Program Pasca Sarjana Terapan

Politeknik Elektronika Negeri Surabaya

DISTRIBUSI
VARIABEL ACAK
N S
PE
Modul 9. Pengantar Statistik

Dr. Ir. Prima Kristalina, MT

Juni 2019
 2

OUTLINE

S
1. Beberapa macam Distribusi Variabel Acak Khusus

N
2. Distribusi Variabel Acak Diskrit: Binomial, Poisson

E
3. Distribusi Variabel Acak Kontinyu: Uniform, Normal,

P
Eksponensial, Gamma, Chi-Square
4. Pemakaian tabel distribusi normal baku
5. Contoh Soal dan Pembahasan
 3

BEBERAPA MACAM DISTRIBUSI PROBABILITAS

S
• Distribusi Probabilitas Variabel Diskrit:

N
• Distribusi Binomial

E
• Distribusi Geometrik

P
• Disribusi Hypergeometrik
• Distribusi Poisson
• Distribusi Probabilitas Variabel Kontinyu:
• Distribusi Uniform
• Distribusi Gamma
• Distribusi Eksponensial
• Distribusi Weibull
• Distribusi Normal
• Distribusi Chi Square
 4

DISTRIBUSI BINOMIAL

S
• Distribusi ini hanya mengenal dua keadaan, yaitu

N
berhasil atau gagal.

E
• Distribusi ini sering disebut juga sebagai proses

P
Bernoulli (Bernoulli trials).
• Ciri-ciri proses Bernoulli:
1. Ada dua kejadian yang bisa terjadi dan saling asing
pada setiap percobaan, yaitu: sukses dan gagal.
2. Urutan dari percobaan tersebut merupakan kejadian
independen
3. Probabilitas sukses dinyatakan sebagai p, dimana nilai
p ini tetap dari satu percobaan ke percobaan
berikutnya atau dari satu kejadian ke kejadian lainnya.
 5

DISTRIBUSI BINOMIAL

S
• Ada tiga nilai yang diperlukan dalam proses Bernoulli:

N
jumlah percobaan ,n dimana setiap hasil keluaran

E
saling independen, jumlah keberhasilan, X dan p yang
menyatakan probabilitas keberhasilan dari X.

P
• Distribusi Binomial dapat dinyatakan dengan
persamaan kombinasi sbb:
n
f ( x | n, p ) = P ( X = x ) =   p x (1 − p )
n− x

 x
n!
p x (1 − p )
n− x
=
x !( n − x ) !
 6

DISTRIBUSI BINOMIAL

S
• Nilai mean dan varians dari distribusi Binomial

N
ditentukan oleh berbagai peristiwa yang dihasilkan dari

E
percobaan Binomial.

P
• Jika sebuah variabel X terdiri dari n percobaan,
dimana: X = L1 + L2 + ... + Ln
• maka mean dari populasi distribusi Binomial dinyatakan
sbb:  = E  X  = E ( L ) + E ( L ) + ... + E ( L )
1 2 n
=p + p + ... + p = n. p
• Varians dari total populasi distribusi binomial
dinyatakan sbb:  2 = V  X  =  2 +  2 + ... +  2
L1 L2 Ln

=p.q + p.q + ... + p.q = n. p.q

 7

• Contoh 1:
Dari hasil penelitian didapatkan bahwa probabilitas
seseorang untuk sembuh dari sakit antrax dengan

S
pemberian obat tertentu adalah 60%. Jika diambil 10
orang yang terjangkit penyakit secara acak, hitung:

N
a. Probabilitas tidak lebih dari 3 orang untuk sembuh

E
b. Probabilitas sedikitnya 5 orang untuk sembuh
c. Hitung rata-rata dan simpangan baku pasien sembuh

P
pmf n=10, p=0.6 cdf
0.35 1

0.9
0.3
0.8

0.25 0.7

0.6
0.2
F(x)
f(x)

0.5
0.15
0.4

0.1 0.3

0.2
0.05
0.1

0 0
1 2 3 4 5 6 7 8 910 1 2 3 4 5 6 7 8 9 10
x x
 8

• Jawab:
n = 10, p = 0,36 q = 1 − 0, 6 = 0, 4
a. P ( X  3) =  f ( x :10, 0.6 )

S
0
= f ( 0 :10, 0.6 ) + f (1:10, 0.6 ) + f ( 2 :10, 0.6 ) + f ( 3 :10, 0.6 )

N
10  10  10   10 
=   .0, 60.0, 410 +   .0, 61.0, 49 +   .0, 6 2.0, 48 +   .0, 63.0, 47

E
0 1 2 3
= 0, 0001 + 0, 0016 + 0, 0106 + 0, 0425 = 0, 0548

P
 3 
b. P ( X  5 ) = 1 −   f ( x :10, 0.6 ) + f ( 4 :10, 0.6 ) 
 0 
= 1 − ( 0, 0548 + 0, 0159 ) = 0,929

c. Rata-rata populasi:  = n. p = 10 x0, 6 = 6

Simpangan baku:  = n. p.q = 10 x0, 6 x0, 4 = 1,55
 9

DISTRIBUSI POISSON

S
• Distribusi ini efektif digunakan untuk n jumlah

N
pengamatan yang sangat besar, sementara

E
probabilitas satu kejadian, p sangat kecil (biasanya
jauh di bawah 0,5)

P
• Contoh penggunaan distribusi Poisson a.l: pendudukan
trafik telepon dalam satu jam pada sentral telepon,
banyaknya kesalahan ketik dalam satu halaman
laporan, jumlah cacat pada motif selembar kain
 10

DISTRIBUSI POISSON

S
• Ciri-ciri percobaan Poisson:

N
1. Banyaknya hasil percobaan yang terjadi pada selang

E
tertentu atau daerah tertentu tidak bergantung pada
selang atau daerah lain

P
2. Probabilitas terjadinya satu hasil percobaan selama selang
waktu yang singkat sekali atau daerah yang kecil
sebanding dengan selang waktu atau daerah yang lain,
juga tidak bergantung pada banyaknya percobaan yang
terjadi di luar selang waktu atau daerah yang lain tersebut
3. Probabilitas bahwa lebih dari satu hasil percobaan akan
terjadi dalam selang waktu yang singkat atau daerah
yang kecil bisa diabaikan.
 11

DISTRIBUSI POISSON 
e
= banyaknya sukses yang diharapkan
= konstanta yang nilainya mendekati 2,71828
x = banyaknya sukses setiap unit
Distribusi Binomial biasanya dinyatakan sbb: 

S
= rata-rata dari seluruh nilai sukses
n n. ( n − 1) . ( n − 2 ) ... ( n − x + 1) x
f ( x | n, p ) =   . p x . (1 − p ) = . p . (1 − p )
n− x n− x

N
 x x!


E
karena  = n. p atau p = maka:
n

P
−x
 n  n − 1  n − 2          
x n

f ( x | n, p ) =     ...  1 −    1 − 
 n  n  n   n   x !   n 

pada n = , limit dari persamaan di atas kurung = 1, sehingga tinggal:

 x   
n

f ( x | n, p ) =    1 − 
 x!   n 
−( − n /  ) 
   
n

untuk persamaan paling kanan: 1 −  = 1 −  = e− 

 n  n
  x  −  e −  . x
sehingga: f ( x |  ) =   .e =
 x!  x!
Distribusi Poisson
 12

DISTRIBUSI POISSON

S
• Mean dan varians dari distribusi Poisson dinyatakan

N
sbb:
EX  =  V X  = 

PE
• Fungsi distribusi kumulatif (cdf) dari Poisson dinyatakan
sebagai:

F ( x |  ) = e−
floor ( x )


i =0
i
i!
 13

• Contoh 2:
• Polisi Resor Surabaya Barat mencatat rata-rata
tertangkap 5 orang dalam kasus psikotropika dalam

S
sebulan. Hitung probabilitas bahwa pada satu bulan
tertentu orang yang terlibat kasus ini adalah:

N
a. Tepat 5 orang

E
b. Kurang dari 5 orang

P
c. Antara 5 sampai 9 orang

e −5 55
• Jawab: a. p ( X = 5,  = 5 ) = = 0,1755
5!
4 −5 x
e 5
b. p ( X  5,  ) =  = p ( 0,5 ) + p (1,5 ) + p ( 2,5 ) + p ( 3,5 ) + p ( 4,5 )
0 x !
e −5 50 e −5 51 e −5 52 e −5 53 e −5 54
= + + + +
0! 1! 2! 3! 4!
= 0, 0067 + 0, 0337 + 0, 0842 + 0,1404 + 0,1755 = 0, 4405
9
e −5 5 x 4 e −5 5 x
c. p ( 5  X  9,  ) =  −
0 x ! 0 x!
= 0,9682 − 0, 4405 = 0,5277
 14

DISTRIBUSI UNIFORM

S
• Merupakan jenis distribusi variabel acak kontinyu

N
• Pada distribusi ini setiap variabel acak yang

E
muncul memiliki probabilitas yang sama, dimana:

P
1
f ( x | k ) = ; untuk x1 , x2 ,..., xk
k
• Jika nilai dari variabel acak tersebut tersebar pada
sebuah interval (a,b), maka pdf dari distribusi
uniform dinyatakan sebagai:
1
f ( x | a, b ) = ; a xb
b−a
 15

DISTRIBUSI UNIFORM

S
• Mean dari distribusi uniform:

N
a+b

E
 = E(X ) =

P
2

• Varians dari distribusi uniform:

(b − a )
2

2 =
12
 16

DISTRIBUSI UNIFORM

S
• Fungsi Distribusi Kumulatif (cdf) dari distribusi uniform

N
dinyatakan sebagai:

PE 0;
x−a

F ( x) = 
b − a
 1;
xa

; a xb

xb
 17

• Contoh 3:
Jika waktu seseorang menunggu datangnya pesawat
disebuah bandara antara jam 08.00-10.00 berdistribusi uniform.

S
Hitung berapa probabilitas seseorang harus menunggu

N
a. Kurang atau sama dengan 30 menit dari jam 08.00?

E
b. Lebih dari 30 Menit

P
Jawab:
a. Waktu 08.00 – 10.00 adalah 120 menit, maka
30
1
P ( X  30 ) =
120 − 0 0
dx = 0, 25

b. P ( X  30 ) = 1 − P ( X  30 )
= 1 − 0, 25
= 0, 75
 18

• Contoh 4:
• Dapatkan grafik pdf dan cdf dari sekelompok bilangan
dalam interval (0,10). Berapa mean dan varians nya ?

N S
pdf cdf
0.12

E
0.1

0.8

P
0.08

0.6

F(x)
f(x)

0.06

0.4
0.04

0.02 0.2

0 0
0 2 4 6 8 10 0 2 4 6 8 10
x x

10 + 0 102
= = 5;  =
2
= 8,33
2 12
 19

DISTRIBUSI EKSPONENSIAL

S
• Digunakan untuk memodelkan jumlahan waktu hingga

N
kemunculan sebuah event tertentu, atau memodelkan

E
waktu di antara event-event yang saling independen

P
• Beberapa aplikasi distribusi eksponensial:
pemodelan waktu hingga komputer log off,
pemodelan waktu antara waktu kedatangan
panggilan telepon, dan pemodelan waktu lainnya.
 20

DISTRIBUSI EKSPONENSIAL

S
• Fungsi kerapatan probabilitas (pdf) dari distribusi

N
eksponensial, dinyatakan sebagai sbb:

E
 e −  x ; x  0;   0

P
f (x | ) = 
 0; x lainnya

• Mean dari distribusi variabel acak eksponensial

dinyatakan sebagai:
1
EX  =  =

• variance sbb: V X  = 2 =
1
2
 21

DISTRIBUSI EKSPONENSIAL

S
• Fungsi Distribusi Kumulatif (cdf) dari distribusi

N
eksponensial dinyatakan sebagai berikut:

PE
 0; x0
F ( x) =  − x
1 − e ; x0

• Jika distribusi eksponensial digunakan untuk

merepresentasikan waktu antar kedatangan (inter
arrival time), maka parameter adalah sebuah
kecepatan dengan satuan kedatangan per periode
waktu.
 22
• Contoh 5:
Waktu kedatangan busway pada sebuah halte
interseksi mengikuti distribusi eksponensial dengan
mean 12 detik.
Berapa probabilitas dimana waktu antar kedatangan

S
adalah 10 detik atau kurang ? Gambarkan grafik pdf

N
dan cdf –nya.

