Variabel acak dan Distribusi Probabilitas

1. Variabel Acak
Variabel random/acak adalah sebuah fungsi yang mengaitkan sebuah bilangan
real dengan setiap elemen di ruang sampel.
Notasi X: variabel randomnya,
x: salah satu nilai X yang mungkin
Contoh:
Dalam pemeriksaan lampu, ada dua kejadian yg mungkin: Baik (B) dan Mati (M).
Pemeriksaan dilakukan dengan mengambil secara acak 3 buah lampu hasil produksi.
Maka ruang sampelnya adalah:
S = {BBB, BBM, BMB, BMM, MBB, MBM, MMB, MMM}
Definisikan X adalah banyaknya lampu yg rusak dalam pengambilan tersebut, maka X
bisa mengambil nilai : 0,1,2,3.
X adalah contoh Variabel random.
S = {BBB,BBM, BMB,BMM, MBB,MBM, MMB,MMM}
X = {0 ,1 , 1 ,2 , 1 ,2 ,2 ,3}
Terlihat X = 2 untuk kejadian E= {MMB,MBM,BMM}. Tadi tiap nilai X berkenaan
dengan sebuah himpunan bagian dari S.
Contoh:
2 bola diambil berturut-turut tanpa dikembalikan dari kotak yg berisi 4 bola merah (R)
dan 3 bola biru (B). Buatlah semua kemungkinan nilai variabel random Y yang
menggambarkan jumlah bola merah yang terambil.
Jawab:
Ruang sampel y
RR 2
RB 1
BR 1
BB 0
• Ruang sampel yang berisi anggota yang seperti elemen bilangan bulat, maka
disebut ruang sampel diskrit/variabel acak diskrit.
• Ruang sampel yang berisi anggota yang seperti titik-titik di segmen bilangan real
disebut ruang sampel kontinu/variabel acak kontinu.
2. Distribusi Probabilitas / Fungsi probabilitas
Jika variabel acak X memiliki fungsi probabilitas f(x), maka fungsi distribusi
kumulatif dari X, yaitu F(x) dinyatakan sebagai
( ) ( )
( )
( )
¹
¹
¹
¹
¹
¹
¹
'
¹
· ≤ ·


∞ −

kontinyu X dt x f
diskrit X x f
x X P x F
X
x X


Fungsi distribusi kumulatif F(x) dapat dinyatakan pada interval b X a ≤ ≤ yaitu
sebagai:
( ) ( ) ( ) a F b F b X a P − · ≤ ≤ .
Fungsi kerapatan probabilitas f(x) dapat dinyatakan sebagai hubungan dengan distribusi
kumulatif sebagai:
( )
( )
dx
x dF
x f ·
Contoh 1
Sebuah pengiriman 8 mikrokomputer yang serupa ke suatu jaringan eceran berisi 3
yang cacat. Bila suatu sekolah melakukan suatu pembelian acak 2 dari komputer ini,
carilah sebaran probabilitas untuk jumlah cacat.
Penyelesaian :
Ambil X sebagai peubah acak yang nilai x-nya adalah jumlah komputer cacat yang
mungkin dibeli oleh sekolah tersebut. Maka x dapat menjadi salah satu dari bilangan
0,1,2. Sekarang
( ) ( )
3 5
0 2 10
0 0
8 18
2
f P X
¸ _¸ _

¸ ,¸ ,
· · · ·
¸ _

¸ ,
, ( ) ( )
3 5
1 1 15
1 1
8 18
2
f P X
¸ _¸ _

¸ ,¸ ,
· · · ·
¸ _

¸ ,
,
( ) ( )
3 5
2 0 3
2 0
8 18
2
f P X
¸ _¸ _

¸ ,¸ ,
· · · ·
¸ _

¸ ,
sehingga sebaran probabilitas dari X adalah
X 0 1 2
f(x)
10
28
15
28
3
28
Contoh 2
Pada sebuah eksperimen probabilitas satu kali melempar dua buah dadu secara
bersamaan, distribusi probabilitas dari jumlah mata dadu yang muncul ditentukan
sebagai berikut:
Ruang sampell eksperimen adalah pasangan mata dadu yang mungkin:
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6)
(2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
(3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
(4,1) (4,2) (4,3) (4,4) (4,5) (4,6)
(5,1) (5,2) (5,3) (5,4) (5,5) (5,6)
(6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
Jika X adalah varibel acak diskrit yang menyatakan jumlah mata dadu yang mungkin
mucul, maka X = {2,3,4,5,6,7,8,9,10,11,12}
Distribusi probabilitas untuk masing-masing nilai variabel X membentuk fungsi
probabilitas sebagai berikut:
• P(X=2) = p(2) = 1/36 P(X=8) = p(8) = 5/36
• P(X=3) = p(3) = 2/36 P(X=9) = p(9) = 4/36
• P(X=4) = p(4) = 3/36 P(X=10) = p(10) = 3/36
• P(X=5) = p(5) = 4/36 P(X=11) = p(11) = 2/36
• P(X=6) = p(6) = 5/36 P(X=12) = p(12) = 1/36
• P(X=7) = p(7) = 6/36
Dari fungsi probabilitas jumlah mata dadu yang muncul pada eksperimen melempar dua
mata dadu dalam Contoh 2 dapat dibentuk fungsi distribusi kumulatif (cdf) sebagai
berikut:
2.1Distribusi Variabel Acak Diskrit
2.1.1 Distribusi Bernoulli
Peristiwa Bernoulli adlaah suatu peristiwa yang mempunyai 2 hasil yaitu
sukses dan gagal. Peluang sukses = p, peluang gagal = 1- p = q
Bentuk fungsi peluang Bernoulli :
x x
p p x X P

− · ·
1
) 1 ( ) (
1 , 0 · x
Dimana : 1 = menyatakan sukses , 0 = menyatakan gagal
Contoh soal :
Sebuah coin dilempar 1 kali. Berapakah peluang munculnya angka?
Jawab :
1 1 1
) 5 , 0 1 ( 5 , 0 ) 1 (

