Modul 6: Distribusi Probabilitas Kontinu

Tujuan Pembelajaran
Mengidentifikasi dan menghitung distribusi
probabilitas teoritis variabel kontinu

Menggunakan beberapa pendekatan distribusi

teoritis variabel acak kontinu untuk memecahkan
masalah-masalah statistik yang berkaitan dengan
kajian keteknikan
Variabel Random
Adalah suatu fungsi yang menghubungkan sebuah bilangan riil
dengan setiap unsur didalam ruang sampel S.
Untuk menyatakan variabel random digunakan sebuah huruf besar,
misalkan X. Sedangkan huruf kecilnya, misalkan x, menunjukkan salah
satu dari nilainya.

Jika suatu ruang sampel berisi sejumlah kemungkinan terhingga

atau urutan yang tidak terbatas dengan unsur sebanyak bilangan
bulat, maka ruang sampel ini disebut Ruang Sampel Diskrit, dan
variabel random yang didefinisikan disebut Variabel Random
Diskrit.

Jika suatu ruang sampel berisi sejumlah kemungkinan tak

terhingga yang sama dengan jumlah titik-titik didalam sebuah
segmen garis, maka ruang sampel ini disebut Ruang Sampel
Kontinu, dan variabel random yang didefinisikan disebut Variabel
Random Kontinu.
Kumpulan pasangan nilai-nilai dari variabel acak X
dengan probabilitas nilai-nilai variabel random X, yaitu
P(X=x) disebut distribusi probabilitas X (distribusi X)
  Distribusi Uniform Kontinu
 Distribusi Normal
Daftar Isi  Hubungan Distribusi Normal dan Binomial
 Distribusi Gamma dan Exponential
 Distribusi Chi-Squared
  Aplikasi probabilitas dalam statistik adalah
memperkirakan terjadinya peluang/probabilitas
yang dihubungkan dengan terjadinya peristiwa
tersebut dalam beberapa keadaan.
Probabilitas  Jika kita mengetahui keseluruhan probabilitas
dari kemungkinan outcome yang terjadi, seluruh
probabilitas kejadian tersebut akan membentuk
suatu distribusi probabilitas.
 Distribusi Uniform Kontinu
Fungsi rapat probabilitas dari distribusi variabel random X yang
bersifat uniform dan kontinu dalam interval [A,B] diberikan oleh:
 1
 A x B
f ( x; A, B)   ( B  A)

 0 lainnya

f(x)
Mean atau rata-rata:
1/(B-A) A B

2
Variansinya:

A B x 2 
 B  A 2

12
Contoh.
Sebuah ruang rapat di suatu perusahaan hanya bisa dipakai tak lebih
dari 4 jam. Pemakaian ruang tsb untuk rapat singkat maupun
panjang sama seringnya. Bisa diasumsikan bahwa jika X
menyatakan lamanya sebuah rapat di ruang tsb, maka
distribusinya uniform.
a) Turunkan fungsi rapat probabilitasnya
b) Berapa probabilitasnya sebuah rapat di ruang tsb akan
berlangsung paling lama 3 jam?
c) Berapakah lama rata-rata rapat di ruang tsb?

Jawab:
a) B = 4 dan A=0, maka (B-A) = 4 dan fungsi rapat probabilitasnya
adalah: f(x) = ¼ untuk 0≤x ≤4 dan f(x)=0 untuk x di luar itu.
b) Probabilitas lama rapat kurang dari 3 jam: P(x<3)
3 3
1
P( x  3)   f ( x;0,4)dx   dx  3 / 4
0 0
4
  Pertama kali diuraikan oleh Abraham de Moivre
dan dipopulerkan oleh Carl Fredreich Gauss
dengan percobaannya  Distribusi Gauss.
Distribusi  Bila percobaan dilakukan berulang2 yg paling
Normal sering muncul adalah nilai rata2 
Penyimpangan dari nilai rata2 (error) makin
sedikit  terbentuk distribusi yg simetris 
distribusi normal.
Distribusi Normal