PE
Jawab:
1
Rata-rata interarrival time (waktu kedatangan)=12, jadi  =
10 12
− 1/12 x 10
Sehingga: 1 1 − 1/12 x 1
f ( x | ) =  e ( ) dx = ( −12 ) e ( )
12 0
12 12 0
pdf distribusi eksponensial P(X<10)
12
=1/12
=-1.0,43=-0,43+1=0,57 1
cdf distribusi eksponensial P(X<10)

0.9
10
0.8

P ( X  10 ) = 1 − e
−(1/12 )10
8
 0,57 0.7

0.6
f(x)

F(x)
0.5

0.4
4
0.3

0.2
2

0.1

0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
x x
 23

DISTRIBUSI GAMMA

N S
• Pdf dari distribusi probabilitas Gamma dinyatakan
sebagai:

E
 e− x (  x )
t −1
t = parameter bentuk
f ( x;  , t ) =

P
; x0  = parameter skala
 (t )

• Fungsi gamma  ( t ) dinyatakan sebagai:  ( t ) =  e − y y t −1dy
• Untuk nilai-nilai integer, fungsi ini menjadi 0

 ( t − 1) !
• Distribusi ini memiliki hubungan yang erat dengan
distribusi eksponensia, karena jika t = 1 maka distribusi ini
menjadi distribusi exponensial
 24

DISTRIBUSI GAMMA
• Mean dari distribusi probabilitas
t

N S
gamma:

E
E(X ) =


P
• Variance dari distribusi probabilitas gamma:
t
V (X ) =
2
• Fungsi distribusi kumulatif (cdf) dari distribusi gamma:

 0; x0

F ( x;  , t ) =  1  x t −1 − y
  ( t )  y e dy; x  0
 0
 25

• Contoh 6:
Gambarkan grafik fungsi kepadatan probabilitas dan

S
fungsi distribusi kumulatif dari distribusi gamma untuk  = t
yang masing-masing bernilai 1,2 dan 3.

E N
pdf distribusi Gamma
cdf distribusi Gamma
1
1

P
0.9  =t=1 0.9

0.8 0.8  =t=1

0.7 0.7

0.6 0.6
f(x)

=t=2 →

F(x)
0.5 0.5

0.4 0.4  =t=2

0.3 0.3

0.2  =t=3 0.2

0.1 0.1  =t=3

0 0
0 0.5 1 1.5 2 2.5 3 0 0.5 1 1.5 2 2.5 3
x x
 26

DISTRIBUSI CHI-SQUARE

S
• Distribusi ini banyak digunakan untuk menganalisa

N
secara statistik data hasil pengujian terhadap data-

E
data teoritisnya.

P
• Distribusi chi-square digunakan untuk menu-runkan
distribusi varians sampel dan perlu untuk pengetesan
goodness-of-fit
• Dalam distribusi Chi-Square ada parameter yang
disebut derajat kebebasan, v.
• Dengan  = 0,5 dan t= v 2 maka distribusi gamma
menjadi distribusi chi-square.
 27

DISTRIBUSI CHI-SQUARE

S
• Pdf dari variabel acak terdistribusi chi-square

N
dengan derajat kebebasan v adalah:

PE
1  1  2v −1 − 2x
f ( x; v ) =  v /2  x e ; x0
 ( v 2)  2 

• Mean dari variabel acak terdistribusi Chi-Square

adalah: EX  = v

• Varians dari variabel acak terdistribusi Chi-Square :

V  X  = 2v
 28

DISTRIBUSI CHI-SQUARE

S
• Fungsi distribusi kumulatif (cdf) dari distribusi Chi-Square

N
adalah:

PE
x0
v 2
 0;

F ( x; v ) =   y ( v − 2) /2 e − y 2
  2v 2  ( v 2 ) dy x0
0
 29

• Contoh 7:
Gambarkan grafik fungsi kepadatan probabilitas dari

S
distribusi Chi-Square untuk v yang bernilai 2,4 dan 6.

E N
pdf distribusi Chi-Square cdf distribusi Chi-Square
0.5 1

P
0.45 0.9

0.4 0.8
0.35  v=2
0.7
0.3
0.6
0.25
f(x)

F(x)
0.5  v=2
0.2
0.4  v=4
0.15  v=4
0.3
0.1  v=6
0.2  v=6
0.05
0.1
0

0 2 4 6 8 10 12 14 16 18 20 0
0 2 4 6 8 10 12 14 16 18 20
x
x
 30

DISTRIBUSI WEIBULL

S
• Distribusi Weibull banyak digunakan dalam bidang

N
rekayasa, seperti pada analisa reliabilitas (keandalan)

E
dan pengujian panjang umur (life testing) suatu
komponen. Misal: analisa jumlah waktu yang

P
diperlukan sampai sebuah komponen mengalami
kegagalan.
• Pada v = 0 dan  = 1 distribusi Weibull akan sama dengan
distribusi eksponensial dengan  = 1 
 31

DISTRIBUSI WEIBULL

N S
• Pdf dari variabel acak terdistribusi Weibull adalah:

E

 −1  x −v 
   x − v  − 
f ( x; v,  ,  ) =      
; x  v,   0,   0

P
 e
    

• Mean dari variabel acak terdistribusi Weibull adalah:

1 
E  X  = v +   + 1 
 
• Variance dari variabel acak terdistribusi Weibull
adalah:  2

  2    1  
V  X  =  2   + 1  −    + 1   
        
 32

DISTRIBUSI WEIBULL

S
• Fungsi distribusi kumulatif dari variabek acak terdistribusi

N
Weibull adalah:

PE 

F ( x; v,  ,  ) = 
0;
 x −v 
− 

xv

1 − e    ; x  v
 33

• Contoh 11:
Gambarkan grafik fungsi kepadatan probabilitas dari
distribusi Weibull untuk alfa=500 dan beta=1/3, 1 dan

S
5/3.

N
pdf distribusi Weibull
0.02 cdf distribusi Weibull
1
1=1/3

E
0.018 1=1/3
2=1 0.9 2=1
3=5/3
0.016 3=5/3

P
0.8
0.014
0.7
0.012
0.6
f(x)

0.01

F(x)
0.5
0.008
0.4
0.006
0.3
0.004
0.2
0.002
0.1
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000 0
x 0 200 400 600 800 1000 1200 1400 1600 1800 2000
x
 34

DISTRIBUSI NORMAL

S
1. Sekumpulan nilai data kontinyu akan terdistribusi secara

N
normal (membentuk kurva simetris) apabila rata-rata nilai
variabel sama dengan median, dan sama dengan

E
modus dari nilai-nilai data tersebut.
2. Distribusi normal mempunyai bentuk kurva seperti bel (bell

P
shape).
3. Distribusi normal disebut juga distribusi Gauss (Gaussian
Distribution)
4. Pada distribusi normal, rata-rata populasi membagi luasan
kurva menjadi dua sama banyak, luas daerah sebelah kiri
= 0,5 dan sebelah kanan = 0,5, total luas daerah =1.
5. Suatu distribusi dikatakan normal jika kurang lebih 68%
data observasi berada di dalam satu standard deviasi,
atau kurang lebih 95% data observasi berada dalam dua
standard deviasi
 35

DISTRIBUSI NORMAL

S
• Distribusi normal dengan parameter mean,  dan

N
varians  2 biasanya ditulis sebagai  (  ,  2 )

E
• Pdf dari variabel acak terdistribusi normal dinyatakan

P
sebagai:

1  x− 
2
 = mean populasi
1 −  
f ( x |  , ) = e 2    = standard deviasi (simpangan baku) populasi
 = konstanta 3,14159
 2 e = konstanta 2,7182

2
 36

DISTRIBUSI NORMAL

S
• Nilai  pada distribusi normal menyatakan

N
besarnya sebaran dari populasinya, semakin besar

E
simpangan baku,  maka sebaran data semakin

P
menjauhi rata-rata  nya, sebaliknya jika  kecil
maka sebaran data mendekat rata-ratanya.pdf distribusi Normal
0.2
 1=2
0.18  2=4
 3=6
0.16

0.14

0.12
f(x)

0.1

0.08

0.06

0.04

0.02

0
-4 -2 0 2 4 6 8 10 12 14
x
 37

DISTRIBUSI NORMAL

S
• Sifat-sifat Distribusi Normal

N
1. Grafik simetris terhadap garis tegak x=

E
2. Grafik selalu berada di atas sumbu x, f(x) >0

P
3. Mempunyai satu nilai modus f ( x)  0
4. Luas daerah di bawah kurva f(x) dan di atas
sumbu x memiliki nilai: P P−( −
f ( x ) x  + ) = 1
( )
 x  + = 1
P ( −  x  + ) = 1
 38

DISTRIBUSI NORMAL

S
• Probabilitas P ( a  x  b )

N
• Probabilitas ini dapat ditentukan di bawah kurva f(x) dengan

E
penyelesaian integral b b
1
1  x− 
−  
2

P ( a  x  b ) =  f ( x )dx = 

P
2  
e dx
a a  2
• Namun penyelesaian dengan integral membutuhkan proses
yang rumit.
• Untuk itu diselesaikan dengan mentransformasikan nilai-nilai x
menjadi nilai-nilai baku Z, dengan persamaan:
-3 -2 -1 +1
 ++2
2  ++3
3
x−
Z= X

==0,
0; ==1
1
-3 -2 -1 0
0 1 2 3
Z
 39

DISTRIBUSI NORMAL

S
• Setelah itu gunakan Tabel Distribusi Normal Standard

N
(terlampir) untuk mendapatkan probabilitas dari nilai Z .

E
• Contoh:

P
Luasan berwarna 0.5

hijau adalah pdf dari

0.45

0.4

P ( −2  Z  2 ) f(Z) 0.35

0.3

0.25

0.2

0.15

0.1

0.05

0
-5 -4 -3 -2 -1 0 1 2 3 4
Z
 40

CARA MENGGUNAKAN TABEL Z

(TABEL DISTRIBUSI NORMAL)

S
Misal:

N
Carilah P(Z=1,45)

E
Kolom 1, cari nilai 1,4

P
kemudian cari nilai 5 pada
baris 1.
Pertemuan keduanya
menghasilkan nilai 0,4265
 41

DISTRIBUSI NORMAL
• Fungsi distribusi kumulatif (cdf) dari distribusi normal:

S
( x− )
2

N
x
−
cdf distribusi Normal
1
F ( x |  , ) = e
1
2 2  1=2
dx 0.9  2=4

 2

E
 3=6
0.8
−
0.7

P
0.6

F(x)
0.5

• Sifat-sifat cdf dari distribusi normal:

0.4

0.3

1. F(x) monoton naik 0.2

0  F ( x)  1
0.1

2. 0
-4 -2 0 2 4 6 8 10 12 14

F ( − ) = lim F ( x ) = 0 dan F ( + ) = lim F ( x ) = 1

x

3.
X → X →
 42

• Contoh 12:
Bila X adalah variabel acak berdistribusi normal dengan rata-  = 25
rata  = 25 dan simpangan baku  =10 , tentukan
probabilitas P(20 <X < 38)

S
Gambarkan kurva pdf nya. 0.5

N
0.45

E
0.4

0.35

P
0.3

Jawab:

f(Z)
0.25

0.2

X1 −  20 − 25
Z1 = = = −0,5
0.15

 10 0.1

X −  38 − 25 0.05

Z2 = 2 = = 1,3 sehingga: 0

 10
-4 -3 -2 -1 0
Z
1 2 3 4

P ( −0,5  Z  1,3) = P ( −0,5  Z  0 ) + P ( 0  Z  1,3)

= P ( 0  Z  0,5 ) + P ( 0  Z  1,3)
= 0,1915 + 0, 4032
= 0,5947
 43

• Contoh 13:
Sebuah perusahaan memproduksi panci presto yang memiliki
ketahanan berdistribusi normal dengan rata-rata 825 hari dan
simpangan baku 45 hari. Ditanyakan:
a. Berapa persen panci yng memiliki ketahanan antara 800 dan 860

S
hari ?

