Materi Distribusi Peubah Acak Kontinu Kelompok 2
Materi Distribusi Peubah Acak Kontinu Kelompok 2
Kelompok 2
Anggota : Muhammad Farhan
Wihdatul Ummi
Materi : Distribusi Peubah Acak Kontinu
Distribusi seragam adalah distribusi yang mempunyai probabilitas konstan karena kejadian-
kejadian yang mempunyai kemungkinan sama. Disebut juga distribusi persegi panjang
(distribusi seragam kontinu). Ia memiliki dua parameter a dan b: a = minimum dan b =
maksimum. Distribusinya ditulis sebagai U(a, b). Jenis distribusi seragam adalah:
Suatu peubah acak kontinu 𝑋 dikatakan memiliki distribusi uniform kontinu pada
selang/interval (a,b) jika memiliki fungsi kecepatan dalam bentuk:
{
1
a≤ x≤b
f ( x ; a , b )= b−a
0, x lainnya
Keterangan:
f ( x ; a , b ) : Fungsi distribusi peluang
a : Nilai terendah dalam rentang distribusi
b : Nilai tertinggi dalam rentang distribusi
Mean 𝜇 dan variansi σ 2 dari distribusi seragam kontinu adalah :
a+ b ( b−a )2
μ= dan σ 2= Notasi yang mengidentifikasi bahwa X berdistribusi uniform kontinu
2 12
pada selang (a,b) dengan fungsi identitasnya seperti di atas adalah X-Unif (a,b). Dalam hal ini a dan b
adalah parameter-parameter bernilai real.
b b
E ( X ) = ∫ f ( x ) dx E(X )2
= ∫ f ( x ) dx
a a
b b
1 1
E(X ) = ∫x dx E ( X ) = ∫ x2 dx
a b−a a b−a
b b
1 1
E(X ) = ∫ x dx
b−a a
E(X ) = ∫ x 2 dx
b−a a
E(X ) =
1 1 2b
x
b−a 2 a | E(X ) =
1 1 3b
x
b−a 3 a |
1 2 2 1
E(X ) = b −a E(X ) =
3
b −a
3
2(b−a) 3(b−a)
( )
2 2 2
(b + ab+a ) b+ a
E(X ) = -
3 2
2 2 2 2
(b + ab+a ) (b + ab+a )
E(X ) = -
3 4
2 2 2 2 ¿
E ( X ) =4 b +4 ab+ 4 a −3 b −6 ab−3 a ¿ 12
2 2
b −2 ab+ a
E(X ) =
12
2
(b−a)
E(X ) =
12
Contoh
Sebuah ruang konferensi dapat disewa untuk rapat yang lamanya tidak lebih dari 4 jam. Misalkan X
adalah peubah acak yang menyatakan waktu rapat, yang mempunyai distribusi seragam.
a) Tentukan fungsi densitas peluang dari X.
b) Tentukan peluang suatu rapat berlangsung 3 jam atau lebih.
Jawaban:
{
1
0≤ x ≤ 4
a) a = 0, b = 4, sehingga f ( x )= 4
0, x lainnya
4
b) P (X ≥ 3) =∫
3
1
4
1
|
4 3 1
dx= x x=4 = − =
4 x=3 4 4 4
B. DISTRIBUSI GAMMA
Peubah acak 𝑋 disebut berdistribusi gamma, dengan parameter α dan β jika dan hanya jika fungsi
dentitas berbentuk:
{
−x
1
x α −1 e β , x> 0
f (x)= β Γ (α )
α
Mean, varians, dan fungsi pembangkit momen dari distribusi gamma dirumuskan sebagai berikut.
1. μ=α β
bukti
berdasarkan definisi mean kontinu, maka:
∞
μ=E ( X )= ∫ x . f ( x ) dx
−∞
0 ∞
¿ ∫ x . f ( x ) dx+∫ x . f ( x ) dx
−∞ 0
∞ −x
1
¿ 0+ α ∫
β x (α ) 0
x α−1 . e β
dx
∞ −x
1
¿ α ∫
β x (α) 0
x α−1 . e β
dx
x
misalnya: y= , maka x=β y
β
dx= β dy
batas-batas: untuk x = 0, maka y = 0
untuk x = ∞ , maka y = ∞
∞
1
μ=E ( X )= α ∫
β . Γ (α) 0
α
( β y ) . e− y . β dy
∞
β
¿ ∫
Γ (α ) 0
α −y
y . e dy
β
¿ . Γ ( α+1 )
Γ (α )
β
¿ . α . Γ (α )
Γ (α )
Dengan :
∞
E( X ¿¿ 2)=∫ x . f ( x ) dx ¿
2
−∞
0 ∞
¿ ∫ x . f ( x ) dx+∫ x . f ( x ) dx
2 2
−∞ 0
0 ∞ −x
1
¿ ∫ x2 . 0 dx+∫ x2 . α
x α−1 . e β
dx
−∞ 0 β . Γ (α)
∞ −x
1
¿ 0+ α ∫
β . Γ (α) 0
x α−1 . e β
dx
∞ −x
1
¿ α ∫
β . Γ (α ) 0
x α−1 . e β
dx
x
Misalkan : y= , maka x=β y
β
dx= β dy
Batas-batas: Untuk x=0 , maka y=0
Untuk x=∞ , maka y=∞
∞ 2 ∞
1 β
E ( X 2) = α ∫ (β y)α+ 1 . e− y . β dy
β . Γ (α) 0
¿ ∫ y α +1 .e− y dy
Γ (α ) 0
2
β
¿ . Γ ( α +2 )
Γ (α )
2
β
¿ . ( α +1 ) ( α ) . Γ ( α )
Γ (α )
E ( X 2) =α (α + 1) β 2 Sehingga :
2 2
Var ( X )=α ( α +1 ) β −(α β )
2 2 2 2 2
¿ α β +αβ −α β
2
Var ( X )=αβ (terbukti)
∞
M x ( t )=∫ e . f ( x ) dx
tx
−∞
∞ ∞
¿ ∫ e . f ( x ) dx +∫ e . f ( x ) dx
tx tx
−∞ 0
∞ ∞ −x
1
¿ ∫ e .0 dx +¿ ∫ e . 2
tx α −1
tx β
.x .e dx ¿
−∞ 0 β . Γ (α )
¿ 0+ α
1 α −1
. x .e
−x ( )−1
β
dx
[ 1
]
β . Γ (α )
¿ α
1 α −1
. x .e
− x ( ) −1
β
dx
[ 1
]
β . Γ (α )
misalkan:
y=x ( 1β −1) , maka x= 1 y−t
β
β
dx= dy
1−βt
∞ ∞
( )
α−1 α
1 βy βy β
M x ( t )= α ∫
β . Γ (α ) 0 1−βt
−y
.e .
