Distribusi Probabilitas Kontinu PDF
Distribusi Probabilitas Kontinu PDF
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.
−
( 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
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
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)
= . +
= (-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
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
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