Variabel Acak

dan
Distribusi Probabilitas
Kontinu

Variabel Acak Terdistribusi

Seragam
Grafik distribusi seragam (uniform)
f(x)

1
d-c

0 c d
Persamaan yang mendeskripsikan distribusi seragam adalah
f(x) = 1/(d-c) untuk c x d
= 0 untuk yang lainnya.

Mean x = (c+d)/2
Deviasi standar x = (d-c)/12

Contoh:
Waktu seseorang menunggu datangnya

pesawat disebuah bandara anatara jam 08.0010.00 berdistribusi uniform.

Berapa probabilitas seseorang harus
menunggu kurang sama dengan 30 menit dari
jam 08.00?
Berapa probabilitas menunggu lebih dari 30
Menit

Interval 08.00-10.00 adalah 120

menit. c=0 dan d=120
30

1
P ( x 30)
dx 0.25
120 0
0

P(x>30)=1-P(x<=30)=0.75

Distribusi Normal
(Distribusi Gauss)

Distribusi Normal (Distribusi Gauss)

merupakan distribusi probabilitas yang

paling penting baik dalam teori maupun
aplikasi statistik.

Terminology normal karena memang

distribusi ini adalah yang paling banyak

digunakan sebagai model bagi data riil
diberbagai bidang :
- antara lain karakteristik fisik mahluk hidup
(berat, tinggi badan manusia, hewan dll),
- kesalahan-kesalahan pengukuran dalam
eksperimen ilmiah pengukuran-pengukuran
intelejensia dan perilaku,
- nilai skor berbagai pengujian dan berbagai
ukuran dan indikator ekonomi.

Alasan mengapa distribusi normal

menjadi penting:
Distribusi normal terjadi secara alamiah. Seperti

diuraikan sebelumnya banyak peristiwa di

dunia nyata yang terdistribusi secara normal.
Beberapa variable acak yang tidak terdistribusi
secara normal dapat dengan mudah
ditranformasikan menjadi suatu distribusi
variabel acak yang normal.
Banyak hasil dan teknik analisis yang berguna
dalam pekerjaan statistik hanya bisa berfungsi
dengan benar jika model distribusinya berupa
distribusi normal
Ada beberapa variabel acak yang tidak
menunjukkan distribusi normal pada
populasinya Namun distribusi rata-rata sampel
yang diambil secara random dari populasi
tersebut ternyata menunjukkan distribusi
normal.

Karakteristik distribusi normal

Bentuk kurva normal seperti bel dan simetris.
Parameter , menunjukkan lebar dari kurva

normal (semakin besar nilainya, semakin

lebar).
Titik tertinggi dari kurva nomal terletak pada
nilai rata-rata=median=modus.
Luas total area di bawah kurva normal adalah
1. (luas bagian di sebelah kiri = sebelah
kanan ).
Probabilita suaru random variabel normal
sama dengan luas di bawah kurva normal

Fungsi Kepadatan Probabilitas

Fungsi Distribusi Kumulatif
Normal
Sebuah variabel acak kontinu X dikatakan

memiliki distribusi normal dengan

parameter x dan x dengan - < x <
dan x >0 jika fungsi kepadatan
probabilitas (pdf) dari X adalah :

f x; x , x

x 2

xx 2

2
e
2
x

Untuk setiap distribusi populasi dari

suatu variabel acak yang mengikuti

sebuah distribusi normal, maka
68,26% dari nilai-nilai variabel berada

dalam 1 x dari x ,

95,46% dari nilai-nilai variabel berada

dalam 2 x dari x ,

99,73% dari nilai-nilai variabel berada

dalam 3 x dari x

Gambar hubungan antara luasan dan

N(,2)

Statistik Deskriptif
Normal
Untuk suatu distribusi normal dengan nilai-

nilai parameter mean x dan deviasi standard

x akan diperoleh suatu distribusi yang
simetris terhadap nilai mean x,

sehingga kemencengan (skewness) = 0 dan

dapat ditunjukkan bahwa keruncingan

(kurtosis) kurva distribusi adalah 3.

Bentuk distribusi normal ditentukan oleh

dan .
2
1

1 < 2 1 = 2

1 = 2 1 > 2

2
1
1 < 2 1 < 2

Distribusi Normal Standard

Untuk menghitung probabilitas P(a X b) dari

suatu variable acak kontinu X yang berdistribusi

normal dengan parameter dan maka fungsi
kepadatan probabilitasnya harus diintegralkan
mulai dari x=a sampai x =b.
Namun, tidak ada satupun dari teknik-teknik
pengintegralan biasa yang bisa digunakan
untuk menentukan integral tersebut.
Untuk itu diperkenalkan sebuah fungsi
kepadatan probabilitas normal khusus dengan
nilai mean = 0 dan deviasi standart = 1.