1−βt
dy ¿ α α∫
β . Γ ( α ) .(1−βt) 0
α−1 − y
y . e dy
1
¿ α
. Γ (α)
Γ ( α ) .(1−βt )
−α 1
M x ( t )=(1−βt) ; t< ( terbukti )
β
Contoh soal
Penyelesaian :
β . Γ (α )
−x
1
¿ 2
x 3−1 . e 3
3 . ( 3−1 ) !
−x
1 2 3
¿ x . e ; x >0
54
¿ 0 ; x lainnya .
Grafik distribusi gamma
C. DISTRIBUSI EKSPONENSIAL
Distribusi eksponensial termasuk distribusi kontinu dan merupakan bentuk khusus dari distribusi
gamma dengan α =1. Distribusi eksponensial berguna untuk mencari selisih waktu yang terjadi dalam
suatu peluang tertentu. Distribusi eksponensial menggunakan variable random untuk pengolahan datanya.
Variable random bersifat kontinu bila mana berupa suatu nilai manapun dalam suatu interval
Karakteristik
1. Peluang yang terjadi pada suatu percobaan mempengaruhi selisih waktu yang terjadi pada
percobaan tersebut.
2. Mempunyai nilai θ> 0.
3. Kurva ditribusi eksponensial adalah condong ke kanan.
4. Nilai x (peubah acak yang berdistribusi eksponensial) berkisar dari nol sampai tak
hingga.
5. Puncak kurva distribusi eksponensial selalu di x=0.
6. Kurva distribusi eksponensial akan terus menurun ketika xsemakin besar.
1. Distribusi eskponensial berguna dalam mencari selisih waktu yang terjadi dalam suatu
peluang pada daerah tertentu.
2. Distribusi eskponensial berguna untuk mengukur tingkat kegagalan yang mungkinterjadi
dalam suatu peluang
3. Distribusi ekponensial berguna dalam mencari peubah acak kontinu x, dengan
menggunakan variable random (bilangan acak)
Peubah acak kontinu X akan berdistribusi eksponensial, dengan para meter θ ,bila fungsi padatnya
(identitas) berbentuk :
{
1 − x/θ
e x> 0
f ( x ) = θ
0 , x lainnya
Dengan θ> 0
1
Fungsi pembangkit momen M X (t) = (1−θt )−1 ; t ¿
θ
0 ∞
¿ ∫ x . f ( x ) dx+∫ x . f ( x ) dx
−∞ 0
0 ∞ −x
1
¿∫ x . 0 dx +∫ x . e θ
dx
−∞ 0 θ
b −x
1
¿ 0+ lim ¿b → ∞∫ x . e θ
dx ¿
θ 0
b −x
1
¿ lim ¿b → ∞∫ x . e θ
dx ¿
θ 0
−x −x
θ θ
dv =e dx , maka v =−θ . e
( )
b
|
−x −x
1 b +θ e
μ=E ( X )= −x .θ . e
θ
θ
x=0
∫ θ
dx
0
1 [ −x
¿ lim ¿b → ∞ −b .θ . e θ +θ 2 e θ +1 dx ¿
θ
(
−x
) ]
1
¿ ¿
θ
¿ ( 1θ )( 0+0 +0)
2
Dengan :
∞
E ( X ) =∫ x . f ( x ) dx
2 2
−∞
0 ∞
¿ ∫ x . f ( x ) dx+∫ x . f ( x ) dx
2 2
−∞ 0
0 ∞ −x
1
¿∫ x . 0 dx+∫ x . e
2 2 θ
dx
−∞ 0 θ
b −x
1
¿ 0+ lim ¿b → ∞∫ x . e
2 θ
dx ¿
θ 0
b −x
1
¿ lim ¿b → ∞∫ x . e θ dx ¿
2
θ 0
−x −x
θ θ
dv =e dx , maka v =−θ . e
[ ( | )]
−x −x
| |
−x
1 b + 2θ −x . θ . e b −θ 2 .e b
E ( X ) = lim ¿b → ∞ −x . θ . e
θ
2 2 3 θ
¿
θ x=0 x=0 x=0
1 [ −x
(
¿ lim ¿b → ∞ −b2 .θ . e 3 +0+ 2θ −b .θ . e θ +0−θ2 . e θ +θ 2 ¿
θ
−x −x
)]
1
¿ ¿
θ
1
¿ ( 0−0−0+2 θ )
3
θ
E ( X 2) =2 θ3
−∞
0 ∞
¿ ∫ e . f ( x ) dx +∫ e . f ( x ) dx
tx tx
−∞ 0
0 ∞ −x
1
¿ ∫ e .0 dx +∫ e . e
tx tx θ
dx
−∞ 0 θ
1
¿ 0+ lim ¿b → ∞∫ e
−x ( )−t
θ
b
dx ¿
[ ] 1
θ 0
1
¿ lim ¿b → ∞∫ e
−x ( )−t
θ
b
dx ¿
[ ]
1
θ 0
(
−1 − x ( θ )−t b [ ]
)
1
1
¿ lim ¿b → ∞
θ 1
e
x=0
¿
|
θ
¿
1
lim ¿ b →∞ e
−x ( )−t
θ
(
+1 ¿
[ 1
] )
1−θt
−1
¿(1−θt ) ¿
−1
¿(1−θt ) . ( 0+ 1 )
−1 1
M X ( t )=(1−θt ) ; t< (terbukti)
θ
Contoh soal
Penyelesaian:
¿ 0 ; x lainnya .
