BAB VI

DISTRIBUSI PROBABILITAS MENERUS

6.1 Distribusi Uniform (seragam) Menerus

Distribusi seragam menerus merupakan distribusi yang paling sederhana.
Karaketristik distribusi ini adalah fungsi kepadatannya datar (sama). Fungsi
kepadatannya dalam interval [A,B] secara matematis dinyatakan sebagi berikut:
⎧ 1
⎪ A≤ x≤ B
f ( x : A, B ) = ⎨ B − A
⎪⎩0 selainnya

Contoh: Bila ruang konferensi dapat didigunakan tidak lebih dari 4 jam.
Diasumsikan bahwa lamanya waktu konferensi X memiliki distribusi yang
seragam.
a. Tentukan fungsi kepadatan probabilitas:
⎧1
⎪ 0≤ x≤4
f ( x : A, B ) = ⎨ 4
⎪⎩0 selainnya

b. Berapa probabilitas bahwa waktu konferensi paling tidak 3 jam

P[ X ≥ 3] = ∫ (1 / 4 )dx = 1 / 4
4
3

Rata-rata dan varians dari distribusi seragam adalah:

A+ B ( B − A) 2
μ= dan σ2 =
2 12

6.2 Distribusi Normal

Distribusi probabilitas menerus yang paling penting adalah ditsribusi normal.

Secara grafiknya disebut kurva normal seperti gambar berikut:

VI - 1
 σ

x
μ

Distribusi normal sering disebut juga dengan Distribusi Gauss. Secara matematis
distribusi normal tergantung dari dua variabel yaitu μ (rata-rata) dan σ (deviasi
standar). Fungsi kepadatannya (density function) sbb:

⎡ 1 ⎡(x − μ) ⎤2 ⎤
f x (x ) =
1
exp ⎢− ⎢ ⎥⎦ ⎥, − ∞ < x < ∞, π = 3.14159K
σ 2π ⎣⎢ 2 ⎣ σ ⎦⎥
Notasi singkat distribusi ini adalah N(μ,σ)

Distribusi Normal Standar

Distribusi Gauss dengan μ = 0, dan σ = 1; disebut sebagai distribusi normal
standar dan ditulis sebagai N(0,1). Sehingga fungsi kepadatannya adalah:
⎡ 1 ⎤
f s (s ) =
1
exp ⎢− s 2 ⎥, − ∞ < s < ∞,
2π ⎣ 2 ⎦
Notasi khusus Φ(s) biasanya digunakan untuk menandakan fungsi distribusi
variasi normal standar S. Φ(s) = Fs(s), dimana S adalah distribusi N(0,1).
fs(s)

N(0,1)
Probabilitas = p

x
0 sp
Gambar: Fungsi kepadatan normal standar

VI - 2
Dengan merujuk pada gambar diatas, maka
Φ(sp) = p
Sebaliknya, nilai variasi normal standar pada probabilitas kumulatif p dapat
ditulis sebagai:
sp = Φ-1(p)
Fungsi distribusi dari N(0,1), yakni Φ(s) sudah dibuat dalam tabel di berbagai
buku statitsik dan probabilitas, tabel ini disebut sebagai Tabel probabilitas
normal. Contoh tabelnya sebagai berikut:
x Φ(s)
0.0 0.500000
0.01 0.503989
0.02 0.507978
. .
. .
0.50 0.694463

Tabel biasanya diberikan untuk nilai variasi yang positif, untuk nilai yang
negatif dapat diperoleh dengan:
Φ(-s) = 1- Φ(s)
Nilai s untuk p < 0.5 dapat dihitung dengan:
s = Φ-1(p) = - Φ-1(1-p)
Dengan tabel Φ(s), probabilitas untuk setiap distribusi normalyang lain dapat
ditentukan sebagai berikut. Bila variasi normal X dengan distribusi N(μ,σ);
maka probabilitasnya adalah:
b ⎡ 1 ⎡(x − μ) ⎤2 ⎤
P(a < X ≤ b ) =
1
σ 2π ∫a
exp ⎢− ⎢ ⎥⎦ ⎥ dx
⎣⎢ 2 ⎣ σ ⎦⎥
Area diatas dapat diilustrasikan seperti gambar berikut:

VI - 3
 fx(x)

N(μ,σ)
Area =
P(a < x ≤ b)

x
a μ b

Gambar: Fungsi kepadatan probabilitas untuk N(μ,σ)

Persamaan diatas dapat juga diselesaikan dengan membuat perubahan variasi

berikut:
s = (x − μ) / σ dan dx = σds
sehingga:
(b − μ ) / σ
P(a < X ≤ b ) =
1
σ 2π (a − μ∫ ) / σ
− (1 / 2 ) s 2
e σds

(b − μ ) / σ
1
∫ e − (1 / 2) s ds
2
=
2π (a − μ ) / σ

persamaan ini merupakan area (luasan) dari fungsi kepadatan normal standar
antara (a-μ)/σ dan (b-μ)/σ. Sehingga dapat ditentukan dengan:
⎛b−μ ⎞ ⎛a−μ⎞
P(a < X ≤ b ) = Φ⎜ ⎟ − Φ⎜ ⎟
⎝ σ ⎠ ⎝ σ ⎠

Contoh: Dari data menunjukkan curah hujan total tahunan di suatu kolam
penampung diperkirakan memiliki distribusi normal dengan rata-rata 60 in, dan
deviasi standar 15 in.
a. Tentukan probabilitas bahwa pada tahun depan curah hujan tahunan antara
40 sampai 70 in.

VI - 4
Solusi:
⎛ 70 − 60 ⎞ ⎛ 40 − 60 ⎞
P(40 < X ≤ 70) = Φ⎜ ⎟ − Φ⎜ ⎟
⎝ 15 ⎠ ⎝ 15 ⎠
= Φ(0.67 ) − Φ(− 1.33)
= Φ(0.67 ) − [1 − Φ(1.33)]
Dari tabel diperoleh:
P(40 < X ≤ 70) = 0.7486 − (1 − 0.9082) = 0.6568

b. Berapa probabilitas curah hujan tahunan paling tidak (minimal) 30 in

⎛ 30 − 60 ⎞
P( X ≥ 30 ) = Φ(∞ ) − Φ⎜ ⎟
⎝ 15 ⎠
= 1 − Φ(− 2.00 ) = 1 − [1 − Φ(2.00)] = Φ(2.00) = 0.9772
c. Tentukan nilai curah hujan tahunan bila disktribusi kumulatifnya adalah 10%.
P( X ≤ x.10 ) = 0.10

⎛ x − 60 ⎞
Φ⎜ 10 ⎟ = 0.10
⎝ 15 ⎠
Dari table menunjukkan bahwa probabilitas kurang dari 0.5 terkait dengan nilai
variasi negative, sehingga;
x10 − 60
= Φ −1 (0.10 ) = −Φ −1 (0.90) = −1.28
15
Sehingga, x10 = 60 − 1.28(15) = 40.8 in

Contoh: struktur cangkang ditopang oleh tiga tiang A, B, C seperti tunjukkan

pada gambar berikut:
Walaupun beban dari atap dapat C

diperkirakan dengan tepat, namun

kondisi tanah tidak bisa diprediksi
B
dengan tepat. A

VI - 5
Asumsikan bahwa penurunan pondasi ρA, ρB, ρC, adalah variasi normal bebas
dengan rata-rata 2, 2.5; dan 3 cm. Koefesien varians masing-masing adalah
20%, 20%, 25%. Berapa probabilitas maksimum penurunan melebihi 4 cm?
Solusi: P(max ρ > 4 cm ) = 1 − P(max ρ ≤ 4 cm )
= 1 − P(ρ A ≤ 4 ∩ ρ B ≤ 4 ∩ ρ C ≤ 4 )
= 1 − P(ρ A ≤ 4)P(ρ B ≤ 4 )P(ρ C ≤ 4 )

⎛ 4 − 2 ⎞ ⎛ 4 − 2 .5 ⎞ ⎛ 4 − 3 ⎞
= 1 − Φ⎜ ⎟Φ ⎜ ⎟Φ ⎜ ⎟
⎝ 0.4 ⎠ ⎝ 0.5 ⎠ ⎝ 0.75 ⎠
= 1 − Φ(5)Φ(3)Φ(1.333)
= 1 − 1 x 0.9986 x 0.9088 = 0.0925

6.3 Distribusi Logaritmik Normal (Log-normal)

Suatu variabel acak X merupakan distribusi probabilitas logaritmik normal (log-
normal) bila ln X (logaritmik natural X) adalah normal. Dalam kasus ini fungsi
kepadatannya adalah:
⎡ 1 ⎡ (ln x − λ ) ⎤ 2 ⎤
f x (x ) =
1
exp ⎢− ⎢ ⎥ ⎥, 0≤ x<∞
ζx 2π ⎢⎣ 2 ⎣ ζ ⎦ ⎥⎦

dimana rata-rata = λ = E (ln X ) dan deviasi standar = ζ = Var (ln X )

Karena transformasi logaritmik, distribusi probabilitas log-normal dapat

ditentukan dengan menggunakan distribusi normal.
b ⎡ 1 ⎡ (ln x − λ ) ⎤ 2 ⎤
P(a < X ≤ b ) = ∫
1
exp ⎢− ⎢ ⎥ ⎥ dx
a ζ x 2π ⎢
⎣
2 ⎣ ζ ⎦ ⎥⎦

ln x − λ
Bila, s = , maka dx = xζds
ζ
(ln b − λ ) / ζ
⎡ 1 2⎤ ⎛ ln b − λ ⎞ ⎛ ln a − λ ⎞
P(a < X ≤ b ) = exp ⎢− [s ] ⎥ ds = Φ⎜
1
∫
2π (ln a − λ ) / ζ ⎣ 2 ⎦ ⎝ ζ
⎟ − Φ⎜
⎠ ⎝ ζ
⎟
⎠

VI - 6
Rumus diatas menunjukkan probabilitas adalah fungsi dari parameter λ dan ζ.
Parameter ini terkait dengan nilai rata-rata μ dan deviasi standar σ.
Misalkan Y = ln X , merupakan distribusi normal N (λ , ζ ) , maka X = eY , dan

μ = E ( X ) = E (eY )

1
∞ ⎡ 1 ⎡( y − λ) ⎤2 ⎤
= ∫ e exp⎢⎢− 2 ⎢⎣ ζ ⎥⎦ ⎥⎥ dy
y
ζ 2π −∞ ⎣ ⎦

1
∞ ⎡ 1 ⎡( y − λ) ⎤ ⎤
2

=
ζ 2π ∫ exp⎢⎢ y − 2 ⎢⎣ ζ ⎥⎦ ⎥⎥ dy
−∞ ⎣ ⎦
⎡ 1
μ=⎢
∞
(
⎧⎪ 1 ⎡ y − λ + ζ 2 ⎤ 2 ⎫⎪ ⎤ ⎛ )
1 2⎞
∫ exp⎨− 2 ⎢ ζ ⎥ ⎬dy ⎥ exp⎜ λ + ζ ⎟
⎢ ζ 2π ⎪⎩ ⎣ ⎦ ⎪⎭ ⎥⎦ ⎝ 2 ⎠
⎣ −∞

Persamaan dalam tanda kurung diatas adalah total satu satuan luas dari fungsi
(
kepadatan Gauss N λ + ζ 2 , ζ . Oleh karena itu: )
⎛ 1 ⎞ 1
μ = exp⎜ λ + ζ 2 ⎟ Æ λ = ln μ − ζ 2
⎝ 2 ⎠ 2

Dengan cara yang sama, varians dari X adalah:

∞ ⎡ 1 ⎡( y − λ) ⎤2 ⎤
EX( ) 2
=
1
ζ 2π ∫ e exp⎢⎢− 2 ⎢⎣ ζ ⎥⎦ ⎥⎥ dy
2y

−∞ ⎣ ⎦
∞

∫ exp⎢⎣− 2ζ 2 {y ( ) }
1 ⎡ 1 ⎤
= 2
− 2 λ + 2ζ 2 y + λ2 ⎥ dy
ζ 2π −∞ ⎦

( ) 1
∞ ⎡ 1 ⎧ y − λ + 2ζ 2 ⎫2 ⎤( ) [( )]
= ∫ exp⎢⎢− 2 ⎨ ⎬ dy ⎥ exp 2 λ + ζ
2 2
E X
ζ 2π ⎩ ζ ⎭ ⎥⎦
−∞ ⎣

[( )]
= exp 2 λ + ζ 2

Karena; Var ( X ) = E (X ) − μ ; maka 2 2

x

Var ( X ) = exp[2(λ + ζ )]− exp[2(λ + 2 1

2
] (
ζ 2 ) = μ 2 eζ − 1
2
)
VI - 7
dari persamaan diatas kita dapatkan:
⎛ σ2 ⎞
ζ = ln⎜⎜1 + 2 ⎟⎟ ;
2

⎝ μ ⎠
[ ( )]
Bila σ/μ tidak besar (≤0.30), maka ln 1 + σ 2 / μ 2 ≅ σ 2 / μ 2 ; sehingga:
σ
ζ ≅ = δ = COV
μ
Median (xm) = nilai tengah dari log-normal adalah:
⎛ ln xm − λ ⎞
P ( X ≤ x m ) = 0 .5 atau Φ⎜ ⎟ = 0.5 ; maka:
⎝ ζ ⎠
ln xm − λ
= Φ −1 (0.5) = 0 Æ λ = ln xm
ζ
Sebaliknya: xm = e y
Dengan menggunakan persamaan-persamaan sebelumnya diperoleh:
μ μ
xm = Æ λ = ln
1+ δ 2 1+ δ 2
Hal ini berarti median dari suatu distribusi log-normal selalu lebih kecil dari
nilai rata-ratanya, yakni xm < μ

Contoh: Dari data menunjukkan curah hujan total tahunan di suatu kolam
penampung diperkirakan memiliki distribusi log-normal dengan rata-rata 60 in,
dan deviasi standar 15 in.
a. Tentukan probabilitas bahwa pada tahun depan curah hujan tahunan
antara 40 sampai 70 in.
Solusi:
σ 15
ζ ≅ = = 0.25
μ 60

λ = ln μ − ζ 2 = ln 60 − 12 (0.25)2 = 4.06
1
2

VI - 8
 ⎛ 70 − 4.06 ⎞ ⎛ 40 − 4.06 ⎞
P(40 < X ≤ 70 ) = Φ⎜ ⎟ − Φ⎜ ⎟
⎝ 0.25 ⎠ ⎝ 0.25 ⎠
= Φ(0.75) − Φ(− 1.48)
= Φ(0.75) − [1 − Φ(1.48)]
Dari tabel diperoleh:
P(40 < X ≤ 70) = 0.773373 − 0.069437 = 0.7039

b. Berapa probabilitas curah hujan tahunan paling tidak (minimal) 30 in

⎛ 30 − 4.06 ⎞
P( X ≥ 30) = Φ(∞ ) − Φ⎜ ⎟
⎝ 0.25 ⎠
= 1 − Φ(− 2.64) = 0.9958
c. Tentukan nilai curah hujan tahunan bila disktribusi kumulatifnya adalah 10%.
P( X ≤ x.10 ) = 0.10

⎛ ln x10 − 4.06 ⎞
Φ⎜ ⎟ = 0.10
⎝ 0.25 ⎠
Dari table menunjukkan bahwa probabilitas kurang dari 0.5 terkait dengan nilai
variasi negative, sehingga;
ln x10 − 4.06
= Φ −1 (0.10) = −Φ −1 (0.90) = −1.28
0.25
Sehingga, ln x10 = 4.06 − 1.28(0.25) = 3.74

x10 = e3.74 = 42.10 inc

6.4 Distribusi Gamma dan exponensial

Distribusi gamma dan exponensial terkait dengan proses Poisson. Distribusi
gamma berasal dari fungsi gamma yang diformulasikan sebagai berikut:
∞
Γ(α ) = ∫ xα −1e − x dx untuk α >0
0

Dengan memisalkan u = xα −1 dan dv = e − x dx , diperoleh:

VI - 9
 ∞ ∞ ∞
Γ(α ) = −e − x xα −1 +∫ e − x (α − 1)xα −2 dx = (α − 1)∫ xα −2 dx
0 0 0

untuk α >1., menghasilkan rumusan pengulangan

Γ(α ) = (α − 1)Γ(α − 1).
Γ(α ) = (α − 1)(α − 2)Γ(α − 2) = (α − 1)(α − 2)(α − 3)Γ(α − 3).
dan seterusnya,
Bila α = n , dimana n adalah bilangan bulat positif, maka
Γ(n ) = (n − 1)(n − 2),...., Γ(1)
Berdasarkan rumus fungsi gamma:
∞
Γ(1) = ∫ e − x dx = 1
0

Γ(n ) = (n − 1)!.

Sehingga: Fungsi kepadatan distribusi gamma dari suatu variabel acak X,

dengan parameter α dan β adalah:

⎧ 1
⎪ α xα −1e − x / β ,
f ( x ) = ⎨ β Γ(α ) x>0
⎪0,
⎩ selainnya

dimana α > 0 dan β > 0

Bila α = 1, maka distribusi tersebut dinamakan distribusi exponensial, fungsi

kepadatannya adalah:
⎧ 1 −x / β
⎪ e x>0
f (x ) = ⎨ β
⎪0 selainnya
⎩
Rata-rata dan varians distribusi gamma adalah:
μ = αβ dan σ 2 = αβ 2

VI - 10
Rata-rata dan varians distribusi exponensial adalah
μ=β dan σ2 = β2

Contoh:
Suatu sistem terdiri dari komponen tertentu yang waktu terjadi kerusakkannya
dinyatakan dengan T. Variabel acak T diasumsikan memiliki distribusi
exponensial dengan rata-rata β = 5. Bila 5 dari kompenen ini dipasang pada
sisitem yang berbeda, berapa probabilitas bahwa paling tidak 2 komponen masih
berfungsi pada akhir tahun ke 8.
Solusi:
Probabilitas komponen masih berfungsi pada akhir tahun ke 8 adalah:
∞
P(T > 8) =
1 −t / 8
∫
58
e dt = e − 8 / 5 ≅ 0.2

Dengan menggunakan distribusi binomial diperoleh:

5
⎛ n ⎞ x n− x 1 n
⎛ ⎞
P( X ≥ 2 ) = ∑ ⎜⎜ ⎟⎟ p q =1 − ∑ ⎜⎜ ⎟⎟ p x q n − x = 1 – 0.7373 = 0.2627.
2 ⎝ x⎠ 0 ⎝ x⎠

VI - 11