Distribusi probabilitas yg terpenting dalam statistik adalah distribusi

normal atau Gaussian.
Fungsi rapat probabilitas variabel random X dengan mean μ dan
variansi σ2 yang memiliki distribusi normal adalah:
1
1  ( x )2
n( x;  ,  )  2 2
e
2 
n(x)

0.3

0.25

0.2 σ
0.15

0.1

0.05

0
-6 -4 -2 0 2 4 6
μx
  Terminology “normal”  karena distribusi normal terjadi
secara alamiah. Distribusi ini adalah yang paling banyak
digunakan sebagai model bagi data riil diberbagai bidang
antara lain karakteristik fisik mahluk hidup (berat, tinggi
badan manusia, hewan dll), kesalahan-kesalahan
pengukuran dalam eksperimen ilmiah, pengukuran-
pengukuran intelejensia dan perilaku, nilai skor berbagai
pengujian dan berbagai ukuran dan indikator ekonomi.
Distribusi  Beberapa variable acak yang tidak terdistribusi secara
normal dapat dengan mudah ditranformasikan menjadi
Normal suatu distribusi variabel acak yang normal.
 Banyak hasil dan teknik analisis yang berguna dalam
pekerjaan statistik hanya bisa berfungsi dengan benar jika
model distribusinya berupa distribusi normal
 Ada beberapa variabel acak yang tidak menunjukkan
distribusi normal pada populasinya Namun distribusi rata-
rata sampel yang diambil secara random dari populasi
tersebut ternyata menunjukkan distribusi normal.
 Distribusi Normal : Sifat
Sifat-Sifat Distribusi Normal:
1. Rata-ratanya (mean) = μ dan standard deviasinya = σ
2. Mode maximum terjadi di x=μ
3. Bentuknya simetrik thd x=μ
4. Titik belok tepat di x=μ±σ
5. Kurva mendekati nol secara asimptotis semakin x jauh dari x=μ
6. Total luasnya = 1

1 2 1
2

1
2

μ1 = μ2 σ 1 > σ 2 μ1 < μ2 σ 1 = σ 2 μ1 < μ2 σ 1 < σ 2

Bentuk distribusi normal ditentukan oleh μ dan σ

Untuk setiap distribusi populasi dari suatu variabel acak yang
mengikut sebuah distribusi normal, maka

 68,26% dari nilai-nilai variabel berada dalam ± 1 x dari x ,

 95,46% dari nilai-nilai variabel berada dalam ± 2 x dari x ,
 99,73% dari nilai-nilai variabel berada dalam ± 3 x dari x 
Luas di Bawah Kurva dan Probabilitas
P(x1<x<x2) = probabilitas variabel random x memiliki nilai antara x1 dan x2
P(x1<x<x2) = luas di bawah kurva normal antara x=x1 dan x=x2

x1 μ x2

Oleh karena perhitungan integral normal tsb sulit, maka disusunlah

tabel nilai kepadatan probabilitas. Akan tetapi karena nilai
kepadatan probabilitasnya tergantung pada μ dan σ maka
sangatlah tidak mungkin mentabelkan untuk semua nilai μ dan σ
Kurva DIstribusi Normal Standard
Distribusi normal standard adalah distribusi normal dengan mean μ=0
dan standard deviasi σ=1.
x
Transformasi z memetakan distribusi normal menjadi

distribusi normal standard, sebab distribusi normal dengan variabel z ini
memiliki mean =0 dan standard deviasi = 1.
Transformasi ini juga mempertahankan luas dibawah kurvanya, artinya:

Luas dibawah kurva Luas dibawah kurva

distribusi normal
distribusi normal antara
x1 dan x2
= standard antara z1 dan
z2
Dengan z1 = (x1-μ)/σ dan z2 = (x2-μ)/σ.
Sehingga cukup dibuat tabel distribusi normal standard kumulatif saja!
Tabel Distribusi Normal Standard Kumulatif
Contoh: Hitung Luas
Pergunakanlah tabel distribusi normal standard untuk menghitung luas
daerah :
a) Di sebelah kanan z = 1.84
b) Antara z = -1.97 s/d z = 0.86

Jawab.

