TUGAS STATISTIKA INDUSTRI LANJUTAN

RESUME DISTRIBUSI PROBABILITAS DISKRIT, DISTRIBUSI

PROBABILITAS KONTINYU DAN TEORI KEANDALAN

Oleh:
RAHMI ELVIANA
1620932015

JURUSAN TEKNIK INDUSTRI

FAKULTAS TEKNIK
UNIVERSITAS ANDALAS
PADANG
2016

RESUME UNTUK CONTOH KASUS

1.

DISTRIBUSI PROBABILITAS DISKRIT

A. Distribusi Bernoully
a. Ciri ciri (Pens, 2005) :
1. Percobaan menghasilkan 2 keluaran M. E., yaitu S = SUKSES dan F = GAGAL
2. Keluaran bersifat exhaustive, yaitu : tidak ada keluaran yang lain
3. P(S) = p dan P (F) = q, sehingga p+q = 1
y 1 y
b. Diberikan oleh : P ( y ) p q, dengan y = { 0, jika F muncul 1, jika S muncul}

c. = p dan 2 = p.q
Contoh Kasus Distribusi Bernoully (Pens, 2005) :
Dalam pelemparan koin, ditentukan bahwa munculnya muka (M) adalah SUKSES dan
munculnya belakang (B) adalah GAGAL.
Jawab.
y = 1, jika muncul muka, dan P(M) = p = ,
y = 0, jika muncul belakang, dan P(B) = q = .
Sehingga distribusi peluang dari y menurut bernoulli trial adalah :
P(1) = p1.q(1-1) = p = 0,5
P(0) = p0.q(1-0) = q = 0,5
B. Distribusi Binomial
Distribusi binomial adalah distribusi probabilitas diskrit dari percobaan yang dilakukan
sebanyak n kali dengan masing-masing percobaan mempunyai probabilitas p dan
masingmasing percobaan tidak saling mempengaruhi (independent).
Ciri-ciri percobaan binomial (Pens, 2005) :
1. Percobaan terdiri dari n ulangan
2. Setiap hasil ulangan dapat digolongkan sebagai sukses (S) atau gagal (G)
3. Probabilitas sukses (p) untuk setiap ulangan adalah sama
4. Setiap ulangan harus bersifat independen.

Suatu percobaan dengan n ulangan mempunyai probabilitas sukses p dan gagal q = 1-p.
Jika variabel random X menyatakan banyaknya sukses dalam n ulangan yang bebas,
maka X berdistribusi Binomial dengan distribusi probabilitas (Pens, 2005) :
n
b(x; n, p) p x q n x ,
x

x 0,1,2,....n

Nilai harapan (rata-rata) dan varians dari variabel random yang berdistribusi
Binomial (Pens, 2005) :

= np

= npq

Contoh Kasus Distribusi Binomial (Pens, 2005) :

1.

Seorang insinyur elektro sedang mengamati problem arus listrik pada komputer.
Hasil survey terakhir menunjukkan bahwa 10 % komputer yang dipakai mengalami
problem ini. Jika 5 sampel random dipilih dari seluruh populasi amatan, hitung
peluang :
a. terdapat 3 komputer terpilih mengalami kerusakan
b. paling sedikit 3 komputer terpilih mengalami kerusakan
c. kurang dari 3 komputer terpilih mengalami kerusakan
Jawab :
a. Tepat 3 komputer, y = 3
5
p (10%) 3 (90%) 2 0,081
3

P(3)

b. Paling sedikit 3 komputer, y = 3, 4, dan 5

P (Y 3) = P(3) + P(4) + P(5)
P(3)=0,0081
5
p (10%) 4 (90%)1 0,00045
4

P(4)

5
p(10%) 5 (90%) 0 0,00001
5

P(5)

Maka, P(Y 3) = 0,0081 + 0,00045 + 0,00001 = 0,00856

c. Kurang dari 3 komputer, y = 0, 1, 2

P(Y < 3) = 1 P(Y 3) = 1 0,00856 = 0,99144
ATAU dengan memanfaatkan TABEL DISTRIBUSI BINOMIAL.
2.