− · · X P =1





· · ·
· · + · + ·
· · + + · + + ·
· · + + + · + + + ·
· · + + + ·





2
3
4
5
6
(2) ( ) (2) 1/ 36
(3) ( ) (2) (3) 1/ 36 2/ 36 3/ 36
(4) ( ) (2) (3) (4) 1/ 36 2/ 36 3/ 36 6/ 36
(5) ( ) (2) (3) ... (5) 1/ 36 2/ 36 ... 4/ 36 10/ 36
(6) ( ) (2) (3) ... (6) 1
x
x
x
x
x
F p x p
F p x p p
F p x p p p
F p x p p p
F p x p p p



+ + + ·
· · + + + · + + + ·
· · + + + · + + + ·
· · + + + · + + + ·
·



7
8
9
/ 36 2/ 36 ... 5/ 36 15/ 36
(7) ( ) (2) (3) ... (7) 1/ 36 2/ 36 ... 6/ 36 21/ 36
(8) ( ) (2) (3) ... (8) 1/ 36 2/ 36 ... 5/ 36 26/ 36
(9) ( ) (2) (3) ... (9) 1/ 36 2/ 36 ... 4/ 36 30/ 36
(10)
x
x
x
F p x p p p
F p x p p p
F p x p p p
F



· + + + · + + + ·
· · + + + · + + + ·
· · + + + · + + + ·



10
11
12
( ) (2) (3) ... (10) 1/ 36 2/ 36 ... 3/ 36 33/ 36
(11) ( ) (2) (3) ... (11) 1/ 36 2/ 36 ... 2/ 36 35/ 36
(12) ( ) (2) (3) ... (12) 1/ 36 2/ 36 ... 1/ 36 36/ 36
x
x
x
p x p p p
F p x p p p
F p x p p p
2.1.2 Distribusi Binomial
Jika peristiwa Bernoulli dilakukan n kali, maka dikatakan peristiwa
binomial.
x n x
q p
x
n
x X P

,
_

¸
¸
· · ) (
Dimana : n = banyak percobaan
P = peluang sukses setiap percobaan
q = peluang gagal
x = banyak sukses, x = 0, 1, 2 , …, n
Contoh soal :
Probabilitas sebuah komponen mobil tidak rusak ketika dijatuhkan adalah
¾. Berapakah probabilitasnya ada 2 dari 4 komponen yg dijatuhkan akan
tidak rusak.
Jawab :
Asumsi : “sukses” = tidak rusak, probabilitas “sukses”, p=3/4. Probabilitas
“gagal, q= 1-3/4 = ¼.
n=4 x=2
128
27
16
1
16
9
)! 2 4 ( ! 2
! 4
)
4
1
( )
4
3
(
2
4
)
4
3
, 4 ; 2 (
2 4 2
·

·

,
_

¸
¸
·

,
_

¸
¸
· · · ·
− −x n x
q p
x
n
p n x b
2.1.3 Distribusi Poisson
Variabel acak x yang mempunyai nilai 0, 1, 2, … dikatakan variabel acak
poisson dengan parameter λ jika untuk λ >0 berlaku :
!
) (
x
e
x X P
x
λ
λ −
· · dimana x = 0, 1, 2, …
Dimana : μ = rata – ratakeberhasilan = n . p
x = Banyaknya unsur berhasil dalam sampel
n = Jumlah / ukuran populasi
p = probabilitas kelas sukses
Contoh soal :
Jika rata – rata kedatangan λ = 72 setiap jam, berapakah peluang dari x =4
kedatangan dan t = 3 menit. Gunakan proses poisson!
Jawab :
λ = 72 t = 1 / 20 x = 4
!
) (
x
e
x X P
x
λ
λ −
· ·
! 4
) 20 / 1 . 72 .(
) 4 (
4 ) 20 / 1 .( 72 −
· ·
e
X P = 0.191 atau 19.1 %
Variabel acak poisson dapat digunakan/diaplikasikan antara lain :
1. Sebagai pendekatan variabel acak binomial dengan parameter (n, p)
dimana n = besar dan p = kecil sehingga
p n. · λ
2. Distribusi peluang poisson dalam situasi suatu kejadian yang terjadi
berhubungan dengan waktu (terjadi pada waktu tertentu)
Kejadian yang terjadi pada sembarang interval dengan panjang (waktu) t
adalah variabel acak poisson dengan parameter λ t.
!
) ) ( (
k
t e
k t N P
k t
λ
λ −
· · k = 0, 1, 2, …
Dimana : λ = rata-rata / mean
x = peluang produk yang cacat
k = banyaknya kejadian
t = waktu
2.1.4 Distribusi Geometrik
Dalam percobaan yang independen dimana masing-masing mempunyai
peluang sukses = p, 0<p<1, percobaan dilakukan sampai satu sukses terjadi.
Jika X = banyaknya percobaan yang diperlukan, maka syarat perlu dan
cukup bahwa (n-1) percobaan adalah gagal dan percobaan yang ke-n sukses
adalah :
p p n X P
n
. ) 1 ( ) (
1 −
− · · n = 1, 2, …
Catatan : hasil percobaan yang sukses adalah independen.
Contoh soal :
Suatu kotak berisi 15 bola putih dan 10 bola merah, diambil sebuah bola
dari kotak tersebut sampai didapat bola merah. Jika di asumsikan
pengambilan dengan pengembalian, berapa peluang mendapat 5 bola
merah?
Jawab:
n=5
5
2
) (
25
1
10
1
· ·
C
C
C
merah p
15625
162
5
2
5
3
5
2
5
2
1 ) 5 (
4 1 5
·

,
_

¸
¸

,
_

¸
¸
·

,
_

¸
¸

,
_

¸
¸
− · ·

X P
2.1.5 Variabel Acak Hypergeometrik
Suatu kotak berisi N elemen yang terdiri dari k elemen macam pertama dan
(N-k) macam elemen yang kedua (yang lain). Apabila diambil n elemen
secara serentak, maka peluang mendapat x macam pertama dari n elemen
yang terambil adalah :

,
_

¸
¸

,
_

¸
¸

,
_

¸
¸
· ·
n
N
x n
k N
x
k
x X P ) (
Contoh soal :
Sekelompok orang terdiri dari 50 orang dan 3 diantara lahir pada tanggal 1
Januari. Secara acak diambil 5 orang. Berapa peluang tidak ada yang lahir
pada tanggal 1 Januari.
Jawab :
X = banyak orang yang lahir tanggal 1 Januari, N=50, n=5

