DISTRIBUSI PROBABILITAS

TEORITIS 1
MATEMATIKA PROBABILITAS
 OUTLINE

 Distribusi Probabilitas Teoritis

 Binomial Distribution

 Multinomial Distribution

 Poisson Distribution

 Hypergeometric Distribution

 Normal Distribution

 Log Normal Distribution

 Exponential Distribution

 Weibull Distribution
 Distribusi Probabilitas Teoritis

Selain dibedakan berdasar jenis variabel randomnya

(diskrit dan kontinyu), distribusi probabilitas juga bisa
diestimasikan berdasar jenis distribusi yang terbentuk:
• Distribusi Empiris
• Distribusi Teoritis
 Distribusi Probabilitas Teoritis

Merupakan pre-defined distribusi probabilitas yang

mempunyai parameter tertentu.
Distribusi teoritis tersebut disesuaikan dengan data
empiris yang ada dengan menentukan nilai dari
parameter tersebut.
Terdapat berbagai macam distribusi teoritis baik
yang bersifat diskrit maupun kontinyu.
Distribusi Probabilitas Teoritis
Distribusi Probabilitas Teoritis
 Distribusi Probabilitas Teoritis

Pemilihan distribusi yang sesuai ditentukan oleh:

1.Generallity
2.Robustness (Konsistensi)
3.Kesesuaian (Akurasi)
4.Physical meaning
BINOMIAL DISTRIBUTION
DISTRIBUSI DISKRIT
 Binomial Distribution

Percobaan Bernoulli :
• Percobaan itu terdiri dari n pengulangan
• Tiap pengulangan memberikan hasil yang dapat
diidentifikasi sukses atau gagal
• Probabilitas sukses dinyatakan dengan p, tetap
konstan (tidak berubah) dari satu pengulangan ke
pengulangan lainnya, sedangkan probabilitas
gagal adalah q = 1- p
• Tiap pengulangan dan pengulangan lainnya saling
bebas.
• Contoh: Lempar Koin (gambar/angka)
Jenis kelamin bayi (Cowok/Cewek)
 Binomial Distribution

Percobaan Bernoulli :
• Sebuah koin dilempar 2 kali
Tanpa
melihat
urutan

AA A2

AG AG

GA AG

GG G2
 Binomial Distribution

Percobaan Bernoulli :
• Sebuah koin dilempar 3 kali Tanpa
melihat
urutan
A3
A2G
A2G
AG2
A2G
AG2
AG2
G3
 Binomial Distribution

Percobaan Bernoulli :

Lempar Output
1 A G
2 A2 2 AG G2
3 A3 3 A2G 3 AG2 G5
4 A4 4 A3G 6 A2G2 4 AG3 G4
5 A5 5 A4G 10 A3G2 10 A2G3 5 AG4 G5
Segitiga Pascal
 Binomial Distribution

Percobaan Bernoulli :
• Banyaknya X sukses dalam n pengulangan suatu
percobaan bernoulli disebut sebagai variabel
random Binomial.
• Distribusi probabilitasnya disebut distribusi Binomial
dan nilainya dinyatakan sebagai :
b(x,n,p) dimana x = 1, 2, …, n

 n  x nx
b( x; n, p )   p q
 x
 
 Binomial Distribution

• Probability Mass Function

n x n x
 
f ( x; n, p)    p (1  p)
 x
• Cummulatif Distribution Function
x  n i
F ( x; n, p)     p (1  p)
  n i

i 0  i 

• Expected
E ( x)  np
 Binomial Distribution
1. Gambarkan PMF untuk kemungkinan munculnya
“angka” dari sebuah koin yang dilempar 10 kali.
2. Gambarkan CDF untuk kemungkinan munculnya
“angka” dari sebuah koin yang dilempar 10 kali.
3. Berapa nilai rata-ratanya.
 Binomial Distribution

10  0 100
b(0;10;0,5)   0,5 0,5  0,001
0
10  1 101
b(1;10;0,5)   0,5 0,5  0,010
1
●
●
●