Misalnya peubah acak Y berdistribusi eksponensial dengan parameter θ=3. hitung peluang bahwa Y
bernilai lebih dari 2.
Penyelesaian:
Fungsi dentitasnya dari Y berbentuk:
−x
1 3
h( y )= .e ; y >0
3
¿ 0 ; x lainnya
P ( Y >2 )=1−P ( Y ≤ 2 )
2 −y
1
¿ 1−∫ . e 3
dy
0 3
( )
−y
1
¿ 1− . −3 . e
3
3
|y =0
2
( )
−2
¿ 1+ e 3 −1
−2
3
P ( Y >2 )=e =0,5134
D. DISTRIBUSI CHI-KUADRAT
Peubah acak kontinu X berdistribusi chi-kuadrat, dengan derajat bebas v, bila fungsi padatnya:
{
1 v/2−1 −x /2
x e , x >0
f (x)= 2 v /2
Γ ( v /2)
0 , untuk x yang lain
Mean distribusi gamma adalah E(X) = αβ dan karena α = v/2 dan β = 2 maka :
E(X) = v/2 . 2 = v
Distribusi chi kuadrat ini diperoleh dari distribusi gamma dengan parameter
v
α = dan β=2
2
peubah acak X dikatakan berdistribusi chi kuadrat dengan derajat kebebasan v , jika dan hanya jika fungsi
dentitasnya berbentuk:
{
1 v/2−1 −x /2
x e , x >0
f (x)= 2 v /2
Γ ( v /2) Dimana v adalah bilangan bulat positif/bilangan asli
0 , untuk x yang lain
Notasi untuk peubah acak X berdistribusi chi kuadrat dengan derajat kebebasan v yaitu X X 2( v )
Mean, varians, dan fungsi pembangkit momen dari distribusi chi kuadrat dirumuskan sebagai
berikut:
−v
μ=v σ 2=2 v M x ( t )=(1−2t ) 2 ; t < 1
2
v
E( X )chi kuadrat= x 2=v Nilai E ( X 2)
2 σ 2=( v 2 +2 v ) −( v 2)
Diketahui nilai E ( X 2) distribusi gamma adalah : 2 2 2
2 σ =v +2 v −v
E( X ) gamma=α ( α + 1 ) β Sehingga nilai E( X ) distribusi chi kuadrat menjadi:
2
( ) ( )
2 v v 2
2
v v 2
σ =2 v
E( X )chi kuadrat= +1 2 = + 4=v +2 v
2 2 4 2
−∞
0 ∞
M x ( t )=∫ e f ( x ) dx +∫ e f ( x ) dx
tx tx
−∞ 0
{
1 v/2−1 −x /2
x e , x >0
f (x)= 2 v /2
Γ ( v /2)
0 , untuk x yang lain
0 ∞ v −x
1 −1
M x ( t )=∫ e . 0 dx +∫ e
tx tx 2 2
v
.x .e dx
−∞ 0
2 .Γ
v
2
2 ()
∞ −v −x ∞ −v −x
1 −1 1 −1
M x ( t )=0+ v ∫e tx
.x 2
.x 2
dx M x ( t )= v ∫e tx
.x 2
.x 2
dx
2 .Γ
v
2
2 () 0
2 .Γ
v
2
2 () 0
1
∞ v
−1 tx−
x
1
∞ v
−1 −x (12 −t )
M x ( t )= v ∫x 2
.e 2
dx M x ( t )= ∫x 2
.e dx Integral ini diselesaikan dengan
() ()
v
2v 0 v
2 0
2 .Γ 2 .Γ
2 2 ∞
Γ ( α )=∫ x
α −1 − x
e dx
0
menggunakan bantuan fungsi gamma, misalkan:
y=x ( 12 −t )
Batas-batas :
Untuk x=0 , maka y=o
Untuk x=∞ , maka y=∞
Sehingga:
∞
∫ ( 1−2 t) ( 1−22 t dy )
v
1 2y 2 −1 −y
M x ( t )= v
.e
2
2 .Γ ( v2 ) 0
∫( ) ( 1−22 t dy )
v
1 2y −1 −y
M x ( t )= v
2
.e
1−2 t
2
2 .Γ ( v2 ) 0
∞ v
∫( ) ( 1−2t dy )
v
1 2y −1
2
−1
−y 2
M x ( t )= v
2
.y .e
1−2 t
2
2 .Γ ( v2 ) 0
∞ ∞ v
∫( ) ( )∫ y
v
1 2y −1 2 2
−1
−y
M x ( t )= v
2
. . e dy
1−2 t 1−2t
2
2 .Γ ( v2 ) 0 0
v
−1 ∞ v
2
2 .2 −1
.∫ y 2 . e dy
−y
M x ( t )=
( v2 ).(1−2 t)
v v
−1
2 2 0
2 .Γ .(1−2 t)
v
−1 ∞ v
2 2 . 2−1 .2 −1
.∫ y 2
−y
M x ( t )= . e dy
( v2 ).(1−2 t) .(1−2 t)
v v
−1 0
2
2 .Γ 2
(1−2t)
v
−1 ∞ v
2 2
. 2−1 .2 −1 ∞
.∫ y 2
−y
M x ( t )= . e dy Γ ( α )=∫ x
α −1 − x
e dx
()
v v
v −1 0
2
2 .Γ .(1−2 t) .(1−2 t) (1−2t)
2 0
2
v v
∞
( v2 )
2 v 2
2 .1 −1 2 .1
.∫ y
−y
M x ( t )= 2
. e dy M x ( t )= .Γ
( v2 ).(1−2 t) .1 ( v2 ).(1−2 t) .1
v v v v
2 2 0 2 2
2 .Γ 2 .Γ
−v
1 −v
M x ( t )= =(1−2 t) M ( t )=(1−2t ) 2 ,0< t< 1
v
2
(terbukti)
x
(1−2 t) 2 2
Contoh soal
{
1 2 −x/ 2
x e ; x >0
f ( x ) = 16
0 , x lainnya
Maka tentukan :
a. Derajat kebebasan
b. Rataan
c. Varians
Jawab:
{
1 v/2−1 −x /2
x e , x >0
f (x)= 2v /2 Γ ( v /2)
0 , untuk x yang lain
{
1 2 −x/ 2
x e ; x >0
f ( x )= 16
0, x lainnya
v
a . −1=2
2 b . E ( x )=v c .Var ( x )=2 v
v E ( x )=6 Var ( x )=2(6)
=2+1
2
Var ( x )=12
v
=3
2
v=6
Distribusi normal adalah suatu distribusi yang dapat digunakan untuk memecahkan banyak
persoalan dalam bidang rekayasa dan sains. Dan masih banyak lagi persoalan yang menggunakan fungsi
padat jenis lain. Dua fungsi padat seperti itu adalah distribusi gamma dan eksponensial. Diketahui bahwa
eksponensial merupakan hal khusus dari distribusi gamma. Keduanya mempunyai terapan yang luas.
