Modul 9 - Beberapa Distribusi Peluang Kontinu

MODUL PERKULIAHAN
Probabilitas dan
Statistik
Beberapa Distribusi Peluang
Kontinu
Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh
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.
9.1 Distribusi Seragam Kontinu

Salah satu distribusi kontinu yang paling sederhana di semua statistik adalah distribusi
seragam kontinu. Distribusi ini dicirikan oleh fungsi kerapatan yang "datar", dan dengan
demikian probabilitasnya seragam dalam interval tertutup, katakanlah [𝐴, 𝐵] . Meskipun
aplikasi dari distribusi seragam kontinu tidak sebanyak distribusi lain, namun tepat bagi kita
sebagai pemula untuk memulai pengenalan pada distribusi kontinu dengan distribusi seragam.
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]
2020 Probabilitas dan Statistika PusatBahan Ajar dan eLearning

2 Heru Suwoyo. http://www.mercubuana.ac.id
Gambar 9.1: Fungsi kerapatan untuk variabel acak pada interval [1, 3]
(a) Berapakah fungsi kepadatan probabilitas?
(b) Berapa probabilitas bahwa setiap konferensi berlangsung setidaknya 3 jam?
Jawab: (a) Fungsi kerapatan/kepadatan yang tepat untuk variabel acak terdistribusi seragam
dalam situasi ini adalah
(b) Sehingga kita dapatkan
Teorema 10.1: Rata-rata dan varians dari distribusi seragam adalah
dan
9.2 Distribusi Normal

Distribusi probabilitas kontinu terpenting di seluruh bidang statistik adalah distribusi
normal. Grafiknya, yang disebut kurva normal, adalah kurva berbentuk lonceng pada Gambar
9.2, yang menggambarkan sekilas banyak fenomena yang terjadi di alam, industri, dan
penelitian. Misalnya, pengukuran fisik di bidang-bidang seperti eksperimen meteorologi, studi
curah hujan, dan pengukuran bagian-bagian yang diproduksi seringkali lebih dari cukup

dijelaskan dengan distribusi normal. Selain itu, kesalahan dalam pengukuran ilmiah
diperkirakan sangat baik dengan distribusi normal. Pada tahun 1733, Abraham DeMoivre
mengembangkan persamaan matematika dari kurva normal. Ini memberikan dasar dari mana
banyak teori statistik induktif didirikan. Distribusi normal sering disebut sebagai distribusi
Gaussian, untuk menghormati Karl Friedrich Gauss (1777–1855), yang juga mendapatkan
persamaannya dari studi kesalahan dalam pengukuran berulang dengan kuantitas yang sama.
Gambar 9.2: Kurva normal.
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
dimana 𝜋 = 3,14159 . .. dan 𝑒 = 2,71828 . . ..
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.

Gambar 9.3: Kurva normal dengan 𝜇1 < 𝜇2 dan 𝜎1 = 𝜎2 .
Gambar 9.4: Kurva normal dengan 𝜇1 = 𝜇2 dan 𝜎1 < 𝜎2 .

Pada Gambar 9.4, kita dapat melihat bahwa sketsa dua kurva normal dengan mean yang
sama tetapi deviasi standar yang berbeda. Kali ini kita melihat bahwa kedua kurva tersebut
berpusat pada posisi yang persis sama pada sumbu horizontal, tetapi kurva dengan deviasi
standar yang lebih besar lebih rendah dan menyebar lebih jauh. Ingatlah bahwa area di bawah
kurva probabilitas harus sama dengan 1, dan oleh karena itu, semakin banyak variabel
kumpulan pengamatan, maka kurvanya semakin rendah dan lebar.
Gambar 9.5 menunjukkan dua kurva normal yang memiliki rata-rata berbeda dan deviasi
standar yang berbeda. Jelaslah, kedua kurvanya berpusat pada posisi yang berbeda pada sumbu
horizontal dan bentuknya mencerminkan dua nilai σ yang berbeda.