,
_

¸
¸

,
_

¸
¸

,
_

¸
¸
·
5
50
4
47
1
3
) 1 ( P
= 0,253
Peluangnya adalah 0,724 bahwa ke lima orang itu tidak lahir pada tanggal 1
Januari.
2.2Distribusi Variabel Acak Kontinu
0 < x < 1
x yang lain
α < x < β………………………..(I)
yang lain
Variabel acak X disebut kontinu jika terdapat suatu fungsi f yang non negative
dengan sifat untuk setiap himpunan bilangan riil B berlaku :

· ∈
B
dx x f n X P ) ( ) (
…………………(1) dimana X

(-

,

)
Fungsi f disebut probability density function (PDF) dari variabel acak x. X harus
diasumsikan satu harga, maka f harus memenuhi :


∞ −
· ∞ ∞ · 1 ]} , e[- { ) ( X F dx X f
Andaikan B=[a,b] maka persamaan (1) dapat dinyatakan sebagai :

· ≤ ≤
b
a
dx X f b x a P ) ( ) (
…………….(2)
Jika a=b  (2) menjadi

· · ·
a
a
dx x F a x P 0 ) ( ] [
Jika dx x f a F a x P a x P
a

∞ −
· · ≤ · < ) ( ) ( ) ( ) (
2.2.1 Distribusi Uniform
Suatu variabel acak disebut berdistribusi uniform pada int ( 0,1 ) jika PDF
adalah :
secara umum :
X berdistribusi uniform pada int (α,β)
jika PDFnya
adalah
Hubungan antara CDF dam PDF dinyatakan dengan
( )
¹
¹
¹
'
¹
·
·
0
1
x f
( )
¹
¹
¹
¹
¹
'
¹
·

·
0
1
α β
x f
dx x f a X P X F
a

∞ −
· −∞ ∈ · ) ( )) , ( ( ) (
Maka dari (I) fungsi distribusi dari variabel acak uniform pada int(α,β)
dinyatakan :
Contoh soal :
Jika x berdistribusi uniform pada (0, 10) carilah peluang 3 < x < 8
Jawab :
10
1
0 10
1
) ( ·

· x f
10
5
10
3
10
8
10
1
8
2
· − ·

dx
2.2.2 Distribusi Normal
Distrìbusi normal sering disebut juga dengan distribusi Gauss, inilah
distribusi peluang kontinu yang terpenting dan paling banyak digunakan.
dimana:
µ = rata-rata (mean)
σ = simpangan baku (standard deviation)
π = 3.14159
e = 2.71828
( )
¹
¹
¹
¹
¹
'
¹
≥ ·
< <


·
≤ ·
β
β α
α β
α
α
a
a
a
a
x f
1
0
Apabila µ = 0, σ
2
= 1 maka :
2
2
2
1
) (
x
e x f

·
π
disebut fungsi densitas (kepadatan)
normal baku (Normal Standard). Setiap variabel acak yang berdistribusi
normal dengan nilai mean dan varian sembarang dapat di transformasi
menjadi variabel acak yang berdistribusi normal baku dengan transformasi :
σ
µ −
·
x
z
Sifat-sifat distribusi normal :
 Bentuk kurva normal seperti bel dan simetris.
 Parameter σ, 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 µ = sebelah kanan µ).
 Probabilitas suatu random variabel normal sama dengan luas di
bawah kurva normal.
Catatan :
) ( ) ( ) ( ) ( b x a P b x a P b x a P b x a P ≤ < · < ≤ · < < · ≤ ≤
Persentase nilai pada interval yang sering digunakan :
• 68,26% nilai dari suatu variabel acak normal berada pada interval
µ±s
• 95,44% nilai dari suatu variabel acak normal berada pada interval
µ±2s
• 99,72% nilai dari suatu variabel acak normal berada pada interval
µ±3s
Contoh soal :
Berat bayi yang baru lahir ratarata 3750 gram dengan simpangan baku 325
gram. Jika berat bayi berdistribusi normal, maka tentukan :
a. Berapa % bayi yang beratnya lebih dari 4500 gram.
b. Berapa banyak bayi yang beratnya antara 3500 gram sampai 4500 gram,
jika semua ada 10000 bayi.
c. Berapa bayi yang beratnya lebih kecil atau sarna dengan 4.000 gram jika
semuanya ada 10.000 bayi?
d. Berapa bayi yang beratnya 4.250 gram jika semuanya ada 5.000 bayi?
Jawab :
a.
σ
µ −
·
x
z
Berat yang lebih dari 4500 gram, pada grafiknya ada di sebelah kanan
z = 2,31
Luas daerah ini = 0,5 - 0,4896 = 0,0104
Jadi ada 1,04 % dari bayi yang lahir beratnya lebih dari 4500 gram
b. Dengan x
1
= 3500 dan x
2
= 4500
didapat z
l
-0,77 dan z
2
= 2,31
luas daerah yang diarsir L(z
l
) = 0,2794 dan L(z
2
) = 0,4896
Jadi, luas daerah keseluruhan adalah L(z
l
) + L(z
2
) = 0,7690
Jadi banyaknya bayi yang beratnya antara 3500 gram dan 4500 gram
diperkirakan ada 0,7690 . (10000) = 7690
c. Beratnya lebih kecil atau sama dengan 4.000 gram, setelah penyesuaian
maka beratnya harus lebih kecil dari 4.000,5 gram.
Peluang berat bayi lebih kecil atau sama dengan 4.000 gram adalah
0,5 + 0,2794 = 0,7794
Banyaknya bayi = (07794).(10000) = 7794.
d. Berat 4250 gr, setelah penyesuaian berarti antara 4.249,5 gram dan
4250,5 gram. Jadì untuk X 4,249,5 dan X = 4.250,5 didapat :
Peluang adalah 0,4382 - 0,4370 = 0,0012
Banyaknya bayi = (0,00l2) (5.000) = 6.
2.2.3 Pendekatan Normal untuk Distribusi Binomial
Apabila x berdistribusi binomial dengan n cukup besar dan p sangat kecil
maka dapat didekati dengan distribusi normal :
q p n
p n x x
z
. .
. −
·

