Nama : Amargio Saputro Ente

Nim : 452422058
Kelompok : 2

DISTRIBUSI PELUANG KONTINU

A. Pengertian Distribusi Peluang Kontinu

Distribusi peluang kontinu adalah peubah acak yang dapat memperoleh semua
nilai pada skala kontinu. Ruang sampel kontinu adalah bila ruang sampel mengandung
titik sampel yang tak terhingga banyaknya. Syarat dari distribusi kontinu adalah apabila
fungsi f(x) adalah fungsi padat peluang peubah acak kontinu X yang didefinisikan di atas
himpunan semua bilangan riil R bila:
1. F(x) ≥ 0 untuk semua x є R
∞
2. ∫ ∞ƒ(𝑥)𝑑𝑥 = 1

3. 𝑃(𝑎 < < 𝑏) = ∫∞ ƒ(𝑥∞)𝑑𝑥

B. Konsep dan Teorema Distribusi

1. Distribusi Normal
Distribusi Normal (Gaussian) mungkin merupakan distribusi probabilitas yang
paling penting baik dalam teori maupun aplikasi statistik. Distribusi ini paling banyak
digunakan sebagai model bagi data riil di berbagai bidang yang meliputi antara lain
karakteristik fisik makhluk hidup (berat, tinggi badan manusia, hewan, dll).

Terdapat empat alasan mengapa distribusi normal menjadi distribusi yang

paling penting :
a. Distribusi normal terjadi secara alamiah.
b. Beberapa variabel acak yang tidak terdistribusi secara normal dapat dengan mudah
ditransformasi menjadi suatu distribusi variabel acak yang normal.
c. Banyak hasil dan teknik analisis yang berguna dalam pekerjaan statistik hanya bisa
berfungsi dengan benar jika model distribusinya merupakan distribusi normal.
d. Ada beberapa variabel acak yang tidak menunjukkan distribusi normal pada
populasinya, namun distribusi dari rata-rata sampel yang diambil secara random
dari populasi tersebut ternyata menunjukkan distribusi normal.
Distribusi Normal disebut juga Gausian distribution adalah salah satu fungsi
distribusi peluang berbentuk lonceng seperti gambar berikut.
 Berdasarkan gambar di atas, distribusi Normal akan memiliki beberapa ciri
diantaranya:
a. Kurvanya berbentuk garis lengkung yang halus dan berbentuk seperti genta.
b. Simetris terhadap rataan (mean).
c. Kedua ekor/ ujungnya semakin mendekati sumbu absisnya tetapi tidak pernah
maemotong.
d. Jarak titik belok kurva tersebut dengan sumbu simetrisnya sama dengan σ
e. Luas daerah di bawah lengkungan kurva tersebut dari - ~ sampai + ~ sama dengan
1 atau 100 %.
Sebuah variabel acak kontinu X dikatakan memiliki distribusi normal dengan
parameter 𝜇𝑥 dan 𝜎𝑥 dimana −∞ < 𝜇𝑥 < ∞ dan 𝜎𝑥 > 0 jika fungsi kepadatan probabilitas
dari X adalah :
2
(

ƒ𝑁 𝑥−𝜇𝑥)
(𝑥; 𝜇𝑥 , 𝜎𝑥 ) =
1
e − (2𝜎𝑥2) , −∞ < 𝑥 < ∞ ........................ (1)
𝜎𝑥√2𝜋

Dimana :
𝜇𝑥 = mean
𝜎𝑥 = deviasi standard
𝜋 = nilai konstan yaitu 3, 1416
e = nilai konstan yaitu 2,7183
Untuk setiap nilai 𝜇𝑥 dan 𝜎𝑥, kurva fungsi akan simetris terhadap 𝜇𝑥 dan
memiliki total luas dibawah kurva tepat 1. Nilai dari 𝜎𝑥 menentukan bentangan dari
kurva sedangkan 𝜇𝑥 menentukan pusat simetrisnya.

