TUGAS STATISTIKA MATEMATIKA

DISTRIBUSI KONTINU KHUSUS (WEIBULL, PARETO, NORMAL)

Dosen Pengampu: Dr. Laila Hayati, S.Pd., M.Si.

Disusun Oleh:

1. Anida Hasnawati (E1R019011)

2. Aulia Shara Putri (E1R019015)
3. Qurrotul A’yuni R.S (E1R0190125)
4. Rabiatun Adawiah (E1R019126)
5. Rani Laksmi Bay (E1R019127)
6. Ria Arianti (E1R019128)
7. Riska Aprilianingsih (E1R019131)

PROGRAM STUDI PENDIDIKAN MATEMATIKA

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS MATARAM
2023
 DISTRIBUSI KONTINU KHUSUS
(WEIBULL, PARETO, NORMAL)

A. DISTRIBUSI WEIBULL
Distribusi Weibull secara luas digunakan untuk berbagai masalah keteknikan
karena kegunaannya yang bermacam-macam. Pada dasarnya distribusi weibull ini
dimaksudkan untuk menggambarkan keadaan optimal dari suatu mesin atau
peralatan baik perbagiannya ataupun komponen-komponennya. Distribusi weibull
biasanya digunakan untuk menyelesaikan masalah-masalah yang menyangkut lama
waktu (umur) suatu obyek yang mampu bertahan hingga akhirnya obyek tersebut
tidak berfungsi sebagaimana mestinya (rusak atau mati).

Peubah acak kontinu X berdistribusi weibull,dengan parameter 𝛽 > 0 𝑑𝑎𝑛 > 0 bila
fungsi pdf.

𝑥 𝛽
𝛽 𝛽−1 −(𝜃)
𝑓(𝑥: 𝜃, 𝛽) = {𝜃𝛽 𝑥 𝑒 𝑥>0
0 𝑥 𝑙𝑎𝑖𝑛𝑛𝑦𝑎

CDF untu X berdistribusi Weibull

𝑥 𝛽
−( )
F(𝑥: 𝜃, 𝛽) = { 1−𝑒 𝜃
𝑥>0
0 𝑥 𝑙𝑎𝑖𝑛𝑛𝑦𝑎

Notasi untuk X berdistribusi Weibull adalah

𝑋~𝑊𝐸𝐼(𝜃, 𝛽)

• Mean dari 𝑿~𝑾𝑬𝑰(𝜽, 𝜷) adalah

1
𝐸(𝑋) = 𝜃𝛤 (1 + 𝛽)

• Varian dari 𝑿~𝑾𝑬𝑰(𝜽, 𝜷) adalah

2 1
𝑉𝑎𝑟(𝑋) = [𝛤 (1 + 𝛽) − 𝛤 2 (1 + 𝛽)]
 Contoh soal Distribusi Weibull
Sebuah mesin fotocopy mempunyai masa hidup yang berdistribusi weibull dengan 𝛼
= 0,8 dan 𝛽 = 3.
a. Berapakah peluang mesin tersebut beroperasi lebih dari 1 tahun?
b. Berapakah peluang mesin tersebut beroperasi kurang dari 1 tahun?

Diketahui
𝛼 = 0,8
𝛽=3
t=1
e = 2,71828
a. Ditanyakan x > 1
Jawab:
𝑡 𝛽
F(t) = 𝑒 −(𝛼)
1 3
−( )
= 2,71828 0,8
1
−( )
= 2,71828 0,512
= 2,72828−1,953125
= 0,14183015
Jadi, peluang mesin tersebut beroperasi lebih dari 1 tahun adalah
0,14183015 atau 14,183015%

b. Ditanyakan x < 1
Jawab:
𝑡 𝛽
−( )
F(t; 𝛼, 𝛽) = 1 – 𝑒 𝛼

1 3
−( )
= 1 – 2,71828 0,8
1
−( )
= 1 – 2,71828 0,512
= 1 – 2,72828−1,953125
= 1 – 0,14183015
= 0,85816985

Jadi, peluang mesin tersebut beroperasi kurang dari 1 tahun adalah

0,85816985 atau 85,816985%

B. DISTRIBUSI PARETO

Distribusi Pareto merupakan salah satu dari distribusi power law, dimana dalam
distribusi ini rata-rata atau standar deviasinya akan tergantung nilai pangkat
fungsi padat peluangnya. Distribusi Pareto dinotasikan dengan 𝑋 ~ 𝑃𝐴𝑅(𝑋𝑚 , 𝛼)
Definisi :
Jika X adalah variabel acak dengan distribusi Pareto, maka probabilitas bahwa X lebih
besar dari beberapa nomor x, yaitu fungsi survival (juga disebut fungsi ekor), diberikan
oleh
𝑥𝑚 𝛼
( ) , 𝑥 ≥ 𝑥𝑚
𝐹̅ (𝑥) = Pr(𝑋 > 𝑥) = { 𝑥
1, 𝑥 < 𝑥𝑚

dimana 𝑥𝑚 adalah (tentu positif) nilai minimum yang mungkin dari 𝑋, dan 𝛼
adalah parameter positif. Distribusi Pareo ditandai dengan parameter xm skala dan
parameter berbentuk 𝛼, yang dikenal sebagai indeks ekor. Ketika distribusi ini
digunakan untuk memodelkan distribusi kekayaan, maka parameter 𝛼 disebut indeks
Pareto.

a) Cumulative Distribution Function (CDF)

Pareto distribusi kumulatif untuk α dengan 𝑥𝑚 = 1

Dari definisi tersebut, fungsi distribusi kumulatif dari Pareto variabel acak dengan
parameter 𝛼 dan 𝑥𝑚 adalah

𝑥𝑚 𝛼
1 − ( ) , 𝑥 ≥ 𝑥𝑚
𝐹𝑥 (𝑥) = Pr(𝑋 > 𝑥) = { 𝑥
0 , 𝑥 < 𝑥𝑚

Dimana;

• 𝑥𝑚 adalah nilai minimum dari 𝑋

• 𝛼 adalah parameter positif yang menentukan konsentrasi data terhadap modus
 • 𝑥 adalah variabel acak (𝑥 > 𝑥𝑚 )

b) Probability density Function (PDF)

Pareto kepadatan probabilitas untuk 𝛼 dengan 𝑥𝑚 = 1. Untuk 𝛼 → ∞ distribusi

𝛿 ( 𝑥 − 𝑥𝑚 ) di mana 𝛿 adalah fungsi delta Dirac.

Hal berikut (dari diferensiasi / turunan CDF) bahwa fungsi kepadatan probabilitas
(PDF) adalah

1. 𝑓𝑥 (𝑥) untuk 𝑥 ≥ 𝑥𝑚
𝑥 𝑎
𝑑 (1 − 𝑥𝑚𝑎 )
𝑓𝑥 (𝑥) =
𝑑𝑥
𝑑(1) 𝑑(𝑥𝑚𝑎 . 𝑥 −𝑎 )
𝑓𝑥 (𝑥) = −
𝑑𝑥 𝑑𝑥
(−𝑎)𝑥𝑚 𝑎
𝑓𝑥 (𝑥) = −
𝑥 𝑎+1
𝑎𝑥𝑚 𝑎
𝑓𝑥 (𝑥) = 𝑎+1
𝑥
2. 𝑓𝑥 (𝑥) untuk 𝑥 < 𝑥𝑚
𝑑(0)
𝑓𝑥 (𝑥) =
𝑑𝑥
𝑓𝑥 (𝑥) = 0

c) Nilai Harapan (𝐸(𝑥))

Nilai harapan dari distribusi Pareto adalah
∞
𝐸(𝑥) = ∫ 𝑥 𝑓(𝑥)𝑑𝑥
𝑥𝑚
 ∞ ∞
𝑎𝑥𝑚 𝑎
𝐸(𝑥) = ∫ 𝑥 𝑑𝑥 = ∫ 𝑥 . 𝑎𝑥𝑚 𝑎 (𝑥 −𝑎−1 )𝑑𝑥
𝑥𝑚 𝑥 𝑎+1 𝑥𝑚
∞
𝐸(𝑥) = 𝑎𝑥𝑚𝑎 ∫ 𝑥 −𝑎 𝑑𝑥
𝑥𝑚

𝑥 −𝑎+1 ∞
𝐸(𝑥) = 𝑎𝑥𝑚𝑎 |
−𝑎 + 1 𝑥𝑚
𝑎𝑥𝑚
𝐸(𝑥) =
𝑎−1
𝑎𝑥
Jadi, Nilai harapan dari distribusi Pareto adalah 𝐸(𝑥) = 𝑎−1𝑚 , untuk 𝑎 > 1

d) Variansi
Variansi dari variabel acak distribusi Pareto adalah
2
𝑉𝑎𝑟(𝑥𝑚 ) = 𝐸(𝑥𝑚2 ) − (𝐸(𝑥𝑚 ))
∞
• 𝐸(𝑥𝑚 2 ) = ∫𝑥 𝑥𝑚2 𝑓(𝑥)𝑑𝑥
𝑚
∞ ∞
2)
𝑎𝑥𝑚 𝑎
𝐸(𝑥𝑚 =∫ 𝑥𝑚2 𝑎+1
𝑑𝑥 = ∫ 𝑥𝑚2 . 𝑎𝑥𝑚 𝑎 (𝑥 −𝑎−1 )𝑑𝑥
𝑥𝑚 𝑥 𝑥𝑚
∞ ∞
𝐸(𝑥𝑚 2 ) = 𝑎𝑥𝑚𝑎 ∫ 𝑥 2 . 𝑥 −𝑎−1 𝑑𝑥 = 𝑎𝑥𝑚𝑎 ∫ 𝑥 −𝑎+1 𝑑𝑥
𝑥𝑚 𝑥𝑚

2)
𝑥 −𝑎+1+1 ∞
𝐸(𝑥𝑚 = 𝑎𝑥𝑚𝑎 |
−𝑎 + 1 + 1 𝑥𝑚
2)
𝑎𝑥𝑚𝑎 𝑥 −𝑎+2
𝐸(𝑥𝑚 = 0−
−𝑎 + 2
2)
𝑎𝑥𝑚2
𝐸(𝑥𝑚 =−
−𝑎 + 2
2)
𝑎𝑥𝑚2
𝐸(𝑥𝑚 =
𝑎−2
2 𝑎𝑥 2
• (𝐸(𝑥𝑚 )) = (𝑎−1𝑚 )

2 𝑎2 𝑥𝑚 2
(𝐸(𝑥𝑚 )) =
(𝑎 − 1)2
2
• 𝑉𝑎𝑟(𝑥𝑚 ) = 𝐸(𝑥𝑚2 ) − (𝐸(𝑥𝑚 ))
𝑎𝑥𝑚2 𝑎2 𝑥𝑚 2
𝑉𝑎𝑟(𝑥𝑚 ) = −
𝑎 − 2 (𝑎 − 1)2
𝛼𝑥𝑚2 (𝑎 − 1)2 − 𝑎2 𝑥𝑚 2 (𝑎 − 2)
𝑉𝑎𝑟(𝑥𝑚 ) =
(𝑎 − 2)(𝑎 − 1)2
 𝑎𝑥𝑚2
𝑉𝑎𝑟(𝑥𝑚 ) =
(𝑎 − 2)(𝑎 − 1)2
𝑎𝑥𝑚2
Jadi, nilai variansi dari distribusi Pareto adalah 𝑉𝑎𝑟(𝑥𝑚 ) = ,
(𝑎−2)(𝑎−1)2

𝑎 > 2 ( jika 𝑎 ≤ 1, variansi tidak ada)

e) Median & modus

• Median dari variabel acak distribusi Pareto adalah
𝑎
𝑀𝑒 = 𝑥𝑚 √2
• Modus dari variabel acak distribusi Pareto adalah
𝑀𝑜 = 𝑥𝑚

Contoh Soal
1. Misalkan pendapatan dari suatu populasi yang memiliki distribusi Pareto dengan
𝛼 = 3 dan 𝑥𝑚 = 1000. Hitunglah populasi penduduk dengan pendapatan pada
tahun 2000.