·
σ
µ
Variabel acak distribusi binomial adalah variabel acak diskrit. Sedang
variabel acak distribusi normal adalah variabel acak kontinu. Maka perlu
faktor koreksi ±0,5 untuk variabel acak x sehingga pendekatan distribusi
normal itu menjadi :
q p n
p n x
z
. .
. 5 , 0 − +
·
atau
q p n
p n x
z
. .
. 5 , 0 − −
·
Contoh soal :
Suatu pabrik/ perusahaan pembuat CD menghasilkan 10% CD yang cacat/
rusak. Jika 100 CD dipilih secara random, berapa probabilitas terdapat :
a) 8 CD yang rusak
b) Paling sedikit 12 CD yang rusak
c) Paling banyak 5 CD yang rusak
Jawab :
x = banyak CD yang rusak
x ∼ Bin(100; 0,1) n = 100, p = 0,1
µ = n.p = 100.(0,1) = 10
2
σ = n.p.(1-p) = 100.(0,1).(0,9) = 9  σ = 9 = 3
2.2.4 Distribusi Eksponensial
Fungsi densitas :
x
e x f
.
. ) (
λ
λ

· 0 ≥ x

0 ) ( · x f lain yang
Dimana λ = parameter, riil dan konstan
Distribusi Eksponensial ini sangat dekat dengan Distribusi Poisson.
Distribusi Eksponensial diperoleh dari Poisson process dengan
memperhatikan interval waktu kejadian daripada jumlah/banyak kejadian.
Banyak kejadian yang terjadi dalam interval [0,t] dinyatakan dengan X dan
mempunyai distribusi :
!
) (
) (
.
x
t e
X P
x x
λ
λ −
· ; x = 0,1,2 ……. (1)
= 0 yang lain
P(0) = probabilitas tidak ada kejadian dalam interval [0,t]
P(0) =
x
e
. λ −
ini dapat diartikan bahwa peluang waktu kejadian pertama
terjadi lebih besar daripada t. Bila kita pandang waktu sebagai variabel acak
T, maka :
x
e t T P P
.
) ( ) 0 (
λ −
· > · 0 ≥ t
x
e t T P t P
.
1 ) ( ) (
λ −
− · > · 0 ≥ t
x
e t F t f
.
. ) ( ' ) (
λ
λ

· · 0 ≥ t …………….. …..(2)
= 0
Hubungan antara distribusi eksponensial dan distribusi poisson adalah jika
banyaknya kejadian mempunyai distribusi poisson (persamaan 1) maka
waktu antar kejadian berdistribusi eksponensial (persamaan 2). Distribusi
eksponensial mempunyai rata-rata
λ
µ
1
· x , dimana λ =usia pakai
Contoh soal :
Suatu komponen didalam computer berdistribusi eksponensial dengan
waktu pakai 10000 jam. Berapa persentase komponen tersebut akan rusak
sebelum mencapai waktu 7000 jam?
Jawab:
10000 · µ
7000 · t
10000
1
· λ
P (7000) = 1 -
x
e
. λ −
= 1 -
10
7

e
= 1 – 0,496 = 0,504  50,4%
2.2.5 Distribusi Gamma
Dapat digunakan sebagai distribusi interval waktu antar kejadian, distribusi
waktu pelayanan, distribusi usia pakai.
Fungsi Gamma :


− −
·
0
1
) ( dx e x n
x n
τ
0 > n
)! 1 ( ) ( − · n n τ
; π τ · )
2
1
(
) 1 ( ) 1 ( ) ( − − · n n n τ τ 1 ) 1 ( · τ
Fungsi densitas Gamma :
x r
e x
r e
x f
. 1
. ) (
) (
) (
λ
λ
λ
− −
·
0 > x
0 ) ( · x f lain yang
Dimana : r = parameter bentuk r > 0
λ = parameter skala
Distribusi gamma mempunyai rata-rata =
λ
r
Bila r = 1  fungsi densitas gamma = distribusi eksponensial
Jika r suatu integer maka distribusi gamma merupakan jumlah r distribusi
eksponensial yang independen dan identik yang masing-masing mempunyai
parameter λ. Jika x
1
, x
2
, …, x
r
adalah saling independen dan berasal dari
distribusi eksponensial dengan parameter λ maka :

·
·
n
i
xi Y
1
~ Gamma (r, λ) yang disebut distribusi Erlang (λ)
Jika x
1
, x
2
, …, x
k
adalah saling independen dan x
i
Gamma (r
i
, λ) maka :

·
·
k
i
xi Y
1
~ Gamma (Σr
i
, λ)
Fungsi distribusi komulatif gamma :
dt e t
r
x F
t r
x
λ
λ
τ
λ
− −


− ·
1
) (
) (
1 ) (
Jika r adalah integer maka


·

− ·
1
0
!
) (
1 ) (
r
k
k x
k
x e
x F
λ
λ
Yang merupakan jumlah r poisson dengan parameter λ x.
Contoh soal :
Suatu Sistem standar redundant dengan 2 komponen yaitu komponen 1
berfungsi (ON), komponen 2 tidak berfungsi (OFF) atau sebagai cadangan
kalau komponen 1 gagal. Secara otomatis komponen 2 akan berfungsi.
Switch
Komponen 1
Komponen 2
Jika tiap komponen punya usia pakai sesuai dengan distribusi eksponential
dengan
5
10

· λ jam maka usia pakai sistem tersebut berdistribusi Gamma
dengan parameter r = 5. Carilah rata-rata waktu yang diperlukan sistem
menjadi rusak atau tidak berfungsi.
Jawab :
Rata-rata =
5
5
10 . 5
10
5
· ·

λ
r
jam
2.2.6 Distribusi Weibull
Fungsi densitas :

,
_

¸
¸

,
_

¸
¸ −

,
_

¸
¸ −
·
− β β
δ
χ
δ
χ
δ
β x x
x f exp ) (
1
χ ≥ x
0 ) ( · x f lain yang
∞ < < ∞ − χ
merupakan parameter lokasi
0 > δ = skala parameter ; β = parameter bentuk
Distribusi Weibull dapat ditulis : x ~ Weibull (β, γ, δ)
Fungsi distribusi kumulatif :

