Varibael Kontinu

Informatics Eng.
Department UNIJOYO
STATISTIKA DASAR
Variabel Random Kontinue dan Distribusi
Probabilitas
Abdullah Basuki R.,S.Si,M.T
Informatics Engineering Department
Trunojoyo University
Informatics Eng. Department UNIJOYO
Distribusi Probabilitas Kontinyu
Variabel Random Kontinyu

Distribusi Probabilitas Uniform
Distribusi Probabilitas Eksponensial
Distribusi Probabilitas Normal
Distribusi Porbabilitas Gamma
Distribusi Probabilitas Weibull
Probabilitas - Bagian 3
Dari Diskrit Menjadi Kontinyu

Interval waktu dapat dibagi menjadi:
Interval 0.5 menit
Interval 0.125 menit
Interval 0.25 menit

Minutes to Complete Task: Fourths of a Minute
Minutes to Complete Task: By Half-Minutes
Minutes to Complete Task: Eighths of a Minute
P(x)
0.10
P(x)
P(x)
0.15
0.05
0.00
0.0
. 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5
Minutes
f(z)
Minutes
Minutes
Interval kecil tak terbatas
Minutes
Jikasebuah
sebuahvariabel
variabelrandom
randomdiskrit
diskrit
Jika
dibagimenjadi
menjadiinterval
intervalkecil
kecilyang
yangtidak
tidak
dibagi
terbatas,maka
makaperhitungan
perhitungan
terbatas,
probabilitasnyaditentukan
ditentukanoleh
olehsebuah
sebuah
probabilitasnya
rentangnilaidan
dannilai
nilaiprobabilitas
probabilitasadalah
adalah
rentangnilai
luasarea
areadi
dibawah
bawahkurva
kurvadalam
dalamrentang
rentang
luas
tersebut.Untuk
Untukcontoh
contohdi
disamping,
samping,
tersebut.
dinyatakandengan
denganP(2<X<3).
P(2<X<3).
dinyatakan
3
Variabel Random Kontinyu
Variabel Random Kontinyu adalah sebuah variabel random yang

dapat berupa sembarang nilai pada suatu interval yang diamati.
Probabilitas dari variabel random kontinyu X ditentukan oleh sebuah
fungsi densitas, dinotasikan dengan f(x), dan memiliki beberapa
sifat berikut.
f(x) > 0 untuk setiap nilai x.
Probabilitas bahwa X berada diantara dua nilai a dan b
adalah sama dengan luas area dibawah f(x) yang dibatasi
oleh a dan b.
Total luas area di bawah kurva f(x) adalah 1.00.
Fungsi Densitas dan Kumulatif

F(x)
1
Fungsi
kumulati
f
F(b)
F(a)
P(a X b)=F(b) - F(a)
0
a
f(x)
P(a < X < b) = Area di

bawah f(x) yang dibatasi
oleh a dan b
= F(b) - F(a)
Fungsi
densita
s
0
Distribusi Uniform Kontinyu (1)

Densitas uniform [0,5] :
1/5 for 0 < X < 5
f(x)=
0 lainnya
E(X) = 2.5
Distribusi
Uniform
0.5
Total luas area f(x) = 1/5 * 5 =

1.00
0.4
f(x)
0.3
Luas area di bawah f(x)

Interval 1 sampai 3 = P(1<X<3)
0.2
0.1
.0.0
-1
= 2.(1/5) = 2/5

Definisi:
Jika variabel random X memiliki nilai (kontinyu) dengan kemungkinan
kemunculan yang sama maka dikatakan bahwa variabel random
(kontinyu) x mengikuti distribusi uniform dengan fungsi densitas
probabilitas:
1/( - ), untuk <x<
f(x)=
0
untuk x lainnya.
Ekspektasi dan variansi:

E(X)=( + )/2
dan V(X)= ( - )2/12

Contoh:
Dalam program komputer simulai terdapat subrutin pembangkit
bilangan random uniform dalam interval [0,10]. Sebuah proses
simulasi akan akan berhenti (terminate) bila terjadi kemunculan
sebuah bilangan random [3/2 , 7/2]. Jika dilakukan replikasi
pembangkitan bilangan random, berapa kemungkinan proses
tersebut akan berhenti (terminate)?
Persoalan tersebut mengikuti distribusi uniform kontinyu dengan
fungsi f(x)=1/10 untuk [1,10], dengan demikian probabilitas bahwa
proses simulasi akan berhenti adalah P(3/2<x<7/2)=0,2.
Distribusi Eksponensial (1)

Distribusi eksponensial memiliki kaitan erat dengan distribusi
Poisson (dari proses poisson) jika persoalan didekati dari
variabel interval antar kedatangan.
Dari uraian tentang distribusi poisson diperoleh

kemungkinan tidak ada kedatangan sebagai p(0) et .
Kemungkinan ini dapat diinterpretasikan sebagai
kemungkinan bahwa tidak ada kejadian kedatangan pada
rentang waktu sampai terjadinya kedatangan pertama lebih
besar dari t atau p(0) P(T t ) e t , t 0 .
Untuk variabel random waktu kedatangan T , maka dapat
diperoleh besarnya kemungkinan melalui
F (t ) P (T t ) 1 e t , t 0 . Dengan demikian diperoleh
f (t ) F ' (t ) e t , t 0.

Definisi:
Sebuah variabel random (kontinyu) X menyatakan interval
waktu antar kedatangan dimana kejadian kedatangan
tersebut mengikuti proses Poisson, dikatakan mengikuti
distribusi eksponensial dengan fungsi distribusi:
f ( x) e x
0
x0
x lainnya.
Parameter pemusatan dan penyebaran adalah sebagai

berikut :
E( X ) x e
0
- x
dx 1 /
dan V ( X ) x 2 ex dx 1/ 2 1/ 2
0
10

Sebuah peralatan dilengkapi dengan komponen pengaman
untuk melindungi peralatan dari kegagalan. Berdasarkan data

dan pengamatan yang panjang, komponen pengaman
tersebut memiliki daya tahan yang dinyatakan oleh variabel
random satuan waktu (minggu) T yang berdistribusi
eksponensial dengan parameter =1/5. Saat ini perusahaan
memiliki 5 set peralatan terpisah (independent) dimana
masing-masing dilengkapi dengan komponen pengaman yang
diasumsikan identik. Dari perhitungan pesanan masuk yang
harus dipenuhi, perusahaan menginkan peralatan tersebut
tidak mengalami kegagalan total untuk memenuhi pesanan
yang direncanakan akan dipenuhi dalam 8 minggu. Jika
diinginkan paling sedikit dua peralatan dapat beroperasi
untuk memenuhi pesanan tersebut, berapa besar
kemungkinan tersebut terjadi?
11

Dalam kasus tersebut, perusahaan harus dapat memperkirakan
ketersediaan (availability) bahwa sebuah peralatan masih dapat
bekerja selama paling sedikit 8 minggu. Kemungkinan bahwa
suatu komponen pengaman masih akan berfungsi setelah 8
1 t / 5
minggu adalah P(T 8) e dt = e-8/5~ 0,2.
58
Selanjutnya, misalkan X sebagai variabel random yang

menyatakan banyaknya komponen pengaman yang masih
berfungsi setelah 8 minggu dengan kemungkinan p=0.2, dengan
menggunakan fungsi distribusi kemungkinan binomial, dapat
diperoleh kemungkinan paling sedikit dua peralatan dapat
beroperasi sebagai berikut
5
x2
x 0
P( X 2) b( x;5,0.2) =1- b( x;5,0.2) = 0,68.