10  10 1010
b(10;10;0,5)   0,5 0,5  0,001
10 
 Binomial Distribution
Gambarkan PMF untuk kemungkinan munculnya
“angka” dari sebuah koin yang dilempar 10 kali:
 Binomial Distribution
Gambarkan PMF untuk kemungkinan munculnya
“angka” dari sebuah koin yang dilempar 10 kali:
 Binomial Distribution
Gambarkan CDF untuk kemungkinan munculnya
“angka” dari sebuah koin yang dilempar 10 kali:
 Binomial Distribution
Gambarkan CDF untuk kemungkinan munculnya
“angka” dari sebuah koin yang dilempar 10 kali:
 Binomial Distribution
Berapa nilai rata-ratanya:
 Binomial Distribution
Tugas 1:
Buatlah PMF dan CDF untuk kemungkinan
keluar angka enam untuk satu buah dadu
yang dilempar sebanyak 9 kali.
 Binomial Distribution
Buatlah PMF dan CDF untuk kemungkinan keluar angka
enam untuk satu buah dadu dilempar sebanyak 9 kali.
 Binomial Distribution
Buatlah PMF dan CDF untuk kemungkinan keluar angka
enam untuk satu buah dadu dilempar sebanyak 9 kali.
 Binomial Distribution

Probabilitas bahwa seorang pasien sembuh dari

penyakit darah yang langka adalah 0,3.
Bila 15 orang diketahui telah terkena penyakit ini,
berapakah probabilitas :
• Tepat 5 orang yang selamat
• Paling sedikit 10 orang yang selamat
• 3 sampai 8 orang selamat
 Binomial Distribution
0,219
0,206

0,170

0,147

0,092
0,081

0,035 0,001
0,031
0,012
0,005 0,003
 Binomial Distribution
0,219
0,206 Tepat 5 orang yang selamat
P(x = 5) = ?
0,170

0,147 P(x = 5) = 0,206

S
E
L
0,092 A 0,081
M
A
T
0,035 0,001
0,031
0,012
0,005 0,003
 Binomial Distribution
0,219
0,206 Paling sedikit 10 orang
yang selamat
0,170 P(x ≥ 10) = ?
0,147
P(x ≥ 10) = 0,003 + 0,001
P(x ≥ 10) = 0,004
0,092
0,081
Selamat

0,035 0,001
0,031
0,012
0,005 0,003
 Binomial Distribution
0,219
0,206 3 sampai 8 orang selamat
P(3 ≥ x ≥ 8) = ?
0,170 P(3 ≥ x ≥ 8) = 0,170 +
0,147 0,219 +
Selamat
0,206 +
0,147 +
0,092
0,081
0,081 +
0,035
P(3 ≥ x ≥ 8) = 0,858
0,035 0,001
0,031
0,012
0,005 0,003
 Binomial Distribution

• Probability Mass Function

n x n x
 
f ( x; n, p)    p (1  p)
 x
• Cummulatif Distribution Function
x  n i
F ( x; n, p)     p (1  p)
  n i

i 0  i 

• Expected
E ( x)  np
MULTINOMIAL
DISTRIBUTION
DISTRIBUSI DISKRIT
 Multinomial Distribution

• Bila percobaan binomial menghasilkan lebih dari dua

kemungkinan maka menjadi percobaan Multinomial.
• Distribusi yang dihasilkan disebut distribusi multinomial.
• Contoh:
Hasil dari pengobatan  sembuh, cacat, dan mati
• Persamaan Distribusi Multinomial:
n! x x x x
P(x1 , x 2 , x 3 ,..., x k ) = P1 1 P2 2 P3 3 ...Pk k
x1 !x 2 !x 3 !...x k !
Dimana : x1 + x2 + x3…xk = n
p1 + p2 + p3…pk = 1
 Multinomial Distribution
• Seorang dokter melakukan pengobatan sebanyak 6
kali terhadap 6 orang penderita gagal jantung
dengan hasil sembuh sempurna, sembuh dengan
gejala sisa, dan meninggal.
• Berapa besar probabilitas dari 6 kali pengobatan
tersebut menghasilkan 2 orang sembuh sempurna, 2
orang sembuh dengan gejala sisa, dan 2 orang
meninggal

n!
p = (P1r1) (P1r1) (P1r1)
x1!x2!x3!
P = 0,123 = 12,3%
6!
p = (1/3)2 (1/3)2(1/3)2
2! 2! 2!
 Multinomial Distribution