Distribusi normal kumulatif didefinisikan sebagai probabilitas variabel acak

normal X bernilai kurang dari atau sama dengan suatu nilai x tertentu. Maka fungsi
distribusi kumulatif dari distribusi normal ini dinyatakan sebagai :
 2
(

ƒ (𝑥; 𝑥 𝑥 −𝜇𝑥2))
(𝑡2𝜎
𝜇 , 𝜎𝑥) = 𝑃( ≤ 𝑥) = ∫ ƒ (𝑡; , 𝜎𝑥)𝑑𝑡 = ∫ 1
e 𝑥
𝑑𝑡...............(2)
𝜇
𝑁 𝑥 −∞ 𝑁 𝑥 −∞ 𝜎𝑥√2𝜋

Untuk menghitung probabilitas 𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) dari suatu variabel acak kontinu

X yang terdistribusi secara normal dengan parameter 𝜇𝑥 dan 𝜎𝑥 maka persamaan (1)
harus diintegralkan mulai dari 𝑥 = 𝑎 sampai 𝑥 = 𝑏. Namun, tidak ada satupun dari
teknik-teknik pengintegralan biasa yang bisa digunakan untuk menentukan integral
tersebut. Untuk itu para ahli statistik/matematik telah membuat sebuah
penyederhanaan dengan memperkenalkan sebuah fungsi kepadatan probabilitas
normal khusus dengan nilai mean 𝜇 = 0 dan deviasi standard 𝜎 = 1. Distribusi ini
dikenal sebagai distribusi normal standard (standard normal distribution). Variabel
acak dari distribusi normal standard ini biasanya dinotasikan dengan Z.
Dengan menerapkan ketentuan diatas pada persamaan (1) maka fungsi
kepadatan probabilitas dari distribusi normal standard variabel acak kontinu Z adalah:

ƒ (𝑧; 0,1) = 1
e −𝑧2
𝑁
√ 2 , −∞ < 𝑧 < ∞ ......................................................(3)
2𝜋
Sedangkan fungsi distribusi kumulatif dari distribusi normal standard ini
dinyatakan sebagai :
𝑧 1 −𝑡2

ƒ𝑁(𝑧; 0,1) = 𝑃(𝑍 ≤ 𝑧) = Φ(𝑧) = ∫−∞ e 2 𝑑𝑡 ..................................(4)

√2𝜋
Distribusi normal variabel acak kontinu X dengan nilai-nilai parameter 𝜇𝑥 dan
𝜎𝑥 berapapun dapat diubah menjadi distribusi normal kumulatif standard jika variabel
acak standard Zx menurut hubungan :
𝑥−𝜇𝑥
𝑧𝑥 = 𝜎𝑥

Nilai 𝑧𝑥 dari variabel acak standard 𝑧𝑥 sering juga disebut sebagai skor z dari
variabel acak X.

2. Distribusi Student’s t
Distribusi student’s t adalah distribusi yang ditemukan oleh seorang
mahasiswa yang tidak mau disebut namanya. Untuk menghargai hasil penemuannya
itu, distribusinya disebut distribusi Student yang lebih dikenal dengan distribusi “t”,
diambil daru huruf terakhir kata “student”. Bentuk persamaan fungsinya :
𝐾
ƒ(𝑡) =
1
𝑡2 2
𝑛
1+( )
𝑛−1
 Berlaku untul −∞ < 𝑡 < ∞ dan K merupakan tetapan yang besarnya tergantung
dari besar n sedemikian sehingga luas daerah antara kurva fungsi itu dan sumbu t
adalah
Bilangan n – 1 disebut derajat kebebasan (dk). Yang dimaksudkan dengan dk
ialah kemungkinan banyak pilihan dari sejumlah objek yang diberikan. Misalnya
kita mempunyai dua objek yaitu A dan B. Dari dua objek ini kita hanya mungkin
melakukan 1 kali pilihan saja, A dan B. Seandainya terpilih A maka B tidak usah
dipilih lagi. Dan untuk itu dk = 2 – 1 = 1.
Contoh soal:
a. Untuk n = 13, jadi dk = (n-1) = 13 - 1 = 12, dan p = 0,95 maka t = 1,782 ini
didapat (lihat tabel distruibusi-t) dengan jalan maju ke kanan dari 12 dan
menurun 0,95.
b. Bagaimana menggunakan tabel t? kalau v = 10 (berarti misalnya n = 11) serta
𝛼 = 0,05 maka 𝑃(𝑡 >? ) = 0,05
Jawab:
Untuk tabel yang disusun secara kumulatif maka kita harus melihat pada
tabel t kumulatif, derajat bebas (v) =10 dan p = 1-0,05 = 0,95 dan ini
menghasilkan nilai 𝑡 = 𝑡0,05 = 1,812.
Jadi 𝑃(𝑡 > 1,812) = 0,05

