Probabilitas dan
Statistik
Beberapa Distribusi Peluang
Kontinu
09
Teknik Teknik Elektro W141700033 Heru Suwoyo
Muhammad Hafizd Ibnu Hajar, ST, MSc
Abstract Kompetensi
Modul ini memaparkan Setelah membaca modul ini,
beberapa distribusi mahasiswa diharapkan
probabilitas pada kasus mampu:
Kontinu Memahami distribusi
peluang kontinu seragam,
dan normal.
Menentukan dan
menunjukan luas dibawah
kurva normal serta
memahami cara
penggunaan tabel Luas
dibawah kurva normal.
Menerapkan kaidah-
kaidah penting distribusi
normal terhadap suatu
kasus tertentu.
Distribusi Seragam: Fungsi kepadatan variabel acak seragam kontinu 𝑋 pada interval [𝐴, 𝐵]
adalah
Fungsi kerapatan membentuk persegi panjang dengan alas 𝐵 − 𝐴 dan tinggi konstan 𝐵 − 𝐴.
Akibatnya, distribusi seragam sering disebut dengan distribusi persegi panjang. Perhatikan,
bagaimanapun, bahwa interval tidak selalu ditutup: [𝐴, 𝐵]. Bisa juga (𝐴, 𝐵). Fungsi kerapatan
untuk variabel acak seragam pada interval [1, 3] ditunjukkan pada Gambar 9.1
Probabilitas mudah dihitung untuk distribusi seragam karena sifat sederhana dari fungsi
kerapatan. Namun, perhatikan bahwa penerapan distribusi ini didasarkan pada asumsi bahwa
probabilitas jatuh dalam interval panjang tetap dalam [𝐴, 𝐵] adalah konstan.
Contoh 9.1 Misalkan ruang konferensi besar di perusahaan tertentu dapat dipesan tidak lebih
dari 4 jam. Konferensi panjang dan pendek cukup sering terjadi. Sebenarnya, dapat
diasumsikan bahwa panjang 𝑋 konferensi memiliki distribusi seragam pada interval [0, 4]
dan
Variabel acak kontinu X yang memiliki distribusi berbentuk lonceng pada Gambar 9.2
disebut variabel acak normal. Persamaan matematis untuk distribusi probabilitas variabel
normal bergantung pada dua parameter μ dan σ, mean dan deviasi standarnya. Oleh karena itu,
kita dapat menunjukkan nilai kepadatan 𝑋 dengan n (x; μ, σ).
Distribusi Normal: Densitas variabel acak normal 𝑋, dengan mean 𝜇 dan varians 𝜎 2 , adalah
Setelah 𝜇 dan 𝜎 ditentukan, kurva normal ditentukan sepenuhnya. Misalnya, jika 𝜇 = 50 dan
𝜎 = 5 , maka ordinat 𝑛(𝑥; 50, 5) dapat dihitung untuk berbagai nilai 𝑥 dan kurva yang
digambar. Pada Gambar 9.3, kita dapat membuat sketsa dua kurva normal yang memiliki
deviasi standar yang sama tetapi cara yang berbeda. Kedua kurva memiliki bentuk yang identik
tetapi berpusat pada posisi yang berbeda di sepanjang sumbu horizontal.
Teorema 9.2: Mean dan varians dari 𝑛 (𝑥; 𝜇, 𝜎) masing-masing adalah 𝜇 dan 𝜎 2 . Oleh karena
itu, deviasi standarnya adalah 𝜎.
Banyak variabel acak memiliki distribusi probabilitas yang dapat dijelaskan secara
memadai oleh kurva normal setelah 𝜇 dan 𝜎 2 ditentukan. Pada pertemuan ini, kita akan
mengasumsikan bahwa dua parameter ini diketahui, mungkin dari penyelidikan sebelumnya.