,
_

¸
¸

,
_

¸
¸ −
− − ·
β
δ
χ x
x F exp 1 ) ( χ ≥ x
Dalam distribusi Weibull, jika γ = 0, β = 1 distribusi Weibull menjadi
distribusi eksponensial.
Pemakaian distribusi Weibull = dalam reliability engineering sebagai model
jangka waktu kegagalan dalam komponen elektrik dan sistem. Misal :
dalam peralatan elektrik seperti elemen-elemen memori, dalam pesawat
terbang, seperti elemen-elemen struktur tersebut.
Rata-rata distribusi Weibull :

,
_

¸
¸
+ + ·
β
δτ χ µ
α
1
1
Contoh soal :
Jangka waktu kerusakan suatu komponen elektronik adalah distribusi
weibull dengan β=1/2, γ=0, δ=1000 jam. (a) carilah rata-rata waktu yang
diperlukan komponen menjadi rusak! (b) berapa peluang komponen yang
diharapkan berfungsi baik sampai 5000 jam?
Jawab :
a.

,
_

¸
¸
+ + ·
β
δτ χ µ
1
1
( ) 2 1 1000 0 + + · τ µ
( ) 3 1000τ µ ·
( )! 1 3 1000 − · µ
( )! 2 1000 · µ
2000 · µ
b.

,
_

¸
¸

,
_

¸
¸ −
− · −
β
δ
γ x
x F exp ) ( 1

,
_

¸
¸

,
_

¸
¸ −
− · −
2 / 1
1000
0 5000
exp ) 5000 ( 1 F
=0,107

Distribusi Probabilitas / Fungsi probabilitas Jika variabel acak X memiliki fungsi probabilitas f(x). yaitu F(x) dinyatakan sebagai   ∑ f ( x)  X ≤x  F ( x ) = P( X ≤ x ) =  X  ∫ f ( x ) dt − ∞  sebagai: P( a ≤ X ≤ b ) = F ( b ) − F ( a ) .• Ruang sampel yang berisi anggota yang seperti titik-titik di segmen bilangan real disebut ruang sampel kontinu/variabel acak kontinu. . 2. Fungsi kerapatan probabilitas f(x) dapat dinyatakan sebagai hubungan dengan distribusi kumulatif sebagai: f ( x) = dF ( x ) dx X diskrit X kontinyu Fungsi distribusi kumulatif F(x) dapat dinyatakan pada interval a ≤ X ≤ b yaitu Contoh 1 Sebuah pengiriman 8 mikrokomputer yang serupa ke suatu jaringan eceran berisi 3 yang cacat. carilah sebaran probabilitas untuk jumlah cacat. Bila suatu sekolah melakukan suatu pembelian acak 2 dari komputer ini. maka fungsi distribusi kumulatif dari X.

maka X = {2.5.1) (3.12} Distribusi probabilitas untuk masing-masing nilai variabel X membentuk fungsi probabilitas sebagai berikut: • P(X=2) = p(2) = 1/36 • P(X=3) = p(3) = 2/36 P(X=8) = p(8) = 5/36 P(X=9) = p(9) = 4/36 .5) (5.3) (4.1.5) (1.6. Maka x dapat menjadi salah satu dari bilangan 0.2) (6.11.1) (5.4) (3.8.Penyelesaian : Ambil X sebagai peubah acak yang nilai x-nya adalah jumlah komputer cacat yang mungkin dibeli oleh sekolah tersebut.1) (6.9.6) (5.6) (4.2) (5.6) (3.4) (2.5) (3.2) (2.2) (3.2.3) (2.7.3) (6.2) (1.5) (2.3.3) (1.4) (4.4) (1.4) (6.2) (4. distribusi probabilitas dari jumlah mata dadu yang muncul ditentukan sebagai berikut: Ruang sampell eksperimen adalah pasangan mata dadu yang mungkin: (1.10.5) (6. 18 8    2  3  5     1 1 15 f ( 1) = P ( X = 1) =    = .3) (3.3) (5.6) (2.1) (4.4. Sekarang  3  5     0 2 10 f ( 0 ) = P ( X = 0 ) =    = .6) (6.1) (2. 18 8    2  3  5     2 0 3 f ( 2 ) = P ( X = 0 ) =    = 18 8    2 sehingga sebaran probabilitas dari X adalah X f(x) Contoh 2 Pada sebuah eksperimen probabilitas satu kali melempar dua buah dadu secara bersamaan.4) (5.6) 0 10 28 1 15 28 2 3 28 Jika X adalah varibel acak diskrit yang menyatakan jumlah mata dadu yang mungkin mucul.5) (4.1) (1.

