Tugas Mata Kuliah Statistika Matematika

Kelompok 2
Anggota : Muhammad Farhan
Wihdatul Ummi
Materi : Distribusi Peubah Acak Kontinu

DISTRIBUSI PEUBAH ACAK KONTINU

A. DISTRIBUSI SERAGAM (UNIFORM) 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:

1. Distribusi Seragam Kontinu: Distribusi probabilitas seragam kontinu adalah distribusi

yang memiliki jumlah nilai tak terhingga yang ditentukan dalam rentang tertentu. Ia
mempunyai grafik berbentuk persegi panjang yang disebut distribusi persegi panjang. Ia
bekerja berdasarkan nilai-nilai yang sifatnya berkelanjutan. Contoh: Generator angka
acak.
2. Distribusi Seragam Diskrit: Distribusi probabilitas seragam diskrit adalah distribusi
yang memiliki sejumlah nilai terbatas yang ditentukan dalam rentang
tertentu. Grafiknya berisi berbagai garis vertikal untuk setiap nilai berhingga. Ia
bekerja pada nilai-nilai yang bersifat diskrit. Contoh: Sebuah dadu dilempar.

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.

Pembuktian Mean distribusi seragam (uniform)

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)

(b+ a)(b−a) b+a 2 2

(b + ab+a )(b−a) (b 2+ ab+a 2)
E(X ) = = E(X ) = =
2(b−a) 2 3(b−a) 3

Pembuktian Varians Distribusi Uniform

 Var ( X ) = E ( X 2) −( E ( X ))2

( )
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

0 , untuk x yang lain

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 )

μ=E ( X )=α β ( terbukti ) .

2. Berdasarkan definisi varians, maka:

2
Var ( X )=E ( X )−E [ E (X ) ]
2

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)

3. Berdasarkan definisi fungsi pembangkit momen kontinu, maka:

∞
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

Batas-batas: Untuk x=0 , maka y=0

Untuk x=∞ , maka y=∞

∞ ∞

( )
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

Apakah artinya X G ( 3 ,3 ) ? Kemudian tuliskan bentuk fungsi identitasnya.

Penyelesaian :

X G ( 3 ,3 ) artinya peubah acak X berdistribusi gamma dengan parameter α =3 dan β=3.

Fungsi dentitas dari X berbentuk:
−x
1
g ( x )= α x α−1 . e β

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.

Kegunaan dan aplikasi distribusi eksponensial

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

Mean & Varians distribusi eksponensial adalah :

E ( X )=μ=θ
2 2
Var ( X )=σ =θ dengan θ> 0

1
Fungsi pembangkit momen M X (t) = (1−θt )−1 ; t ¿
θ

Pembuktian Mean Distribusi Eksponensial

Bukti:
Berdasarkan definisi mean kontinu, maka:
∞
μ=E ( X )= ∫ x . f ( x ) dx
−∞

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

Integral di atas diselesaikan dengan menggunakan integral parsial.

Misalkan: u=x , maka du=dx

−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

μ=E ( X )=θ (terbukti)

Berdasarkan definisi varians, maka:
2
σ =Var ( X )=E ( X )−[ E ( X ) ]
2 2 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

Integral ini diselesaikan dengan menggunakan integral parsial.

Misalnya: u=x2 , maka du=2 x dx

−x −x
θ θ
dv =e dx , maka v =−θ . e
Integral yang ada di dalm kurung diselesaikan dengan menggunakan integral parsial.
Misalnya: u=x , maka du=dx

−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

Maka: σ 2=Var ( X )=2 θ2−θ 2

 2 2
σ =Var ( X )=θ ( Terbukti)

Berdasarkan definisi fungsi pembangkit momen kontinu maka :

∞
M x ( t )=∫ e . f ( x ) dx
tx

−∞

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

Apakah artinya X exp ( 2 ) ? Kemudian tuliskan bentuk fungsi dentitasnya.

Penyelesaian:

X exp ( 2 ) artinya peubah acak X berdistribusi eksponensial dengan parameter θ=2.

Fungsi dentitasnya dari x berbentuk:

−x
1
g ( x )= . e 2 ; x >0
2

¿ 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

Dimana v bilangan bulat positif.