Penyelesaian:

Diketahui : 𝛼 = 3, 𝑥𝑚 = 1000, 𝑋 = 2000

Ditanya : 𝑓(𝑥)

𝑎𝑥𝑚 𝑎 3 . (1000)3
𝑓𝑥 (𝑥) = = = 0,109375
𝑥 𝑎+1 (2000)3+1

2. Jika 𝑋~𝑃𝐴𝑅(10,3). Tentukan Nilai Harapan dan variansinya

Penyelesaian

Diketahui: 𝛼 = 3, 𝑥𝑚 = 10

Ditanya: 𝐸(𝑋) dan 𝑉𝑎𝑟(𝑋)

Jawab :

𝑎𝑥𝑚 3 .10 30
a. 𝐸(𝑋) = = = = 15
𝑎−1 3−1 2
𝑎𝑥𝑚2 3 . (10)2 300
b. 𝑉𝑎𝑟(𝑋) = = (3−2)(3−1)2 = = 75
(𝑎−2)(𝑎−1)2 4
3. Jika 𝑋~𝑃𝐴𝑅(2, 10). Tentukan Nilai Harapan dan variansinya

Penyelesaian

Diketahui: 𝛼 = 10, 𝑥𝑚 = 2

Ditanya: 𝑀𝑒 dan 𝑀𝑜

Jawab :

𝑎 10
a. 𝑀𝑒 = 𝑥𝑚 √2 = 2 . √2 = 2 . (1,07177346) = 2,14354692
b. 𝑀𝑜 = 𝑥𝑚 = 2

4. Jarak (dalam inci) yang ditembakkan anak panah dari pusat target dapat dimodelkan
sebagai variabel random X ~ WEI (10,2). Peluang ditembakkannya anak panah
dalam jarak lima inci dari tengah adalah
Jawab

5 2
( )
P[X ≤ 5] = F(5; 10, 2) = 1 – 𝑒 10 = 0.221
Rata-rata dari X ~ WEI(θ,β) diperoleh sebagai berikut:
𝑥 𝛽
∞ 𝛽
E(X) = ∫0 𝑥 𝑥 𝛽−1 𝑒 (𝜃) dx
𝜃2

𝑥 𝛽
𝛽 ∞
= 𝜃2 ∫0 𝑥 (1+𝛽)−1 𝑒 (𝜃) dx

𝑥 𝛽
Substitusikan t = (𝜃) dan sederhanakan,
1
∞ (1+ )−1 1
E(X) = 𝜃 ∫0 𝑡 𝛽 𝑒 −1 = 𝜃𝜏(1 + 𝛽)

2
Demikian pula dengan 𝐸(𝑥 2 ) = 𝜃 2 Γ (1 + 𝛽), dan demikian

2 1
Var(X) = 𝜃 2 [Γ (1 + 𝛽) − Γ 2 (1 + 𝛽)]

Dari equation (3.3.22) diketahui bahwa persentil 100 x pth memiliki bentuk
persamaan

xp = 𝜃[− ln(1 − 𝑝)]1/𝛽

C. DISTRIBUSI NORMAL

Distribusi normal merupakan distribusi peluang kontinu yang sering digunakan

di seluruh bidang statistika. Suatu variabel random X mempunyai distribusi normal
dengan mean 𝜇 dan varians 𝜎 2 jika mempunyai pdf berbentuk:

1 1 𝑥−𝜇 2
𝑒 2 𝜎 )
− (
𝑓(𝑥; 𝜇, 𝜎) =
√2𝜋𝜎

untuk −∞ < 𝑥 < ∞ dengan −∞ < 𝜇 < ∞ dan 0 < 𝜎 < ∞ ini dinotasikan dengan:

𝑋~𝑁(𝜇, 𝜎 2 )

Distribusi normal juga sering disebut sebagai Distribusi Gaussian.