Sebuah mata uang dilempar 4 kali, kemungkinan munculnya sisi gambar mempunyai
distribusi Binomial dengan kemungkinan sukses adalah sebagai berikut :
y

4 1
P(Y y)
y 2

1
2

4 y

Kemungkinan munculnya gambar 2 kali adalah :

4

1

2

P(Y y)

1

2

4 y

4! 1

2!2! 2

6
16

Fungsi kepadatan probabilitasnya adalah :

4

1

2

1

2

1

2

1

2

P( 2)

4
P(3)
3

1

2

1

2

P(0)
P(0)
P(1)

P( 4)

1
16

1
16

4
16

6
16

4
16

1
16

Rata-rata kemunculan gambar adalah :

4

1

2

4! 1

0 1
1!3! 2

4
y
n 0
y

1

2

4 y

4! 1

2!2! 2

1 12 12 4 32

2
16 16 16 16 16

4! 1

3!1! 2

4! 1

4!0! 2

Varians kemunculan gambar adalah :

1
2

1
2

2 np(1 p) 4 (1 ) 1
3.

Dilakukan n pengulangan percobaan dengan menggunakan bilangan acak yang

mempunyai probabilitas untuk sukses adalah :
1. Jika diulangi 3 kali, hitung kemungkinan sukses lebih dari 2 kali.
2. Jika diulangi 5 kali, hitung kemungkinan sukses lebih dari 3 kali.
Jawab.
1. Bila dilakukan pengulangan 2 kali
P( y 2 P (2) P(3)
2
1
3
3 2 1
3 2 1

2 3 3
2 3 3
4 1
8
20
3. . 1.

9 3
27 27

2. Bila dilakukan pengulangan 5 kali

P ( y 3 P (3) P (4) P (5)
3
2
5 2 1
5

3 3 3
4
8 1
16 1
10. . 5. .
27 9
81 3

4
1
5
0
5 2 1
2 1

4 3 3
3 3

32
80 80 32 192

243
243
243

C. Distribusi Multinomial
Karakteristik (Pens, 2005) :
1.

Eksperimen terdiri dari n trial yang identik

2.

Untuk tiap trial terdapat k outcome yang mungkin

3.

Probabilitas dari k outcome tersebut adalah p1, p2, p3, , pk dan p1+p2+Pk=1

4.

Masing-masing trial bersifat independen

5.

Variabel random yang menjadi interes: y1, y2, y3, , yk.

p ( y1 , y2 ,..., y3 )

n!
( p1 ) y1 ( p2 ) y2 ....( pk ) yk
y1!*y 2 !*...* yk !

Dengan:
pi=probabilitas outcome ke-I pada satu trial
p1+p2+Pk=1
y1+y2+yk=n
yi=Jumlah outcome ke-i muncul dalam n trial
Mean dan variansi dari variabel random multinomial yi
i npi

i 2 npi (1 pi )

Contoh Kasus Distribusi Multinomial (Pens, 2005) :

Sebuah penelitian menunjukkan bahwa 10% monitor komputer memberikan radiasi
tinggi, 30 % sedang, dan 60% rendah. Bila diambil sampel acak 40 monitor dari sebuah
populasi amatan, hitunglah :
a. Peluang bahwa 10 monitor memiliki radiasi tinggi, 10 sedang, 20 rendah ;
b. Rata rata dan variansi monitor dengan radiasi tinggi dari 40 monitor yang terpilih
sebagai sampel.
Jawab.
a. Ditentukan :
y1 = jumlah monitor radiasi tinggi
y2 = jumlah monitor radiasi sedang
y3 = jumlah monitor radiasi rendah
p1 = peluang terpilihnya monitor radiasi tinggi
p2 = peluang terpilihnya monitor radiasi sedang
p3 = peluang terpilihnya monitor radiasi rendah
Sehingga :
P (10,10,20)

40!
.(10%)10 .(30%)10 .(60%) 20 0.0005498
10!10!20!

b. i = n.pi = 40.10% = 4

i 2 = n. pi.(1-pi) = 40.(10%).(1-10%) = 3,6

D. Distribusi Binomial Negatif

Karakterisitik (Pens, 2005) :

1. Sering diinginkan untuk mengukur waktu yang dibutuhkan sebelum event tertentu
terjadi.
2. Misalnya: waktu pelanggan harus menunggu sampai dilayani, waktu sampai peralatan
tertentu rusak
3. Pada kasus ini, maka tiap-tiap unit waktu dipandang sebagai Bernoully Trial dengan
kemungkinan hasil S atau F.
4. Dalam Distribusi Binomial, variabel random y menunjukkan jumlah sukses,
5. Dalam kajian ini, variabel random y menunjukkan jumlah trial (unit waktu) sampai
sukses ke-r terjadi.
6. Distribusi probabilitas untuk variabel random y seperti ini disebut Distribusi Binomial
Negatif.

p( y ) Cry11 p r q y r
Dengan
p = probabilitas sukses untuk satu Bernoully Trial
q = 1-p
y = Jumlah trial sampai sukses ke-r terjadi
Mean dan Variansi dari Distribusi Probabilitas Binomial Negatif

r
p

rq
p2

Contoh Kasus Distribusi Binomial Negatif (Pens, 2005) :

1. Pada pelemparan koin yang dilakukan berulang kali, bagaimana distribusi
probabilitas mendapatkan gambar setelah 2 kali pelemparan ?Dalam kasus ini r=2,
sehingga fungsi probabilitasnya adalah :
Jawab.
y 1

P ( y )
1

1

2

1

2

y 2

2. Untuk memasang baut, digunakan sebuah peralatan elektrik dengan tingkat

keberhasilan 0,8 dalam selang waktu 1 detik. Jika operator gagal memasang baut

dalam selang waktu 1 detik pertama, tingkat keberhasilan pemasangan pada selang
waktu 1 detik kedua dianggap tetap 0,8. dalam 1 rangkaian assembly, terdapat 4 baut
yang harus dipasang. Tentukan :
a. distribusi probabilitas y, yaitu waktu (detik) yang diperlukan untuk memasang ke4 baut dalam 1 assembly.
b. peluang bahwa waktu yang diperlukan untuk memasang ke-4 baut tersebut adalah
6 detik.
Jawab.
a. r = 4 dan p = 0,8 ; q = 0,2 didapat
y 1
y 1
y 4
). p r .q y r (
.(0.8) 4 0.2
(
r 1
3

b. Waktu yang diperlukan 6 detik, berarti y = 6 dengan 4S dan 2F.

6 1
6 4
.(0.8) 4 0.2
0.16384
3

E. Distribusi Geometri
Karakterisitik (Pens, 2005) :
1. Merupakan Distribusi Binomial Negatif Khusus dengan r =1, sehingga

p ( y ) pq y 1

y = Jumlah trial sampai sukses pertama terjadi

2. Mean dan Variansi dari Distribusi Geometri

1
p

q
p2

Contoh Kasus Distribusi Geometri (Pens, 2005) :

Sebuah kontainer berisi sekring untuk ekspor. Dari spesifikasi produsen diketahui bahwa
proporsi cacat sekring adalah 10 %. Inspektor sedang melakukan pengujian kesesuaian
mutu sekring dengan cara mengambil satu persatu sampai diketemukan sekring yang
cacat. Tentukan peluang bahwa sekring cacat ditemukan dalam 5 pengujian pertama.
Jawab.
p = 0,1 dan q = 0,9
Sehingga :

P(Y = y) = p.q y-1

= (0,1).(0,9)y-1
P(Y 5) = p(1) + p(2) + p(3) + p(4) + p(5)
= (0,1)(0,9)0 + (0,1)(0,9)1 + (0,1)(0,9)2 + + (0,1)(0,9)4
= 0,41
F. Distribusi Hipergeometrik
Distribusi hipergeometrik adalah distribusi probabilitas diskrit dari sekelompok obyek
yang dipilih tanpa pengembalian.
Ciri-ciri percobaan Hipergeometrik (Pens, 2005) :
1.

Sampel acak berukuran n diambil dari populasi berukuran N

2.

Dari populasi berukuran N benda, sebanyak k benda diberi label sukses, dan N-k
benda diberi label gagal.
r

*C
C
P( y)
Dengan:
C
y

N r
n y

N = jumlah total elemen

R = jumlah sukses dalam N elemen
N = jumlah elemen yang diambil
Y = jumlah Sukses dalam n elemen yang diambil.
3.

Mean dan Variansi dari Variabel Random Hipergeometri

nr
N

r ( N r ) n( N n)
N 2 ( N 1)

Contoh Kasus Distribusi Hipergeometri (Pens, 2005) :

1. Dari 10 katalis yang ada diperlukan 3 untuk keperluan pembuatan produk kimia baru.
Dari sepuluh katalis tersebut terdapat 4 jenis katalis berkadar asam tinggi dan 6 jenis
berkadar asam rendah.
a. tentukan peluang bahwa katalis yang terpilih semua berkadar asam rendah ;
b. tentukan peluang bahwa dari 3 katalis yang dipilih, hanya 1 yang memiliki kadar asam
tinggi.

Jawab.
y = jumlah katalis berkadar asam tinggi dari 3 katalis terpilih
N = 10 , n = 3 , r = 4
Maka

P (Y y )

4

y

3 y
10

4 6

0 3 1
a. P(Y 0)
6
10

4 6

1 2 1
b. P (Y 1)
2
10

2. Diketahui dari 100 produk reproduksi VCD terdapat 7 VCD yang rusak. Bila diambil 10
hasil reproduksi VCD secara acak, banyaknya y VCD yang rusak mempunyai distribusi
hypergeometrik sebagai berikut :

Dengan menggunakan tabel distribusi geometrik yang sudah didapatkan dapat

dikatakan bahwa :
a. Probabilitas 4 VCD yang rusak dari 10 pengambilan acak adalah : P(4) = 0.0015
b. Rata-rata VCD yang rusak dari 10 pengambilan acak adalah :

c. Varians VCD yang rusak dari 10 pengambilan acak adalah :

G. Distribusi Poisson
distribusi poisson adalah distribusi probabilitas diskrit yang menyajikan frekuensi dari
kejadian acak tertentu. Ini dapat digunakan sebagai pendekatan distribusi binomial.
Ciri-ciri percobaan Poisson (Pens, 2005) :
1. Banyaknya hasil percobaan yang terjadi dalam suatu selang waktu tertentu, tidak
tergantung pada banyaknya hasil percobaan yang terjadi pada selang waktu lain yang
terpisah.
2. Probabilitas terjadinya suatu hasil percobaan selama selang waktu yang singkat,
sebanding dengan panjang selang waktu tersebut, dan tidak tergantung pada banyaknya
hasil percobaan yang terjadi di luar selang waktu tersebut.
3. Probabilitas lebih dari satu hasil percobaan akan terjadi dalam selang waktu yang singkat,
dapat diabaikan.
4. Jika variabel random X menyatakan banyaknya hasil percobaan yang terjadi dalam
selang waktu tertentu, dan adalah rata-rata banyaknya hasil percobaan dalam selang
waktu tersebut, maka X berdistribusi Poisson dengan distribusi probabilitas
p(x; )

e o x
x!

x 0,1,2,...