.5)1−1 =1 x = 0.. +1/ 36 =36 / 36 F (2) = x ≤2 x ≤12 2.... + 5 / 36 = 15 / 36 x ≤6 F (7) = ∑ p( x ) = p(2) + p(3) + . + p(7) = 1/ 36 + 2 / 36 +.51 (1 − 0. + p(9) = 1/ 36 + 2 / 36 +. +4 / 36 =10 / 36 x ≤5 F (6) = ∑ p( x ) = p(2) + p(3) + ... + p(12) = 1/ 36 + 2 / 36 +. +4 / 36 =30 / 36 x ≤9 F (10) = ∑ p( x ) = p(2) + p(3) + ..• P(X=4) = p(4) = 3/36 • P(X=5) = p(5) = 4/36 • P(X=6) = p(6) = 5/36 • P(X=7) = p(7) = 6/36 P(X=10) = p(10) = 3/36 P(X=11) = p(11) = 2/36 P(X=12) = p(12) = 1/36 Dari fungsi probabilitas jumlah mata dadu yang muncul pada eksperimen melempar dua mata dadu dalam Contoh 2 dapat dibentuk fungsi distribusi kumulatif (cdf) sebagai berikut: ∑ p( x ) = p(2) = 1/ 36 F (3) = ∑ p( x ) = p(2) + p(3) = 1/ 36 + 2 / 36 = 3 / 36 x ≤3 F (4) = ∑ p( x ) = p(2) + p(3) + p(4) = 1/ 36 + 2 / 36 +3 / 36 = 6 / 36 x ≤4 F (5) = ∑ p( x ) = p(2) + p(3) + ...... peluang gagal = 1...1 Dimana : 1 = menyatakan sukses .1 Distribusi Bernoulli Peristiwa Bernoulli adlaah suatu peristiwa yang mempunyai 2 hasil yaitu sukses dan gagal.. +5 / 36 = 26 / 36 x ≤8 F (9) = ∑ p( x ) = p(2) + p(3) + .p = q Bentuk fungsi peluang Bernoulli : P ( X = x) = p x (1 − p)1− x Contoh soal : Sebuah coin dilempar 1 kali...1.... Berapakah peluang munculnya angka? Jawab : P ( X = 1) = 0... + p(6) = 1/ 36 + 2 / 36 + ....1Distribusi Variabel Acak Diskrit 2. 0 = menyatakan gagal . + p(5) = 1/ 36 + 2 / 36 +.... +6 / 36 = 21/ 36 x ≤7 F (8) = ∑ p( x ) = p(2) + p(3) + ... Peluang sukses = p. + p(11) = 1/ 36 + 2 / 36 +. + p(8) = 1/ 36 + 2 / 36 +. + p(10) = 1/ 36 + 2 / 36 +. +3 / 36 = 33 / 36 x ≤10 F (11) = ∑ p( x ) = p(2) + p(3) + .. +2 / 36 =35 / 36 x ≤11 F (12) = ∑ p( x ) = p(2) + p(3) + .

1. q= 1-3/4 = ¼. Jawab : Asumsi : “sukses” = tidak rusak. n=4 x=2  4 3 1 3 n 4! 9 1 27 b( x = 2. …. 2. … Dimana : μ = rata – ratakeberhasilan = n .1.2.3 Distribusi Poisson Variabel acak x yang mempunyai nilai 0. x = 0. p x = Banyaknya unsur berhasil dalam sampel n = Jumlah / ukuran populasi p = probabilitas kelas sukses Contoh soal : Jika rata – rata kedatangan λ = 72 setiap jam. 2. probabilitas “sukses”. berapakah peluang dari x =4 kedatangan dan t = 3 menit. Berapakah probabilitasnya ada 2 dari 4 komponen yg dijatuhkan akan tidak rusak. 2 . Gunakan proses poisson! Jawab : . n Contoh soal : Probabilitas sebuah komponen mobil tidak rusak ketika dijatuhkan adalah ¾. n = 4. p = ) =   p x q n −x =  ( ) 2 ( ) 4−2 = =  x  2 4 4 4   2!(4 − 2)! 16 16 128   2. p=3/4. 1.1. n P ( X = x) =   p x q n − x  x   Dimana : n = banyak percobaan P = peluang sukses setiap percobaan q = peluang gagal x = banyak sukses. 1.2 Distribusi Binomial Jika peristiwa Bernoulli dilakukan n kali. Probabilitas “gagal. maka dikatakan peristiwa binomial. … dikatakan variabel acak poisson dengan parameter λ jika untuk λ >0 berlaku : P ( X = x) = e −λ λx x! dimana x = 0.

1. percobaan dilakukan sampai satu sukses terjadi. … Catatan : hasil percobaan yang sukses adalah independen. Contoh soal : Suatu kotak berisi 15 bola putih dan 10 bola merah. 0<p<1.λ = 72 t = 1 / 20 e −λ λ x x! x=4 P ( X = x) = P( X = 4) = e −72. maka syarat perlu dan cukup bahwa (n-1) percobaan adalah gagal dan percobaan yang ke-n sukses adalah : 1 P ( X = n) =(1 − p ) n− . p n = 1.(1 / 20 ) . Jika X = banyaknya percobaan yang diperlukan. … Dimana : λ = rata-rata / mean x = peluang produk yang cacat k = banyaknya kejadian t = waktu 2. Sebagai pendekatan variabel acak binomial dengan parameter (n.1 / 20) 4 = 0. P ( N (t ) = k ) = e −λt λ k t k! k = 0. Distribusi peluang poisson dalam situasi suatu kejadian yang terjadi berhubungan dengan waktu (terjadi pada waktu tertentu) Kejadian yang terjadi pada sembarang interval dengan panjang (waktu) t adalah variabel acak poisson dengan parameter λ t. p 2. berapa peluang mendapat 5 bola merah? .1 % 4! Variabel acak poisson dapat digunakan/diaplikasikan antara lain : 1.191 atau 19. diambil sebuah bola dari kotak tersebut sampai didapat bola merah. 2.1. p) dimana n = besar dan p = kecil sehingga λ = n. 2. Jika di asumsikan pengambilan dengan pengembalian.(72.4 Distribusi Geometrik Dalam percobaan yang independen dimana masing-masing mempunyai peluang sukses = p.

724 bahwa ke lima orang itu tidak lahir pada tanggal 1 Januari. Jawab : X = banyak orang yang lahir tanggal 1 Januari. 2.253 50    5    Peluangnya adalah 0. Apabila diambil n elemen secara serentak.2Distribusi Variabel Acak Kontinu . maka peluang mendapat x macam pertama dari n elemen yang terambil adalah : k  N −k      x  n −x      P ( X = x) =   N    n    Contoh soal : Sekelompok orang terdiri dari 50 orang dan 3 diantara lahir pada tanggal 1 Januari. n=5 3  47       1  4       P (1) = = 0. Secara acak diambil 5 orang.1.Jawab: n=5 1 C10 2 p(m erah ) = 25 = CC1 5 2  P ( X =5) =1 −  5  5− 1 162  2  3   2    =    = 5  5  5   5  1562 4 2. N=50. Berapa peluang tidak ada yang lahir pada tanggal 1 Januari.5 Variabel Acak Hypergeometrik Suatu kotak berisi N elemen yang terdiri dari k elemen macam pertama dan (N-k) macam elemen yang kedua (yang lain).

