % =1
R t R t t i b l k di P (X t i b l k di P (X ) 1/3 100 % 33 3 % ) 1/3 100 % 33 3 % xx
1/3 1/3
= Rata = Rata- -rata variabel acak di Pr(X x rata variabel acak di Pr(X x
pp
) = 1/3 x 100 % = 33.3 % = ) = 1/3 x 100 % = 33.3 % =
0.33 0.33
xx
1/10 1/10
= Rata = Rata- -rata variabel acak di Pr(X x rata variabel acak di Pr(X x
pp
) = 1/10 x 100 % = 30 % = ) = 1/10 x 100 % = 30 % =
0 10 0 10 0.10 0.10
f(x)
Pr[X>x
p
] = p
x
x
p
x
1/n
Gambar (4) Definisi probabilitas X yang terlewati oleh x
p
dan rata-rata
tinggi gelombang lewat x
1/n
2.4 Distribusi Rayleigh Tak Berdimensi 2.4 Distribusi Rayleigh Tak Berdimensi
Distribusi ini merupakan bentuk standar distribusi Rayleigh dan memiliki Distribusi ini merupakan bentuk standar distribusi Rayleigh dan memiliki
bentuk yang konstan bentuk yang konstan
f(z) z exp[ f(z) z exp[ zz
22
] (14) ] (14) f(z) = z exp[ f(z) = z exp[--zz
22
] (14) ] (14)
dimana: dimana:
f(z)
z = x/x z = x/x
rms rms
z
0
Gambar (5) Distribusi Rayleigh tak berdimensi
Distribusi Rayleigh tak berdimensi digunakan untuk mempermudah dalam Distribusi Rayleigh tak berdimensi digunakan untuk mempermudah dalam Distribusi Rayleigh tak berdimensi digunakan untuk mempermudah dalam Distribusi Rayleigh tak berdimensi digunakan untuk mempermudah dalam
penentuan x penentuan x
1/n 1/n
..
Pr[X x Pr[X x
pp
] = (2x/R).exp[ ] = (2x/R).exp[--xx
22
/R] dx = 1/n (15) /R] dx = 1/n (15)
didapat didapat

x
p
didapat didapat
xx
pp
= sqrt[R.(ln n)] (16) = sqrt[R.(ln n)] (16)
Rata Rata- -rata adalah momen pertama PDF Rayleigh rata adalah momen pertama PDF Rayleigh
xx
pp
= x = x
1/n 1/n
= x f(x) dx = x = x f(x) dx = x
pp
exp[ exp[--xx
pp
22
/R] + sqrt(R){1 /R] + sqrt(R){1- -(sqrt(2/R) x (sqrt(2/R) x
pp
)} )}
f(x) dx 1/n f(x) dx 1/n