Nanti, kita akan membuat kesimpulan statistik ketika 𝜇 dan 𝜎 2 tidak diketahui dan telah
diperkirakan dari data eksperimen yang tersedia.
Seperti yang kita dapati sebelumnya, bahwa peran yang dimainkan distribusi normal adalah
sebagai pendekatan yang masuk akal dari variabel ilmiah dalam eksperimen pada kehidupan
nyata. Ada aplikasi lain dari distribusi normal yang pembaca akan hargai saat dia melanjutkan
membaca buku. Distribusi normal menemukan aplikasi yang sangat besar sebagai distribusi
yang membatasi. Dalam kondisi tertentu, distribusi normal memberikan perkiraan kontinu
yang baik untuk distribusi binomial dan hipergeometrik. Kasus pendekatan binomial dibahas
dalam Bagian 9.5. Pada Pertemuan 11, kita akan mempelajari tentang distribusi sampling.
Ternyata distribusi pembatas dari rata-rata sampel adalah normal. Ini memberikan dasar yang
luas untuk inferensi statistik yang terbukti sangat bermanfaat bagi analis data yang tertarik pada
estimasi dan pengujian hipotesis.
Pada Bagian 9.3, contoh menunjukkan penggunaan tabel distribusi normal. Bagian 9.4
memaparkan contoh aplikasi distribusi normal.
Pada Gambar 9.3, 9.4, dan 9.5 kita melihat bagaimana kurva normal bergantung pada
mean dan deviasi standar dari distribusi yang diselidiki. Area di bawah kurva antara dua ordinat
juga harus bergantung pada nilai 𝜇 dan 𝜎. Hal ini terbukti pada Gambar 9.7, di mana kita
memiliki daerah yang diarsir sesuai dengan 𝑃 (𝑥1 < 𝑋 < 𝑥2) untuk dua kurva dengan mean
dan varians yang berbeda. 𝑃 (𝑥1 < 𝑋 < 𝑥2)menunjukan bahwa X adalah variabel acak yang
menggambarkan distribusi A, ditunjukkan oleh area yang diarsir di bawah kurva A. Jika X
adalah variabel acak yang menggambarkan distribusi B, maka 𝑃 (𝑥1 < 𝑋 < 𝑥2 ) diberikan
oleh seluruh wilayah yang diarsir. Jelas, kedua wilayah yang diarsir memiliki ukuran yang
berbeda; oleh karena itu, probabilitas yang terkait dengan setiap distribusi akan berbeda untuk
dua nilai 𝑋 yang diberikan.
Ada banyak jenis software statistik yang dapat digunakan untuk menghitung area di
bawah kurva normal. Kesulitan yang dihadapi dalam menyelesaikan integral dari fungsi
kerapatan normal memerlukan tabulasi area kurva normal untuk referensi cepat. Namun, akan
menjadi tugas yang sia-sia untuk mencoba menyiapkan tabel terpisah untuk setiap nilai 𝜇 dan
Gambar 6.7: P (x1 <X <x2) untuk kurva normal yang berbeda.
dari variabel acak normal 𝑍 dengan mean 0 dan varians 1. Hal ini dapat dilakukan dengan cara
transformasi
dimana 𝑍 terlihat sebagai variabel acak normal dengan mean 0 dan varians 1.
Definisi 9.1: Distribusi variabel acak normal dengan mean 0 dan varians 1 disebut distribusi
normal standar.
Distribusi nyata dan hasil transformasi diilustrasikan pada Gambar 9.8. Karena semua nilai 𝑋
yang berada di antara 𝑥1 dan 𝑥2 memiliki nilai 𝑧 yang sesuai antara 𝑧1 dan 𝑧2 , area di bawah
kurva 𝑋 antara ordinat 𝑥 = 𝑥1 dan 𝑥 = 𝑥2 pada Gambar 9.8 sama dengan luas di bawah
kurva 𝑍 antara ordinat yang ditransformasikan 𝑧 = 𝑧1 dan 𝑧 = 𝑧2 .