12
Distribusi Probabilitas Normal (1)

Untuk p0,5 dan dengan meningkatnya n, distribusi
binomial menjadi
n=6
n = 10
B inom ial D istrib utio n: n=1 0 , p =.5
B ino m ial D istrib utio n: n=1 4 , p =.5
0.3
0.3
0.2
0.2
0.2
0.1
P(x)
0.3
P(x)
0.1
0.0
0.1
0.0
0
Distribusi yang
berbentuk kurva
seperti
lonceng (bell)
0.0
0
10
0 1 2
3 4 5 6
7 8 9 10 11 12 13 14
Normal Distribution: = 0, = 1
0.4
0.3
f(x)
P(x)
B ino m ial D is trib ution: n=6, p =.5
n = 14
0.2
0.1
0.0
-5
13
Distribusi kemungkinan variabel random kontinyu yang terpenting

dalam statistika adalah distribusi normal, yang merupakan variabel
random yang berasal dari proses random dengan satu titik
pemusatan dan menyebar disekitar titik pemusatan tersebut secara
simetris.
Dikenal sebagai distribusi Gauss, sebagai orang pertama yang
mempublikasikannya pada tahun 1809 (bentuk matematika
pertama kali diturunkan dari distribusi binomial oleh DeMoivre 1733
dan Laplace 1775) dan selanjutnya dipromosikan sebagai sebuah
dalil probabilitas untuk setiap variabel random kontinyu.
14

Fungsi densitas probabilitas normal:

x
f(x )
0.3
- x / 2
1
f ( x)
e 2
2
0.4
0.2
0.1
0.0
-5
Definisi
Sebuah variabel random (kontinyu) x ( x ) dikatakan mengikuti
distribusi normal dengan parameter lokasi pemusatan dan parameter
penyebaran (variansi) 2 0 jika mengikuti fungsi distribusi
1
-1 x / 2
e 2
x
kemungkinan berikut : f ( x)
2
dimana 3,14159... dan e = 2,71828(bilangan natural).
15
Kurva normal membentuk:

Kurva lonceng dan berdistribusi simetris, sehingga setengah
(.50 or 50%) bagian akan berada di salah satu sisi dari ratarata.
Setiap kurva dicirikan oleh pasangan rata-rata, , dan variansi,
, dan dintayakan dengan: [X~N()].
Setiap kurva bersifat asymptotik.
Luas area di bawah kurva fungsi densitas probabilitas normal
dalam rantang k dari adalah sama untuk setiap distribusi,
berapapun besarnya nilai rata-rata dan variansi.
16

Distribusi ini digunakan sangat luas dan seringkali
dinotasikan dengan X ~ N , 2 .
J ika dan diketahui maka lokasi dan bentuk kurva
normal dapat diketahui.
Nilai parameter (parameter lokasi) yang semakin
besar akan menggeser kurva ke kanan, dan nilai
parameter (parameter bentuk) yang semakin
membesar akan menyebabkan kurva normal semakin
landai (memperbesar jarak dari pemusatan ke posisi
titik-titik belok kurva).
17

Beberapa sifat penting fungsi densitas probabilitas normal:
i. Luas daerah di bawah kurva f ( x) dx 1.
Dengan melakukan transformasi linier y ( x ) / , akan
diperoleh fungsi distribusi kemungkinan normal standar
f ( y)
1
2
1 y2
2
. Kemudian definisikan bentuk satuan berikut
1 12 y 2
I
e dy ,
2
dan pertimbangkan sebuah bentuk satuan dari variabel random

Z yang juga mengikuti fungsi distribusi kemungkinan normal standar
1 12 z 2
I
e dz .
2
18

Selanjutnya definisikan perkalian kedua bentuk satuan
tersebut sebagai berikut
1 12 y 2
1 12 z 2
1 12 ( y 2 z 2 )
I
e
dy
e dz =
e
dy dz .
2
2
2
Gunakan transformasi berikut y r sin , dan z r cos
2
, maka
dapat diperoleh
1
I
2 0
2
r e
0
12 r 2
d dr r e
dr 1.
Karena I 1, maka I
2
12 r 2
1
2
1 y2
2
dy 1 .
ii. Untuk setiap nilai variabel random X, nilai f ( x) 0 .

19

iii.
Kurva fungsi distribusi kemungkinan normal bersifat

f ( x) 0 dan
assymptotic pada kedua sisinya (tail), atau xlim
lim f ( x) 0 .
iv. Kurva fungsi distribusi kemungkinan normal simetris di kiri

dan kanan lokasi pemusatan , atau f x f x .
v. Nilai maksimum (modus) dari kurva fungsi distribusi
kemungkinan normal f (x) berada pada lokasi pemusatan
x.
vi. Titik belok (point of onflections) dari kurva fungsi distribusi
kemungkinan normal f (x) berada pada titik-titik x .
Kurva memiliki bentuk cekung dari bawah untuk
- <x< + , dan cekung dari atas untuk harga x lainnya.
20

Kedua parameter fungsi normal dan 2 adalah ratarata (ekspektasi E ( X ) ) dan variansi (V ( X ) 2 )
distribusi probabilitas normal.
Bukti :
1
- 12 x / 2
E( X )
xe
dx
2 -
Gunakan transformasi z ( x ) / , dan diperoleh :

E( X )
( z ) - 12 z 2
- 2 e dz
1
z
-1 z2
-1 z2
e 2 dz
e 2 dz
- 2
- 2
(1) (0) .
21

Selanjutnya hitung variansi sebagai berikut:
V ( X ) E[( X ) 2 ]
( x ) 2 11 ( X ) 2

e
dx
2
2 z 2 11 z 2

e dz
2
z 1 z 2
2

e 1
2
2 0 1 2 .
1 11 z 2
e dz
2
22

Besarnya nilai probabilitas variabel random normal
ditentukan dengan formulasi berikut :
x
u
1
12 ( ) 2
F ( x) P ( X x)
e
dx .
2
Nilai probabilitas tersebut tidak dapat dihitung secara

analitis matematis melalui persamaan integral di atas, untuk
itu digunakan tabel distribusi normal yang diperoleh melalui
pendekatan numerik.
23

Beberapa pendekatan numerik yang dapat digunakan untuk
menentukan besarnya nilai probabilitas adalah:
i. Pendekatan Hoyt (1968) menggunakan fungsi
1
8
(3 x 2 )
1
16
untuk x 1
(3 x ) 2 untuk 1 x 3
pendekatan ini memberikan kesalahan kurang dari 0.01.

ii. Pendekatan Polya (1945) menggunakan fungsi
F ( x) 12 1 {1 exp(2 x 2 / )}1 / 2 .
Pendekatan ini memberikan kesalahan maksimum
sebesar 0.003 pada x=1.6.
24

iii.
Pendekatan Burr (1967) menggunakan fungsi
G ( x) 1 1 ( x)
c k
dimana =0.644693, =0.161984, c =4.874, dan k=6.158. Pendekatan yang lebih baik dengan fungsi G(x)
adalah H ( x) 12 [G( x) 1 G( x)] . Dengan pendekatan ini
memberikan kesalahan maksimum adalah 0.00046 pada
x=0.6 dan x=-0.6.
Pendekatan lainnya dapat dilihat pada:
Johnson, N.L. & Kotz, S., (1970), Continuous Univariate
Distribution, JWS.
25

Semua kurva di bawah ini mengikuti distribusi normal dengan
nilai rata-rata dan variansi yang berbeda
Normal Distribution: =40, =1
0.4
0.2
0.2
0.2
f(y)
f(x)
f(w)
0.3
0.1
0.1
0.1
0.0
0.0
35
40
45
0.3
f(z)
20
30
40
Perhatikan bahwa:
0.4
0.2
0.1
0.0
0
10
50
60
-5
0.0
0
P(39 W 41)
P(25 X 35)
P(47 Y 53)
P(-1 Z 1)
35
45
50
55
65
Nilai probabilitas dari

setiap interval adalah
luas area di bawah
kurva fungsi densitas
probabilitas normal.
26
Probabilitas bahwa variabel random

normal berada dalam rentang satu
deviasi standar dari rata-rata
adalah 0.6826, atau sekitar 0.68.
normal berada dalam rentang dua
adalah 0.9544, atau sekitar 0.95.
normal berada dalam rentang tiga
adalah 0.9974.
S tand ard No rm al D is trib utio n

0.4
0.3
f(z)
0.2
0.1
0.0
-5
-4
-3
-2
-1
27
Distribusi Normal Standar (1)

Variabel random normal standar, Z, adalah variabel random
normal dengan rata-rata = 0 dan deviasi standar = 1: Z~N(0,12).
Standard Normal Distribution
0 .4
=1
f( z)
0 .3
0 .2
0 .1
0 .0
-5
-4
-3
-2
-1
=0
Z
28

P(0 < Z < 1.56)
Probabilitas Normal Standar
0.4
f(z)
0.3
0.2
0.1
1.56
0.0
-5
-4
-3
-2
-1
Lihat pada baris 1.5

dan kolom .06 untuk
menemukan
P(0<z<1.56) =
0.4406
z
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
.00
0.0000
0.0398
0.0793
0.1179
0.1554
0.1915
0.2257
0.2580
0.2881
0.3159
0.3413
0.3643
0.3849
0.4032
0.4192
0.4332
0.4452
0.4554
0.4641
0.4713
0.4772
0.4821
0.4861
0.4893
0.4918
0.4938
0.4953
0.4965
0.4974
0.4981
0.4987
.01
0.0040
0.0438
0.0832
0.1217
0.1591
0.1950
0.2291
0.2611
0.2910
0.3186
0.3438
0.3665
0.3869
0.4049
0.4207
0.4345
0.4463
0.4564
0.4649
0.4719
0.4778
0.4826
0.4864
0.4896
0.4920
0.4940
0.4955
0.4966
0.4975
0.4982
0.4987
.02
0.0080
0.0478
0.0871
0.1255
0.1628
0.1985
0.2324
0.2642
0.2939
0.3212
0.3461
0.3686
0.3888
0.4066
0.4222
0.4357
0.4474
0.4573
0.4656
0.4726
0.4783
0.4830
0.4868
0.4898
0.4922
0.4941
0.4956
0.4967
0.4976
0.4982
0.4987
.03
0.0120
0.0517
0.0910
0.1293
0.1664
0.2019
0.2357
0.2673
0.2967
0.3238
0.3485
0.3708
0.3907
0.4082
0.4236
0.4370
0.4484
0.4582
0.4664
0.4732
0.4788
0.4834
0.4871
0.4901
0.4925
0.4943
0.4957
0.4968
0.4977
0.4983
0.4988
.04
0.0160
0.0557
0.0948
0.1331
0.1700
0.2054
0.2389
0.2704
0.2995
0.3264
0.3508
0.3729
0.3925
0.4099
0.4251
0.4382
0.4495
0.4591
0.4671
0.4738
0.4793
0.4838
0.4875
0.4904
0.4927
0.4945
0.4959
0.4969
0.4977
0.4984
0.4988
.05
0.0199
0.0596
0.0987
0.1368
0.1736
0.2088
0.2422
0.2734
0.3023
0.3289
0.3531
0.3749
0.3944
0.4115
0.4265
0.4394
0.4505
0.4599
0.4678
0.4744
0.4798
0.4842
0.4878
0.4906
0.4929
0.4946
0.4960
0.4970
0.4978
0.4984
0.4989
.06
0.0239
0.0636
0.1026
0.1406
0.1772
0.2123
0.2454
0.2764
0.3051
0.3315
0.3554
0.3770
0.3962
0.4131
0.4279
0.4406
0.4515
0.4608
0.4686
0.4750
0.4803
0.4846
0.4881
0.4909
0.4931
0.4948
0.4961
0.4971
0.4979
0.4985
0.4989
.07
0.0279
0.0675
0.1064
0.1443
0.1808
0.2157
0.2486
0.2794
0.3078
0.3340
0.3577
0.3790
0.3980
0.4147
0.4292
0.4418
0.4525
0.4616
0.4693
0.4756
0.4808
0.4850
0.4884
0.4911
0.4932
0.4949
0.4962
0.4972
0.4979
0.4985
0.4989
.08
0.0319
0.0714
0.1103
0.1480
0.1844
0.2190
0.2517
0.2823
0.3106
0.3365
0.3599
0.3810
0.3997
0.4162
0.4306
0.4429
0.4535
0.4625
0.4699
0.4761
0.4812
0.4854
0.4887
0.4913
0.4934
0.4951
0.4963
0.4973
0.4980
0.4986
0.4990
.09
0.0359
0.0753
0.1141
0.1517
0.1879
0.2224
0.2549
0.2852
0.3133
0.3389
0.3621
0.3830
0.4015
0.4177
0.4319
0.4441
0.4545
0.4633
0.4706
0.4767
0.4817
0.4857
0.4890
0.4916
0.4936
0.4952
0.4964
0.4974
0.4981
0.4986
0.4990
29

P(Z < -2.47)
Untuk P(Z<-2.47):
z
.
.
.
2.3
2.4
2.5
.
Lihat tabel untuk 2.47

P(0 < Z < 2.47) = .4934
P(Z < -2.47) = .5 - P(0 < Z < 2.47)

= .5 - .4934 = 0.0066
...
.06
.
.
.
... 0.4909 0.4911
... 0.4931 0.4932
... 0.4948 0.4949
.07
.08
.
.
.
.
.
.
0.4913
0.4934
0.4951
Area di sebelah kiri -2.47

P(Z < -2.47) = .5 - 0.4932
= 0.0068
0.4
Nilai tabel area 2.47

P(0 < Z < 2.47) = 0.4934
f(z)
0.3
0.2
0.1
0.0
-5
-4
-3
-2
-1
30

P(1< Z < 2)
Temukan P(1 < Z < 2):
1. Temukan nilai tabel 2.00
F(2) = P(Z
< 2.00) = .5 + .4772 =.9772
2. Temukan nilai tabel 1.00

F(1) = P(Z < 1.00) = .5 + .3413 = .8413
3. P(1 < Z < 2.00) = P(Z < 2.00) - P(Z <
1.00)
= .9772 - .8413 = .1359
z
.
.
.
0.9
1.0
1.1
.
.
.
1.9
2.0
2.1
.
.
.
.00
.
.
.
0.3159
0.3413
0.3643
.
.
.
0.4713
0.4772
0.4821
.
.
.
...
...
...
...
...
...
...

0.4
Luas area diantara 1 dan 2

P(1 < Z < 2) = .4772 - .8413 = 0.1359
f(z)
0.3
0.2
0.1
0.0
-5
-4
-3
-2
-1
31

P(0 < Z < z) = 0.40
z
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
.
.
.
.00
0.0000
0.0398
0.0793
0.1179
0.1554
0.1915
0.2257
0.2580
0.2881
0.3159
0.3413
0.3643
0.3849
0.4032
.
.
.
.02
0.0080
0.0478
0.0871
0.1255
0.1628
0.1985
0.2324
0.2642
0.2939
0.3212
0.3461
0.3686
0.3888
0.4066
.
.
.
.03
0.0120
0.0517
0.0910
0.1293
0.1664
0.2019
0.2357
0.2673
0.2967
0.3238
0.3485
0.3708
0.3907
0.4082
.
.
.
.04
0.0160
0.0557
0.0948
0.1331
0.1700
0.2054
0.2389
0.2704
0.2995
0.3264
0.3508
0.3729
0.3925
0.4099
.
.
.
.05
0.0199
0.0596
0.0987
0.1368
0.1736
0.2088
0.2422
0.2734
0.3023
0.3289
0.3531
0.3749
0.3944
0.4115
.
.
.
.06
0.0239
0.0636
0.1026
0.1406
0.1772
0.2123
0.2454
0.2764
0.3051
0.3315
0.3554
0.3770
0.3962
0.4131
.
.
.
.07
0.0279
0.0675
0.1064
0.1443
0.1808
0.2157
0.2486
0.2794
0.3078
0.3340
0.3577
0.3790
0.3980
0.4147
.
.
.
.08
0.0319
0.0714
0.1103
0.1480
0.1844
0.2190
0.2517
0.2823
0.3106
0.3365
0.3599
0.3810
0.3997
0.4162
.
.
.
.09
0.0359
0.0753
0.1141
0.1517
0.1879
0.2224
0.2549
0.2852
0.3133
0.3389
0.3621
0.3830
0.4015
0.4177
.
.
.

0.4
Area = .40 (.3997)
0.3
f(z)
Temukan z sehingga
P(0 < Z < z)
= .40:
Temukan nilai probabilitas
sedekat mungkin dengan .
40
dari tabel kemungkinan
normal
standar.
Tentukan nilai z pada baris
dan
kolom yang sesuai. Luas area di kiri 0 = .50
P(z 0) = .50
P(0<z<1.28) 0.40
.01
0.0040
0.0438
0.0832
0.1217
0.1591
0.1950
0.2291
0.2611
0.2910
0.3186
0.3438
0.3665
0.3869
0.4049
.
.
.
0.2
0.1
Karena P(Z < 0) = .50
0.0
-5
-4
-3
-2
-1
P(Z <1.28) .90
Z = 1.28
32

P(-z.005< Z < z.005) = 0.99
Untuk memperoleh probabilitas 0.99
di tengah distribusi, akan ada (1/2)
(1-.99) = (1/2)(.01) = .005 di ekor
(tail) distribusi, dan (1/2)(.99) = .495
setengah dari interval .99, atau :
P(0<Z<z
.005) = .495
z
.
.
.
2.4 ...
2.5 ...
2.6 ...
.
.
.
.04
.
.
.
0.4927
0.4945
0.4959
.
.
.
.05
.
.
.
0.4929
0.4946
0.4960
.
.
.
.06
.
.
.
0.4931
0.4948
0.4961
.
.
.
.07
.
.
.
0.4932
0.4949
0.4962
.
.
.
.08
.
.
.
0.4934
0.4951
0.4963
.
.
.
.09
.
.
.
0.4936
0.4952
0.4964
.
.
.
Area di tengah = .99
Area di kiri = .495

0.4
Area di kanan = .495
Dari tabel probabilitas normal

standar:
2,57 < z
.005 < 2,58
z.005 2,575
f(z)
0.3
Area di ekor kiri = .005
0.2
Area di ekor kanan = .005
0.1
0.0
-5
-4
-3
-2
-z.005
P(-.2575 < Z
< 2,575) = .99
-2.575
-1
z.005
2.575
33
Transformasi Variabel Random Normal

Luasarea
areadalam
dalaminterval
intervalkk dari
darirata-rata
rata-ratauntuk
untukvariabel
variabelrandom
random
Luas
normaladalah
adalahsama.
sama.Jadi
Jadiarea
areadi
dibawah
bawahkurva
kurvanormal
normalekuivalan
ekuivalandengan
dengan
normal
areadi
dibawah
bawahkurna
kurnanormal
normalstandar.
standar.Contoh:
Contoh:P(40
P(40X
XP(-1
P(-1Z
Z
area
untukdan
untukdan
TransformasiXXmenjadi
menjadiZ:
Z:
Transformasi
Z
X x
0.07
0.06
Transformasi pada
(1) Pengurangan: (X - x)
f(x)
0.05
0.04
0.03
=10
0.02
0.01
0.00
0.4
10
20
30
40
60
70
80
90 100
0.3
(2) Pembagian dengan x)
0.2
f(z)
50
1.0
0.1
0.0
-5
-4
-3
-2
-1
Transformasisebaliknya
sebaliknyaZZ
Transformasi
menjadiX:
X:
menjadi
X x Z x
34
Contoh:
X~N(160,302)
P (100 X 180)
100 X 180

100 160
180 160
P
Z
30
30
P 2 Z .6667
0.4772 0.2475 0.7247
Contoh
X~N(127,222)
P ( X 150)
X 150

150 127
P Z
22
P Z 1.045
0.5 0.3520 0.8520
35

(Minitab)
MTB>>cdf
cdf100;
100;
MTB
SUBC>normal
normal160,30.
160,30.
SUBC>
CumulativeDistribution
DistributionFunction
Function
Cumulative
Normalwith
withmean
mean==160.000
160.000and
andstandard
standard
Normal
deviation==30.0000
30.0000
deviation
P(XX<=
<=x)x)
xx P(
100.0000
0.0228
100.0000
0.0228
MTB>>cdf
cdf180;
180;
MTB
SUBC>normal
normal160,30.
160,30.
SUBC>
Function
Cumulative
Normalwith
withmean
mean==160.000
160.000and
andstandard
standard
Normal
deviation==30.0000
30.0000
deviation
MTB>>cdf
cdf150;
150;
MTB
SUBC>normal
normal127,22.
127,22.
SUBC>
Function
Cumulative
Normalwith
with==127.000
127.000and
and==22.0000
22.0000
Normal
P(XX<=
<=x)x)
xx P(
150.0000
0.8521
150.0000
0.8521
P(XX<=
<=x)x)
xx P(
180.0000
0.7475
180.0000
0.7475
36

(Minitab)
0.05
0.04
f(X)
0.03
0.02
0.01
0.00
340
0.4
0.3
f(z)
Contoh
X~N(383,122)
P ( 394 X 399)
394 X 399
P
399 383
394 383
P
Z
12
12
P 0.9166 Z 1.333
0.4088 0.3203 0.0885
i
Equ
0.2
reas
a
t
n
vale
390
440
0.1
0.0
-5
-4
-3
-2
-1
MTB>>cdf
cdf394;
394;
MTB
SUBC> normal 383,12.
MTB>>cdf
cdf399;
399;
MTB
Function
Cumulative
Function
Cumulative
Normalwith
withmean
mean==383.000
383.000and
andstandard
standarddeviation
deviation==12.0000
12.0000
Normal
Normalwith
withmean
mean==383.000
383.000and
andstandard
standarddeviation
deviation==12.0000
12.0000
Normal
<=x)x)
xx P(P(XX<=
394.0000 0.8203
0.8203
394.0000
<=x)x)
xx P(P(XX<=
399.0000
0.9088
399.0000
0.9088
37

(Excel)
38
Transformasi X menjadi Z:
Z
X x
Transformasi kebalikan Z
menjadi X:
X Z
x
Transformasi X menjadi Z, dengan nilai a dan b:
P( X a) P Z
P( X b) P Z

b
a
P(a X b) P
Z

39

Untuk menemukan
menemukan nilai
nilai probabilitas
probabilitas dengan
dengan interval
interval
Untuk
tertentu untuk
untuk sembarang
sembarang variabel
variabel random
random normal
normal
tertentu
adalah dengan
dengan mengekspresikan
mengekspresikan interval
interval
adalah
tersebut dalam
dalam satuan
satuan deviasi
deviasi standar
standar dari
dari rataratatersebut
ratanya.
70 50
x 70
ratanya.
P( X 70) P
P Z
P( Z 2)
10
JikaX~N(50,10
X~N(50,1022),),P(X
P(X>70)
>70)dapat
dapatdiperoleh
diperolehkarena
karena70
70adalah
adalah22
Jika
deviasistandar
standardi
diatas
atasrata-rata
rata-rata X:
X:70=+2.
70=+2. P(X
P(X>
>70)
70)
deviasi
ekuivalendengan
denganP(Z
P(Z>
>2),
2),luas
luasarea
areadi
dibawah
bawahkurva
kurvanormal
normal
ekuivalen
Contoh:
standar.
standar.
2
z
.
.
.
1.1
1.2
1.3
.
.
.
X~N(124,12 )
P(X > x) = 0.10 dan P(Z > 1.28)
0.10
x = + z = 124 + (1.28)(12) =
139.36
.
.
.
...
...
...
.
.
.
.07
.
.
.
0.3790
0.3980
0.4147
.
.
.
.08
.
.
.
0.3810
0.3997
0.4162
.
.
.
.09
.
.
.
0.3830
0.4015
0.4177
.
.
.
40

Contoh:
X~N(2450,4002)2)
Contoh:
X~N(2450,400
P(a<X<b)=0.95 dan
danP(-1.96<Z<1.96)
P(-1.96<Z<1.96)0.95
0.95
P(a<X<b)=0.95
z
z==2450
2450(1.96)(400)
(1.96)(400)==2450
2450784=(1666,3234)
784=(1666,3234)
xx==
P(1666<<XX<<3234)
3234)== 0.95
0.95
P(1666
Contoh:
X~N(5.7,0.52)2)
Contoh:
X~N(5.7,0.5
P(X>>x)=0.01
x)=0.01 dan
danP(Z
P(Z>>2.33)
2.33)
0.01
0.01
P(X
z==5.7
5.7++(2.33)(0.5)
(2.33)(0.5)==6.865
6.865
xx==++z
z
.
.
.
2.2
2.3
2.4
.
.
.
.02
.
.
.
0.4868
0.4898
0.4922
.
.
.
.
.
.
...
...
...
.
.
.
.03
.
.
.
0.4871
0.4901
0.4925
.
.
.
.04
.
.
.
0.4875
0.4904
0.4927
.
.
.
z
.
.
.
1.8
1.9
2.0
.
.
Normal Distribution: = 5.7 = 0.5

0.8
.07
.
.
.
0.4693
0.4756
0.4808
.
.
0.0015
0.6
.4750
.4750
0.0010
f(x)
0.5
f(x)
.06
.
.
.
0.4686
0.4750
0.4803
.
.
Normal Distribution: = 2450 = 400
Area = 0.49
0.7
.05
.
.
.
0.4678
0.4744
0.4798
.
.
.
.
.
...
...
...
.
.
0.4
X.01 = +z = 5.7 + (2.33)(0.5) = 6.865
0.3
0.0005
0.2
.0250
.0250
Area = 0.01
0.1
0.0
0.0000
3.2
4.2
5.2
6.2
7.2
1000
8.2
2000
X
-5
-4
-3
-2
-1
3000
4000
X
1
-5
-4
-3
-2
-1.96
Z.01 = 2.33
-1
1.96
41

No rm al Distribution: = 2450, = 400
0.0012
.
0.0010
.
f(x)
0.0008
.
0.0006
.
0.0004
.
0.0002
.
0.0000
1000
2000
3000
4000
S ta nd ard N o rm al D is trib utio n

0.4
0.3
f(z)
1.
Gambarkan
1.
Gambarkan
distribusi normal
normal yang
yang
distribusi
ingin diteliti
diteliti dan
dan
ingin
distribusi normal
normal
distribusi
standar.
standar.
2.
Arsir daerah
daerah
2.
Arsir
probabilitas yang
yang
probabilitas
diteliti.
diteliti.
3.
Dari tabel
tabel distribusi
distribusi
3.
Dari
normal standar,
standar,
normal
temukan nilai
nilai z.
z.
temukan
4.
Transformasikan
4.
Transformasikan
nilai zz menjadi
menjadi xx (nilai
(nilai
nilai
variabel random
random asal).
asal).
variabel
0.2
0.1
0.0
-5
-4
-3
-2
-1
42

3.Temukan
Temukannilai
nilai
3.
daritabel
tabel
zzdari
normal
normal
standarz=z=standar
1,96dan
dan
1,96
z=1.96
z=1.96
Norm
50, == 400
Nor al
al Distribution:
Distribution: == 24
2450,
40
0.0012
.
.4750
0.0010
.
.4750
0.0008
.
f(x)
1.Distribusi
Distribusinormal
normal
1.
dannormal
normal
dan
standar.
standar.
2.Arsir
Arsirdaerah
daerah0.95
0.95
2.
(masing-masing
(masing-masing
0.475di
dikiri
kiridan
dan
0.475
kanan.
kanan.
0.0006
.
0.0004
.
0.0002
.
.9500
0.0000
100
200
300
400
4.Transformasi
Transformasi
4.
nilaizzke
kenilai
nilai
nilai
xx
S tand a rd N o rm al D is trib utio n

0.4
.4750
.
.
.
...
...
...
.
.
.05
.
.
.
0.4678
0.4744
0.4798
.
.
.06
.
.
.
0.4686
0.4750
0.4803
.
.
.07
.
.
.
0.4693
0.4756
0.4808
.
.
f(z)
z
.
.
.
1.8
1.9
2.0
.
.
.4750
0.3
0.2
0.1
.9500
0.0
-5
-4
-3
-2
-1
-1.96
zz
xx==
2450(1.96)(400)
(1.96)(400)
==2450
2450784
784
==2450
=(1666,3234)
=(1666,3234)
1.96
43

Using EXCEL
44
Pendekatan untuk Binomial (1)

Distribusinormal
normaldengan
dengan==3.5
3.5dan
dan==1.323
1.323mendekati
mendekati
Distribusi
distribusibinomial
binomialdengan
dengannn==77dan
danpp==0.50.
0.50.
distribusi
Normal Distribution:
P(x<4.5) = 0.7749
= 3.5, = 1.323
Binomial Distribution: n = 7, p = 0.50
0.3
0.3
P( x 4) = 0.7734
0.2
f(x)
P(x)
0.2
0.1
0.1
0.0
0.0
0
10
MTB > cdf 4.5;

MTB > cdf 4.5;
SUBC> normal 3.5 1.323.
Cumulative Distribution Function
Normal with mean = 3.50000 and standard
Normal with mean = 3.50000 and standard
deviation = 1.32300
deviation = 1.32300
P(XX<=
<=x)
x)
xx P(
4.5000
0.7751
4.5000
0.7751
MTB > cdf 4;

MTB > cdf 4;
SUBC> binomial 7,.5.
Binomial with n = 7 and p = 0.500000
=0.0017
P(XX<=
<=x)
x)
xx P(
4.00
0.7734
4.00
0.7734
45

Distribusinormal
normaldengan
dengan==5.5
5.5dan
dan==1.6583
1.6583pendekatan
pendekatanyang
yanglebih
lebih
Distribusi
baikuntuk
untukdistribusi
distribusibinomial
binomialdengan
dengannn==11
11dan
danpp==0.50.
0.50.
baik
Normal Distribution: = 5.5, = 1.6583
Binomial Distribution: n = 11, p = 0.50
P(x4) = 0.2744
0.3
P(x<4.5) = 0.2732
0.2
f(x)
P(x)
0.2
0.1
0.1
0.0
0.0
0
10
9 10 11
MTB > cdf 4.5;

MTB > cdf 4.5;
Normal with mean = 5.50000 and standard deviation = 1.65830
Normal with mean = 5.50000 and standard deviation = 1.65830
P(XX<=
<=x)
x)
xx P(
4.5000
0.2732
4.5000
0.2732
=0.0012
MTB > cdf 4;

MTB > cdf 4;
P(XX<=
<=x)
x)
xx P(
4.00
0.2744
4.00
0.2744
46

Definisi:
Bila X variabel random binomial dengan rata-rata = np
dan variansi 2 = npq, maka bentuk pendekatan adalah
distribusi
X np
npq
bila n adalah distribusi normal
baku N(0,1).
Dari perhitungan, distribusi normal memberikan pendekatan
nilai probabilitas yang baik terhadap distribusi binomial bila
n besar dan p mendekati 0.5, bahkan bila n mengecil tapi p
tidak terlalu jauh dari 0.5 masih diperoleh pendekatan yang
cukup baik.
47
PP((aa XX bb)) PP
np
bnp
np
aanp
b
ZZ
np((11 pp))
np((11 pp))
np
np
for
large
(n50)
50)
andppnot
not
too
close
tomendekati
or1.00
1.00 0 atau 1.00
Untuk
n besar
(n>50)
dan
pclose
tidakto
for
nnlarge
(n
and
too
00or
Atau:
np
b00.5.5np
np
aa00.5.5np
b
P
(
a
b
)
P (a X b) P np(1 p) Z np(1 p)
np(1 p)
np(1 p)
fornnmoderately
moderately
large
(20 nn<<50).
50).
Untuk
n sedang
(20<n<50)
for
large
(20
Jika pp kecil
kecil (mendekati
(mendekati 0)
0) atau
atau besar
besar (mendekati
(mendekati 1),
1),
Jika
gunakan pendekatan
pendekatan dengan
dengan distribusi
distribusi Poisson.
Poisson.
gunakan
48

Suatu proses
proses menghasilkan
menghasilkan sejumlah
sejumlah produk
produk (dengan
(dengan kemungkinan
kemungkinan
Suatu
dproduk cacat
cacat 10%).
10%). Bila
Bila 100
100 produk
produk diambil
diambil secara
secara acak,
acak, berapakah
berapakah
dproduk
kemungkinanbahwa
bahwaterdapat
terdapatlebih
lebihdari
dari13
13produk
produkcacat?
cacat?
kemungkinan
Dalam kasus
kasus ini,
ini, banyaknya
banyaknya cacat
cacat berdistribusi
berdistribusi binomial
binomial dengan
dengan
Dalam
parameter n=
n= 100
100 dan
dan p=0,1.
p=0,1. Karena
Karena ukuran
ukuran sampel
sampel besar
besar dilakukan
dilakukan
parameter
pendekatan dengan
dengan fungsi
fungsi kemungkinan
kemungkinan normal
normal dimana
dimana parameternya
parameternya
pendekatan
np(100
(100)()(00,1,1))10
10,,dan
npq (100
(100)()(00,1,1)()(00,9,9))33,0,0..
adalah np
dan npq
adalah
Karenaingin
ingindiamati
diamatikemungkinan
kemungkinanbahwa
bahwaterdapat
terdapatlebih
lebihdari
dari13
13produk
produk
Karena
cacat, maka
maka dicari
dicari probabilitas
probabilitas x>13.
x>13. Untuk
Untuk kasus
kasus diskrit,
diskrit, digunakan
digunakan
cacat,
(13.5.510
10))//3311,167
,167..
batas x=13.5,
x=13.5, dan
dan harga
harga zz yang
yang sesuai
sesuai adalah
adalahzz(13
batas
Daritabel
tabeldiperoleh
diperolehkemungkinan
kemungkinanz>1.167
z>1.167adalah
adalah0.1216.
0.1216.
Dari
49
Perhitungan dengan Excel (1)
Dalam EXCEL, perintah NORMSDIST(number) akan

memberikan nilai probabilitas kumulatif dari variabel random
normal standar.
Perintah NORMDIST(number, mean, standard deviation)
akan memberikan nilai probabilitas dari variabel random
normal secara umum.
50
Perhitungan dengan Excel (2)