N
b. Berapa banyak panci yang ketahanannya lebih dari 950 hari jika
diproduksi 5000 panci ?

E
0.5

0.45

P
0.4

Jawab: 0.35

a)  = 825  = 45
0.3

f(z)
0.25

X −  800 − 825 0.2

Z1 = 1 = = −0,55 0.15

 45 0.1

X −  860 − 825
Z2 = 2 = = 0, 78 sehingga:
0.05


0
45 -4 -3 -2 -1 0
z
1 2 3 4

P ( −0,55  Z  0, 78 ) = P ( −0,55  Z  0 ) + P ( 0  Z  0, 78 )
= P ( 0  Z  0,55 ) + P ( 0  Z  0, 78 )
= 0, 2088 + 0, 2823
= 0, 4911
Jadi ada 49,11% panci yang punya ketahanan antara 800 dan 860 hari
 44

b) X 3  950
X −  950 − 825
Z3 = 3 = = 2, 78
 45
sehingga:

S
P ( Z  2, 78 ) = P ( Z  0 ) − P ( 0  Z  2, 78 )

N
= 0,5 − 0, 4973
= 0, 0027

E
Untuk 5000 panci, terdapat 0,0027x5000=13,5 atau 14 panci

P
yang punya ketahanannya lebih dari 950 hari

0.5

0.45

0.4

0.35

0.3
f(z)

0.25

0.2

0.15

0.1

0.05

0
-4 -3 -2 -1 0 1 2 3 4
z
 45

CONTOH SOAL DAN PENYELESAIAN

S
• Selesaikan menggunakan Distribusi Binomial

N
1. Probabilitas seorang bayi tidak di imunisasi polio

E
adalah 0,1. Pada suatu hari di Puskesmas “X”

P
ada 4 orang bayi. Hitunglah peluang dari bayi
tersebut jika ada 3 orang belum diimunisasi polio.

2. Sebuah perusahaan memiliki karyawan yang baik

sebanyak 30% dari jumlah total. Perusahaan
tersebut akan mengirimkan 20 karyawannya untuk
study banding ke luar negeri. Hitunglah peluang
bahwa 4 orang dari 20 karyawan tersebut adalah
karyawan yang dianggap baik.
 46

• Jawab:

p = 0,1 1 − p = 0,9 x = 3 n = 4
1.

S
n
f ( x | n, p ) =   p x (1 − p )
n− x

N
 x
4!

E
= .0,13.0,94−3
3!( 4 − 3) !

P
=0, 0036

2. p = 0,3 1 − p = 0, 7 x = 4 n = 20
n
f ( x | n, p ) =   p x (1 − p )
n− x

 x
20!
= .0,34.0, 7 20− 4
4!( 20 − 4 ) !
=4845 x ( 81/1000 ) x ( 3,323 /1000 )
= 0,13
 47

• Selesaikan menggunakan Distribusi Poisson

3. Diketahui probabilitas untuk terjadi shock pada
saat imunisasi dengan vaksinasi meningitis adalah

S
0,0005. Kalau di suatu kota jumlah orang yang
dilakukan vaksinasi sebanyak 4000. Hitunglah

N
peluang tepat tiga orang akan terjadi shock.