5. Mean (rata-rata) dan variansi dari distribusi Poisson adalah .

6. Distribusi Poisson sebagai suatu bentuk pembatasan distribusi Binomial pada saat n
besar, sedangkan p mendekati 0 , dan np konstan. Sehingga bila n besar dan p mendekati
0, distribusi Poisson dapat digunakan untuk memperkirakan probabilitas Binomial,
dengan
Contoh Kasus Distribusi Poisson (Pens, 2005) :
1. Sejumlah y retak pada spesimen beton untuk sebuah jenis semen mengikuti distribusi
poisson. Dengan pengamatan awal diketahui bahwa jumlah rata rata keretakan setiap
spesimen adalah 2,5. Tentukan peluang bahwa sebuah spesimen yang dipilih secara
random memiliki jumlah keretakan 5.
Jawab.
P(Y=5) = 2.55. e-2.5 = 0.067

5!
2. Rata rata banyaknya partikel radioaktif yang melewati suatu penghitung selama 1
milidetik dalam suatu percobaan di laboratorium adalah 4. Berapakah peluang 6 partikel
melewati penghitung dalam suatu milidetik tertentu?
Jawab. y = 6 ; 4
P(Y=6) = 46. e-4 = 0.1042
6!
3. Distribusi Poisson dengan rata-rata 2 dapat dituliskan dengan :

2.

DISTRIBUSI PROBABILITAS KONTINYU

A. Distribusi Uniform
X merupakan seragam kontinyu (a, b). Fungsi distribusi probabilitas adalah (Suprayogi,
2006):
1. Parameter:
a, b bilangan riil (b > a)
a : batas bawah
b : batas atas
2. Fungsi distribusi probabilitas kumulatif:

3. Dengan rataan dan variansi:

ab
2

(b a) 2
12

Contoh Kasus Distribusi Uniform (Suprayogi, 2006):

1. Sebuah ruang konferensi dapat disewa untuk rapat yang lamanya tidak lebih dari 4 jam.
Misalkan X adalah peubah acak yang menyatakan waktu rapat, yang mempunyai
distribusi seragam. Tentukan:
a) Tentukan fungsi densitas peluang dari X.
b) Tentukan peluang suatu rapat berlangsung 3 jam atau lebih.
Jawaban:
a) a = 0, b = 4, sehingga

b) Peluang suatu rapat berlangsung 3 jam atau lebih.

2. Sebuah mesin roll menghasilkan lembaran baja dengan ketebalan berkisar antara 150
sampai dengan 200 mm. Tentukan
a. fungsi distribusi peluang,
b. rata-rata dan variansi dari ketebalan baja yang dihasilkan jika dianggap mengikuti
distribusi seragam.
Jawab.
a. Fungsi distribusi probabilitas

f ( y)

1
1
1

b a 200 150 50

b. Rata-rata dan standar deviasi

a b 150 200

175
2
2

(b a ) 2

12

( 200 150 ) 2
14 . 43
12

B. Distribusi Normal
1. Untuk distribusi dengan rata-rata m dan standar deviasi s, PDFnya adalah
f ( y)

2
2
1
e ( y ) /( 2 )
2

1 y2
f ( y)
e
2

2. Probabilitas kumulatif untuk yy0 adalah integrasi dari fungsi PDF tersebut
F ( y0 )

y0

y0

f ( y)dy

2
2
1
e ( y ) /( 2 ) dy
2

3. Gunakan Tabel luas di bawah kurva normal.

Contoh Kasus Distribusi Normal (Suprayogi, 2006):
1. Tinggi badan yang dinyatakan dengan variabel random X diketahui berdistribusi normal
dengan rataan = 160 cm dan variansi 2 = 16 cm2. Probabilitas bahwa tinggi badan
antara 150 cm dan 165 cm?
Jawab.
150 160
165 160
Z

4
4

P(150<x<165) = P

= P(-2,50<Z<1,25)
= P(Z<1.25/-P(Z<2.5)
= 0.8944 0.0062
=0.8882

2. Nilai ujian mahasiswa yang diasumsikan memiliki distribusi normal (rataan = 80,
variansi 2 = 100). Jika mahasiswa yang lulus diinginkan sebesar 99 persen, batas nilai
kelulusan?
Jawab.
Misal variabel random X merupakan nilai ujian mahasiswa
P (X > x) = 0.99
P(X < x) = 0.01

P Z

x 80
0.01
10

x 80
2.33
10
x 80 1 (2.33)
x 56.7

C. Distribusi Gama
Karakteristik Distribusi Gama (Suprayogi, 2006):
1.

X merupakan gamma (, )

2.