x
p

x
p
Substitusi persamaan (16) ke persamaan (17), menjadi: Substitusi persamaan (16) ke persamaan (17), menjadi:
xx
1/n 1/n
= {sqrt(ln(n)) + n sqrt() [1 = {sqrt(ln(n)) + n sqrt() [1 (sqrt(2 ln(n)))]} sqrt(R) (18) (sqrt(2 ln(n)))]} sqrt(R) (18)
atau atau
xx
1/n 1/n
/x /x
rms rms
= sqrt(ln(n)) + n sqrt() [1 = sqrt(ln(n)) + n sqrt() [1 (sqrt(2 ln(n)))] (19) (sqrt(2 ln(n)))] (19)
Berdasarkan persamaan (18), besaran statistik untuk x Berdasarkan persamaan (18), besaran statistik untuk x
1/10 1/10
, x , x
1/3 1/3
, dan x , dan x
11 1/10 1/10 1/3 1/3 11
dapat ditentukan: dapat ditentukan:
xx
1/10 1/10
/x /x
rms rms
= 1.80 (20) = 1.80 (20)
xx /x /x 1 416 (21) 1 416 (21) xx
1/3 1/3
/x /x
rms rms
= 1.416 (21) = 1.416 (21)
xx
11
/x /x
rms rms
= 0.886 (22) = 0.886 (22)
Contoh: Gelombang Contoh: Gelombanggg
Diketahui sejumlah pasangan tinggi dan perioda gelombang, dengan Diketahui sejumlah pasangan tinggi dan perioda gelombang, dengan
besaran parameter statistik tinggi gelombang diberikan sbb: besaran parameter statistik tinggi gelombang diberikan sbb:
H 0 62 t H 0 62 t H = 0.62 meter H = 0.62 meter
HH
rms rms
= 0.705 meter = 0.705 meter
Tentukan H Tentukan H
1/3 1/3
dengan menggunakan distribusi Rayleigh dan distribusi dengan menggunakan distribusi Rayleigh dan distribusi Tentukan H Tentukan H
1/3 1/3
dengan menggunakan distribusi Rayleigh dan distribusi dengan menggunakan distribusi Rayleigh dan distribusi
Normal. Normal.
Solusi Solusi
Untuk distribusi Rayleigh Untuk distribusi Rayleigh
Dengan mengunakan persamaan (21), didapat Dengan mengunakan persamaan (21), didapat
HH = 1 416 H = 1 416 H = (1 416) (0 705) = 0 998 meter = (1 416) (0 705) = 0 998 meter HH
1/3 1/3
= 1.416 H = 1.416 H
rms rms
= (1.416) (0.705) = 0.998 meter = (1.416) (0.705) = 0.998 meter
Untuk distribusi Normal Untuk distribusi Normal
-- Tentukan Tentukan
hhhh
Berdasarkan persamaan (6) Berdasarkan persamaan (6)
Var(x) = E(x Var(x) = E(x
22
) ) E[x] E[x]
22
atau atau

xx
= [E(x = [E(x
22
) ) E[x] E[x]
22
]]
0.5 0.5
Maka Maka Maka Maka

hh
= [H = [H
rms rms
22
H H
jj
22
]]
0.5 0.5
= [0.705 = [0.705
22
0.62 0.62
22
]]
0.5 0.5
= 0.336 meter = 0.336 meter
= 0.34 meter = 0.34 meter
-- Tentukan harga z Tentukan harga z
1/3 1/3 1/3 1/3
Lihat Tabel. Lihat Tabel.
Pr[Z z Pr[Z z
1/3 1/3
] = 1 ] = 1 Pr[Z z Pr[Z z
1/3 1/3
]]
1 1 33 33 % 33 33 % = 1 = 1 33.33 % 33.33 %
= 66.67 % = 66.67 %
(z (z
1/3 1/3
) = 66.67 ) = 66.67
Maka harga z Maka harga z
1/3 1/3
::
zz
1/3 1/3
= =
--11
(66.67 %) (66.67 %)
zz
1/3 1/3
= 0.4307 = 0.4307
//
-- Tentukan persamaan rata Tentukan persamaan rata- -rata variabel di selang [H H rata variabel di selang [H H
1/n 1/n
]]
HH H f(H) dH H (1/( H f(H) dH H (1/( t(2)) [ t(2)) [ 1/2 ((H 1/2 ((H )/ )/ ))
22
] dH ] dH

HH
1/n 1/n
= H f(H) dH = H (1/( = H f(H) dH = H (1/(
hh
sqrt(2)).exp[ sqrt(2)).exp[--1/2.((H 1/2.((H--
hh
)/ )/
hh
))
22
] dH ] dH
f(H) dH 1/n f(H) dH 1/n
H
1/n