Contoh 9.2: Diketahui distribusi normal standar, temukan area di bawah kurva yang terletak
(a) di kanan z = 1,84 dan
(b) antara z = −1.97 dan z = 0.86
Contoh 9.4: Diketahui variabel acak 𝑋 yang berdistribusi normal dengan 𝜇 = 50 dan 𝜎 =
10, temukan probabilitas bahwa 𝑋 mengasumsikan nilai antara 45 dan 62.
dan
karena itu
𝑃 (−0.5 < 𝑍 < 1.2) ditunjukkan oleh luas daerah yang diarsir pada Gambar 9.11. Luas ini
dapat dicari dengan mengurangi luas di sebelah kiri ordinat 𝑧 = −0.5 dari seluruh luas di
sebelah kiri 𝑧 = 1.2. Menggunakan Tabel A.3, kita dapatkan
Contoh 9.5: Diketahui bahwa 𝑋 memiliki distribusi normal dengan μ = 300 dan σ = 50, carilah
probabilitas bahwa 𝑋 mengasumsikan nilai lebih besar dari 362.
Jawab: Distribusi probabilitas normal dengan area yang dikehendaki diarsir ditunjukkan pada
Gambar 9.12. Untuk mencari 𝑃 (𝑋 > 362), kita perlu mengevaluasi luas di bawah kurva
normal di sebelah kanan 𝑥 = 362. Ini dapat dilakukan dengan mengubah 𝑥 = 362 ke nilai
𝑧 yang sesuai, memperoleh luas di sebelah kiri 𝑧 dari Tabel A.3, dan kemudian mengurangi
area ini dari 1. Sehingga kita dapat menemukan bahwa
dan
karenanya,
yang merupakan pernyataan yang jauh lebih kuat daripada yang diberikan oleh teorema
Chebyshev.
untuk memberikan
Contoh 9.6: Diketahui distribusi normal dengan 𝜇 = 40 dan 𝜎 = 6, carilah nilai 𝑥 yang
memiliki
a. 45% dari luas ke kiri dan
b. 14% dari luas di sebelah kanan.
Contoh: 9.7: Jenis baterai penyimpanan tertentu bertahan, rata-rata, 3.0 tahun dengan deviasi
standar 0.5 tahun. Dengan asumsi bahwa usia baterai terdistribusi normal, temukan peluang
bahwa baterai tertentu akan bertahan kurang dari 2.3 tahun.
Jawab: Pertama-tama buat diagram seperti Gambar 9.14, yang menunjukkan distribusi masa
pakai baterai dan area yang diinginkan. Untuk menemukan 𝑃 (𝑋 < 2.3) , kita perlu
mengevaluasi area di bawah kurva normal di sebelah kiri 2.3. Ini dilakukan dengan mencari
luas di sebelah kiri nilai 𝑧 yang sesuai. Karenanya, kita dapatkan
dan
Sehingga,
Contoh 9.9: Dalam proses industri, diameter bantalan bola merupakan ukuran penting.
Pembeli menetapkan spesifikasi diameter 3.0 ± 0.01 cm. Implikasinya adalah tidak ada bagian
yang berada di luar spesifikasi ini yang akan diterima. Diketahui bahwa dalam prosesnya
diameter bantalan bola berdistribusi normal dengan mean 𝜇 = 3.0 dan standar deviasi 𝜎 =
0.005. Rata-rata, berapa banyak bantalan bola yang diproduksi yang akan dibuang?
Jawab: Distribusi diameter diilustrasikan oleh Gambar 9.16. Nilai yang sesuai dengan batas
spesifikasi adalah 𝑥1 = 2.99 dan 𝑥2 = 3.01. Nilai 𝑧 yang sesuai adalah
karenanya,
Dari Tabel A.3, 𝑃 (𝑍 < −2.0) = 0.0228. Karena simetri distribusi normal, kita dapatkan
Akibatnya, diperkirakan bahwa rata-rata 4.56% bantalan bola yang diproduksi akan
dihilangkan.