Fungsi distribusi probabilitas:

3.

Parameter:
, > 0

4.

Rataan
= X

5.

Variansi
2 = 2

Contoh Kasus Distribusi Gama (Suprayogi, 2006):

1. Data historis waktu antar breakdown sebuah mesin bubut mengikuti distribusi gamma
dengan rata-rata 4 hari dan standar deviasi 2 hari. Tentukan nilai parameter skala dan
bentuk dari distribusi gamma yang dimaksud.
Jawab.
Distribusi Gamma, m = a.b dan 2 = .2

2 2 ( 2 ) 2

4 , maka b=1/2 dan a=8

Karena

2. Suatu panggilan telepon datang pada papan switching mengikuti proses Poisson,
dengan rata-rata 5 sambungan datang tiap menit. Tentukan peluang hingga 1 menit
berlalu baru 2 sambungan yang datang.
Jawaban:
Proses Poisson dapat diterapkan dengan menunggu 2 kejadian Poisson terjadi
mempunyai distribusi Gamma dengan b = 1/5 dan = 2. Misalkan X adalah selang
waktu sebelum 2 panggilan telpon datang. Peluangnya adalah:

D. Distribusi Chi Square

Contoh Kasus Distribusi Chi Square (Suprayogi, 2006):
Variabel random 2 diketahui berdistribusi khikuadrat dengan derajat kebebasan v = 10.
Nilai 2 agar probabilitas di sebelah kanan = 0,05?

E. Distribusi Eksponensial
1. Merupakan distribusi gamma dengan a=1, sehingga PDF nya adalah
2. Mean dan variansi distribusi eksponensial

m=b dan s2=b2

Aplikasi distribusi eksponensial:
1. Dalam teori antrian, jarak antar kedatangan pelanggan di fasilitas pelayanan (seperti
bank, loket kereta api, tukang cukur, dsb) memenuhi distribusi eksponensial.
2. Lama waktu mulai dipakai sampai rusaknya suatu suku cadang dan alat listrik
memenuhi distribusi eksponensial.
Contoh Kasus Distribusi Eksponensial (Munir, 2010):
1. Umur lampu (dinotasikan dengan X) merupakan variabel random yang memiliki
distribusi eksponensial dengan rataan = 6 bulan. Probabilitas bahwa umur lampu X
lebih dari 8 bulan?
Jawab.

2. Suatu sistem mengandung sejenis komponen yang daya tahannya dalam

tahun

dinyatakan oleh peubah acak T. Peubah acak T berdistribusi eksponensial dengan

parameter waktu rataan sampai gagal b = 5. Jika terdapat 5 buah komponen dipasang
pada sistem yang berlainan, tentukan peluang sekurangkurangnya 2 komponen masih
berfungsi sampai akhir tahun ke-8.
Jawaban:
Peluang komponen masih berfungsi hingga akhir tahun ke 8 adalah

Misalkan X adalah jumlah komponen yang masih berfungsi hingga akhir tahun ke-8,
maka dengan distribusi binomial.

F. Distribusi Weibull
Contoh Kasus Distribusi Weibull
Masa pakai sebuah mata pahat (dalam jam) mengikuti distribusi Weibull dangan a=8 dan
b=100. Tentukan probabilitas bahwa umur sebuah mata pahat kurang dari 8 jam.
F ( y0 )

y0

f ( y )dy

F y0 1 e

y0

. y ( 1) .e y

dy
Substitusi z=ya dan dz=a.ya-1dy diperoleh

1 e y0

P( y 8) F 8 1 e 8

/ 100

1 e 0.64 0.4773

G. Distribusi Student T

Contoh Kasus Distribusi Student T

1. Variabel random T diketahui berdistribusi t dengan derajat kebebasan v = 10. Nilai t agar
probabilitas di sebelah kanan = 0,05?
Jawab.