Gambar 9.5: Kurva normal dengan μ1 <μ2 dan σ1 <σ2
Berdasarkan pemeriksaan Gambar 9.2 hingga 9.5 dan pemeriksaan turunan pertama dan kedua
dari 𝑛 (𝑥; 𝜇, 𝜎), kita dapatkan properti kurva normal berikut:
a. Modus, yaitu titik pada sumbu horizontal di mana kurva adalah maksimum,
terjadi pada 𝑥 = 𝜇.
b. Kurva ini simetris terhadap sumbu vertikal pada mean 𝜇.
c. Kurva memiliki titik-titik infleksinya pada 𝑥 = 𝜇 ± 𝜎; dan menghasilkan
bentuk cekung ke bawah jika 𝜇 − 𝜎 < 𝑋 < 𝜇 + 𝜎 begitu sebaliknya akan
membentuk cekung ke atas.
d. Kurva normal mendekati sumbu horizontal tanpa gejala saat kita melanjutkan
di kedua arah menjauh dari mean.
e. Luas total di bawah kurva dan di atas sumbu horizontal sama dengan 1.
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.
Bukti: Untuk mengevaluasi mean, pertama kita menghitung
Dengan mengatur dan , kita dapatkan

karena integral di atas adalah fungsi ganjil dari 𝑧. Dengan menggunakan Teorema 7.1 (pada
pertemuan ke 7), kita dapat menyimpulkan bahwa
Varians dari distribusi normal diberikan oleh
Sekali lagi dengan mengatur z = (x - μ) / σ dan dx = σ dz, kita dapatkan
dengan mengintegrasikan bagian-bagian dengan u = z dan dv = ze− z2 / 2 dz sehingga du = dz

dan v = −e − z2 /2, kita dapat menemukan bahwa
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.

9.3 Area di bawah Kurva Normal
Kurva dari distribusi probabilitas kontinu atau fungsi kepadatan dibangun sehingga area
di bawah kurva dibatasi oleh dua ordinat 𝑥 = 𝑥1 dan 𝑥 = 𝑥2 sama dengan probabilitas
variabel acak 𝑋 yang mengasumsikan nilai antara 𝑥 = 𝑥1 dan 𝑥 = 𝑥2 . Jadi, untuk kurva
normal pada Gambar 9.6,
direpresentasikan oleh area wilayah yang diarsir.
Gambar 9.6: P (x1 <X <x2) = luas wilayah yang diarsir.
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

𝜎 yang memungkinkan. Untungnya, kami dapat mengubah semua observasi variabel acak
normal 𝑋 menjadi kumpulan observasi baru
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
Setiap kali 𝑋 mengasumsikan nilai 𝑥, nilai 𝑍 yang sesuai diberikan oleh 𝑧 = (𝑥 − 𝜇) / 𝜎.

Oleh karena itu, jika 𝑋 berada di antara nilai 𝑥 = 𝑥1 dan 𝑥 = 𝑥2 , variabel acak 𝑍 akan
berada di antara nilai yang sesuai 𝑧1 = (𝑥1 − 𝜇) / 𝜎 dan 𝑧2 = (𝑥2 − 𝜇) / 𝜎. Sehingga kita
dapat menulis
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 .

Kita sekarang telah mengurangi jumlah tabel yang diperlukan dari area kurva normal menjadi
satu, yaitu dari distribusi normal standar. Tabel A.3 menunjukkan area di bawah kurva normal
standar yang sesuai dengan 𝑃 (𝑍 < 𝑧) untuk nilai 𝑧 berkisar dari −3.49 hingga 3.49. Untuk
mengilustrasikan penggunaan tabel ini, mari kita cari probabilitas bahwa 𝑍 kurang dari
1.74. Pertama, kita menempatkan nilai 𝑧 sama dengan 1.7 di kolom kiri; lalu kita pindah ke
baris di bawah 0.04, di mana kita membaca 0.9591. Oleh karena itu, 𝑃 (𝑍 < 1.74) = 0.9591.
Untuk menemukan nilai 𝑧 yang sesuai dengan probabilitas tertentu, prosesnya dibalik.
Misalnya, nilai 𝑧 yang menyisakan luas 0.2148 di bawah kurva di sebelah kiri 𝑧 terlihat
menjadi −0.79.
Gambar 9.8: Distribusi normal asli dan hasil transformasi.
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
Gambar 9.9: Area untuk Contoh 9.2