Contoh 9.10: Pengukur digunakan untuk menolak semua komponen yang dimensi tertentu
tidak berada dalam spesifikasi 1.50 ± 𝑑 . Diketahui bahwa pengukuran ini berdistribusi
normal dengan mean 1.50 dan standar deviasi 0.2. Tentukan nilai d sedemikian rupa sehingga
spesifikasi “menutupi” 95% dari pengukuran.
karenanya,
Contoh 9.11: Mesin tertentu membuat resistor listrik memiliki resistansi rata-rata 40 ohm dan
deviasi standar 2 ohm. Dengan asumsi bahwa resistansi mengikuti distribusi normal dan dapat
diukur ke tingkat akurasi apa pun, berapa persentase resistor yang akan memiliki resistansi
melebihi 43 ohm?
Jawab: Persentase ditemukan dengan mengalikan frekuensi relatif dengan 100%. Karena
frekuensi relatif untuk suatu interval sama dengan probabilitas suatu nilai yang jatuh dalam
interval, kita harus mencari luas di sebelah kanan 𝑥 = 43 pada Gambar 9.18. Ini dapat
dilakukan dengan mengubah 𝑥 = 43 menjadi nilai 𝑧 yang sesuai, memperoleh luas di sebelah
kiri 𝑧 dari Tabel A.3, dan kemudian mengurangkan luas ini dari 1. Kita temukan
sehingga,
Oleh karena itu, 6.68% resistor akan memiliki resistansi melebihi 43 ohm.
karenanya,
Oleh karena itu, 4.01% dari resistansi melebihi 43 ohm ketika diukur ke ohm terdekat.
Perbedaan 6.68% - 4.01% = 2.67% antara jawaban ini dan Contoh 9.11 mewakili semua nilai
resistansi yang lebih besar dari 43 dan kurang dari 43.5 yang sekarang dicatat sebagai 43 ohm.
Contoh 9.13: Nilai rata-rata untuk suatu ujian adalah 74, dan standar deviasinya adalah 7. Jika
12% dari kelas diberi nilai 𝐴, dan nilai-nilainya dikurvakan sebagai representasi dari distribusi
normal, berapa kemungkinan terendah diberikan nilai 𝐴 dan kemungkinan tertinggi nilai B?
Jawab: Dalam contoh ini, kita mulai dengan area probabilitas yang diketahui, mencari nilai 𝑧,
dan kemudian menentukan 𝑥 dari rumus 𝑥 = 𝜎𝑧 + 𝜇. Area 0.12, sesuai dengan pecahan
mahasiswa yang menerima A, diarsir pada Gambar 9.20. Kita membutuhkan nilai 𝑧 yang
menyisakan 0.12 dari area ke kanan dan, karenanya, luas 0.88 ke kiri. Dari Tabel A.3, 𝑃 (𝑍 <
1.18) memiliki nilai terdekat dengan 0.88, sehingga nilai 𝑧 yang diinginkan adalah 1.18.
Karenanya,
Note:
Masih banyak jenis dan bahasan distribusi peluang kontinu, yang mungkin bermanfaat bagi
kita, seperti; Hampiran Normal terhadap binomial, Distribusi gamma dan eksponensial serta
penerapannya, distribusi khi-kuadrat dan distribusi weilbull. Namun, karena keterbatasan
waktu dalam membahas kesemuanya diharapkan bagi teman-teman, mahasiswa, untuk
sekiranya dapat mempelajarinya dengan mengacu pada referensi-referensi yang relevan. Hal
ini ditekankan karena, untuk pertemuan selanjutnya tidak menutup kemungkinan kita akan
menyinggung bahasan tersebut secara parsial/penuh atau bahkan secara detail mengeksplorasi
lebih dalam.