Tujuan Pembelajaran
Mengidentifikasi dan menghitung distribusi
probabilitas teoritis variabel kontinu
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
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
x1 μ x2
Jawab.
Ingat bahwa luas yg diberikan dalam tabel distribusi normal kumulatif adalah luas
dari z=-∞ s/d z0 tertentu: P(z<z0).
Jawab:
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
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
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
Pa 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)
= . +
= (-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
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)!
1
x 1e x / x0
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 x0
f ( x; )
0 lainnya
8
5 8
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)
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
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