Mean dan variansi:
2
μ=v dan σ =2 v

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

Pembuktian Rumus Mean dan Varians Chi-Kuadrat

Nilai E ( X )
Diketahui nilai E(X) distribusi gamma adalah :
Nilai Varians (σ 2 ¿
E( X )gamma =αβ Sehingga nilai E ( X ) distribusi chi kuadrat menjadi :
σ 2=E ( X 2 ) −( E ( X ) )
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

Fungsi pembangkit momen

−v
1
M x ( t )=(1−2t ) 2 ,0< t<
2
∞
M x ( t )=∫ e f ( x ) dx
tx

−∞

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 )

y=x ( 12 −t ) y=x ( 1−22 t ) maka x= 1−2

2y
t
x=
2
1−2 t
. y d x=
2
1−2 t
.dy

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

Jika diketahui X peubah acak kontinu dengan fungsi kepadatan peluang

{
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 GAMMA DAN EKSPONENSIAL

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:

Fungsi Gamma didefinisikan sebagai

∞
Γ ( α )=∫ x
α −1 − x
e dx
0

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

0 , untuk x yang lain

Dengan α >0 dan β >0

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

Rataan dan variansi distribusi gamma adalah μ=αβ dan σ 2=αβ 2

Rataan dan variansi distribusi eksponensial adalah μ=α dan σ 2=β 2

HUBUNGAN DENGAN PROSES POISSON

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

Jadi funfsi distribusi tumpukan untuk X adalah P ( 0 ≤ X ≤ x )=1−e−λx

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

PENERAPAN DISTRIBUSI EKSPONENSIAL DAN GAMMA

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

¿|1−e−5 (1) (1+5)|¿ 0 , 96

E. Distribusi Weibull

1. Sejarah 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.

Dalam "Statistik Teori Kekuatan Material" (1939a) fungsi distribusi diperkenalkan,

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

estimasi parameter. Seperti ROSIN / Rammler / SPERLINGS ini mendekati penalaran

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

menggambarkan ukuran distribusi partikel. Waloddi Weibull menyampaikan makalah

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,

bervariasi dari skeptisisme penolakan langsung. Hanya setelah pelopor di lapangan

bereksperimen dengan metode dan melakukannya dengan diverifikasi aplikasi yang luas

menjadi populer. Metode khusus harus dikembangkan untuk menerapkan distribusi

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

mengusulkan distribusi, ia berperan dalam promosi dengan berbagai penerapan dari

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

perluasan dari distribusi weibull adalah exponentiated weibull distribution yang

diperkenalkan oleh Mudholkar dan Srivastava dan dikaji ulang oleh M.Pal Ali J. Woo

pada tahun 2006.

2. Definisi Distribusi Weibull

 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. 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

untuk memperkirakan parameter dari distribusi campuran menggunakan momen sampel

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

probabilitas penting yang digunakan dalam mencirikan perilaku probabilistik dari

sejumlah besar fenomena dunia nyata. Distribusi ini berguna sebagai model kegagalan

dalam menganalisis keandalan berbagai jenis sistem.

3. Distribusi Kumulatif, Fungsi Kepadatan Peluang, Rataan dan Varian Distribusi

Weibull

a. Distribusi Kumulatif dari Distribusi Weibull

Fungsi distribusi kumulatif dari distribusi weibull adalah

{ ( xλ ) , x ≥ 0
k
−
F ( x )= 1−e
0 , x <0

Di mana λ> 0 adalah parameter bentuk dan k > 0 adalah parameter skala.

b. Fungsi Kepadatan Peluang dari Distribusi Weibull

Fungsi ini kita peroleh dengan menurunkan fungsi distribusi kumulatifnya.

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

Dengan demikian dapat didefinisikan fungsi kepadatan peluangnya sebagai berikut.

{ ( ) , 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.

c. Rataan dari Distribusi Weibull

Rataan dari Distribusi Weibull dapat diperoleh dengan metode momen. Prosesnya

adalah sebagai berikut.

Rataan diperoleh dari momen pertama E( X )=μ.

 ∞
μ=∫ xf ( x ; λ , k ) dx
0

()
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

Ketika u diturunkan terhadap x maka diperoleh

()
k−1
k x
du= dx
λ λ

Sehingga persamaannya menjadi

∞ 1
μ= λ∫ u e du k −u

Selanjutnya disubstitusikan ke Fungsi Gamma, di mana fungsi gamma sebagai

berikut.
∞
Γ ( α )=∫ x
α −1 − x
e dx , x ≥ 0
0

Dengan demikian rataan distribusi weibull adalah

1
μ= λ Γ (1+ )
k

d. Varian dari Distribusi Weibull

Sama halnya dengan rataan dari distribusi weibull, variannya juga kita peroleh

dengan metode momen. Akan tetapi, yang digunakan adalah metode momen kedua

E ( X 2) yang dimasukkan ke dalam persamaan sebagai berikut.

2 2
σ =E ( X−μ )
 2 2 2
σ =E( X −2 Xμ+ μ )

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

Ketika u diturunkan terhadap x maka diperoleh

()
k−1
k x
du= dx
λ λ

Sehingga persamaannya menjadi

2
E ( X ) =λ Γ (1+ )
2 2
k

Selanjutnya, dapat diketahui varian dari distribusi weibull adalah

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

4. Contoh Soal Distribusi Weibull

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:

α =0.01 diperoleh λ=10

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

1. Sejarah Distribusi Normal

Distribusi normal pertama kali diperkenalkan oleh Abraham de Moivre dalam

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

tahun 1794 dengan mengasumsikan galatnya memiliki distribusi normal.