Ingat bahwa luas yg diberikan dalam tabel distribusi normal kumulatif adalah luas
dari z=-∞ s/d z0 tertentu: P(z<z0).

a)P(z>1.84) = 1 – P(z≤1.84) = 1 -0.9671 = 0.0329

a)P(-1.97 <z<0.86) = P(z<0.86) – P(z<-1.97) = 0.8051 – 0.0244 = 0.7807

Contoh: Cari z
Carilah nilai z = k di distribusi normal standard sehingga
a) P(Z>k) = 0.3015
b) P(k<z<-0.18) = 0.4197

Jawab:

a) P(Z>k) = 0.3015 berarti P(Z<k) = 1- P(z>k) = 1 – 0.3015 = 0.6985

Dari tabel terbaca luas ke kiri = 0.6985 adalah untuk z=0.52.

b) P(k<z<-0.18) = P(z<-0.18) – P(z<k) = 0.4197

= 0.4286 – P(z<k) = 0.4197
Jadi P(z<k) = 0.4286- 0.4197 = 0.0089
Dari tabel z = -2.37
Contoh: Luas di bawah kurva normal non standard

Contoh.
Variaber X terdistribusi normal dengan mean 50 dan standard deviasi
=10. Carilah probabilitas untuk menemukan X bernilai antara 45 dan
62?

Jawab.
Dalam soal ini μ = 50 dan σ=10. x1 = 45 dan x2 = 62
Pertama kita mapping x ke z (melakukan normalisasi atau
standardisasi):
z1 = (x1 -μ)/σ  z1 = (45-50)/10 = -0.5
z2 = (x2 -μ)/σ  z2 = (62-50)/10 = 1.2
Sehingga
P(45 <x< 62) = P(-0.5<z<1.2)
P(-0.5<z<1.2) = P(z<1.2) – P(z<-0.5) = 0.8849-0.3085=0.5764
Memakai Distribusi Normal Dalam Arah Kebalikan

Diketahui luas dibawah distribusi normal yg diinginkan yang terkait dengan

besar probabilitas, ingin dicari nilai variabel random X yg terkait.

Contoh.
Misalkan distribusi normal memiliki μ=40 σ=6, carilah nilai x0 sehingga:
a) P(x<x0) = 45%
b) P(x>x0)=14%

Jawab.
a) Kita mulai dengan mencari nilai Z yg sama luasnya.
P(z<z0) = 45% = 0.45  dari tabel z0 = -0.13
z0 = (x0-μ)/σ  x0 = μ + σz0 = 40 +6*(-0.13) = 39.22
Jawab.
b) Kita mulai dengan mencari nilai Z yg sama luasnya.
P(z>z0) = 14%  P(z<z0) = 1- P(z>z0) = 1-0.14 = 0.86
P(z<z0) = 0.86  dari tabel z0 = 1.08

z0 = (x0-μ)/σ  x0 = μ + σz0 = 40 +6*(1.08) = 46.48

Contoh Penerapan Distribusi Normal
Sebuah perusahaan lampu mengetahui bahwa umur lampunya (sebelum
putus) terdistribusi secara normal dengan rata-rata umurnya 800 jam
dan standard deviasinya 40 jam. Carilah probabilitas bahwa sebuah
lampu produksinya akan:
 Berumur antara 778 jam dan 834 jam
 Berumur kurang dari 750 jam atau lebih dari 900 jam

Jawab.
μ= 800 σ=40; P(778<x<834)
x1=778  z1 = (x1-μ)/σ = (778-800)/40 = -0.55
x2=834  z2 = (x2-μ)/σ = (834-800)/40 = 0.85
P(778<x<834) = P(-0.55<z<0.85) = P(z<0.85)-P(z<-0.55)
= 0.8023 – 0.2912 = 0.5111
b) Berumur kurang dari 750 jam atau lebih dari 900 jam
μ= 800 σ=40; P(x< 750 atau x>900)
x1=750  z1 = (x1-μ)/σ = (750-800)/40 = -1.25
x2=900  z2 = (x2-μ)/σ = (900-800)/40 = 2.5
P(x< 750 atau x>900) = P(z<-1.25) + P(z>2.5)
= P(z<-1.25) + 1- P(z<2.5)
= 1 + P(z<-1.25) - P(z<2.5)
= 1 + 0.1056-0.9938 = 0.1118
Jika X distribusi normal dengan mean  dan deviasi
standard  maka