PE
4. Jika waktu kedatangan nasabah dalam sebuah
bank mengikuti proses Poisson dengan rata-rata
20 orang permenit, tentukan :
i) Probabilitas dalam selang waktu 1 jam ada 100
orang yang datang!
ii) Probabilitas ada 50 orang datang dalam
interval waktu 10.00 – 10.15, jika diketahui bahwa
ada orang yang datang pada interval waktu
09.00 – 10.00.
• Jawab: 48

p = 0, 0005 n = 4000 x = 3
Dicari nilai rata-rata →  =  = n. p = 4000 x0, 0005 = 2
3.
  x  −  e −  . x
f ( x |  ) =   .e =
 x!  x!

S
e −2 .23
=

N
3!
2, 718−2.8

E
=
6
= 0,1804

P
laju kedatangan per menit = 20 orang x = 100
4. Dicari nilai rata-rata per jam →  = 20 x60 = 1200
  x  −  e −1200 .1200100
(i ) f ( x |  ) =   .e =
 x!  100!

(ii ) Untuk 10.00 - 10.15 ada 15 menit 1 = 20 x15 = 300

ada 50 nasabah datang → x = 50
asumsi pada jam 09.00 - 10.00 ada yang datang, 2 = 20 x60 = 1200
  x  −  e −1200 .30050
f ( x |  ) =   .e =
 x!  50!
 49

• Selesaikan menggunakan Distribusi Uniform

5. Sebuah ruang konferensi dapat disewa untuk rapat
yang lamanya tidak lebih dari 5 jam. Misalkan X adalah

S
variabel acak yang menyatakan waktu rapat, dan
mempunyai distribusi uniform. Tentukan:

N
a) Fungsi densitas peluang dari X

E
b) Peluang suatu rapat berlangsung 3 jam atau lebih.

P
6. Sebuah kuesioner diikuti oleh 30 responden. Setiap
pertanyaan diberikan alokasi waktu 25 detik
kepada seluruh responden. Berapa probabilitas
bahwa ada yang menjawab dalam waktu 6
detik?
 50
• Jawab:

a) a = 0 b = 5 a) a = 0 b = 25
5. 6.
1 1
 0 x5  0  x  25
f ( x) = 5 f ( x ) =  25

S
 0 x lainnya  0 x lainnya

N
5 6

E
1 1
b) P ( X  3) =  dx b) P ( X  6 ) =  dx
5 25

P
3 0
1 5 1 6
= .x = .x
5 3 25 0
1 2 1 6
= ( 5 − 3) = = ( 6) =
5 5 25 25
Jika ada 30 responden, maka jumlah
6
yang menjawab di bawah 6 detik ada 30x  7 orang
25
 51

• Selesaikan menggunakan Distribusi Normal

7. People's monthly electric bills in Surabaya are
normally distributed with a mean of Rp 500.000,-

S
and a standard deviation of Rp 125.000,-. Those

N
Surabayan spend a lot of time online. In a group of

E
10000 customers, how many would we expect to
have a bill that is Rp 100.000,- or less?

P
8. On a recent English test, the scores were normally
distributed with a mean of 74 and a standard
deviation of 7. What proportion of the class would
be expected to score between 60 and 80 points?
 52
• Jawab:
7.  = 500000  = 125000 8.  = 74  =7
x = 100000 n = 500 x1 = 60 x2 = 80
x −  60 − 74 x −  80 − 74
Z1 = 1 = Z2 = 2 =
x− 100000 − 500000  7  7

S
Z= = = −2
 125000 =0,86
= −3, 2

N
dengan melihat tabel Z didapatkan
dengan melihat tabel Z didapatkan P ( −2  Z  0 ) = P ( Z = 2 ) = 0, 4772

E
P ( −3, 2  Z  0 ) = P ( Z = 3, 2 ) = 0, 4993 P ( 0  Z  0,86 ) = P ( Z = 0,86 ) = 0,3051

P
Probabilitas bill di bawah Rp 100.000,- adalah :
P ( ~  Z  −3, 2 ) = 0,5 − 0, 4993 = 0, 0007 P ( −2  Z  0,86 ) = P ( Z = 2 ) + P ( Z = 0,86 )
Jika ada 10000 pelanggan, maka yang memiliki = 0, 4772 + 0,3051
bill < Rp 100.000,- = 0, 7823
=10000x0,0007=7 pelanggan