b] maka persamaan (1) dapat dinyatakan sebagai : P ( a ≤ x ≤b) = ∫ f ( X ) dx …………….(2) a b Jika a=b  (2) menjadi P[ x =a ] = ∫ F ( x ) dx =0 a a Jika P ( x < a ) = P ( x ≤ a ) = F ( a ) = ∫ f ( x )dx − ∞ a 2.(I) yang lain Hubungan antara CDF dam PDF dinyatakan dengan . ]} Andaikan B=[a.∞.. X harus diasumsikan satu harga.1 Distribusi Uniform Suatu variabel acak disebut berdistribusi uniform pada int ( 0.Variabel acak X disebut kontinu jika terdapat suatu fungsi f yang non negative dengan sifat untuk setiap himpunan bilangan riil B berlaku : P ( X ∈n) = ∫ f ( x) dx …………………(1) dimana X∈ (.1 ) jika PDF adalah : =1  f ( x) = 0  0<x<1 secara umum : x yang lain X berdistribusi uniform pada int (α.2. maka f harus memenuhi : ∞ − ∞ ∫ f ( X )dx = F { Xe[.β) 1  =  β −α  f ( x)  =0   jika PDFnya adalah α < x < β……………………….∞ ∞ =1 . ∞) B Fungsi f disebut probability density function (PDF) dari variabel acak x.

14159 e = 2. a )) = ∫ f ( x )dx (∞ − ∞ a Maka dari (I) fungsi distribusi dari variabel acak uniform pada int(α.2.71828 .β) dinyatakan :    f ( x ) =    =0 a −α β −α =1 a ≤α α <a<β a≥β Contoh soal : Jika x berdistribusi uniform pada (0.F ( X ) = P ( X ∈ − . inilah distribusi peluang kontinu yang terpenting dan paling banyak digunakan. 10) carilah peluang 3 < x < 8 Jawab : 1 1 f ( x) = = 10 −0 10 ∫10 dx 2 8 1 8 3 5 = − = 10 1 0 10 2.2 Distribusi Normal Distrìbusi normal sering disebut juga dengan distribusi Gauss. dimana: µ = rata-rata (mean) σ = simpangan baku (standard deviation) π = 3.

.  sebelah kiri µ = sebelah kanan µ). (luas bagian di Probabilitas suatu random variabel normal sama dengan luas di besar nilainya. σ2 = 1 maka : f ( x) = −x 2 1 2 e 2π disebut fungsi densitas (kepadatan) normal baku (Normal Standard).  rata=median=modus.  bawah kurva normal. semakin lebar). menunjukkan lebar dari kurva normal (semakin Titik tertinggi dari kurva nomal terletak pada nilai rataLuas total area di bawah kurva normal adalah 1.Apabila µ = 0. Parameter σ. Setiap variabel acak yang berdistribusi normal dengan nilai mean dan varian sembarang dapat di transformasi menjadi variabel acak yang berdistribusi normal baku dengan transformasi : z= x−µ σ   Sifat-sifat distribusi normal : Bentuk kurva normal seperti bel dan simetris.

72% nilai dari suatu variabel acak normal berada pada interval µ±2s µ±3s Contoh soal : Berat bayi yang baru lahir ratarata 3750 gram dengan simpangan baku 325 gram. jika semua ada 10000 bayi. Berapa % bayi yang beratnya lebih dari 4500 gram. Berapa banyak bayi yang beratnya antara 3500 gram sampai 4500 gram. Berapa bayi yang beratnya lebih kecil atau sarna dengan 4. c. Jika berat bayi berdistribusi normal.250 gram jika semuanya ada 5. b. maka tentukan : a.Catatan : P ( a ≤ x ≤b) = P ( a < x <b) = P ( a ≤ x <b) = P ( a < x ≤b) Persentase nilai pada interval yang sering digunakan : • µ±s • • 95.000 bayi? Jawab : a. Berapa bayi yang beratnya 4. z= x−µ σ 68.000 gram jika semuanya ada 10.26% nilai dari suatu variabel acak normal berada pada interval .44% nilai dari suatu variabel acak normal berada pada interval 99.000 bayi? d.

5 dan X = 4.000) = 6.77 dan z2 = 2.4370 = 0.31 luas daerah yang diarsir L(zl) = 0.249.0. Beratnya lebih kecil atau sama dengan 4. Jadì untuk X 4. luas daerah keseluruhan adalah L(zl) + L(z2) = 0.4896 = 0.5 gram dan 4250.7690 . Berat 4250 gr. d.4382 .0012 Banyaknya bayi = (0. Peluang berat bayi lebih kecil atau sama dengan 4.000.250.0104 Jadi ada 1.7794 Banyaknya bayi = (07794).4896 Jadi.00l2) (5. setelah penyesuaian maka beratnya harus lebih kecil dari 4. (10000) = 7690 c.31 Luas daerah ini = 0.000 gram adalah 0.Berat yang lebih dari 4500 gram. pada grafiknya ada di sebelah kanan z = 2.2794 = 0. Dengan x1 = 3500 dan x2 = 4500 didapat zl -0.2794 dan L(z2) = 0.000 gram. setelah penyesuaian berarti antara 4.5 gram.5 didapat : Peluang adalah 0.5 + 0. .0.5 gram.7690 Jadi banyaknya bayi yang beratnya antara 3500 gram dan 4500 gram diperkirakan ada 0.249.04 % dari bayi yang lahir beratnya lebih dari 4500 gram b.5 .(10000) = 7794.

q Variabel acak distribusi binomial adalah variabel acak diskrit.9) = 9  σ = 9 = 3 2.e − λ . x f ( x) = 0 Dimana λ = parameter.p. p n.(0. x≥0 yang lain . p = σ n.1) µ = n. riil dan konstan Distribusi Eksponensial ini sangat dekat dengan Distribusi Poisson.2. berapa probabilitas terdapat : a) 8 CD yang rusak b) Paling sedikit 12 CD yang rusak c) Paling banyak 5 CD yang rusak Jawab : x = banyak CD yang rusak x ∼ Bin(100. Sedang variabel acak distribusi normal adalah variabel acak kontinu. Jika 100 CD dipilih secara random. p. p.5 − n.3 Pendekatan Normal untuk Distribusi Binomial Apabila x berdistribusi binomial dengan n cukup besar dan p sangat kecil maka dapat didekati dengan distribusi normal : z= x − µ x − n.1). 0. p. Distribusi Eksponensial diperoleh dari Poisson process dengan memperhatikan interval waktu kejadian daripada jumlah/banyak kejadian.2. Maka perlu faktor koreksi ±0.(1-p) = 100.p = 100.q atau z = x − 0.q σ 2 = n.(0.(0. p n.5 − n.4 Distribusi Eksponensial Fungsi densitas : f ( x) = λ.1) = 10 n = 100.5 untuk variabel acak x sehingga pendekatan distribusi normal itu menjadi : z = Contoh soal : Suatu pabrik/ perusahaan pembuat CD menghasilkan 10% CD yang cacat/ rusak.2. p = 0.1 x + 0.