Kasus khusus dari distribusi normal adalah distribusi normal standar yang diperoleh
𝑋−𝜇
dengan substitusi 𝑧 = . Diadopsi notasi spesial untuk ini katakan:
𝜎

−𝑧2
1
ϕ(z) = 𝑒 2 −∞ < 𝑧 < ∞
√2𝜋

𝑍~𝑁(0,1), dan CDF normal diberikan oleh

𝑧

Ф(𝑧) = ∫ ϕ(t)dt
−∞

Banyak sifat geometris dasar pdf normal standar dapat diperoleh dengan metode
kalkulus:

ϕ(z) = ϕ(−z)

untuk semua z real, sehingga ϕ(z) merupakan suatu fungsi genap. Dengan kata lain,
distribusi normal standar simetrik pada 𝑧 = 0. Selanjutnya sebab bentuk spesial dari
ϕ(z), kita punya:

ϕ′ (𝑧) = −𝑧ϕ(z)

dan

ϕ′′ (𝑧) = (𝑧 2 − 1)ϕ(z)

Konsekuensinya, ϕ(z) mempunyai suatu maksimum pada 𝑧 = 0 dan titik infleksi pada
𝑧2
𝑧 = ±1. Dicatat juga bahwa ϕ(z) → 0 dan ϕ′ (𝑧) = −𝑧 [√2𝜋 exp ( 2 )] → 0 untuk 𝑧 →

±∞.

Juga mungkin menggunakan persamaan untuk menemukan 𝐸(𝑍) dan 𝐸(𝑍 2 ). Secara
berturut-turut:
∞ ∞

𝐸(𝑍) = ∫ 𝑧ϕ(z)dz = ∫ ϕ′ (z)dz = ϕ(𝑧)|∞

−∞ = 0
−∞ −∞

dan
∞

𝐸(𝑍 2 ) = ∫ 𝑧 2 ϕ(z)dz
−∞
∞ ∞

= ∫ [ϕ′′ (z) + ϕ(z)]dz = ϕ′ (𝑧)|∞

−∞ + ∫ ϕ(z)dz = 0 + 1 = 1
−∞ −∞

Secara sama hasil berikut untuk kasus yang lebih umum

𝑋−𝜇
𝑋~𝑁(𝜇, 𝜎 2 ). Berdasarkan substitusi pada 𝑧 = , kita punya:
𝜎

∞ ∞
1 1 𝑋−𝜇 2
𝐸(𝑋) = ∫ 𝑋 𝑒𝑥𝑝 [− ( ) ] 𝑑𝑥 = ∫ (𝜇 + 𝜎𝑧)ϕ(z)dz
√2𝜋 𝜎 2 𝜎
−∞ −∞

∞ ∞

= μ ∫ ϕ(z)dz + σ ∫ 𝑧ϕ(z)dz = μ
−∞ −∞

dan
∞ ∞
2) 2
1 𝑋−𝜇 2
1
𝐸(𝑋 = ∫ 𝑋 𝑒𝑥𝑝 [− ( ) ] 𝑑𝑥 = ∫ (𝜇 + 𝜎𝑧)2 ϕ(z)dz
√2𝜋 𝜎 2 𝜎
−∞ −∞

∞ ∞ ∞

= 𝜇 2 ∫ ϕ(z)dz + 2μσ ∫ 𝑧ϕ(z)dz + 𝜎 2 ∫ 𝑧 2 ϕ(z)dz = 𝜇 2 + 𝜎 2

−∞ −∞ −∞

Diperoleh bahwa:

𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − 𝜇 2 = (𝜇 2 + 𝜎 2 ) − 𝜇 2 = 𝜎 2
 Teorema 3.3.4

Jika 𝑋 ~ 𝑁(𝜇, 𝜎 2 ), maka:

𝑋−𝜇
1. 𝑍 = ~𝑁(0,1)
𝜎
𝑥−𝜇
2. 𝐹𝑥 (𝑥) = 𝛷 ( )
𝜎

Bukti:

𝐹𝑧 (𝑧) = 𝑃[𝑍 ≤ 𝑧]

𝑋−𝜇
= 𝑃[ ≤ 𝑧]
𝜎

= 𝑃[𝑋 ≤ 𝜇 + 𝑧𝜎]

𝑢+𝑧𝜎
1 1 𝑥−𝜇 2
=∫ exp [− ( ) ] 𝑑𝑥
−∞ √2𝜋𝜎 2 𝜎

Setelah substitusi 𝑤 = (𝑥 − 𝜇)/𝜎, kita peroleh:

𝑧
1 2 /2
𝐹𝑧 (𝑧) = ∫ 𝑒 −𝑤 𝑑𝑤
−∞ √2𝜋

= 𝛷(𝑧)

1 2 /2
Bagian 1 berikut dengan diferensiasi, 𝑓𝑧 (𝑧) = 𝐹 ′ 𝑧 (𝑧) = 𝑒 −𝑧
√2𝜋

Kami mendapatkan Bagian 2 sebagai berikut:

𝐹𝑥 (𝑥) = 𝑃[𝑋 ≤ 𝑥]

𝑋−𝜇 𝑥−𝜇
= 𝑃[ ≤ ]
𝜎 𝜎
𝑥−𝜇
= 𝛷( )
𝜎

Probabilitas kumulatif normal standar, 𝛷(𝑧), disajikan pada Tabel 3 di

Lampiran 𝐶 untuk nilai positif 𝑧. Karena simetri normal kepadatan, probabilitas
kumulatif dapat ditentukan untuk nilai negatif dari 𝑧 oleh hubungan

𝛷(−𝑧) = 1 − 𝛷(𝑧)
 Kita akan membiarkan 𝑧𝑦 menunjukkan persentil ke-𝑦 dari distribusi normal
standar, 𝛷(𝑧𝑦 ) = 𝑦. Misalnya, untuk 𝑦 = 0,95, 𝑧0.95 = 1.645 dari Tabel 3 (Lampiran
C). Oleh simetri, kita tahu bahwa 𝛷(−1.645) = 1 − 0.95 = 0.05. Yaitu, 𝑧0.05 =
−𝑧1−0.05 . Ini mengikuti itu

𝑃[𝑧0.05 < 𝑍 < 𝑧0.95 ] = 0.95 − 0.05 = 0.90

Atau

𝑃[−𝑧1−0.05 < 𝑍 < 𝑧1−0.05 ] = 0.90

Beberapa penulis merasa lebih nyaman menggunakan 𝑧∝ untuk menunjukkan

nilai yang memiliki ∝ daerah ke kanan; Namun, kami akan menggunakan notasi di atas,
yang lebih konsisten dengan notasi kami untuk persentil. Jadi, secara umum

𝑃[−𝑧1−∝/2 < 𝑍 < 𝑧1−∝/2 ] = 1− ∝

yang sesuai dengan persamaan (3.3.37) dengan ∝= 0,10 dan di mana 𝑧1−∝/2 = 𝑧095 =
𝑧0.95 = 1.645. Demikian pula jika ∝= 005, maka 𝑧1−∝/2 = 𝑧0.975 = 1.96, dan

𝑃[−1.96 < 𝑍 < 1.96] = 0.95

Seringkali berguna untuk mempertimbangkan probabilitas normal dalam hal

standar deviasi dari rata-rata. Misalnya, íf 𝑋~𝑁(𝜇, 𝜎 2 ), maka

𝑃[𝜇 − 1.96𝜎 < 𝑋 < 𝜇 + 1.96𝜎] = 𝐹𝑥 (𝜇 + 1.96𝜎) − 𝐹𝑥 (𝜇 − 1.96𝜎)

𝜇 + 1.96𝜎 − 𝜇 𝜇 − 1.96𝜎 − 𝜇
= 𝛷( )−𝛷( )
𝜎 𝜎

= 𝛷(1.96) − 𝛷(−1.96)

= 0.95

Artinya, 95% area di bawah pdf normal berada dalam 1,96 standar deviasi rata-rata,
90% berada dalam 1,645 standar deviasi, dan seterusnya.