H
1/n
H
1/n
HH
1/n 1/n
= =
hh
+ (n/sqrt(2)) + (n/sqrt(2))
hh
.exp( .exp(- -zz
1/n 1/n
22
/2) /2)
Jadi Jadi
HH
1/3 1/3
= =
hh
+ (3/sqrt(2)) + (3/sqrt(2))
hh
. exp( . exp(- -1/2 . z 1/2 . z
1/3 1/3
22
))
= 0.705 + (3/sqrt(2 3.14)) 0.34 exp( = 0.705 + (3/sqrt(2 3.14)) 0.34 exp(- -1/2 0.4307 1/2 0.4307
22
))
= 0.705 + (1.09) (0.34) = 0.705 + (1.09) (0.34)
= 1.08 meter = 1.08 meter
Untuk distribusi Normal Standar Untuk distribusi Normal Standar Untuk distribusi Normal Standar Untuk distribusi Normal Standar
zz
1/n 1/n
= z f(z) dz = z (1/( = z f(z) dz = z (1/(
hh
sqrt(2)).exp[ sqrt(2)).exp[- -1/2.z 1/2.z
22
] dz ] dz
f(z) dz 1/n f(z) dz 1/n

z
1/n

z
1/n
= ( = (- -1/2) exp[ 1/2) exp[- -1/2 .z 1/2 .z
1/n 1/n
22
] ]
zz
1/3 1/3
= ( = (- -1/2) exp[ 1/2) exp[- -1/2 .z 1/2 .z
1/3 1/3
22
] = 1.09 ] = 1.09
z
1/n
HH
1/3 1/3
= =
hh
+ z + z
1/3 1/3

hh
= 0.705 + (1.09) (0.34) = 0.705 + (1.09) (0.34)
= 1.08 meter = 1.08 meter
2.5 Distribusi Binomial 2.5 Distribusi Binomial
Bentuk persamaan distribusi binomial adalah sbb: Bentuk persamaan distribusi binomial adalah sbb:
Pr(X = x) = n p Pr(X = x) = n p
xx
(1 (1 p) p)
nn- -xx
, x = 0, 1, 2, , n , x = 0, 1, 2, , n
xx
dimana: dimana:
n p = parameter fungsi n p = parameter fungsi n, p = parameter fungsi n, p = parameter fungsi
n = koefisien binomial n = koefisien binomial
xx
= n! = n!
x! (n x! (n--x)! x)!
Bentuk fungsi diatas adalah Fungsi Massa Probabilitas (PMF), dimana Bentuk fungsi diatas adalah Fungsi Massa Probabilitas (PMF), dimana
terjadinya suatu kejadian dalam setiap percobaan adalah p dan tidak terjadinya suatu kejadian dalam setiap percobaan adalah p dan tidak terjadinya suatu kejadian dalam setiap percobaan adalah p dan tidak terjadinya suatu kejadian dalam setiap percobaan adalah p dan tidak
terjadinya adalah 1 terjadinya adalah 1 p. p.
Contoh: Misalkan pengamatan muka air laut dilakukan dengan Contoh: Misalkan pengamatan muka air laut dilakukan dengan
k l t b k 5 b h i k l t b k 5 b h i i l t dii i i l t dii i menggunakan alat sensor sebanyak 5 buah, masing menggunakan alat sensor sebanyak 5 buah, masing- -masing alat diisi masing alat diisi
dengan satu buah batere. Jika umur batere terdistribusi Normal dengan dengan satu buah batere. Jika umur batere terdistribusi Normal dengan
rata rata- -rata 13 jam dan standar deviasi 3.2 jam. Berapa probabilitas dua rata 13 jam dan standar deviasi 3.2 jam. Berapa probabilitas dua
diantara lima batere tidak berfungsi dalam jangka waktu kurang dari 8 diantara lima batere tidak berfungsi dalam jangka waktu kurang dari 8
jjjam. jam.
Solusi: Solusi:
p = Pr(T < 8) = p = Pr(T < 8) = ((8 ((8 13)/3.2) 13)/3.2)
= = ((--1.56) 1.56)
= 0.0594 = 0.0594
Pr (X = 2) = 5 (0.0594) Pr (X = 2) = 5 (0.0594)
22
(0.9406) (0.9406)
33
2 2
5! (0 0594) 5! (0 0594)
22
(0 9406) (0 9406)
33
= 5! (0.0594) = 5! (0.0594)
22
(0.9406) (0.9406)
33
2! 3! 2! 3!
= 0.0294 = 0.0294