Jawab: Lihat Gambar 9.9 untuk area spesifiknya.
a. Luas pada Gambar 9.9 (a) di sebelah kanan 𝑧 = 1.84 sama dengan 1 dikurangi
luas pada Tabel A.3 di sebelah kiri z = 1.84, yaitu 1 - 0,9671 = 0,0329.
b. Luas di Gambar 6.9 (b) antara z = −1.97 dan z = 0.86 sama dengan luas di sebelah
kiri z = 0.86 dikurangi luas di sebelah kiri z = −1.97. Dari Tabel A.3 kami
menemukan area yang diinginkan menjadi 0,8051 - 0,0244 = 0,7807.
Contoh 9.3: Diketahui distribusi normal standar, temukan nilai k sehingga

a. 𝑃 (𝑍 > 𝑘) = 0.3015 dan
b. 𝑃 (𝑘 < 𝑍 < −0.18) = 0.4197.
Gambar 9.10: Area untuk Contoh 9.3.

Jawab: Distribusi dan area yang diinginkan ditunjukkan pada Gambar 9.10.
(a) Pada Gambar 9.10 (a), kita melihat bahwa nilai 𝑘 yang meninggalkan luas 0.3015 ke kanan
harus meninggalkan luas 0.6985 ke kiri. Dari Tabel A.3 dapat disimpulkan bahwa 𝑘 = 0.52.
(b) Dari Tabel A.3 kita perhatikan bahwa total luas di sebelah kiri −0.18 sama dengan 0.4286.
Pada Gambar 9.10 (b), kita melihat bahwa luas antara 𝑘 dan −0.18 adalah 0.4197, jadi luas di
sebelah kiri 𝑘 harus 0.4286 − 0.4197 = 0.0089. Oleh karena itu, dari Tabel A.3, kita
mendapatkan 𝑘 = −2.37.
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.

Jawab: Nilai 𝑧 yang terkait dengan 𝑥1 = 45 dan 𝑥2 = 62 adalah
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

karenanya,
Gambar 9.12: Area untuk Contoh 9.5
Menurut teorema Chebyshev pada pertemuan ke 7, peluang bahwa variabel acak

mengasumsikan nilai dalam 2 deviasi standar rata-rata adalah setidaknya 3/4. Jika variabel acak
berdistribusi normal, nilai 𝑧 yang terkait dengan 𝑥1 = 𝜇 – 2𝜎 and 𝑥_2 = 𝜇 + 2𝜎 mudah
dihitung bahwa
dan
karenanya,
yang merupakan pernyataan yang jauh lebih kuat daripada yang diberikan oleh teorema
Chebyshev.

Menggunakan Kurva Normal secara Terbalik
Kadang-kadang, kita diminta untuk menemukan nilai 𝑧 yang sesuai dengan probabilitas
tertentu yang berada di antara nilai-nilai yang tercantum pada Tabel A.3 (lihat Contoh 9.6).
Untuk kenyamanan, kita akan selalu memilih nilai 𝑧 yang sesuai dengan probabilitas tabel yang
paling mendekati probabilitas yang ditentukan.
Dua contoh sebelumnya diselesaikan dengan pertama dari nilai 𝑥 ke nilai 𝑧 dan kemudian
menghitung luas yang diinginkan. Dalam Contoh 9.6, kita membalik prosesnya dan memulai
dengan area atau probabilitas yang diketahui, mencari nilai 𝑧, dan kemudian menentukan 𝑥
dengan menyusun ulang rumusnya.
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.

Jawab:
a. Area 0.45 di sebelah kiri nilai x yang diinginkan diarsir pada Gambar 9.13 (a). Kita
membutuhkan nilai 𝑧 yang menyisakan luas 0.45 ke kiri. Dari Tabel A.3 kita
menemukan bahwa 𝑃 (𝑍 < −0.13) = 0.45 , jadi nilai 𝑧 yang diinginkan adalah
−0.13. Karenanya,
b. Pada Gambar 9.13 (b), kita menaungi area yang sama dengan 0.14 di sebelah kanan
nilai 𝑥 yang diinginkan. Kali ini kita membutuhkan nilai 𝑧 yang menyisakan 0.14 dari
area ke kanan dan karenanya luas 0.86 ke kiri. Sekali lagi, dari Tabel A.3, kita
menemukan 𝑃 (𝑍 < 1.08) = 0.86, sehingga nilai z yang diinginkan adalah 1.08 dan
9.4 Aplikasi Distribusi Normal

Beberapa dari banyak masalah yang menerapkan distribusi normal dibahas dalam
contoh berikut. Penggunaan kurva normal untuk memperkirakan probabilitas binomial dibahas
dalam Bagian 9.5.
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 kemudian, dengan menggunakan Tabel A.3, diperoleh

Contoh 9.8: Sebuah perusahaan kelistrikan memproduksi bola lampu yang memiliki masa
pakai, sebelum mati, yang didistribusikan secara normal dengan mean sama dengan 800 jam
dan deviasi standar 40 jam. Temukan probabilitas bola lampu menyala antara 778 dan 834 jam.
Jawab: Distribusi umur bola lampu diilustrasikan pada Gambar 9.15. Nilai 𝑧 yang sesuai
dengan 𝑥1 = 778 dan 𝑥2 = 834 adalah
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

dan
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.
Gambar 9.17: Spesifikasi untuk Contoh 9.10.

Solusi: Dari Tabel A.3 kita tahu bahwa
karenanya,
Sehingga kita dapat memperoleh
Ilustrasi spesifikasi ditunjukkan pada Gambar 9.17.
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.

Contoh 9.12: Tentukan persentase resistansi yang melebihi 43 ohm untuk Contoh 9.11 jika
resistansi diukur ke ohm terdekat.
Jawab: Masalah ini berbeda dengan Contoh 9.11 yang sekarang kita tetapkan pengukuran 43
ohm untuk semua resistor yang resistansinya lebih besar dari 42.5 dan kurang dari 43.5. Kita
bisa mendekati distribusi diskrit dengan cara
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,

Dengan demikian kemungkinan terendah diberikannya nilai A adalah 83 dan kemungkinan
tertinggi diberikan nilai B adalah 82.

Contoh 9.14: Lihat Contoh 9.13 dan cari desil keenam.
Jawab: Desil keenam, ditulis D6, adalah nilai x yang menyisakan 60% area ke kiri, seperti
yang ditunjukkan pada Gambar 9.21. Dari Tabel A.3 kita menemukan 𝑃 (𝑍 < 0.25) ≈ 0.6,
sehingga nilai 𝑧 yang diinginkan adalah 0.25. Sekarang 𝑥 = (7) (0.25) + 74 = 75.75.
Jadi, 𝐷6 = 75.75. Artinya, 60% nilainya adalah 75 atau kurang.
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.

Referensi
1. Amudi Pasaribu, 19830, Pengantar Statistik , Edisi keenam, Ghalia Indonesia.
2. J. Supranto, 2000, Statistik Teori dan Aplikasi , Edisi keenam Jilid I dan II, Penerbit
Erlangga
3. Murray R.Spiegel; I. Nyoman Susila, 1992, Teori dan Soal-Soal Statistik Versi SI
(Metrik), Penerbit Erlangga.
4. Ronald E.Walpole, 1982, Pengantar Statistika , Edisi ketiga, Penerbit PT. Gramedia,
Jakarta.