 x  x   a  x 
P  X  a   P Z x 
 
   
 x   x 
 a  x b  x   b  x   a  x 
Pa  x  b   P  Zx        
 x x   x   x 
 b  x   b  x   a  x 
P X  b   P Z x    1  P Z x    1   
 x   x   x 
Z > 0 jika x > 
Z < 0 jika x < 
Simetri : P(0 ≤ Z ≤ b) = P(-b ≤ Z ≤ 0)
Contoh :
1. Diketahui data berdistribusi normal dengan
mean  = 55 dan deviasi standar = 15
a) P(55≤x≤75) =

=
= P(0≤Z≤1,33)
= 0,4082 (Tabel Z)
Atau

Tabel Z  A = 0,4082
b) P(60≤x≤80) =
= P(0,33≤Z≤1,67)
= P(0≤Z≤1,67) – P(0≤Z≤0,33)
= 0,4525 – 0,1293 = 0,3232

Z1 = = 0,33  B = 0,1293

Z2 = = 1,67  A = 0,4525
C = A – B = 0,3232
c) P(40≤x≤60)= A + B

=
= P(-1,00≤Z≤0,33)
= P(-1,00≤Z≤0) + P(0≤Z≤0,33)
= 0,3412 + 0,1293
= 0,4705
Atau : Z1 = = = -1,00
 A = 0,3412
Z2 = = 0,33
 B = 0,1293
d) P(x ≤ 40) = 0,5 – A
= 0,5 – 0,3412
= 0,1588
e. P(x ≥ 85)

f. P(x ≤ 85) = 0,5 + A

= 0,5 + 0,4772
= 0,9772
2) Diketahui rata-rata hasil ujian adalah 74 dengan simpangan
baku 7. Jika nilai-nilai peserta ujian berdistribusi normal dan
12% peserta nilai tertinggi mendapat nilai A, berapa batas nilai
A yang terendah ?
Jawab:
Jika 5% peserta terendah mendapat nilai E,
berapa batas atas nilai E ?
P( ≤ x ≤ 0) = 0,45
P( ≤ Z ≤ 0) = = -1,645  (x<)

= . + 
= (-1,645)7 + 74
= 62,485
Normal Approximation to Binomial
Jika X adalah variabel random dengan rata-rata μ=np dan variansi
σ2=npq, maka jika n  ∞ dan p tidak terlalu dekat dengan 0 atau 1,
maka bentuk distribusi variabel Z :
x  np
Z
npq
adalah distribusi normal standard. Contoh berikut ini untuk n=15, p=0.4
Distribusi Normal-Binomial

0.25

0.2

0.15 Binom
normal
0.1

0.05

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Contoh

Probabilitas seorang pasien sembuh dari sebuah penyakit adalah 0.4.

Jika 100 orang menderita sakit tsb, berapakah probabilitasnya bahwa
yg sembuh kurang dari 30 orang?

Jawab.
Ini adalah distribusi binomial, dengan n=100, p=0.4, q=1-0.4=0.6, jika x
adalah jumlah orang yg sembuh, maka ingin dicari adalah:
P(x<30) = B(r=30;n=100, p=0.4).
Atau karena n besar dan p tidak terlalu kecil atau dekat 1, maka
distribusi binomial akan didekati dengan distribusi normal dengan
rata-rata μ=np=100*0.4=40 dan σ=√(npq)= √(100*0.4*0.6)=4.899.
Hitung dulu
z = (x-μ)/σ= (30-40)/4.899 = -2.04
Berarti P(x<30) = P (z< -2.04) = 0.0207
Distribus Gamma

Definisi fungsi gamma : ( )   x 1e  x dx
0

Dengan sifat Γ(α)= (α-1) Γ(α-1) untuk α>1, sehingga untuk α=n yg
berupa bilangan bulat positif, maka Γ(n) = (n-1)!