3. Distribusi Gamma
Distribusi chi-kuadrat merupakan distribusi yang banyak digunakan dalam
sejumlah prosedur statistik inferensial. Distribusi chi-kuadrat merupakan kasus
khusus dari distribusi gamma dengan faktor bentuk 𝛼 = 𝑣/2, dimana v adalah
bilangan bulat positif dan faktor skala 𝛽 = 2.

Distribusi gamma adalah distribusi fungsi padat yang terkenal luas dalam
bidang matematika. Distribusi gamma mampu memecahkan masalah teknik dan
sains yang tidak mampu dipecahkan oleh distribusi normal. Distribusi gamma
mencangkup distribusi-distribusi khusus yaitu distribusi eksponensial, distribusi khi-
kuadrat, dan distribusi beta.

Suatu distribusi yang sering muncul dalam penerapan disebut distribusi

gamma. Nama ini diperoleh dari adanya relasi distribusi ini dengan fungsi gamma.
Distribusi gamma diaplikasikan dalam lamanya waktu untuk menyelesaikan
pekerjaan. Distribusi gamma sering diterapkan dalam teori antrian dan teori
reabilitas. Fungsi Gamma, dinotasikan dengan г untuk α > 0, yang didefinisikan
sebagai:

 untuk α > 0

 untuk α = 1

 untuk α > 1

Dari hasil ini, dapat disimpulkan bahwa khusus untuk α bilangan bulat positif yang lebih
besar dari 1 maka:

Misalkan y pada fungsi gamma merupakan variabel yang bergantung

pada variabel 𝑥 𝑑𝑎𝑛 𝛽, yaitu 𝑦 =𝑥/𝛽, dengan 𝛽>0, maka persamaan menjadi:

Jika masing-masing ruas dikalikan dengan dengan 𝟏𝟏/г(𝜶𝜶) maka

persamaan tersebut akan ekuivalen dengan:

Karena 𝛼>0, 𝛽>0, maka fungsi:

 Dimana α > 0 dan β > 0

Keterangan:

β = waktu rata-rata antar kejadian

α = jumlah kejadian yang terjadi berurutan pada waktu atau ruang

tertentu λ = jumlah kejadian per unit waktu atau ruang (λ= 1/β)

x = nilai random variabel (lama waktu atau luasan area hingga kejadian
berikutnya)

Selain distribusi gamma, terdapat sebuah distribusi gamma khusus yang

bernama distribusi gamma standar dimana pada distribusi gamma ini nilai dari
β=1. Distribusi gamma ini memiliki sebuah fungsi yang dapat menentukan
nilai distribusi probabilitas tergantung dari nilai α dan x. Berikut ini merupakan
fungsi dari distribusi probabilitas standar:

Berikut ini merupakan beberapa rumus lainya yang terkait dengan

perhitungan distribusi gamma:
4. Distribusi F
Ditemukan oleh seorang ahli statistik yang bernama R.A. Fisher pada tahun 1920.
Distribusi F disebut juga distribusi ANOVA ( Analysis of Varians ) adalah prosedur
statistika untuk mengkaji (mendeterminasi) apakah rata-rata hitung (mean) dari 3 (tiga)
populasi atau lebih, sama atau tidak. Digunakan untuk menguji rata - rata atau nilai tengah
dari tiga atau lebih populasi secara sekaligus, apakah rata-rata atau nilai tengah tersebut
sama atau tidak sama. Distribusi F ini juga mempunyai variabel acak yang kontinu.
Menurut Gasperz (1989:251), secara teori sebaran F merupakan rasio dari dua sebaran chi
kuadrat yang bebas. Oleh karena itu peubah acak F diberikan sebagai:
2
1
⁄𝑉1
𝐹=
2⁄𝑉2
2

Dimana :
2
=1 nilai dari sebaran chi kuadrat dengan derajat bebas 𝑉1 = 𝑛1 − 1
2
=2 nilai dari sebaran chi kuadrat dengan derajat bebas 𝑉2 = 𝑛2 − 1
Oleh karena itu sebaran F mempunyai dua derajat bebas yaitu 𝑉1 𝑑𝑎𝑛 𝑉2.