Latihan:
Dikumpulkan barang yang dihasilkan
masing-masing mesin A, B dan C sebanyak
4, 6, dan 7 buah. Dari 17 barang diambil
sebuah dikembalikan lagi. Maka bila dari 6
barang yang diambil akan diperoleh 2 dari
mesin A, 3 dari mesin B, dan 1 dari mesin C.
Tentukan probabilitasnya!
POISSON DISTRIBUTION
DISTRIBUSI DISKRIT
 Poisson Distribution

• Pada distribusi Binomial, rata-rata sukses untuk n

trial diberikan oleh μ = np
• Ketika jumlah trial n menjadi sangat besar, tetapi
kemungkinan sukses (p) kecil, maka perhitungan
dengan Binomial menjadi tidak praktis.
Contoh: probabilitas menang lotere, bencana alam

• Jika kita substitusikan μ/n untuk p dan dengan trial

n mendekati tak terhingga, maka distribusi Binomial
menjadi distribusi baru yaitu distribusi Poisson
 Poisson Distribution

 Jumlah X dari keluaran yang terjadi selama satu

percobaan Poisson disebut Variabel random
Poisson, dan distribusi probabilitasnya disebut
distribusi Poisson.
 Bila x menyatakan banyaknya sukses yang terjadi ,
 adalah rata-rata banyaknya sukses yang terjadi
dalam interval waktu atau daerah tertentu, dan
e = 2,718 , maka rumus distribusi Poisson adalah :

e  x
p( x;  )  , x  0,1,2,......
x!
Poisson Distribution

=1
=5
 = 10
 Poisson Distribution

• Probability Mass Function

x  x
f ( x;  )  e
x!
• Cummulatif Distribution Function
x   i
F ( x;  )  e 
 i!
i 0
• Expected
E (x)  
 Poisson Distribution

Probabilitas seorang mengidap penyakit darah

yang langka adalah 4 orang per 1000 penduduk.
Pada suatu daerah yang mempunyai populasi
15.000 orang, berapakah probabilitas :
• Terdapat 5 orang yang terkena
• Paling sedikit 10 orang yang terkena
• 3 sampai 8 orang yang terkena
 Poisson Distribution

0,195 0,195
 x
 x
0,156
f ( x;  )  e
0,147 x!

0,104

0,073
0,060

0,030
0,018
0,013
0,005 0,002
0,001
 Poisson Distribution

0,195 0,195
Tepat 5 orang yang terkena
P(x = 5) = ?
0,156
0,147 P(x = 5) = 0,156

0,104

0,073
0,060

0,030
0,018
0,013
0,005 0,002
0,001
 Poisson Distribution

0,195 0,195
Paling sedikit 10 orang yang
terkenq
P(x ≥ 10) = ?
0,156
0,147 P(x ≥ 10) = 0,005 + 0,002 + 0,001
P(x ≥ 10) = 0,008
0,104