Definisi distribusi gamma:

Variabel random X memiliki distribusi gamma dengan parameter α dan
β, jika fungsi rapat probabilitasnya diberikan oleh:

 1
  x 1e  x /  x0
f ( x; ,  )    ( )

 0 lainnya
Distribus Gamma : Ilustrasi

Distribusi Gamma

1.2

0.8
alfa=1 beta=1
0.6 alfa=2 beta=1
alfa=4 beta=1
0.4

0.2

0
0 1 2 3 4 5
x
Tabel : Fungsi Gamma Tak Lengkap
Distribus Gamma : Ilustrasi
Perhatikan kecuali untuk α=1 dan β=1 distribusi gamma berawal dari
x=0. Untuk α=1 distribusi gamma dikenal dengan nama distribusi
exponensial. Secara eksplisit untuk α=1, berarti : Γ(1)=0!=1, dan
distribusinya adalah:

 1 x / 
 e x0
f ( x;  )   

 0 lainnya

Mean dan variansi dari distribusi gamma adalah:

μ= αβ σ2= αβ2

Sehingga untuk kasus distribusi exponensial mean dan variansinya:

μ= β σ2= β2
Β memiliki interpretasi sebagai waktu rata-rata antara 2 kejadian
berturut-turut
Hubungan dengan Distribusi Poisson
Distribusi Poisson memiliki satu parameter λ yg diartikan rata-rata
kejadian per unit waktu atau area. Menurut distribusi Poisson bahwa
tidak terjadi sesuatu (berarti x=0) selama waktu t akan diberikan
oleh:
e   t ( t ) 0
p(0; t )   e  t
0!

Jika didefiniskan variabel random X yang menyatakan lamanya waktu

yg diperlukan untuk terjadinya peristiwa Poisson pertama kali,
tentunya probabilitasnya = probabilitas tidak terjadi sesuatu selama
x: P (X>x) = e-λt
Dengan distribusi kumulatifnya:
P(0≤ X ≤x) = 1 - e-λt
Turunan dari distribusi kumulatif ini = distribusi Poisson!
Aplikasi Distribusi Gamma & Eksponensial
Komponen elektronik di sebuah komputer mempunyai lama waktu
sebelum rusak selama T tahun. Diketahui variabel random T dapat
dimodelkan dengan distribusi eksponensial dengan waktu rata-rata
sebelum rusak (mean time before failure = MTBF) β=5. Sebanyak 5
komponen dipakai dalam 5 komputer berbeda, berapakah
probabilitasnya bahwa setelah 8 tahun paling tidak 2 buah
komponen masih baik berfungsi?
 
1 1
P(T  8)   e dt   e dt  0.2
Jawab: t /  t / 5

8
 5 8

Probabilitas sebuah komponen masih berfungsi setelah 8 tahun

diberikan oleh:

Selanjutnya, misalkan X menyatakan jumlah komponen yg masih

berfungsi setelah 8 tahun.
Aplikasi Distribusi Gamma & Eksponensial
Sekarang persoalan adalah distribusi binomial, dengan probabilitas
“sukses” p=0.2 (berfungsi setelah 8 tahun), banyak percobaan (yaitu
banyak komponen yg diuji n=5, dan yg ingin diketahui adalah
sebanyak 5 “sukses”, x=5.

Jadi probabilitas bahwa setelah 8 tahun, sebanyak paling tidak 2

komponen masih berfungsi diberikan :
5 1
P( X  2)   b( x; n  5, p  0.2)  1   b( x;5,0.2)  1  0.7373  0.2627
x2 x 0
Dalam studi thd tikus, dipelajari efek racun thd waktu survival-nya.
Diketahui bahwa untuk dosis tertentu racun, waktu survivalnya
mengikuti pola distribusi gamma dengan α=5 dan β=10 dalam
satuan minggu. Berapakah probabilitasnya bahwa seekor tikus akan
masih selamat (survive) tak lebih dari 60 minggu.