Misal :
Kita ingin mengetahui nilai F dengan derajat bebas 𝑉1 = 10 dan 𝑉2 = 12, maka jika
𝛼 = 0,05 dari tabel F diperoleh nilai 𝐹0,05 (10,12) = 2,75

5. Distribusi Seragam (Uniform)

Sebuah variabel acak dikatakan berdistribusi seragam (uniform) pada interval [α , β ]
jika dan hanya jika memiliki bentuk fungsi densitas sebagai berikut.

{
1
;untuk α ≤ x ≤ β
f ( x )= β−α
0 ; untuk x yang lainnya

Peubah acak yang berdistribusi seragam ini mempunyai fungsi densitas berupa
konstanta yang didefinisikan pada sebuah interval nilai peubah acaknya. Jadi, fungsi
densitas seragam ini mempunyai nilai yang sama sepanjang interval nilai yang diberikan.
Contoh. Diberikan sebuah fungsi distribusi F dari peubah acak X berdistribusi seragam
( x−α )
pada interval [α , β ] yaitu F(x) = 0 jika x < α , F(x) = 1 jika x > β , dan F(x) = jika
( β−α )
α ≤ x ≤ β.
Gambar. Grafik fungsi densitas (kiri) dan fungsi distribusi (kanan) dari
1
sebuah peubah acak yang berdistibusi seragam pada interval [0 , ]
3

Parameter Distribusi Seragam

Rataan, varians, dan fungsi pembangkit momen dari distribusi seragam dirumuskan sebagai
berikut.
1
1. μ= (α+ β)
2
2
2. σ =
1
12 ( )
( β−α )2

{
βt αt
e −e
M ( t ) = ;t ≠ 0
3. x t ( β−α )
1 ;t=0

Contoh :
Misalnya fungsi densitas dari X berbentuk :

{
1
;0< x < 4
g ( x )= 4
0 ;untuk x lain
Tentukan : a. P(1 < X < 3)
b. P(X > 2)
Solusi.
a. Berdasarkan sifat (iii) dari fungsi densitas, maka
3
1 1 1
P(1 < X < 3) = ∫ dx = x∨¿1 = ¿
3

1 4
4 2
b. Berdasarkan sifat (ii) dari fungsi densitas, maka
P(X > 2) = 1 – P(X < 2)
2
1
¿ 1− ∫ dx
−∞ 4
¿ 1−
{ | }
1
x 2
4 −∞
1
¿ 1−
2
1
¿
2
6. Distribusi Chi-Kuadrat
Banyak pengujian statistik yang mensyaratkan distribusi data harus normal
dan homogen. Uji distribusi normal adalah uji untuk mengukur apakah data yang
kita miliki berdistribusi normal, sehingga dapat dipakai dalam statistik parametrik
(statistik inferensial). Salah satu cara yang biasa dipakai untuk menghitung adalah
chi-kuadrat/chi-square.

Statistik Parametrik: Statistik parametrik berhubungan dengan statistik

inferensial yang membahas tentang parameter-parameter populasi, misalnya: jenis
data interval atau rasio, distribusi data normal atau mendekati normal.
Merumuskan hipotesis