Contoh:
Contoh:
NORMSDIST(1.0) =
= 0.8413.
0.8413.
NORMSDIST(1.0)
NORMDIST(10.0, 5,
5, 2)
2) =
= 0.9938.
0.9938.
NORMDIST(10.0,
Perintah inversinya
inversinya NORMSINV(number)
NORMSINV(number) dan
dan
Perintah
NORMINV(number, mean,
mean, standard
standard deviation).
deviation).
NORMINV(number,
NORMSINV(0.975) =
= 1.96.
1.96.
NORMSINV(0.975)
NORMINV(0.975, 20,
20, 10)
10) =
= 39.6.
39.6.
NORMINV(0.975,
51
Distribusi Normal Multivariat (1)

Distribusi dalam
dalam analisis
analisis multivariat
multivariat umumnya
umumnya adalah
adalah
Distribusi
distribusi multivariat
multivariat normal
normal sebagai
sebagai perluasan
perluasan dari
dari
distribusi
distribusinormal
normalunivariat.
univariat.
distribusi
Terdapatdua
dualandasan
landasanpokok
pokokuntuk
untukhal
haltersebut,
tersebut, yaitu
yaitu::
Terdapat
Kasus pengukuran
pengukuran multivariat
multivariat seringkali
seringkali adalah
adalah bentuk
bentuk
i.i. Kasus
penjumlahan dari
dari beberapa
beberapa pengaruh
pengaruh random
random yang
yang
penjumlahan
independen. Dengan
Dengan teorema
teorema central
central limit,
limit, beberapa
beberapa
independen.
variabeltadi
tadimembentuk
membentukdistribusi
distribusinormal
normalmultivariat.
multivariat.
variabel
ii.Teori
Teori statistika
statistika yang
yang berlandaskan
berlandaskan pada
pada distribusi
distribusi normal
normal
ii.
terbukti telah
telah menunjukkan
menunjukkan keberhasilan
keberhasilan dalam
dalam
terbukti
melakukankajian
kajiansecara
secaraterstruktur
terstrukturdan
dansistematis.
sistematis.
melakukan
52

Nilai ekspektasi dari sebuah vektor variabel random
X=(X1,,Xm) adalah E ( X ) E ( X 1 ),..., E ( X m ) ' .
J ika X mempunyai rata-rata matriks variansikovariansi X didefinisikan sebagai matriks (mxm) berikut
Cov( X ) E ( X )( X )' .
Elemen ke-i dan ke-j dari matriks variansi-kovariansi
adalah ij E[( X i i )( X j j )] , sedangkan elemen ke-i
dikenal sebagai variansi ii E[( X i i ) 2 ] .
53

Agar variansi variabel random Xi ada, maka matriks
definit nonnegatif. Karena similaritas kovariansi, maka
matriks adalah matriks simetris, sehingga ' .
Sebuah matriks simetris (mxm) A disebut definit nonnegatif jika ' A 0 untuk semua R m dan pasti positif
jika ' A 0 untuk semua R m , 0 . R m adalah ruang
Euklidean berdimensi m dengan komponen real.
ffxx((xx))((22))
mm/ /22
11
11 ( x )
exp
(
x
)'
exp ( x )' ( x )
22
11/ /22
(det))
(det
54
Distribusi Probabilitas Gamma (1)

Distribusigamma
gammadikenal
dikenaldari
darifungsi
fungsigamma
gammayang
yangbanyak
banyakdigunakan
digunakan
Distribusi
dalambidang
bidangmatematika.
matematika.Fungsi
Fungsigamma
gammadidefinisikan
didefinisikanoleh
oleh
dalam
11 ex x dx
x
untuk 00..
( ) x e dx untuk
0
0
11 dan dv=e
-x-xdx, maka akan
J
ila
dilakukan
integrasi
parsial
atas
u
x
J ila dilakukan integrasi parsial atas u x
dan dv=e dx, maka akan
x 2
x x 2 dx ,
x xx 1 ee x (
2 dx
(
1
)
e
e
(
1
)
x
dx
diperoleh
=
1
)
e
x dx ,
1
)
x
diperoleh
=
0
0
0 0
0
0
())(
(11))(
(11)),,
sehinggadihasilkan
dihasilkanpengulangan
pengulanganfungsi
fungsigamma
gamma (
sehingga
())(
(11)()(22))(
(22)),,dan
danseterusnya
seterusnyajika
jika=n,
=n,dimana
dimanannbilangan
bilangan
(
)...(1(1))..Karena
bulatpositif,
positif,maka
maka ((nn))((nn11)()(nn22)...
Karenamenurut
menurutdefinisi
definisi
bulat
dx11,,maka
fungsigamma
gamma(1(1))eex xdx
maka ((nn))((nn11)!)!..
fungsi
0
Satusifat
sifatpenting
pentingfungsi
fungsigamma,
gamma,adalah
adalah(1(1/ /22)) ..
Satu
55

Definisi
Definisi
Sebuah variabel
variabel random
randomkontinyu
kontinyu XX berdistribusi
berdistribusi gamma
gamma
Sebuah
dengan parameter
parameter bila
bila 00 dan
dan 00,, bila
bila mengikuti
mengikuti
dengan
fungsi
fungsi
ff((xx))
11
11 exx/ /
x
x e
( )
( )
=0,
0,
=
>00
xx>
untukxxlainnya.
lainnya.
untuk
Parameter pemusatan
pemusatan dan
dan penyebaran
penyebaran adalah
adalah sebagai
sebagai
Parameter
berikut::
berikut
22 22
E
(
X
)
V
(
X
)
dan
E ( X ) dan V ( X ) ..
56

Halini
inidapat
dapatdibuktikan
dibuktikandengan
denganmengevaluasi
mengevaluasimomen
momenke-r
ke-rdi
di
Hal
sekitartitik
titikasal
asaldistribusi
distribusigamma
gammaadalah
adalah
sekitar
11
r r
' ' E ( Xr r )
11 e/ / dx
x
x
r r E ( X )
e
dx ..
00
)
( )
r
r ( r )
r r r 1 /
( r ) .
r 1 e / dy
J
ika
dimisalkan
y=x/
,
maka
y
e
dy
J ika dimisalkan y=x/ , maka

())00
()) .
(
(
( 1)
'
' ( 1) , dan
Dengan
demikian
Dengan demikian 11 ( ) , dan
( )
'
'
r
r
2
2 ( 2)
2
2
2
2 2 ( 2) 2 2 = 2
)
( )
2
'
'
2
2
Distribusigamma
gammayang
yangkhusus
khusus(spesifik)
(spesifik)untuk
untuk=v/2,
=v/2, =2,
=2,
Distribusi
danvvbilangan
bilanganbulat
bulatpositif
positifdisebut
disebutdistribusi
distribusikhi-kuadrat
khi-kuadrat(chi(chidan
square) dengan
dengandegree
degreeof
offreedom
freedomv.
v.
square)
57