Variabel acak dari distribusi normal

standard ini biasanya dinotasikan

dengan Z. Fungsi kepadatan
probabilitas dari distribusi normal
standard variabel acak
z 2 kontinu Z :

1
f N z;0,1
e
2

mean atau rata-rata = 0

deviasi standar = 1

Menstandardkan distribusi
Normal
Distribusi normal variable acak kontinu X

dengan nilai-nilai parameter dan

berapapun dapat diubah menjadi distribusi
normal kumulatif standard jika variable acak X
diubah menjadi variable acak standard Z
menurut hubungan :
Z

Jika X distribusi normal dengan mean

dan deviasi standard maka

a x
x x

P X a P Z x

x
a x
b x
a x
b x

P a x b P
Zx
x
x
x
x

a x
b x
b x

P X b P Z x
1 P Z x
1

x
x

Z > 0 jika x >

Z < 0 jika x <
Simetri : P(0 Z b) = P(-b Z 0)

Contoh :
1. Diketahui data berdistribusi normal dengan
mean = 55 dan deviasi standar = 15
a) P(55x75) =
=
= P(0Z1,33)
= 0,4082 (Tabel Z)
Atau

Tabel Z A =
0,4082

b) P(60x80) =
= P(0,33Z1,67)
= P(0Z1,67) P(0Z0,33)
= 0,4525 0,1293 = 0,3232

Z1 =

= 0,33 B = 0,1293

Z2 =
= 1,67 A = 0,4525
C = A B = 0,3232

c) P(40x60)= A + B
=
= P(-1,00Z0,33)
= P(-1,00Z0) +
P(0Z0,33)
= 0,3412 + 0,1293
= 0,4705
Atau : Z1 =
= = -1,00
A = 0,3412
Z2 =
= 0,33
B = 0,1293

d) P(x 40) = 0,5 A

= 0,5 0,3412
= 0,1588

e.

P(x 85)

f.

P(x 85) = 0,5 + A

= 0,5 + 0,4772
= 0,9772

2) Diketahui rata-rata hasil ujian adalah 74 dengan

simpangan baku 7. Jika nilai-nilai peserta ujian

berdistribusi 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 ?

P(
x 0) = 0,45
P(
Z 0) =
= -1,645
(x<)

. +
= (-1,645)7 +

74
= 62,485

Pendekatan distribusi normal

terhadap distribusi binomial
Jika n besar

p atau q tidak mendekati n0l

(bukan peristiwa langka),
maka distribusi binomial dapat didekati oleh
distribusi normal, sehingga bila
X adalah variabel random yang berdistribusi
Binomial dengan mean
= np
dan varians
= npq,
Z

X np

maka z =npq
x-n
standar

berdistribusi normal

Distribusi binomial mempunyai variabel

diskrit, sedangkan distribusi normal

bervariabel kontinu,
maka dalam menggunakan distribusi normal
untuk memecahkan persoalan binomial perlu
diadakan penyesuaian sebagai berikut ;
- harga variabel x batas bawah dikurangkan
0,5
- harga variabel x batas atas ditambahkan
0,5.

Suatu proses produksi menghasilkan sejumlah

barang yang cacat sebanyak 10%. Bila 100

barang diambil secara random, maka hitung
probabilitas :
Banyaknya cacat melebihi 13
Antara 5 s/d 10 yang cacat
Tepat 10 yang cacat

Distribusi Gamma dan Distribusi Eksponensial

Selain distribusi normal, salah satu distribusi yang banyak
digunakan dalam statistika, khususnya proses stokastik,
adalah distribusi eksponensial. Distribusi eksponensial
adalah salah satu kasus khusus dari distribusi gamma.
Definisi 1:
Fungsi gamma didefinisikan oleh:

untuk > 0
x 1e x dx
Fungsi gamma ini adalah fungsi
rekursif di mana (n) = (n0
1)!

Distribusi Gamma
Variabel random kontinu X memiliki sebuah distribusi
gamma, dengan parameter dan , jika fungsi densitasnya
diberikan oleh:
1

1 x /
x
e
, untukx 0

f (x )
0
lainnya

di mana > 0, > 0.

Pada saat = 1, distribusi gamma mengambil suatu bentuk
khusus yang dikenal sebagai distribusi eksponensial.

Distribusi Eksponensial
Variabel random kontinu X memiliki sebuah
distribusi eksponensial, dengan parameter , jika
fungsi densitas (pdf)-nya diberikan oleh:
1 x /
,
e

untukx 0

lainnya

f (x )

di mana > 0.

Mean dan varians distribusi eksponensial

adalah:
=
2 = 2

Contoh:
Suatu sistem mengandung sejenis komponen

yang daya tahannya dinyatakan oleh variabel

acak X yang berdistribusi eksponensial dgn
rata-rata waktu sampai komponen rusak
adalah 5 tahun. Bila sebanyak 5 komponen
tersebut dipasang dalam sistem yang
berlainan, berapakah probabilitas paling
sedikit 2 komponen masih akan berfungsi
pada akhir tahun kedelapan

Probabilitas sebuah komponen akan berfungsi

setelah 8tahun

1 x / 5
p ( X 8) e dx e 8 / 5 0.2
5
8

Bila Y adalah banyaknya komponen yg masih berfungsi setelah 8 tahun .

Dengan menggunakan distribusi binomial diperoleh:

P(Y 2) 1 P( X 1)
5
(0.2) c (0.8) 5c
1 c
1 0.737 0.263
1

c 0