Jawab:
Misal X adalah variabel random yg menyatakan waktu hidup
(survival time), berarti probabilitasnya bahwa X≤60 adalah:

60 60
1 1
P( X  60;  5,   10)    x 1e  x /  dx   5 x 4e  x /  dx
0
 ( ) 0
 (5)

Integral ini sulit dievaluasi secara langsung. Akan tetapi dapat

dievaluasi dengan perantaraan tabel fungsi gamma tak lengkap F:
y 1e  y
x
F ( x; )   dy
0
( )
Jadi didefinisikan x/β=y, berarti x= βy dx= βdy dan x=60 jadi y= 60/10=6
sehingga:
6 6 6
1 1 4 x /  1 1 1 4 y
P( X  60)  5  x e dx  5  ( y) 4 e  y  dy   y e dy
 0 (5)  0 (5) 0
(5)

Dengan definisi fungsi gamma tak lengkap F(x;α) jadi:

P (X≤60)= F(x=6; α=5) = 0.715

 Distribusi Probabilitas Variabel
Acak Kontinyu
Histogram Probabilitas
 Sifat-sifat histogram probabilitas variabel acak kontinyu:
 Luas daerah hc dari setiap batang adalah probabilitas
mendapatkan varibel acak dalam kelas interval yang
bersangkutan
 Jumlah seluruh luas daerah batang tersebut harus 1,00
(100 persen probabilitas bahwa variable didapatkan
antara nilai terendah dan tertinggi)
 Probabilitas dari setiap batang adalah persentase dari
nilai data yang berada di dalam kelas interval tersebut

probabilitas mendapatkan variabel acak dalam kelas interval

h
lebar kelas interval, c
 Distribusi Probabilitas Variabel
Acak Kontinyu
Histogram Probabilitas
 Distribusi Probabilitas Variabel
Acak Kontinyu
Fungsi Kepadatan Probabilitas
 Eksperimen hipotetis yang mempersyaratkan dua hal yaitu :
 Variabel acaknya (dalam contoh di atas adalah breaking
stress) harus dapat diukur dengan ketelitian (resolusi)
yang kecil tak hingga (infinitesimal), artinya nilai yang
diukur memiliki jumlah angka penting yang tak terbatas
 Sampel yang diuji jumlahnya juga tidak terbatas
 Lebar kelas interval dapat kecil sekali (jumlah kelas interval
semakin banyak), sehingga histogram yang berbentuk
seperti tangga akan menjadi sebuah kurva yang mulus
 Kurva ini adalah kurva sebuah fungsi f dari variabel x, f(x).
Fungsi f(x) ini disebut fungsi kepadatan probabilitas
(probability density function/PDF)
 Luas batang f(x)dx masih memiliki arti yang sama yakni
probabilitas mendapatkan x dalam kelas interval dx
 Distribusi Probabilitas Variabel
Acak Kontinyu
Fungsi Kepadatan Probabilitas
 Jadi probabilitas mendapatkan x bernilai antara a dan b
adalah: b
P( X | a  x  b)  p(a  x  b)   f ( x)dx
a

 Jika diketahui PDF dari sebuah variabel acak f(x), maka

banyak perhitungan berguna yang dapat dilakukan:
a
P( X | x  a )  p ( x  a )   f ( x)dx


P( X | x  b)  p( x  b)   f ( x)dx
b

P( X |   x  )  p(  x  )   f ( x)dx  1.0

 Distribusi Probabilitas Variabel
Acak Kontinyu
Fungsi Kepadatan Probabilitas
 Distribusi Probabilitas Variabel
Acak Kontinyu
Fungsi Kepadatan Probabilitas
 Untuk setiap PDF f(x) terdapat
sebuah fungsi terkait F(x) yang
disebut fungsi distribusi
kumulatif, yang didefinisikan
sebagai:
x
F ( x)   f ( x)dx


 Fungsi ini menyatakan

probabilitas bahwa x kurang dari
sebuah nilai tertentu:
xa
p(  x  xa )   f ( x)dx