0,073
0,060

0,030
0,018
0,013
0,005 0,002
0,001
 Poisson Distribution

0,195 0,195
3 sampai 8 orang terkena
P(3 ≥ x ≥ 8) = ?
P(3 ≥ x ≥ 8) = 0,195 +
0,156
0,147 0,195 +
0,156 +
0,104 +
0,104
0,060 +
0,073 0,030
0,060 P(3 ≥ x ≥ 8) = 0,74
0,030
0,018
0,013
0,005 0,002
0,001
HYPERGEOMETRIC
DISTRIBUTION
DISTRIBUSI DISKRIT
 Hypergeometric Distribution
• Distribusi hipergeometrik, seperti distribusi
binomial, menggunakan variabel diskrit
dengan 2 kejadian yang berkomplemen,.
• Ciri dari Hipergeometrik :
terdapat populasi sebanyak N dan terdapat
sebanyak r kategori A. Dari populasi ini,
diambil sebuah sampel acak berukuran n.
Dari sampel berukuran n tsb akan diketahui
peluang bahwa terdapat sebanyak x buah
kategori A.
•
Terdapat populasi N, terdapat r kategori A. Diambil sampel
acak n. Peluang terdapat sebanyak x buah kategori A.
 Hypergeometric Distribution
Perbedaan utama antara distribusi binomial
dan distribusi hipergeometrik adalah :
• Pada distribusi binomial pengambilan
sampel dilakukan dengan pengembalian.
• Pada distribusi hipergeometrik pengambilan
sampel dilakukan tanpa pengembalian.
• setiap hasil percobaan mempunyai probabilitas
terjadi kejadian sukses yang tidak sama (tetap)
• hasil probabilita kejadian sukses antar percobaan
adalah dependen atau saling mempengaruhi
 Hypergeometric Distribution
• Persamaan distribusi Hypergeometric:
r N r
Cx Cn  x
p( x)  N
, dimana 0  x  r
Cn
 Hypergeometric Distribution
• Rata-rata:
n.r

N
• Varians:
n.r ( N  r )( N  n)
 2

N 2 ( N  1)
• Standar deviasi:
n.r ( N  r )( N  n)
 
N 2 ( N  1)
 Hypergeometric Distribution
• Contoh soal:
• Suatu produk makanan ringan dikirim
kepada agen dalam kotak berisi 20 unit.
Dari pemeriksaan kualitas terdapat paling
banyak 1 unit rusak. Pemeriksaan dilakukan
terhadap 5 unit barang secara acak diambil
dari tiap kotak. Jika kotak berisi 4 unit
barang, berapa peluang tidak terdapat
lebih dari 1 unit?
 Hypergeometric Distribution
• Suatu produk makanan ringan dikirim kepada agen dalam kotak berisi 20 unit.
Dari pemeriksaan kualitas terdapat paling banyak 1 unit rusak. Pemeriksaan
dilakukan terhadap 5 unit barang secara acak diambil dari tiap kotak. Jika
kotak berisi 4 unit barang, berapa peluang tidak terdapat lebih dari 1 unit?

N= 20, r = 4, n = 5
Rusak 0 unit 4 20 4
C0 C50
 x = 0 p( x  0)  20
 0,2817
C5
Rusak 1 unit 4 20 4
C1 C51
x=1 p( x  1)  20
 0,4696
C5
peluang tidak terdapat lebih dari 1 unit rusak adalah :
P(x=0)+P(x=1)
= 0,2817 + 0,4696 = 0,7513
UNIFORM DISTRIBUTION
DISTRIBUSI KONTINYU
 Uniform Distribution
• Setiap nilai random variabel mempunyai
peluang kemunculan sama untuk nilai diantara
minimum (a) dan maksimum (b)
 Uniform Distribution
• ‘a’ adalah parameter lokasi (location)
• ‘b-a’ adalah parameter skala (scale)
• Distribusi uniform tidak mempunyai parameter
bentuk (shape)

• Nilai expected:
E(x) = (b+a)/2
• Nilai standar deviasi:
σ = (b-a)2/12
 UNIFORM DISTRIBUTION

Probability Density Function

1
f  x  if a  x  b
ba
Distribution Function
F  x  0 if x < a
xa
F  x  if a  x  b
ba
F  x  1 if b  x
TRIANGULAR
DISTRIBUTION
DISTRIBUSI KONTINYU
 TRIANGULAR DISTRIBUTION
• Parameters: Minimum a, maximum b, most likely c
• Symmetric or skewed in either direction
• •a location parameter
• (b-a) scale parameter
• c shape parameter
• Mean = (a+b+c) / 3
• σ2 = (a2+b2+c2–ab–ac–bc)/18