Proposisi:
Proposisi:
,...,nn adalah
ika XXi ,i ,ii11,2,2,...,
adalahvariabel
variabelrandom
randomgamma
gammaindependen
independen
JJika
n
n
(
)
denganparameter
parameter ( i i, ) ,,maka
maka
jugagamma
gammadengan
dengan
ii11XXi i juga
dengan
parameter
, ,..
parameter
adalah11//))
(parameter adalah
(parameter
Proposisi:
Proposisi:
,...,nn adalah
ika XXi ,i ,ii11,2,2,...,
adalahvariabel
variabelrandom
randomindependen
independen
JJika
eksponensialindependen
independendan
danidentik
identikdengan
denganrata-rata
rata-rata ,,
eksponensial
n
n
maka
adalahvariabel
variabelrandom
randomgamma
gammadengan
dengan
i i11XXi i adalah
maka
parameter ((nn,,))..
parameter
n
n
i 1 i
i 1 i
58
Distribusi Probabilitas Weibull (1)

DistribusiWeibull
Weibull(Waloddi
(WaloddiWeibull,
Weibull,Swedish,
Swedish,1939)
1939)banyak
banyakdigunakan
digunakan
Distribusi
dalam analisis
analisis keandalan
keandalan yang
yang berkiatan
berkiatan dengan
dengan umur
umur (rentang
(rentang
dalam
waktu), contohnya
contohnyarantang
rantangwaktu
waktudimana
dimana sebuah
sebuah peralatan
peralatan mungkin
mungkin
waktu),
akanrusak
rusak(tidak
(tidakberfungsi).
berfungsi).
akan
Definisi
Definisi
Variabel random
random kontinyu
kontinyu TT berdistribusi
berdistribusi Weibull,
Weibull, dengan
dengan dua
dua
Variabel
parameter 00 dan
dan 00,, jika
jika fungsi
fungsi padatnya
padatnya mengikuti
mengikuti
parameter
1 atat
1
tt ee untuk
untuktt>
>0,
0,dan
danf(t)=0,
f(t)=0, untuk
untukttlainnya
lainnya
ff((tt))
Parameterpemusatan
pemusatandan
danpenyebaran
penyebaranadalahsebagai
adalahsebagaiberikut
berikut::
Parameter
1 /
11
1 /
E
(
T
)
E (T )
1
2
2
2 /
2
11
2
2
/
V
(
T
)
dan
dan V (T ) 1 1

2
2

59

Denganmenggunakan
menggunakananalogi,
analogi,fungsi
fungsidistribusi
distribusikemungkinan
kemungkinan
Dengan
Weibulldapat
dapatmencakup
mencakuptiga
tigaparameter
parameterW(
W(,,,,))dan
danfungsi
fungsi
Weibull
keandalannyadidefinisikan
didefinisikanoleh
oleh
keandalannya
1
1
t
;, ,,,)) t exp
exp t , ,
f f((t t;
t t
;, ,,,))exp
exp
..
RR((t t;
dan
t t, , dan
Meantime
timeto
tofailure
failure(MTTF)
(MTTF)dan
danvariansinya
variansinyaadalah
adalah
Mean
11
E
(T
;
dan
E (T ; , , ) dan

2 22
2 1
2
2 1
Var
(
T
;
Var (T ; , , )

..
60

DistribusiWeibull
Weibulldigunakan
digunakansecara
secaraluas
luasdalam
dalamanalisis
analisis
Distribusi
keandalanyang
yangmengeneralisasi
mengeneralisasiaplikasi
aplikasidistribusi
distribusi
keandalan
tersebutdengan
denganmenyertakan
menyertakan hazard
hazardrate
rateyang
yangtidak
tidak
tersebut
konstan,meningkat
meningkatatau
ataumenurun,
menurun,dan
danmencakup
mencakup initial
initial
konstan,
failureserta
sertawear-out
wear-outfailures.
failures.
failure
laju
kerusakan
Kerusakan karena terjadinya early

causesdan chancecauses
kerusakan karena terjadi wearout causes dan chancecauses
hanya terjadi
chancefailure
61

Varibael Kontinu

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Varibael Kontinu

Diunggah oleh

Hak Cipta:

Format Tersedia

Informatics Eng.

Informatics Eng. Department UNIJOYO

Distribusi Probabilitas Kontinyu

Variabel Random Kontinyu

Informatics Eng. Department UNIJOYO

Dari Diskrit Menjadi Kontinyu

Interval 0.125 menit

Interval 0.25 menit

Minutes to Complete Task: By Half-Minutes

Minutes to Complete Task: Eighths of a Minute

Interval kecil tak terbatas

Informatics Eng. Department UNIJOYO

Variabel Random Kontinyu

Variabel Random Kontinyu adalah sebuah variabel random yang

Informatics Eng. Department UNIJOYO

Fungsi Densitas dan Kumulatif

P(a X b)=F(b) - F(a)

P(a < X < b) = Area di

Informatics Eng. Department UNIJOYO

Distribusi Uniform Kontinyu (1)

Total luas area f(x) = 1/5 * 5 =

Luas area di bawah f(x)

Informatics Eng. Department UNIJOYO

Distribusi Uniform Kontinyu (2)

Ekspektasi dan variansi:

dan V(X)= ( - )2/12

Informatics Eng. Department UNIJOYO

Distribusi Uniform Kontinyu (3)

Informatics Eng. Department UNIJOYO

Distribusi Eksponensial (1)

Dari uraian tentang distribusi poisson diperoleh

Informatics Eng. Department UNIJOYO

Distribusi Eksponensial (2)

Parameter pemusatan dan penyebaran adalah sebagai

Informatics Eng. Department UNIJOYO

Distribusi Eksponensial (3)

untuk melindungi peralatan dari kegagalan. Berdasarkan data

Informatics Eng. Department UNIJOYO

Distribusi Eksponensial (4)

Selanjutnya, misalkan X sebagai variabel random yang

P( X 2) b( x;5,0.2) =1- b( x;5,0.2) = 0,68.

Informatics Eng. Department UNIJOYO

Distribusi Probabilitas Normal (1)

B ino m ial D istrib utio n: n=1 4 , p =.5

B ino m ial D is trib ution: n=6, p =.5

Informatics Eng. Department UNIJOYO

Distribusi Probabilitas Normal (2)

Distribusi kemungkinan variabel random kontinyu yang terpenting

Informatics Eng. Department UNIJOYO

Distribusi Probabilitas Normal (3)

Fungsi densitas probabilitas normal:

Informatics Eng. Department UNIJOYO

Distribusi Probabilitas Normal (4)

Kurva normal membentuk:

Informatics Eng. Department UNIJOYO

Distribusi Probabilitas Normal (5)

Informatics Eng. Department UNIJOYO

Distribusi Probabilitas Normal (6)

. Kemudian definisikan bentuk satuan berikut

dan pertimbangkan sebuah bentuk satuan dari variabel random

Informatics Eng. Department UNIJOYO

Distribusi Probabilitas Normal (7)

ii. Untuk setiap nilai variabel random X, nilai f ( x) 0 .

Informatics Eng. Department UNIJOYO