Distribusi eksponensial dan gamma memainkan peranan penting dalam teori antrian dan keandalan
(reliabilitas). Contohnya yaitu : Jarak antara waktu tiba di fasilitas pelayanan (misalnya : bank, loket tiket
kereta api, dll) dan lamanya waktu sampai rusaknya suku cadang alat listrik, sering menyangkut distribusi
eksponensial. Hubungan antara gamma dan eksponensial memungkinkan penggunaan distribusi gamma
dalam jenis persoalan yang sama.
Distribusi gamma berasaal dari fungsi gamma yang sudah dikenal luas dan juga dipelajari dalam
banyak bidang matematika. Sebelum membahas distribusi gamma terlebih dahulu akan dijelaskan fungsi
gamma dan beberapa sifatnya diantaranya yaitu:
untuk α > 0
Peubah acak kontinu x berdistribusi gamma dengan parameter , bila fungsi padatnya berbentuk
{
−x
1
x α −1 e β , x> 0
f (x)= β Γ (α )
α
Untuk beberapa nilai tertentu, distribusi gamma yang khusus dengan α = 1 disebut distribusi
eksponensial.
Distribusi eksponensial
Peubah acak kontinu X berdistribusi eksponensial, dengan parameter θ , bila fungsi padatnya berbentuk
{
1 − x/θ
e x> 0
f ( x )= θ
0 , x lainnya
Dengan θ> 0
Teorema dibawah ini dan akibatnya memberikan rataan dan variansi distribusi gamma dan eksponensial
Hubungan antara distribusi eksponensial dan proses Poisson cukup sederhana. Distribusi Poisson
diturunkan sebagai distribusi berparameter tunggal dengan parameter λ, disini λ ditafsirkan sebagai rataan
banyaknya kejadian persatuan waktu. Pandang sekarang peubah acak yang diberikan distribusi Poisson,
kita peroleh bahwa peluang tidak ada kejadian yang muncul dalam jangka waktu t diberikan oleh :
−λt 0
e (λt )
p ( 0 ; λt )= =e− λt
0!
Dari hasil diatas akan digunakan dan misalkan X waktu sampai kejadian Poisson pertama. Peluang bahwa
jangka waktu sampai kejadian pertama melampaui x sama dengan peluang bahwa tidak ada kejadian
Poisson yang muncul dalam waktu x. yang terakhir ini sama dengan e− λt . dengan demikian
− λx
P ( X ≥ x ) =λ e
Untuk mengetahui keberadaan distribusi eksponensial, turunkanlah fungsi distribusi tumpukan diatas
sehingga diperoleh fungsi padat
−λx
f ( x )= λ e
1
Yang merupakan fungsi padat dari distribusi eksponensial dengan λ=
β
Pada bab ini akan disajikan dasar bagi penerapan distribusi eksponensial dalam “waktu sampai tiba” atau
persoalan waktu sampai kejadian Poisson. Disini akan diberikan ilustrasi kemudian diteruskan dengan
pembahasan peran distribusi gamma dalam penerapan ini. Perhatikan bahwa rataan distribusi
eksponensial adalah parameter β, kebalikan dari parameter distribusi Poisson. Distribusi Poisson tidak
punya ingatan . Maksudnya yaitu bahwa terjadinya dalam selang waktu yang berurutan tidak saling
mempengaruhi. Parameter β yang penting adalah rataan waktu antara kejadian. Teori keandalan
(reliabilitas) yang menyangkut kegagalan peralatan sering memenuhi proses Poisson ini, di sini β disebut
rataan waktu antara kegagalan. Banyak kerusakan peralatan memenuhi proses Poisson, dan karena itu
distribusi eksponensial dapat diterapkan di situ. Pada contoh berikut diberikan suatu penerapan sederhana
distribusi eksponenesial pada soal dalam keandalan. Distribusi binomial juga berperan juga berperan
dalam penyelesaiannya.
Contoh
Misalkan suatu system mengandung sejenis komponen yang daya tahannya dalam tahun dinyatakan oleh
peubah acak T yang berdistribusi eksponensial dengan parameter waktu rataan sampai gagal β = 5. Bila
sebanyak 5 komponen tersebut dipasang dalam system yang berlainan, berapakah peluang bahwa paling
sedikit 2 masih akan berfungsi pada akhir tahun kedelapan?