 Ho: Data berdistribusi normal (Jika X2hitung < X2tabel terima Ho)
 Ha: Data tidak berdistribusi normal
(Jika X2hitung > X2tabel tolak Ho)
 Menentukan taraf nyata (ɑ)
 Untuk mencari nilai chi-square tabel
 dk = derajad kebebasan
 k = banyak kelas interval
 Jika nilai x2 (chi-kudrat/chi-square) lebih kecil, berarti mengarah pada
penerimaan hipotesis nol (Ho). Artinya data berdistribusi normal.
 Jika nilai x2 ((chi-kudrat/chi-square) lebih besar, berarti penolakan
hipotesis nol (Ho). Artinya data tidak berdistribusi normal.
 Setelah harga chi-kuadrat dihitung, maka harga tersebut dibandingkan
dengan tabel harga chi-kuadrat dengan alpha 5% dan dk= k-1. Jika Xh2 < Xt2
maka dapat disimpulkan bahwa sebaran data berasal dari populasi yang
berdistribusi normal. Untuk memudahkan perhitungan chi-kuadrat, maka skor
data penelitian disusun dalam tabel distribusi frekuensi.

7. Distribusi Eksponensial
Distribusi eksponensial diperoleh dari distribusi gamma dengan nilai
1
α =1 dan β=θ . Pada beberapa referensi lain, parameter β dituliskan sebagai .
λ

Definisi Distribusi Eksponensial

Peubah acak X dikatakan berdistribusi eksponensial jika dan hanya jika fungsi
densitasnya berbentuk :

{( )
−x
1 θ
f ( x )= θ . e ; x >0 , θ>0
0; untuk x lainnya

Gambar. Kurva fungsi densitas eksponensial

 Parameter Distribusi Eksponensial
Rataan, varians, dan fungsi pembangkit momen dari distribusi eksponensial
dirumuskan sebagai berikut.
1. μ=θ
2. σ 2=θ2
−1 1
3. M x ( t ) =(1−θt ) ;t <
θ

8. Distribusi Empiris
Para ilmuwan dan enjinir hanya memiliki himpunan data. Oleh karena itu penting
untuk mencirikan atau meringkas sifat himpunan data tersebut dengan cukup jelas.
Langkah awal dalam menaksir f(x) adalah membuat distribusi frekuensi nisbi (nisbi =
relatif). Distribusi empiris mengelompokkan data ke dalam suatu interval, di mana
frekuensi data dalam setiap interval dapat digunakan untuk menentukan frekuensi
nisbinya. Sebagai contoh, misalkan umur 40 batere mobil yang serupa dicatat dimana
yang dalam hal ini umur tersebut dibulatkan sampai persepuluhan tahun.

2.2 4.1 3.5 4.5 3.2 3.7 3.0 2.6

3.4 1.6 3.1 3.3 3.8 3.1 4.7 3.7
2.5 4.3 3.4 3.6 2.9 3.3 3.9 3.1
3.3 3.1 3.7 4.4 3.2 4.1 1.9 3.4
4.7 3.8 3.2 2.6 3.9 3.0 4.2 3.5

Umur batre mobil

Misalkan dipilih 7 interval kelas, panjang interval adalah (4.7 – 1.6)/7 = 0.443  0.5

Interval Titik Tengah Frekuensi Frekuensi Nisbi

1.5-1.9 1.7 2 0.050
2.0-2.4 2.2 1 0.025
2.5-2.9 2.7 4 0.100
3.0-3.4 3.2 15 0.375
3.5-3.9 3.7 10 0.250
4.0-4.4 4.2 5 0.125
4.5-4.9 4.7 3 0.075
 Misalkan akan dicari peluang batere berumur antara 3.45 dan 4.45 bila dipilih
secara acak dari produksi batere yang sama. Peluang taksiran adalah jumlah luas persegi
panjang antara 3.45 dan 4.45. Namun luas persegi panjang tersebut belum dapat dihitung
karena rumus f(x) belum diketahui. Fungsi f(x) dapat ditaksir dengan melihat bentuknya
dan persamaan yang mewakilinya, lalu dicari parameter persamaan tersebut. Pada gambar
di atas, kurva berbentuk seperti lonceng yang persamaan fungsinya sudah dikenal
(persamaan Gaussian). Setelah parameter Gaussian diketahui, maka peluang yang dicari
dapat dihitung.

9. Distribusi Weibul
Distribusi Weibull adalah distribusi yang memiliki peranan yang penting terutama
pada persoalan keandalan (reliability) dan analisis rawatan (mantainability). Distribusi
Weibull sering dipakai sebagai pendekatan untuk mengetahui karakteristik fungsi
kerusakan karena perubahan nilai akan mengakibatkan distribusi Weibull
mempunyai sifat tertentu ataupun ekuivalen dengan distribusi tertentu.

