Variabel Acak

dan
Distribusi Probabilitas
Kontinu
 Variabel Acak Terdistribusi
Seragam
 Grafik distribusi seragam (uniform)
 f(x)

 1
 d-c

x
 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 antara jam 08.00-10.00 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
0
120 − 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 µ = sebelah kanan µ).
 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 :

−
( x −  x )2

f (x;  x ,  x ) =
1
e (2 ) 2
x
−  x  
 x 2
 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 μ dan σ.

1 1
2
μ1 = μ2 σ1 > σ2 μ1 < μ2 σ1 = σ2

μ1 < μ2 σ1 < σ2
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 kontinu Z :
− z2
f N (z;0,1) =
1
e 2
−  z  
2

mean atau rata-rata µ = 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 :

x−
Z =

 Jika X distribusi normal dengan mean  dan
deviasi standard  maka

 x − x   a − x 
P ( X  a ) = P Z x 
  =  
 x   x 
 a − x b − x   b − x   a − x 
P(a  x  b ) = P  Zx   =   −  
 x x   x   x 
 b − x   b − x   a − x 
P ( X  b ) = P Z x 
 
 
= 1 − P Z x  
 = 1 −  
 x   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(55≤x≤75) =

=
= P(0≤Z≤1,33)
= 0,4082 (Tabel Z)
Atau

Tabel Z → A = 0,4082
b) P(60≤x≤80) =
= P(0,33≤Z≤1,67)
= P(0≤Z≤1,67) – P(0≤Z≤0,33)
= 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(40≤x≤60)= A + B

=
= P(-1,00≤Z≤0,33)
= P(-1,00≤Z≤0) + P(0≤Z≤0,33)
= 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 µ = np dan varians = npq,

maka Zz == Xx −- np
n berdistribusi normal standar
npq
 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
0 rekursif di mana (n) = (n-1)!
 Distribusi Gamma
Variabel random kontinu X memiliki sebuah distribusi gamma,
dengan parameter  dan , jika fungsi densitasnya diberikan
oleh:
 1  −1 − x / 
   ( ) x e , untuk x  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 , untuk x  0

f (x ) = 
0 lainnya

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
8
5

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) 5−c
1
= 1−  c  = 1 − 0.737 = 0.263
c =0