Perhaikan tabel distribusi berikut. Perhatikan nilai yang dilingkari. Nilai tersebut merupakan
nilai dengan derajat kebebasan v = 10 dan = 0,05.

2. Variabel random T diketahui berdistribusi t dengan derajat kebebasan v = 10. Nilai t agar
probabilitas di sebelah kiri 0,05?
Perhaikan tabel distribusi berikut. Perhatikan nilai yang dilingkari. Nilai tersebut
merupakan nilai dengan derajat kebebasan v = 10 dan = 0,05.

3.

PERSOALAN KEANDALAN
Nilai keandalan suatu komponen atau sistem merupakan nilai kemungkinan/probabilitas dari

suatu komponen atau sistem untuk dapat memenuhi fungsinya dalam kurun waktu dan kondisi
tertentu yang sudah ditetapkan (Taufiqurrachman, 2015). Dalam mengevaluasi keandalan suatu
sistem, variabel random yang dipakai umumnya adalah waktu.
Fungsi keandalan merupakan probabilitas suatu alat/ komponen dapat berfungsi sampai suatu
periode t. Berikut persamaan dan grafik Fungsi keandalan.

R(t) e

Gambar 1. Fungsi keandalan (Taufiqurrachman, 2015).

Berikut persamaan dan grafik Fungsi keandalan utnuk tiap distribusi (Taufiqurrachman, 2015).
1.

Distribusi Hiperexponensial
Fungsi keandalan R(t) = K. e (-2 K t) + (1-K) e [-2 (1-K) t]

2.

Distribusi Normal
Fungsi keandalan R(t)

3.

t 2

2 2

1
. e
. 2 t

dt

Distribusi Eksponensial
Fungsi keandalan R(t) = e (- t)

Contoh Kasus Teori Keandalan menggunakan Distribusi Eksponensial

Masa pakai (lifetime) sejenis komponen elektronika adalah acak. Masa pakai tersebut
memunyai distribusi eksponensial dengan mean 100 jam.

a) Hitung probabilitas masa pakai komponen lebih dari 150 jam.

b) Bila keandalan komponen tidak boleh kurang dari 0.8, hitung masa pakai komponen
tersebut.
Jawab.
T: variabel acak masa pakai komponen elektronik
T~ eksponensial dengan mean 100 jam

CDF variabel acak T berdistribusi eksponensial:

Probabilitas T lebih dari150 jam:

Prob. T>150 jam merupakan keandalan komponen beroperasi pada jam ke 150.

DAFTAR PUSTAKA

Munir, Rinaldi (2010). Probabilitas dan Statistik diakses tanggal 23 Agustus 2016 pukul 11.12
WIB
dari
http://informatika.stei.itb.ac.id/~rinaldi.munir/Probstat/20102011/Beberapa%20Distribusi%20Peluang%20Kontinu.pdf
Pens (2005). Distribusi Probabilitas diakses tanggal 23 Agustus 2016 pukul 08.08 WIB dari
http://irma.lecturer.pens.ac.id/Statistik/Distribusi%20Probabilitas%20Diskrit.pdf
Suprayogi (2006). Distribusi Probabilitas Kontinyu Teoritis diakses tanggal 23 Agustus 2016
pukul 09.22 WIB dari http://andihm.weblog.esaunggul.ac.id/wpcontent/uploads/sites/1148/2014/04/ESA155_M3_S.pdf
Taufiqurrachman (2015). Distribusi Probabilitas Dan Terminologi Keandalan diakses tanggal
23
Agustus
2016
pukul
13.25
WIB
dari
http://www.taufiqurrachman.weblog.esaunggul.ac.id