Distribusi ini adalah distribusi serbaguna yang dapat mengambil karakteristik dari
jenis lain dari distribusi, berdasarkan nilai dari bentuk parameter. Weibull telah diakui
sebagai model yang tepat dalam studi keandalan dan masalah pengujian kehidupan
seperti waktu untuk kegagalan atau panjang umur komponen atau produk. Selama
bertahun-tahun, estimasi bentuk dan skala parameter untuk fungsi distribusi telah
didekati melalui metode kemungkinan maksimum (MLM), metode linear, dan beberapa
versi dari analisis regresi. Dalam beberapa tahun terakhir,

Distribusi Weibull telah menjadi salah satu yang paling umum digunakan,
diterima, dianjurkan untuk menentukan potensi energi angin dan juga digunakan
sebagai distribusi referensi untuk software energi angin.

Distribusi Weibull adalah model penting terutama untuk keandalan dan analisis
rawatan.6 Distribusi Weibull dapat digunakan untuk memodelkan distribusi kecepatan
angin di tempat kejadian tertentu dan karenanya, dapat membantu dalam penilaian
sumber daya angin dari tempat kejadian. Untuk menghitung dua parameter (bentuk dan
skala) untuk distribusi Weibull kurva frekuensi kecepatan angin untuk tempat kejadian
dapat dibuat (Prasad et al., 2009) dan kunci untuk melakukan turbin angina.
 Fungsi distribusi kumulatif dari distribusi Weibull adalah dimana λ > 0
adalah:

parameter bentuk dan k > 0 adalah parameter skala. Fungsi kepadatan peluangnya

adalah turunan dari fungsi distribusi kumulatifnya tersebut.

, dengan demikian dapat didefinisikan fungsi kepadatan peluangnya adalah:

Mean dan varian distribusi Weibull adalah:

Mean dan varian dari distribusi Weibull dapat diperoleh dengan metode momen.
Proses metode momen untuk mendapatkan mean dan varian adalah sebagai berikut.
Mean
Mean diperoleh dari momen pertama E(X) = µ.

pada persamaan tersebut di misalkan:

maka persamaan tersebut akan menjadi:

Selanjutnya disubstitusikan dengan fungsi Gamma, dimana pada fungsi Gamma

dengan demikian mean distribusi Weibull adalah

Varian

Varian diperoleh persamaan

untuk menyelesaikan persamaan tersebut harus diketahui terlebih dahulu
momen kedua E(X2).

hampir sama dengan penyelesaian pada momen pertama, pada persamaan di

atas juga dimisalkan

Sehingga persamaannya menjadi

Selanjutnya, dapat diketahui varian dari distribusi Waibull adalah

Ruang lingkup kegunaan analisa weibull antara lain adalah:

1. Perencanaan kegiatan pemeliharaan dan biaya penggantian yang efektif.
2. Pengevaluasian rencana-rencana kegiatan pemeliharaan perbaikan.
3. Perencanaan pengamanan spare part.
4. Prediksi kerusakan.
 DAFTAR PUSTAKA

Munir. 2020. Distribusi peluang kontinu. Teknik Elektro dan Informatika ITB. Jawa barat
Wapole, dkk . 1995. Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan. Penerbit ITB ,
Bandung.
Kusdian, dkk. 2005. Penggunaan distribusi normal dalam memodelkan sebaran persepsi biaya
perjalanan dan transformasi box-muller pada pengambilan sampel acak model
pemilihan rute dan pembebanan stokastik. Universitas Katolik Parahyangan. Bandung,
Jawa Barat.
Wattimena dan Lekatompessy. 2014. Analysis of Comulans Comparative on some Types of
Special Distribution. Jurusan Matematika Fakultas MIPA Universitas Pattimura.
Maluku
Hendy, dkk. 2019. Distribusi probabilitas;peubah acak kontinu. Program Studi Teknik
Informatika, Fakultas Ilmu Komputer, Universitas Esa Unggul. Jakarta