• Used as rough approximation of other distributions

 TRIANGULAR DISTRIBUTION
Probability Distribution Function
2 x  a
f  x  if a  x  c
 b  a  c  a 
2 b  x 
f  x  if c  x  b
 b  a  b  c 
f  x  0 otherwise
 TRIANGULAR DISTRIBUTION
Distribution Function
F  x  0 if x  a

 x a 
2

F  x  if a  x  c
 b  a  c  a 
 b x 
2

F  x  1 if c  x  b
 b  a  b  c 
F  x  1 if x  b
NORMAL DISTRIBUTION
DISTRIBUSI KONTINYU
 Normal Distribution
• Pada distribusi Binomial, saat trial n membesar:
 Normal Distribution

P(x)

 x
 Normal Distribution

Kurva mencapai
maksimum pada Kurva pada
x=μ kedua sisi x = μ
adalah simetris

Sumbu x
merupakan asimtot
dari kurva normal

Seluruh luas di bawah kurva, di atas sumbu x adalah 1

 Normal Distribution

Dari persamaan PDF diketahui bahwa terdapat

2 parameter yang digunakan untuk mendeskripsikan
distribusi Normal yaitu μ (mean) dan σ (deviasi standar)
Normal Distribution

μ = 10; σ = 1
μ = 10; σ = 3
μ = 15; σ = 1
 Normal Distribution

• Probability Density Function

( x )2
1 
f ( x)  e 2 2

 2
• Cummulatif Distribution Function
1  x   
F ( x)  1  erf  
2   2 
• Expected
E (x )  
LOG NORMAL DISTRIBUTION
DISTRIBUSI KONTINYU
 Log Normal Distribution
• Plot probability dari suatu set data terlihat sbb:
 Log Normal Distribution
• Bila axis x dinyatakan dalam natural logarithmic:
 Log Normal Distribution
• Bila diplotkan kurva pada distribusi tersebut, didapat
kurva yang sesuai adalah Normal

P(x)

Ln x
 Log Normal Distribution
• Sehingga dapat diformulasikan distribusi probabilitas

1  x '  ' 
2

1   
2  ' 
f ( x' )  e
 ' 2
dimana:
x’ = ln (x), μ’ = mean ln (x), σ’ = standar deviasi ln (x)

Distribusi ini dikenal sebagai distribusi Log Normal

 Log Normal Distribution
Kurva mencapai maksimum pada x = μ’

Kurva miring ke kanan

(skewed to the right)

Nilai PDF dimulai dari 0,

meningkat hingga x = μ’
dan menurun setelahnya

Seluruh luas di bawah kurva, di atas sumbu x adalah 1

Log Normal Distribution

μ' = 1; σ’ = 0,5
μ' = 1,5; σ’ = 1
μ‘= 1; σ’ = 1
 Log Normal Distribution

• Probability Density Function

(ln x   ) 2
1 
f ( x)  e 2 2

x 2
• Cummulatif Distribution Function
1 1  ln x   
F ( x)   erf  
2 2   2 
• Expected
  2 / 2
E( x)  e
EXPONENTIAL DISTRIBUTION
DISTRIBUSI KONTINYU
 Exponential Distribution
 Pada distribusi Poisson, diformulasikan:

e   x dimana
P( x)  x = jumlah kejadian
x!  = rata-rata kejadian per satuan waktu

 Untuk kurun t waktu, rata-rata kejadian per satuan t

waktu adalah t, sehingga dapat ditulis ulang
 t
e ( t ) x dimana
P( x)  x = jumlah kejadian dalam kurun t waktu
x! t = rata-rata kejadian per satuan t waktu
 Exponential Distribution
• Peluang bahwa dalam kurun t waktu tidak terdapat
kejadian diberikan oleh
e  t ( t ) 0
P( x  0)   e  t
0!
• Persamaan P(x=0) = e–λt dapat juga diinterpretasi
sebagai peluang untuk T (waktu pertama kali
kejadian) lebih besar dari t.
T
0
t
 Exponential Distribution
• Kedua intepretasi dapat ditulis sebagai
P(T  t )  P( x  0   t )  et
• Complement dari peluang itu, yaitu peluang adanya
kejadian dalam kurun t waktu, diberikan oleh:
P(T  t )  1  P( x  0   t )  1  et
• Peluang ini tidak lain adalah suatu CDF.
• Dengan derivatif terhadap t, didapat persamaan PDF
 t
f (t )  e
• Distribusi PDF tersebut disebut distribusi Eksponensial
Exponential Distribution