Teorema 3.3.5
𝜎2 𝑡
2 ). 𝜇𝑡+
𝑗𝑖𝑘𝑎 𝑋~𝑁(𝜇, 𝜎 , 𝑚𝑎𝑘𝑎 𝑀𝑋 (𝑡) = 𝑒 2

2𝑟
(2𝑟)! 𝜎 2𝑟
𝐸(𝑋 − 𝜇) = 𝑟 = 1,2, ….
𝑟! 2𝑟
𝐸(𝑋 − 𝜇)2𝑟−1 = 0 𝑟 = 1,2, ….
Bukti
𝑁𝑖𝑙𝑎𝑖 ℎ𝑎𝑟𝑎𝑝𝑎𝑛 𝑋
1 𝑥−𝜇 2
∞ 1 − ( ) 𝑥−𝜇
𝑀𝑋 (𝑡) = ∫−∞ 𝑒 𝑡𝑥 √2𝜋𝜎 𝑒 2 𝜎 𝑑𝑥, 𝑚𝑖𝑠𝑎𝑙𝑘𝑎𝑛 𝑧 = ( 𝜎
) 𝑚𝑎𝑘𝑎 𝑥 = 𝑧𝜎 +
𝜇, 𝑑𝑎𝑛 𝑑𝑥 = 𝜎𝑑𝑧,
∞
1 1 2
𝑀𝑋 (𝑡) = ∫ 𝑒 𝑡(𝑧𝜎+𝜇) 𝑒 −2𝑧 𝑑𝑧
√2𝜋
−∞
1 2 −2𝑧𝜎𝑡−2𝜇𝑡)
∞ 1
= ∫−∞ 𝑒 −2(𝑧 𝑑𝑧
√2𝜋
1 1
∞ 1 (𝑧−𝜎𝑡)2 +𝜇𝑡+ 𝜎2 𝑡 2
= ∫−∞ 𝑒 −2 2 𝑑𝑧
√2𝜋
1 2 2 1
∞ 1 − (𝑧−𝜎𝑡)2
𝑀𝑋 (𝑡) = 𝑒 𝜇𝑡+2𝜎 𝑡
∫−∞ √2𝜋 𝑒 2 𝑑𝑧,

1 1
𝑚𝑖𝑠𝑎𝑙𝑘𝑎𝑛 𝑢 = (𝑧 − 𝜎𝑡)2 𝑎𝑡𝑎𝑢 𝑧 = 𝜎𝑡 + √2𝑢 𝑑𝑎𝑛 𝑑𝑧 = (2𝑢)−2 𝑑𝑢
2
𝐷𝑖𝑝𝑒𝑟𝑜𝑙𝑒ℎ 𝑓𝑢𝑛𝑔𝑠𝑖 𝑝𝑒𝑚𝑏𝑎𝑛𝑔𝑘𝑖𝑡 𝑚𝑜𝑚𝑒𝑛 (𝑀𝐺𝐹):
∞
1 2 2 1 1
𝑀𝑋 (𝑡) = 𝑒 𝜇𝑡+2𝜎 𝑡 ∫ 𝑒 −𝑢 (2𝑢)−2 𝑑𝑢
√2𝜋
−∞
1 2 2 1
∞ 1 1
= 𝑒 𝜇𝑡+2𝜎 𝑡 −
∫−∞ √2𝜋 √2 𝑢 2 𝑒 −𝑢 𝑑𝑢
∞
1 2 2 1 1
𝑀𝑋 (𝑡) = 𝑒 𝜇𝑡+2𝜎 𝑡 ∫ 𝑢2−1 𝑒 −𝑢 𝑑𝑢
2 √𝜋
−∞
1 2 2 1
1 ∞
= 𝑒 𝜇𝑡+2𝜎 𝑡 −1
∫0 𝑢2 𝑒 −𝑢 𝑑𝑢
√𝜋
1 2 2
1 1
= 𝑒 𝜇𝑡+2𝜎 𝑡
Γ (2)
√𝜋
1 2 2
= 𝑒 𝜇𝑡+2𝜎 𝑡

Contoh soal

1. Dari penelitian terhadap 150 orang laki-laki yang berumur 40–60 tahun didapatkan
rata-rata kadar kolesterol mereka 215 mg dan simpangan baku 45 mg. Hitunglah
peluang kita mendapatkan seorang yang kadar kolesterolnya:
a. Kurangdari 200 mg
b. Lebihdari 250 mg
c. Antara 200 –275 mg

Penyelesaian:

Diketahui: 𝜇 = 215

𝑛 = 150

𝜎 = 45

Ditanyakan:

a. 𝑃(𝑋 < 200)

𝑎−𝜇
𝑃(𝑋 < 200) = 𝛷 ( )
𝜎
200 − 215
= 𝛷( )
45
= 𝛷(−0.33)
= 0.3737

b. 𝑃(𝑋 > 250)

𝑎−𝜇
𝑃(𝑋 > 250) = 1 − 𝛷 ( )
𝜎
250 − 215
= 1−𝛷( )
45
= 1 − 𝛷(0.78)
= 1 − 0.7823
= 0.2177

c. 𝑃(200 < 275)

𝑏−𝜇 𝑎−𝜇
𝑃(200 < 275) = 𝛷 ( )−𝛷( )
𝜎 𝜎
275 − 215 200 − 215
= 𝛷( )−𝛷( )
45 45
= 𝛷(1.33) − 𝛷(−0.33)
= 0.9082 − 0.3707
= 0.5375
2. Suatu jenis aki mobil rata-rata berumur 3 tahun dengan simpangan baku 0,5 tahun.
Jika umur aki dianggap berdistribusi normal. Tentukan peluang umur baterai
tertentu akan berumur kurang dari 2,3 tahun.
Jawab:
𝐷𝑖𝑘𝑒𝑡𝑎ℎ𝑢𝑖
𝜇 = 3 𝜎 = 0,5 𝑥 = 2,3
𝑑𝑖𝑡𝑎𝑛𝑦𝑎
𝑃(𝑋 < 2,3)

→ 𝑡𝑟𝑎𝑛𝑠𝑓𝑜𝑟𝑚𝑎𝑠𝑖𝑘𝑎𝑛 𝑥 𝑘𝑒𝑑𝑎𝑙𝑎𝑚 𝑏𝑒𝑛𝑡𝑢𝑘 𝑏𝑎𝑘𝑢 𝑍

𝑥 − 𝜇 2,3 − 3
𝑧= = = −1,4
𝜎 0,5

𝑃(𝑋 < 2,3) = 𝑃(𝑍 < −1,4)

= 0,5 − 𝑃(0 < 𝑍 < 1,4)
= 0,5 − 0,4192
= 0,0808

Jadi, peluang umur baterai tertentu akan berumur kurang dari 2,3 tahun adalah 0,0808
3. Dalam suatu proses industri, ditetapkan batas penerimaan suatu produk laher
adalah 3 ± 0,01. Jika diameter laher di luar dari batas tersebut dinyatakan cacat
dan tidak akan dipasangkan. Diketahui laher yang dihasilkan berdistribusi normal
dengan simpangan baku 0,005. Berapa persen banyaknya laher yang dinyatakan
cacat?
Jawab:

𝑑𝑖𝑘𝑒𝑡𝑎ℎ𝑢𝑖
𝜇=3
𝜎 = 0,005
𝑥1 = 2,99
𝑥2 = 3,01

𝑑𝑖𝑡𝑎𝑛𝑦𝑎
𝑃(𝑋 < 2,99 ∪ 𝑋 > 3,01)

→ 𝑡𝑟𝑎𝑛𝑠𝑓𝑜𝑟𝑚𝑎𝑠𝑖𝑘𝑎𝑛 𝑥 𝑘𝑒𝑑𝑎𝑙𝑎𝑚 𝑏𝑒𝑛𝑡𝑢𝑘 𝑏𝑎𝑘𝑢 𝑍

𝑥1 − 𝜇 2,99 − 3
𝑧1 = = = −2
𝜎 0,005
𝑥2 − 𝜇 3,01 − 3
𝑧2 = = =2
𝜎 0,005

𝑃(𝑋 < 2,99 ∪ 𝑋 > 3,01) = 𝑃(𝑍 < −2 ∪ 𝑍 > 2)

= 2 × 𝑃(𝑍 > 2)
= 2 × [0,5 − 𝑃(0 < 𝑍 < 2)
= 2 × [0,5 − 0,4772]
= 2 × 0,0228
= 0,0456
Jadi, banyaknya laher yang dinyatakan cacat adalah sebanyak 0,0456 atau 4,56%