 Distribusi Probabilitas Variabel
Acak Kontinyu
Fungsi Kepadatan Probabilitas Teoritis
 Ketika mencari fungsi-fungsi matematik yang bisa dipakai
sebagai fungsi kepadatan probabilitas PDF, hanya ada
beberapa kriteria dasar yang harus dipenuhi:
 Fungsi f(x) yang ingin dijadikan PDF harus tidak negatif
(non-negative function)
 Fungsi f(x) harus berupa kurva yang baik yang sesuai
dengan data dalam praktek sebenarnya yang akan dikaji
 
 f ( x)dx  1.0


 Setiap fungsi yang memenuhi persyaratan tersebut adalah

model matematik yang berguna dan potensial untuk menjadi
fungsi kepadatan probabilitas.
 Distribusi Probabilitas Variabel
Acak Kontinyu – Distribusi Gaussian
Fungsi Kepadatan Probabilitas Gaussian
 Distribusi yang paling penting dan paling biasa digunakan
sebagai model bagi data aktual  distribusi normal
( x   x )2

1 (2 x 2 )
f ( x)  e   x  
 x 2
 Untuk setiap nilai x dan x :
 kurva fungsi simetris terhadap x
 memiliki total luas di bawah kurva tepat 1.0
 Nilai dari x menentukan bentangan dari kurva sedangkan
x menentukan pusat (center)nya
 Kemencengannya (skewness) = 3 = 1 = 0
 keruncingannya (kurtosis) = 4 = 2 = 3
 Distribusi Probabilitas Variabel
Acak Kontinyu – Distribusi Gaussian
Fungsi Kepadatan Probabilitas Gaussian
 Distribusi Probabilitas Variabel
Acak Kontinyu – Distribusi Gaussian
PDF Gaussian Standard
 Kurva PDF gaussian yang khusus dengan nilai mean,   0 dan
deviasi standar,   1
 Variabel acak dari PDF gaussian standard adalah satuan
standard deviasi dan didefinisikan sebagai skor z (z score):
x  x
zx 
x
 Dengan menggunakan variabel z fungsi PDF gaussian
standardnya menjadi
1  zx2 / 2
f ( zx )  e
2
 Perhitungan probabilitas untuk distribusi gaussian apapun,
dapat dipermudah dengan menggunakan tabel gaussian
standard
 Distribusi Probabilitas Variabel
Acak Kontinyu – Distribusi Gaussian
PDF Gaussian Standard
Distribusi Probabilitas Variabel
Acak Kontinyu – Distribusi Gaussian
 Distribusi Probabilitas Variabel
Acak Kontinyu – Distribusi Gaussian
Contoh 4.6:
Nilai tahanan yang pada sejenis rangkaian menunjukkan suatu
distribusi gaussian dengan mean 100 ohm dan deviasi standard 5
ohm :
Probabilitas nilai tahanan dari sebuah rangkaian jenis ini yang dipilih
secara random yang lebih besar dari 110x  ohm
110adalah:
 100
 x  100,  x  5, x  110  z x 
x
 2
x 5

P( x  100)  P( z x  2)  1  P( z x  2)  1  0,97725  0, 02275  2, 28%

Probabilitas nilai tahanan dari sebuah rangkaian jenis ini yang dipilih
 x  100,
secara random yang xbernilai
 5, antara 96,72 ohm dan 101,17 ohm adalah:
96, 72  100 96, 72  101,17
96,72  x  101,17   zx  
5 5
0, 656  z x  0, 234

P(96,72  x  101,17)  P(0, 656  z x  0, 234)

 0,5925  0, 2559  0,3366  33, 66%
 Distribusi Probabilitas Variabel
Acak Kontinyu – Distribusi Gaussian
Contoh 4.6 (lanjutan):
Nilai tahanan dari sebuah rangkaian jenis ini yang dipilih secara
random yang probabilitasnya meliputi 99,43 % dari seluruh rangkaian:
P( z x  a)  99, 43%  0,9943  a  z x  2,53

x  x
zx   x   x  z x x
x
 100  (2,53)(5)  112, 65

Jadi 99,43 % dari rangkaian memiliki nilai tahanan kurang dari 112,65
ohm.
Distribusi Probabilitas Variabel
Acak Kontinyu – Distribusi Lainnya