λ = 0,1
λ = 0,5
λ = 1,0
 Exponential Distribution

• Probability Density Function

 x
f ( x)  e
• Cummulatif Distribution Function

F ( x) 1  ex
• Expected
E ( x)  
1
WEIBULL DISTRIBUTION
DISTRIBUSI KONTINYU
 Weibull Distribution
• Dari proses Poisson, peluang dalam kurun t waktu
tidak terdapat kejadian , R(t)~Reliability, diberikan
P(T  t )  P( x  0   t )  R(t )  et
• Sementara untuk distribusi Eksponensial, PDF
f (t )  e  t
• Hazard rate (instantaneous failure rate) diformulasikan
f (t ) e  t
h(t )   t  
R(t ) e
• Hasil yang menunjukan nilai konstan h(t) = λ
 Weibull Distribution
• Bila nilai Hazard rate konstan h(t) = λ diubah
menjadi bentuk polinomial h(t) = atb
 1
 t
• Untuk h(t )    , didapat distribusi Weibull.
  
• Nilai PDF untuk Weibull
 Weibull Distribution

P(x)

t
0 5 10 15 20
 Weibull Distribution

• Probability Density Function


 1 x
  x  
 
f ( x)    e
  
• Cummulatif Distribution Function

x
 
 
F ( x)  1  e
• Expected
E( x)  1  1/  
 Contoh soal
Seorang anak mencatat waktu perjalanan dari rumah ke
sekolahnya. Data pengamatan selama 15 hari sebagai berikut:
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
t 8 10 15 10 10 8 15 12 12 12 9 20 12 9 15

1. Tentukan berapa rata-rata waktu perjalanan

2. Tentukan berapa peluang waktu perjalanan antara 10 sd 14 menit
3. Dengan tingkat keyakinan 90% berapa maksimal waktu perjalanan

Bila kita percaya bahwa distribusi dari waktu perjalanan adalah:

a. Uniform distribution
b. Triangular distribution
c. Exponential distribution
d. Normal distribution
e. Log-normal distribution
f. Weibull distribution
 Contoh soal
t 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

# 0 2 2 3 0 4 0 0 3 0 0 0 0 1 0

1. Rata-rata:
E(x) = (b+a)/2 = 14

2. Peluang t antara 10 sd 14 menit

P(10 ≤ x ≤ 14) = F(14) - F(10)
= [(14 – 8)/(20 – 8)] – [(10 – 8)/(20 – 8)]
= 0,5 – 0,167 = 0,333

3. Maksimal t dengan CI 90%

F(x) = 0,90
0,90 = [(x – 8)/(20 – 8)]
x = 18,8
 Contoh soal
t 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

# 0 2 2 3 0 4 0 0 3 0 0 0 0 1 0

1. Rata-rata:
E(x) = (a+b+c)/3 = 13,33

2. Peluang t antara 10 sd 14 menit

P(10 ≤ x ≤ 14) = F(14) - F(10)
= 0,55 – 0,05 = 0,50

8 12 20
3. Maksimal t dengan CI 90%
F(x) = 0,90
x = 17,17
 Contoh soal
t 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

# 0 2 2 3 0 4 0 0 3 0 0 0 0 1 0 15
T 0 16 18 30 0 48 0 0 45 0 0 0 0 20 0 177

 x
F ( x) 1  e

1. λ = 15/177 = 0,085 3. Maksimal t dengan CI 90%

Rata-rata: F(x) = 0,90
E(x) = 1 / λ = 11,8 x = 27,17

2. Peluang t antara 10 sd 14 menit

P(10 ≤ x ≤ 14) = F(14) - F(10)
= 0,69 – 0,57 = 0,12
 Contoh soal
t 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