Modul 9 - Beberapa Distribusi Peluang Kontinu

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul 9 - Beberapa Distribusi Peluang Kontinu

Diunggah oleh

Hak Cipta:

Format Tersedia

MODUL PERKULIAHAN

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

9.1 Distribusi Seragam Kontinu

2020 Probabilitas dan Statistika PusatBahan Ajar dan eLearning

(b) Sehingga kita dapatkan

Teorema 10.1: Rata-rata dan varians dari distribusi seragam adalah

9.2 Distribusi Normal

2020 Probabilitas dan Statistika PusatBahan Ajar dan eLearning

Gambar 9.2: Kurva normal.

dimana 𝜋 = 3,14159 . .. dan 𝑒 = 2,71828 . . ..

2020 Probabilitas dan Statistika PusatBahan Ajar dan eLearning

Gambar 9.4: Kurva normal dengan 𝜇1 = 𝜇2 dan 𝜎1 < 𝜎2 .

2020 Probabilitas dan Statistika PusatBahan Ajar dan eLearning

Bukti: Untuk mengevaluasi mean, pertama kita menghitung

Dengan mengatur dan , kita dapatkan

2020 Probabilitas dan Statistika PusatBahan Ajar dan eLearning

Varians dari distribusi normal diberikan oleh

Sekali lagi dengan mengatur z = (x - μ) / σ dan dx = σ dz, kita dapatkan

dengan mengintegrasikan bagian-bagian dengan u = z dan dv = ze− z2 / 2 dz sehingga du = dz

2020 Probabilitas dan Statistika PusatBahan Ajar dan eLearning

direpresentasikan oleh area wilayah yang diarsir.

Gambar 9.6: P (x1 <X <x2) = luas wilayah yang diarsir.

2020 Probabilitas dan Statistika PusatBahan Ajar dan eLearning

Setiap kali 𝑋 mengasumsikan nilai 𝑥, nilai 𝑍 yang sesuai diberikan oleh 𝑧 = (𝑥 − 𝜇) / 𝜎.

2020 Probabilitas dan Statistika PusatBahan Ajar dan eLearning

Gambar 9.8: Distribusi normal asli dan hasil transformasi.

Gambar 9.9: Area untuk Contoh 9.2

2020 Probabilitas dan Statistika PusatBahan Ajar dan eLearning

Contoh 9.3: Diketahui distribusi normal standar, temukan nilai k sehingga

Gambar 9.10: Area untuk Contoh 9.3.

2020 Probabilitas dan Statistika PusatBahan Ajar dan eLearning

Jawab: Nilai 𝑧 yang terkait dengan 𝑥1 = 45 dan 𝑥2 = 62 adalah

2020 Probabilitas dan Statistika PusatBahan Ajar dan eLearning

Gambar 9.12: Area untuk Contoh 9.5

Menurut teorema Chebyshev pada pertemuan ke 7, peluang bahwa variabel acak

2020 Probabilitas dan Statistika PusatBahan Ajar dan eLearning

Gambar 9.13: Area untuk Contoh 9.6.

9.4 Aplikasi Distribusi Normal

dan kemudian, dengan menggunakan Tabel A.3, diperoleh

Gambar 9.14: Area untuk Contoh 9.7.

2020 Probabilitas dan Statistika PusatBahan Ajar dan eLearning

Gambar 9.15: Area untuk Contoh 9.8.

2020 Probabilitas dan Statistika PusatBahan Ajar dan eLearning

Gambar 9.16: Area untuk Contoh 9.9.

Gambar 9.17: Spesifikasi untuk Contoh 9.10.

2020 Probabilitas dan Statistika PusatBahan Ajar dan eLearning

Sehingga kita dapat memperoleh

Ilustrasi spesifikasi ditunjukkan pada Gambar 9.17.

Gambar 9.18: Area untuk Contoh 6.11.

2020 Probabilitas dan Statistika PusatBahan Ajar dan eLearning

Gambar 9.19: Area untuk Contoh 9.12.

2020 Probabilitas dan Statistika PusatBahan Ajar dan eLearning

Gambar 9.20: Area untuk Contoh 9.13.

Gambar 9.21: Area untuk Contoh 9.14.

2020 Probabilitas dan Statistika PusatBahan Ajar dan eLearning

2020 Probabilitas dan Statistika PusatBahan Ajar dan eLearning

Anda mungkin juga menyukai