…. Distribusi eksponensial mempunyai rata-rata µx = Contoh soal : Suatu komponen didalam computer berdistribusi eksponensial dengan waktu pakai 10000 jam.e − λ .5 Distribusi Gamma Dapat digunakan sebagai distribusi interval waktu antar kejadian.. x f (t ) = F ' (t ) = λ.496 = 0. x = 0.(2) µ = 10000 P (7000) = 1 . (1) x! =0 yang lain P(0) = probabilitas tidak ada kejadian dalam interval [0.2 ……. . x =0 Hubungan antara distribusi eksponensial dan distribusi poisson adalah jika banyaknya kejadian mempunyai distribusi poisson (persamaan 1) maka waktu antar kejadian berdistribusi eksponensial (persamaan 2). Bila kita pandang waktu sebagai variabel acak T.. distribusi usia pakai.4% 2.Banyak kejadian yang terjadi dalam interval [0. distribusi waktu pelayanan.t] P(0) = e − λ .1.e − λ .2. x ini dapat diartikan bahwa peluang waktu kejadian pertama terjadi lebih besar daripada t. x = 1 . Berapa persentase komponen tersebut akan rusak sebelum mencapai waktu 7000 jam? Jawab: 1 10000 1 .504  50. maka : P (0) = P(T > t ) = e − λ .e −10 7 t = 7000 λ= = 1 – 0.t] dinyatakan dengan X dan mempunyai distribusi : P ( X ) = e − λ . x (λt ) x . x P (t ) = P(T > t ) = 1 − e − λ . dimana λ =usia pakai λ t≥0 t≥0 t ≥ 0 …………….

λ) maka : Y = ∑ xi ~ Gamma (Σri. x e( r ) x>0 f ( x) = 0 λ = parameter skala yang lain Dimana : r = parameter bentuk r > 0 r λ Distribusi gamma mempunyai rata-rata = Bila r = 1  fungsi densitas gamma = distribusi eksponensial Jika r suatu integer maka distribusi gamma merupakan jumlah r distribusi eksponensial yang independen dan identik yang masing-masing mempunyai parameter λ.Fungsi Gamma : τ (n) = ∫ x n −1e − x dx 0 ∞ n>0 τ (n) = (n − 1)! τ (n) = (n − 1)τ (n − 1) Fungsi densitas Gamma : f ( x) = 1 . Jika x1. τ( ) = π 2 τ (1) = 1 λ (λx) r −1 . Contoh soal : .e −λ . xk adalah saling independen dan xi Gamma (ri. …. …. x2. λ) yang disebut distribusi Erlang (λ) i =1 n Jika x1. λ) i =1 k Fungsi distribusi komulatif gamma : F ( x) =1 − ∫ x ∞ τ (r ) λ (λt ) r −1 e −λt dt r− 1 e −λx (λx ) k Jika r adalah integer maka F ( x ) = 1 − ∑ k! k =0 Yang merupakan jumlah r poisson dengan parameter λ x. xr adalah saling independen dan berasal dari distribusi eksponensial dengan parameter λ maka : Y = ∑ xi ~ Gamma (r. x2.

6 Distribusi Weibull Fungsi densitas : β −1 β x−χ f ( x) =   δ δ  f ( x) = 0   x − χ β   exp −    δ      x≥χ yang lain − ∞ < χ < ∞ merupakan parameter lokasi δ > 0 = skala parameter . Komponen 1 Sw itch Komponen 2 Jika tiap komponen punya usia pakai sesuai dengan distribusi eksponential dengan λ = 10 −5 jam maka usia pakai sistem tersebut berdistribusi Gamma dengan parameter r = 5. Secara otomatis komponen 2 akan berfungsi. Misal : dalam peralatan elektrik seperti elemen-elemen memori. γ.2. jika γ = 0. Jawab : Rata-rata = r 5 = −5 = 5. seperti elemen-elemen struktur tersebut. dalam pesawat terbang.     x≥χ Dalam distribusi Weibull.Suatu Sistem standar redundant dengan 2 komponen yaitu komponen 1 berfungsi (ON).10 5 jam λ 10 2. Carilah rata-rata waktu yang diperlukan sistem menjadi rusak atau tidak berfungsi. δ)   x − χ β Fungsi distribusi kumulatif : F ( x) = 1 − exp −    δ    distribusi eksponensial. β = 1 distribusi Weibull menjadi . komponen 2 tidak berfungsi (OFF) atau sebagai cadangan kalau komponen 1 gagal. β = parameter bentuk Distribusi Weibull dapat ditulis : x ~ Weibull (β. Pemakaian distribusi Weibull = dalam reliability engineering sebagai model jangka waktu kegagalan dalam komponen elektrik dan sistem.

 1 Rata-rata distribusi Weibull : µ α = χ + δτ 1 +   β   Contoh soal : Jangka waktu kerusakan suatu komponen elektronik adalah distribusi weibull dengan β=1/2. 1 − F ( x) = exp −    δ        5000 − 0 1 / 2   1 − F (5000) = exp −    1000      =0.107 . γ=0. δ=1000 jam. (a) carilah rata-rata waktu yang diperlukan komponen menjadi rusak! (b) berapa peluang komponen yang diharapkan berfungsi baik sampai 5000 jam? Jawab :  1 a. µ = χ + δτ 1 +   β   µ = 0 + 1000τ (1 + 2 ) µ = 1000τ ( 3) µ = 1000( 3 − 1)! µ = 1000( 2 )! µ = 2000   x − γ β   b.

Sign up to vote on this title
UsefulNot useful