# 0 2 2 3 0 4 0 0 3 0 0 0 0 1 0

1. Rata-rata:
E(x) = μ = 11,8

2. Peluang t antara 10 sd 14 menit

P(10 ≤ x ≤ 14) = F(14) - F(10)

1  x   
F ( x)  1  erf  
2   2 
 THE STANDARD NORMAL DISTRIBUTION
The standard normal random variable, Z, is the normal random
variable with mean  = 0 and standard deviation  = 1: Z~N(0,12).

f(z)

z
P(0 ≤ z ≤ 1,25) = 0,3944
P( z ≤ 1,00 ) = 0,5 + 0,3413 = 0,8413
P( 1 ≤ z ≤ 1,55) = 0,4394 – 0,3413
= 0,0981
f(z)

z=(x–μ)/σ
f(z)

x=μ±(zσ)
 Contoh soal
t 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

# 0 2 2 3 0 4 0 0 3 0 0 0 0 1 0

2. Peluang t antara 10 sd 14 menit

P(10 ≤ x ≤ 14) = F(x ≤ 14) - F(x ≤ 10)

μ = 11,8 dan σ = 3,3

P(- 0,54 ≤ z ≤ 0,67) = F(z ≤ 0,67) - F(z ≤ - 0,54)

= 0,7486 – 0,2946
= 0,4540

3. Maksimal t dengan CI 90%

F(x ≤ x1) = 0,90 --------------- F(z ≤ z1) = 0,90
z1 = 1,29
x1 = 11,8 ± (1,29 *3,3)
x1 = 16,06
 Contoh soal
t 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

t’ 1,9 2,1 2,2 2,3 2,4 2,5 2,6 2,6 2,7 2,8 2,8 2,9 2,9 3,0 3,0

# 0 2 2 3 0 4 0 0 3 0 0 0 0 1 0

  2 / 2
E( x)  e
1. Rata-rata:
μ’ = 2,47 dan σ’ = 0,25
E(x) = 12,12
 Contoh soal
t 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

t’ 1,9 2,1 2,2 2,3 2,4 2,5 2,6 2,6 2,7 2,8 2,8 2,9 2,9 3,0 3,0

# 0 2 2 3 0 4 0 0 3 0 0 0 0 1 0

2. Peluang t antara 10 sd 14 menit

P(10 ≤ x ≤ 14) = F(x ≤ 14) - F(x ≤ 10)
P(2,30 ≤ x’ ≤ 2,64) = F(x’ ≤ 2,64) - F(x’ ≤ 2,30)

μ’ = 2,47 dan σ’ = 0,25

P(- 0,68 ≤ z ≤ 0,68) = F(z ≤ 0,68) - F(z ≤ - 0,68)

= 0,7517 – 0,2483
= 0,5034
3. Maksimal t dengan CI 90%
F(x’ ≤ x1’) = 0,90 --------------- F(z ≤ z1) = 0,90
z1 = 1,29
x1’ = 2,47 ± (1,29 *0,25) = 2,79
x1 = 16,32
 Contoh soal
t 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

# 0 2 2 3 0 4 0 0 3 0 0 0 0 1 0

E( x)  1  1/  
x
 
 
F ( x)  1  e
1. Rata-rata:
β = 2,47 dan η = 0,25
E(x) = 11,18

2. Peluang t 10 sd 14 menit
P(10 ≤ x ≤ 14) = F(14) - F(10)
= 0,74 – 0,29 = 0,45
3. Maksimal t dengan CI 90%
F(x) = 0,90
x = 15,98
 Contoh soal
t 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

# 0 2 2 3 0 4 0 0 3 0 0 0 0 1 0

Distribusi Rata-rata P(10 ≤ t ≤ 14) F(t) = 0,90

Uniform 14,00 0,33 18,80
Triangular 13,33 0,50 17,17
Exponential 11,80 0,12 27,17
Normal 11,80 0,45 16,06
Log-normal 12,12 0,50 16,32
Weibull 11,18 0,45 15,98
1,48 1,73 1,97 2,22 2,47 2,72 2,97 3,21 3,46