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.

Terminologi ini secara tidak sengaja memiliki nama sama.

2. Definisi Distribusi Normal

Distribusi normal, dikata pula distribusi Gauss, merupakan distribusi

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

kepadatan probabilitasnya mirip dengan bentuk lonceng.

Gambar 1. Kurva Distribusi Normal

 Distribusi normal memodelkan fenomena kuantitatif pada ilmu dunia maupun ilmu

sosial. Beragam skor pengujian psikologi dan fenomena fisika seperti jumlah foton dapat

dihitung melintasi pendekatan dengan mengikuti distribusi normal. Distribusi normal

biasanya dipergunakan dalam berbagai anggota statistika, misalnya distribusi

sampling rata-rata akan mendekati normal, meski distribusi populasi yang diambil tidak

berdistribusi normal. Distribusi normal juga biasanya dipergunakan dalam berbagai

distribusi dalam statistika, dan biasanya pengujian hipotesis mengasumsikan normalitas

suatu data. Di dalam distribusi normal terdapat dua bagian yaitu distribusi normal

univariat dan distribusi normal bivariat.

3. Distribusi Normal Univariat

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

perhitungan probabilitasnya dilakukan dengan menentukan luas daerah di bawah kurva.

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

densitas harus sama dengan satu.

Definisi: variabel acak distribusi normal dengan nilai harapan μ dan variansi σ 2

dinotasikan dengan, mempunyai fungsi densitas sebagai berikut:

( )
2
−1 x− μ
1 2 σ
f ( x )= e ;−∞ < x , μ< ∞ dan σ >0
σ √2 π
Keterangan:

x = peubah acak normal yang nilainya −∞ < 𝑥 < ∞

𝜇 = rata-rata

𝜎 = standar deviasi

𝜋 = konstanta yang nilainya 3,14159

𝑒 = konstanta yang nilainya 2,72828

f(x) = fungsi kepadatan peluang

Fungsi Pembangkit Momen Distribusi Normal Univariat

Mean dari distribusi normal univariat diperoleh dari menurunkan fungsi pembangkit

momen satu kali sehingga diperoleh

Kemudian untuk variansi dari distribusi normal univariat diperoleh dari menurunkan

fungsi pembangkit momen dua kali sehingga diperoleh

Contoh Soal:

Diketahui distriusi normal dengan μ=50 dan σ =10. Hitunglah peluang bahwa X

mendapat nilai antara 45 dan 62.

x2 x2 −1 x−μ
2

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

¿ ∫ n(z ; 0 , 1)dx=¿ P( z 1 < Z< z 2)¿

x1

Disebut juga sebagai distribusi normal baku.

Sehingga diperoleh

45−50 62−50
z 1= =−0 , 5 ; z 2= =1, 2 ;
10 10

Jadi:

P ( 45< X <62 )=P (−0 , 5< X < 1 ,2 )

 ¿ P ( Z <1 , 2 )−P ( Z ←0 , 5 )

¿ 0,8849−0,3085

¿ 0,5764

4. Distribusi Normal Bivariat

Jika peubah acak X dan Y masing-masing memiliki distribusi normal N ( μ x ,σ x 2) dan

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

peubah acak. Distribusi normal bivariat memiliki parameter (μ1 , μ 2 , σ 12 , σ 22 , ρ) dimana

fungsi densitas bersamanya berbentuk:

[ (( ) ( )( )( ) )]
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

Di mana −∞ < x , y< ∞ ,−1 ≤ ρ ≤ 1 dan σ 1 ,σ 2> 0

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

pertama diberikan persamaannya sebagai berikut: N μ2 + ρ [ σ2

σ1
2 2
]
(x −μ 1); σ 2 ( 1−ρ ) , dan

untuk kondisi kedua diberikan persamaannya sebagai berikut:

[
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

−∞ −∞

Kemudian bagian kedua dari persamaan (*) diuraikan menjadi

{{ }}
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

NEM SMU nya adalah 6.3.

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 )

b. P ( X < 4.9|Y =6.3 )

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

V ( Y |X =4.5 )=0.81 ( 1−0.16 )=0.68

Sehingga

( Y |X =4.5 ) N ( 5.48 ; 0.68 )

(
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

dimana Ketika SMP NEM matematikanya 4.5 adalah sebesar 0.5871.

b. Berdasarkan rumus

σ1
E( X∨Y = y)=μ1+ ρ ( y −μ 2)
σ2

V ( X∨Y = y)=σ 12 ( 1−ρ2 )

Maka

1.1
E( X∨Y =6.3)=5.1+4.0 (6.3−5.7)=5.39
0.9

V ( X|Y =6.3 )=1.21 ( 1−0.16 )=1.02

Sehingga

(X ∨Y =6.3) N ( 5.39; 1.02 )

(
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.