Jawab
Peluang bahwa suatu komponen tertentu masih akan berfungsi setelah 8 tahun adalah
∞ −1
1
P ( T > 8 )= ∫ e 5
dt
5∞
−8
¿ e 5 =0 ,2
Misalkan X menyatakan bahwa suatu komponen yang masih berfungsi setelah 8 tahun. Dengan
menggunakan distribusi binomial, diperoleh
5
P ( X ≥2 )=∑ b (x ; 5 , 0 , 2)
x=2
1
¿ 1−∑ b(x ; 5 , 0 ,2)
x=0
¿ 1−0,7373
¿ 0,2627
Pentingnya distribusi gamma terletak pada kenyataan bahwa distribusi ini merupakan suatu keluarga
distribusi yang distribusi lainnya merupakan hal khusus. Tetapi gamma sendiri mempunyai terapan
penting dalam waktu menunggu dan teori keandalan. Jika distribusi eksponensial memberikan waktu
sampai terjadinya kejadian Poisson (atau waktu antara kejadian poissson) maka waktu (atau ruang)
terjadinya sampai sejumlah tertentu kejadian Poisson terjadi merupakan peubah acak yang fungsi
padatnya diberikan oleh distribusi gamma.Jumlah tertentu kejadian ini adalah parameter α dalam fungsi
padat gamma. Karena itu mudah dipahami bahwa bila α =1 hal khusus distribusi eksponensial berlaku.
Fungsi padat gamma dapat diperoleh dari hubungannya dengan proses Poisson mirip dengan cara
memperoleh fungsi padat eksponensial. Rinciannya diserahkan sebagai latihan. Berikut adalah contoh
numeric penggunaan distribusi gamma dalam penerapan waktu menunggu.
Contoh
Misalkanlah bahwa hubungan telepon tiba disuatu gerdu (sentral memenuhi proses Poisson dengan rata-
rata 5 hubungan masuk per menit. Berapakah peluangnya bahwa setelah semenit berlalu baru 2 hubungan
masuk ke gardu tadi?
Jawab:
Proses Poisson berlaku dengan waktu sampai 2 kejadian Poisson memenuhi distribusi gamma dengan
1
β= dan α=2 . Misalkan peubah acak X menyatakan waktu dalam menit yang berlalu sebelum 2
5
hubungan masuk. Peluang yang dicari adalah
x −x
1
P ( X ≤ x )=∫ 2 xe β dx
0 β
1
P ( X ≤1 ) =25∫ x e
−5 x
dx
0
E. Distribusi Weibull
Distribusi Weibull diperkenalkan oleh Fisikawan Swedia yaitu Waloddi Weibull pada
tahun 1939. Waloddi Weibull (1887-1979) adalah seorang profesor di Highschool Teknis
di Stockholm 1924-1953. Distribusi ini dinamai Waloddi Weibull yang pertama untuk
mempromosikan kegunaan ini untuk model data set karakter yang sangat berbeda. Pada
tahun 1939, insinyur WALODDI WEIBULL menerbitkan dua laporan pada kekuatan
material dalam serangkaian diedit oleh Royal Swedish Institute for Engineering Research.
secara empiris berdasarkan pengamatan eksperimental yang diperoleh dari tarik, lentur
dan tes torsi pada batang. Dalam Fenomena Putusnya padatan "(1939b) terdapat satu
kesalahan momen distribusi ini bersama dengan alat bantu grafis dan tabular untuk
WEIBULL bagian yang menentukan dari makalahnya adalah empiris dan heuristik dan
tidak memiliki argumentasi teoritis. Sebuah studi berikutnya dalam bahasa Inggris
(Weibull 1951) adalah karya monumentalnya dimana dia menjadi model set data dari
berbagai disiplin ilmu yang berbeda dan dipromosikan fleksibilitas dari model dalam hal
aplikasi dalam berbagai disiplin ilmu. Meskipun pertama kali diidentifikasi oleh Frechet
(1972) dan diterapkan pertama kali oleh Rosin dan Rammler (1933) untuk
yang telah disahkan persoalannya pada tahun 1951. Ia menyatakan bahwa distribusinya,
atau lebih khusus rumpun distribusi, diterapkan untuk berbagai macam masalah. Reaksi
awal untuk makalahnya di tahun 1950 dan bahkan awal 1960-an adalah negatif,
bereksperimen dengan metode dan melakukannya dengan diverifikasi aplikasi yang luas
Weibull. Berikut ini adalah contoh dari masalah yang dapat diselesaikan dengan analisis
Weibull: 1. Seorang insinyur proyek melaporkan tiga kegagalan komponen dalam operasi
jasa diperiode 6 minggu. Pertanyaan yang diajukan oleh Manajer Program, “Berapa
banyak kegagalan diperkirakan untuk tiga bulan ke depan, enam bulan dan satu tahun?".
2. Untuk memesan suku cadang yang mungkin memiliki waktu pemakaian 2-3 tahun,
bagaimana mungkin jumlah mesin yang akan kembali ke gudang menjadi ramalan tiga
sampai lima tahun dari bulan ke bulan? 3. Apa efek pada biaya dukungan pemeliharaan
akan penambahan fitur kompresor baru kejadian harus relatif terhadap kejadian penuh? 4.
Jika Rekayasa Perubahan baru menghilangkan kegagalan yang ada, bagaimana banyak
unit harus diuji untuk berapa jam tanpa kegagalan untuk menunjukkan dengan keyakinan
90% bahwa itu baik. "Dieliminasi atau meningkat secara signifikan?" Sebuah model yang
sama diusulkan sebelumnya oleh Rosen dan Rammler (1933) dalam konteks pemodelan
variabilitas dalam diameter partikel bubuk yang lebih besar, dari ukuran tertentu.
Publikasi awal dikenal berurusan dengan distribusi Weibull adalah karya Fisher dan
Tippet (1928) dimana distribusi ini diperoleh sebagai distribusi membatasi ekstrem
terkecil dalam sampel. Gumbel (1958) mengacu pada distribusi Weibull sebagai
distribusi asimtotik ketiga ekstrem terkecil. Meskipun Weibull bukan orang pertama yang
berbagai model yang berguna dan serbaguna. Sebuah laporan oleh Weibull (Weibull,
1977) berisi lebih dari 1000 referensi untuk aplikasi dari model Weibull dasar, dan
pencarian baru baru ini berbagai database menunjukkan bahwa ini telah meningkat
dengan faktor 3 sampai 4 selama 30 tahun terakhir. Distribusi Weibull selama bertahun
tahun menjadi salah satu model data statistik yang memiliki jangkauan luas dari aplikasi
dalam uji hidup dan teori reliabilitas dengan kelebihan utamanya adalah menyajikan
keakuratan kegagalan dengan sampel yang sangat kecil. Berbagai perluasan dari
distribusi weibull telah banyak dilakukan oleh para peneliti. Perluasan dari distribusi
weibull dilakukan dengan memodifikasi ataupun menambah parameter baru. Salah satu
diperkenalkan oleh Mudholkar dan Srivastava dan dikaji ulang oleh M.Pal Ali J. Woo
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. 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 angin dan perhitungan energi angin pertanian. Beberapa metode telah
diusulkan untuk memperkirakan parameter Weibull (Marks, 2005; Rider, 1961; Kao,
1959; Pang et al, 2001; Pandey et al, 2011;. Seguro dan Lambert, 2000; Stevens dan
Smulders, 1979; Bhattacharya dan Bhattacharjee, 2010). Dalam literatur tentang energi
angin, metode ini dibandingkan beberapa kali dan dalam cara yang berbeda (Akdag dan
Ali, 2009; Silva et al, 2004; Yilmaz et al, 2005; Gupta, 1986; Rahman et al, 1994; Lei,
2008; Kantar dan Senoglu, 2007). Namun, hasil dan kesimpulan dari penelitian
sebelumnya yang berbeda. Beberapa tes fit digunakan dalam literatur. Sebuah metode
telah digariskan oleh Paul (1961) yang dianggap senyawa Poisson, binomial, dan kasus
khusus dari distribusi Weibull campuran. Sebuah grafis metode untuk memperkirakan
parameter Weibull campuran dalam pengujian kehidupan tabung elektron diusulkan oleh
John (1959). Untuk alasan ini, menurut hasil penelitian, mungkin disimpulkan bahwa
kesesuaian metode mungkin bervariasi dengan ukuran data sampel, distribusi sampel
data, sampel format data dan uji kesesuaian (Akdag dan Ali, 2009). Dalam teori
probabilitas dan statistik, distribusi Weibull adalah salah satu distribusi kontinu yang
pertama kali diperkenalkan oleh fisikawan Swedia bernama Waloddi Weibull pada tahun
19398. Distribusi Weibull merupakan salah satu model data statistik yang memiliki
jangkauan luas dari aplikasi dalam uji hidup dan teori reliabilitas dengan kelebihan
utamanya adalah menyajikan keakuratan kegagalan meskipun dengan sampel yang sangat
kecil. Analisis data waktu hidup merupakan salah satu teknik statistika yang berguna
untuk melakukan pengujian tentang ketahanan atau keandalan komponen dan analisa
tersebut dapat dilakukan dengan Distribusi Weibull. Distribusi Weibul adalah distribusi
sejumlah besar fenomena dunia nyata. Distribusi ini berguna sebagai model kegagalan
Weibull
{ ( xλ ) , x ≥ 0
k
−
F ( x )= 1−e
0 , x <0
Di mana λ> 0 adalah parameter bentuk dan k > 0 adalah parameter skala.
dF ( x ; λ .k )
f ( x ; λ , k )=
dx
( −( )
)
k
x
d λ
¿ 1−e
dx
()
k
k−1 − x
¿
k x
λ λ () e λ
{ ( ) , x≥0
k
k−1 − x
k x
f ( x ; λ , k )= λ λ () e
λ
0 , x< 0
Di mana λ> 0 adalah parameter bentuk dan k > 0 adalah parameter skala.
Rataan dari Distribusi Weibull dapat diperoleh dengan metode momen. Prosesnya
()
k
∞ k−1 − x
μ=∫
xk x
0 λ λ () λ
e dx
Kemudian, dimisalkan
( ) diperoleh x=λ u
k
x 1
u= k
λ
()
k−1
k x
du= dx
λ λ
berikut.
∞
Γ ( α )=∫ x
α −1 − x
e dx , x ≥ 0
0
1
μ= λ Γ (1+ )
k
Sama halnya dengan rataan dari distribusi weibull, variannya juga kita peroleh
dengan metode momen. Akan tetapi, yang digunakan adalah metode momen kedua
σ 2=E ( X 2 ) −2 E ( X ) μ+ μ 2
σ 2=E ( X 2 ) −2 μμ+ μ 2
σ 2=E ( X 2 ) −2 μ2 + μ2
2 2 2
σ =E ( X ) −μ
Untuk mengetahui persamaan tersebut harus diketahui terlebih dahulu momen kedua
E ( X 2) .
∞
E ( X ) =∫ x f ( x ; λ , k ) dx
2 2
()
k
∞ k−1 − x
()
2
x k x
E ( X ) =∫
2 λ
e dx
0 λ λ
Kemudian, dimisalkan
()
k
x 1
u= diperoleh x=λ u k
λ
()
k−1
k x
du= dx
λ λ
2
E ( X ) =λ Γ (1+ )
2 2
k
σ 2=E ( X 2 ) −μ 2
2 2
σ =[ λ ¿ ¿2 Γ (1+ )]−¿ ¿
k
( ) ( )
2
2 2 2 2 1
σ =λ [ Γ 1+ −Γ 1+ ]
k k
Lama hidup X, dalam jam, sebuah item pada sebuah toko mesin mempunyai distribusi
Weibull dengan α =0.01dan β=2. Berapakah peluang bahwa item tersebut gagal sebelum
8 jam penggunaan?
Jawaban:
Diketahui:
β=k=2
Ditanyakan:
P(X<8) = ...
( xλ ) = 1 – −(108 )
k 2
− 64
P(X<8) = F(8) = 1 - e e =1−e 100 ≈ 0,4727
F. Distribusi Normal
artikelnya pada tahun 1733 sebagai pendekatan distribusi binomial bagi n luhur. Karya
tersebut dikembangkan bertambah lanjut oleh Pierre Simon de Laplace, dan dikenal
sebagai teorema Moivre-Laplace. Laplace menggunakan distribusi normal bagi analisis
galat suatu eksperimen. Metode kuadrat terkecil diperkenalkan oleh Legendre pada
tahun 1805. Sementara itu Gauss mengklaim sudah menggunakan metode tersebut sejak
Istilah kurva lonceng diperkenalkan oleh Jouffret pada tahun 1872 bagi distribusi
normal bivariat. Sementara itu istilah distribusi normal secara terpisah diperkenalkan oleh
Charles S. Peirce, Francis Galton, dan Wilhelm Lexis semakin kurang tahun 1875.
probabilitas yang paling sering dipergunakan dalam berbagai analisis statistika. Distribusi
normal baku merupakan distribusi normal yang memiliki rata-rata nol dan simpangan
baku satu. Distribusi ini juga dijuluki kurva lonceng (bell curve) karena grafik fungsi
sosial. Beragam skor pengujian psikologi dan fenomena fisika seperti jumlah foton dapat
sampling rata-rata akan mendekati normal, meski distribusi populasi yang diambil tidak
suatu data. Di dalam distribusi normal terdapat dua bagian yaitu distribusi normal
Distribusi normal univariat dimana univarian terdiri dari kata uni yang artinya satu
dan variat artinya variansi merupakan analisis yang digunakan pada hanya satu variabel
saja. Distribusi normal univariat adalah distribusi dengan variabel acak kontinu, sehingga
Distribusi normal univariat merupakan distribusi yang simetris dan kurvanya berbentuk
lonceng. Kurva distribusi normal univariat dipengaruhi oleh nilai harapan dan variansi.
Makin besar variansinya maka bentuk kurva normalnya akan semakin rendah dan
distribusinya semakin lebar. Hal demikian disebabkan karena luas di bawah kurva fungsi
Definisi: variabel acak distribusi normal dengan nilai harapan μ dan variansi σ 2
( )
2
−1 x− μ
1 2 σ
f ( x )= e ;−∞ < x , μ< ∞ dan σ >0
σ √2 π
Keterangan:
𝜇 = rata-rata
𝜎 = standar deviasi
Kemudian untuk variansi dari distribusi normal univariat diperoleh dari menurunkan
Diketahui distriusi normal dengan μ=50 dan σ =10. Hitunglah peluang bahwa X
1 ( )
P(x 1 < X < x 2 )=∫ n(x : μ , σ )dx =¿ ∫e 2 σ
dx ¿
x1
σ √2 π x 1
Jika X bernilai antara x=x 1dan x=x 2, maka peubah acak Z juga akan bernilai antara
x1−μ x −μ
z 1= dan z 2= 2 .
σ σ
( )
2
x2 −1 x−μ x2 −1 2
1 1 z
P ( x 1< X < x 2 )= ∫e
σ √2 π x
2 σ
dx= ∫e
√ πx
2
2
dx
1 1
x2
Sehingga diperoleh
45−50 62−50
z 1= =−0 , 5 ; z 2= =1, 2 ;
10 10
Jadi:
¿ 0,8849−0,3085
¿ 0,5764
2
N ( μ y , σ y ), maka gabungan dari peubah acak tersebut akan mempunyai sebaran distribusi
normal bivariat. Dimana bivariat berasal dari kata bi yang artinya dua dan variat yang
artinya varian. Sehingga bivariat merupakan distribusi normal yang mempunyai dua
[ (( ) ( )( )( ) )]
x−μ1 2 2
1 −1 x−μ1 y−μ 2 y −μ2
f ( x , y )= exp −2 ρ
2 π σ 1 σ 2 √1−ρ 2 ( 1−ρ ) σ1 σ1 σ2 σ2
2 2
Terdapat dua kondisi yang bisa terjadi di dalam distribusi normal bivariat yaitu
ketika sebaran Y dengan syarat X = x dan sebaran X dengan syarat Y = y. Untuk kondisi
[
N μ1 + ρ
σ2
σ1
( y−μ2 ); σ 1 ( 1− ρ ) .
2 2
]
Fungsi Pembangkit Momen dari Distribusi Normal Bivariat dituliskan dalam persamaan
sebagai berikut.
∞ ∞
M ( t 1 , t 2 ) =E ( e
t x+ t y
1 2
)= ∫ ∫ e t x+ t y f ( x , y ) dxdy
1 2
−∞ −∞
∞ ∞
∫ et x f ( x ) dx ∫ et y f ( y ∨x ) dy ... (*)
1 2
−∞ −∞
{{ }}
2
∞ ∞
∫ et y f ( y ∨x ) dy =∫ et y
2
1 2
exp
−1
σ2
y− μ2 + ρ ( x−μ1 )
σ1 ( ) dy
σ 2 √2 π √ 1−ρ
1
−∞ −∞
2 2 2 2
σ (1−ρ )
{[
¿ exp μ2 + ρ
σ2
σ1
(
1 2
2 ]
x−μ1 ) t 2+ [ σ 2 (1− ρ )t 2 ]
2 2
}
{[
¿ exp μ2 t 2 + ρ
σ2
σ1
σ2 1 2
]
x t 2−ρ μ1 t 2 + [ σ 2 (1−ρ )t 2 ] ... (**)
σ1 2
2 2
}
Sehingga, apabila persamaan (**) disubstitusikan ke dalam persamaan pertama akan
menjadi
{[
M ( t 1 , t 2 ) =exp μ 2 t 2+ ρ
σ2
σ1
σ2
]
1 2
x t 2−ρ μ1 t 2 + [ σ 2 (1−ρ )t 2 ]
σ1 2
2 2
}
∞
σ
∫ et x f ( x ) exp( ρ σ 2 x ¿ t 2)dx …(¿∗¿)¿
1
−∞ 1
2
Karena X - N (μ1 , σ 1 ), maka M ( t 1 , t 2) =exp ¿
Sehingga tanda ( *** ) pada persamaan sebelumnya menjadi:
∞
σ
(***) = ∫ et x f ( x ) exp( ρ σ 2 x ¿ t 2)dx ¿
1
−∞ 1
[ ( )] ( )
∞ 2
1 −1 ( x−μ 1) σ2
¿∫ e
t1 x
exp .exp ρ x t dx
−∞ σ 2√2 π 2 σ1 σ1 2
( )
[ ( )]
∞ σ2 2
x t 1+ ρ t
1 −1 ( x−μ 1)
¿∫
σ1 2
e exp dx
−∞ σ 2√2 π 2 σ1
[( ) ( )]
2
σ 1 2 σ
¿ exp μ1 t 1 + ρ 2 t 2 + σ 1 t 1 + ρ 2 t 2
σ1 2 σ1
Jadi M x , y ( t 1 ,t 2 ) adalah
[
M x , y ( t 1 ,t 2 )=exp μ 2 t 2−ρ
σ2
σ1
1 2 2 2 2 2
2 ] σ2
σ1
1 2 2
μ1 t 2 + [ σ 2 t 2 −ρ σ 2 t 2 ] .exp μ1 t 1 + ρ μ1 t 2 + [ σ 1 t 1 +2 ρ σ 1 σ 2 t 1 t 2+ ρ σ 2 t
2
2 2
[
M x , y ( t 1 ,t 2 )=exp μ 1 t 1+ μ 2 t 2+
1 2 2
2
[ σ 1 t 1 +2 ρ σ 1 σ 2 t 1 t 2+ σ 22 t 22 ]
]
Jika ρ =0 akibatnya:
[
M x , y ( t 1 ,t 2 )= μ 1 t 1+ μ 2 t 2+
1 2 2
2
[ σ 1 t 1 + σ 22 t 22 ]
]
[ 1
2 ] [
1
¿ exp μ1 t 1+ σ 12 t 12 . exp μ2 t 2 + σ 22 t 22
2 ]
¿ M ( t 1 , 0 ) . M ( 0 , t 2)
Dalam kondisi ini dikatakan bahwa peubah acak X dan Y independen atau saling bebas.
Jika latar peubah acak X dan Y saling bebas maka
M ( t 1 , t 2 ) =M ( t 1 ,0 ) . M ( 0 , t 2 )
[
=exp μ1 t 1+ μ2 t 2+
1 2 2
2
[ σ 1 t 1 +2 ρ σ 1 σ 2 t 1 t 2+ σ 22 t 22 ]
]
[ 1
2 ] [ 1
¿ exp μ1 t 1+ σ 12 t 12 . exp μ2 t 2 + σ 22 t 22
2 ]
[
¿ exp μ1 t 1+ μ2 t 2+
1 2 2
2
[ σ 1 t 1 + σ 22 t 22 ]
]
Jadi 2 ρ σ 1 σ 2 t 1 t 2=0 nilai ini akan nol, hanya jika nilai ρ=0
Contoh Soal:
Dari hasil penellitian tentang penentuan model untuk mellihat pengaruh kualitas guru
SMUN terhadap rata-rata NEM lulusannya. Ditetapkan bahwa X merupakan nilai NEM
matematika ketika SLTP, Y adalah NEM matematika siswa yang bersangkutan selepas
SMUN. Jika diketahui (X,Y) mengikuti distribusi bivariat berdasarkan data yang ada
sehingga diperoleh μ1=5.1 , μ2=5.7 , σ 12=1.21 , σ 22=0.81, dan ρ=0.4 Tentukan peluang
seseorang mendapatkan NEM SMUN lebih besar dari 5.3 dimana NEM SLTP nya adalah
4.5. Tentukan peluang seseorang mempunyai NEM SMP lebih kecil dari 4.9 dimana
Jawaban:
Dik: (X , Y ) N (μ 1 , μ2 , σ 12 , σ 22 , ρ)
2 2
μ1=5.1 , μ2=5.7 , σ 1 =1.21 , σ 2 =0.81, dan ρ=0.4
Dit:
a. P ( Y >5.3|X =4.5 )
Penyelesaian:
a. Berdasarkan rumus
σ2
E(Y ∨X =x)=μ 2+ ρ (x−μ1 )
σ1
V ( Y |X =x )=σ 22 ( 1−ρ2 )
Maka
0.9
E(Y ∨X =4.5)=5.7 +0.4 (4.5−5.1)=5.48
1.1
Sehingga
(
P ( Y >5.3|X =4.5 )=P z >
5.3−5.48
√0.68 )
P ( z>−0.218 )=P ( z <0.218 )
¿ 0.5871
Artinya peluang seorang siswa SMU mendapatkan NEM matematika lebih besar 5.3
b. Berdasarkan rumus
σ1
E( X∨Y = y)=μ1+ ρ ( y −μ 2)
σ2
Maka
1.1
E( X∨Y =6.3)=5.1+4.0 (6.3−5.7)=5.39
0.9
Sehingga
(
P ( X < 4.9|Y =6.3 )=P z >
4.9−5.39
√ 1.02 )
P ( z←0.437 )=1−P ( z <0.437 )
¿ 0.33
Artinya peluang siswa yang Ketika SMP mendapatkan NEM kurang dari 4.9 akan
mendapatkan NEM matematika Ketika SMU sebesar 6.3 adalah sebesar 0.33.