Kinasih Widi

20051214034
SI20B

Tugas Distribusi Probabilitas Variabel Kontinu

1. Apa hubungan antara distribusi Normal dan Binomial, buktikan hubungan tersebut
dengan sebuah contoh
Jawab:
Menurut Lungan (2006) yang mengatakan bahwa sebuah Distribusi binomial akan
mendekati distribusi normal jika nilai p sama dengan ½ dan nilai n lebih besar. Namun dalam
prakteknya, distribusi normal (kurva normal) dapat digunakan untuk menyelesaikan kasus
distribusi binomial (probabilitas binomial), sekalipun p tidak sama dengan ½ dan n relatif kecil.
Seperti diketahui, distribusi binomial bervariabel diskret, sedangkan distribusi normal (kurva
normal) bervariabel kontinu. Oleh karena itu, penggunaan distribusi normal untuk
menyelesaikan kasus distribusi binomial dapat dilakukan dengan menggunakan aturan
(penyesuaian), yaitu faktor koreksi. Caranya adalah dengan menambah atau mengurangi
variabel X-nya dengan 0.5:
a. Untuk batas bawah (kiri), variabel X dikurangi 0.5
b. Untuk batas atas (kanan), variabel X ditambah 0.5
Dengan demikian, rumus Z menjadi
Zi = (Xi ± 0.5) - µ
δ
dengan i = 1.2 µ = n.p δ = √n.p.q

Contoh:
Sebuah uang logam yang setimbang memiliki permukaan angka (A) dan gambar (G),
dilemparkan ke atas sebanyak 15 kali. Tentukan probabilitas untuk mendapatkan 10 kali
permukaan gambar. Gunakan distribusi binomial dan kurva normal!
Jawab:
1. Menggunakan distribusi binomial
Diketahui:
n = 15
x = 10
p = ½
q = ½
Jawab:
 P (X = x) = C n px . q n-x
x

P (X = 10) = C15 (1/2)10 . (1/2) 15 – 10

10

P (X = 10) = C15 (1/2)10 . (1/2) 5

10

= 15 / 10! (15 – 10)! (0.00098) (0.3125) = 0.091

2. Menggunakan kurva normal

Diketahui:
µ = n.p = 15 . ½ = 7.5
δ = √n. p .q = √15 . ½. ½ = 1.9365
karena variabel x = 10
- Untuk batas bawahnya = 10 – 0.5 = 9.5
- Untuk batas atasnya = 10 + 0.5 = 10.5
Jawab:
Z1 = (9.5 – 7.5) / 1.9365 = 1.03 (dari tabel = 0.3485)
Z2 = (10.5 – 7.5) / 1.9365 = 1.55 (dari tabel = 0.4394)
Jadi, P (x = 10) = 0.4394 – 0.3485 = 0.0909
Perbedaan hasil antara rumus binomial dan kurva normal sebesar 0.0001, sangat kecil
sehingga dapat diabaikan.

2. Apa hubungan antara distribusi Gamma, Ekponensial dan Poisson. Berikan

penjelasan dan contoh
Jawab:
Pada suatu kejadian yang mengikuti proses Poisson, waktu antar kejadian (atau waktu
kejadian pertama atau ke-1 dari kejadian terakhir, karena sifatnya yang memoryless) tersebut
akan berdistribusi eksponensial. Sedangkan waktu sampai terjadinya kejadian ke-α akan
berdistribusi gamma.
▪ Misal peubah acak X berdistribusi eksponensial, maka X menyatakan waktu sampai
terjadinya kejadian Poisson atau waktu antara kejadian Poisson
▪ Bila X= waktu (atau ruang) terjadinya sampai sejumlah tertentu kejadian Poisson maka
X berdistribusi gamma.
▪ Parameter 𝛼 pada distribusi gamma adalah jumlah tertentu kejadian Poisson tersebut.
▪ Parameter 𝛽 pada distribusi gamma adalah kebalikan dari λ pada distribusi Poisson.

Contoh:
Hari-hari antara kecelakaan pesawat terbang 1948-1961 berikut distribusi eksponensial dengan
rata-rata 44 hari antara setiap kecelakaan. Jika satu terjadi pada 1 Juli setiap tahun tertentu:
a. Berapa probabilitas dari yang lain seperti kecelakaan dalam sebulan?
 b. Berapa varians dari waktu antara kecelakaan di tahun tersebut?
Solusi:
Distribusi eksponensial tidak memiliki memori, maka sebuah kecelakaan di bulan tertentu tidak
memiliki bantalan pada setiap periode waktu lainnya. Jadi:
a. Probabilitas kecelakaan selama 31 hari adalah P (31) = 1 – e (-31/44) = 0,506
b. Varians dari distribusi eksponensial adalah (442) = 1936

3. Apakah ada jenis distribusi variabel random kontinu selain yang dijelaskan pada
Bab 6, berikan dua contoh distribusi lainnya dan rumus fungsinya?
Jawab:
Contoh Distribusi lain:
a. Distribusi Fisher
Distribusi F (Fisher) adalah salah satu distribusi peluang kontinu yang terbentuk dari
perbandingan dua peubah acak (variabel random) yang saling bebas dan memiliki sebaran
Distribusi Chi-Square. Dalam teori probabilitas dan statistika, distribusi F sering kali
digunakan dalam pengujian statistika seperti analisis varians dan analisis regresi. Suatu
peubah acak yang mengikuti distribusi F bisa didefinisikan sebagai rasio dua peubah acak
khi-kuadrat yang independen, masing-masing dibagi dengan derajat kebebasannya. Jadi,
dapat ditulis

Di mana U dan V menyatakan peubah acak bebas, masing-masing berdistribusi khi-kuadrat

dengan derajat bebas υ1 dan υ2.

Misalkan U dan V dua peubah acak bebas masing-masing berdistribusi chi-square dengan
derajat bebas υ1 dan υ2., maka distribusi peubah acak:

Diberikan oleh

Ini dikenal dengan nama distribusi-F dengan derajat bebas υ1 dan υ2.
 Rataan dan varians distribusi Fisher diberikan oleh:

b. Distribusi Student-t
Distribusi student-t atau kadang hanya disebut distribusi-t banyak diterapkan pada
statistik inferensia ketika nilai varians dari suatu populasi tidak diketahui. Untuk sampel
yang besar, nilai varians populasi σ2 dapat diestimasi dengan varians dari sampel
s2 sehingga dapat dilakukan pendekatan (approximate) dengan distribusi normal baku.
Namun, jika sampel yang diambil kecil maka distribusi peubah acaknya akan menyimpang
jauh dari distribusi normal baku sehingga diperlukan distribusi student-t.
Kita bisa mendefinisikan peubah acak T yang mengikuti distribusi student-t sebagai
rasio dari peubah acak normal baku Z terhadap peubah acak chi-square V dengan derajat
bebas υ.

Misalkan Z peubah acak normal baku dan V peubah acak khi-kuadrat dengan derajat
bebas v. Bila Z dan V adalah peubah acak yang independen, maka distribusi dari

diberikan oleh

Ini dikenal dengan nama distribusi-t dengan derajat bebas v.

Rataan dan varians distribusi Student-t diberikan oleh: