Distribusi Probabilitas :

Gamma &
Eksponensial
Fauzan Fadillah ST MT

5.3
 2

Outline

Distribusi
Gamma

Distribusi
Eksponensial
 3

Distribusi
Gamma
Tidak selamanya distribusi normal dapat digunakan
untuk memec a hkan masalah teknik dan sains.
Contohnya dalam teori antrian dan keandalan, kurang
tepat bila digunakan pendekatan dengan distribusi
normal, distribusi Gamma lebih tepat menjadi solusinya.
Distribusi eksponensial adalah sebuah kasus distribusi
Gamma.
Distribusi Gamma 4

(1)
◾ Definisi 1 :

Distribusi Gamma adalah distribusi fungsi

padat yang disebut luas dalam bidang
matematika.

◾ Definisi 2 :
Fungsi gamma didefinisikan oleh

Untuk

α > 0 dengan

e=2,71828
 Distribusi Gamma 5

(2)
◾ Definisi 3 :

Perubah ac a k kontinu X berdistribusi gamma dengan

parameter
α dan β , jika fungsi padatnya berbentuk:
 x
 1 x 1e  ; x0
f(x    
) ( )
 0
 ; x yanglain

dengan   0 dan   0

Grafik beberapa distribusi gamma dipelihatkan pada Gambar

1.

Distribusi gamma yang khusus dengan α=1 disebut

distribusi Eksponensial (Gambar 2).
 Distribusi Gamma
6

1.2
1.0
0.8
0.6
f(x
)
0.4
0.2
0.0

0 2 4 6 8 10

Gambar Distribusi
1. Gamma
Beberapa nilai parameter  dan

 7

Gambar 2. Distribusi
Eksponensial (Distribusi
Gamma dengan =1 )
Grafik distribusi gamma dengan =1 dan
beberapa nilai 
Rata-rata dan variansi distribusi gamma 8
adalah
   dan  2  
2
Nilai e =
2,718281
Gamm
a
Tabe
l
 Contoh 9
(1)
 Misalkan variabel acak kontinu X yang menyatakan ketahanan suatu
bantalan peluru (dalam ribuan jam) yang diberi pembebanan dinamik pada
suatu putaran kerja tertentu mengikuti suatu distribusi gamma dengan  =
8 dan  = 15, maka probabilitas sebuah bantalan peluru dapat digunakan
selama 60 ribu sampai 120 ribu jam dengan pembenan dinamik pada
putaran kerja tersebut adalah:
 *karena contoh soal ini dipengaruhi parameter  dan , maka
menggunakan definisi ke-­‐3, kita cari peluang ketahanan pembebanan
antara 60 ribu sampai 120 ribu jam, dan perhitungannya sesuai rumus
pada definisi 3 dengan fungsi padat seperti di bawah ini:
P(60  X  120)  P  X  120   P  X  60 
Lihat tabel  FG (120;8,15)  FG (60;8,15)
 FG (120 15 ;8)  FG ( 60 15 ;8)  FG (8;8)  FG (4;8)
 0,5470  0,0511  0,4959

 Beberapa ukuran statistik deskriptif distribusi gamma di atas adalah:

Mean :  x  E( X )    (8)(15)  120
Varians :  2   2  (8)(15 2 )  1800  x  42,43
x
 Contoh 10
◾(1)
Sebenarnya, rumus yang
digunakan:
f (x;  ,  )
  1
x  1e  x / x0
P( X  60;   8,   10)
   ( )

0 lainnya  1

 
60
0
x  1e  x /  dx 
60 ( )
1
0 10 5 (8) x 7e  x /10dx
◾ Integral ini sulit dievaluasi secara langsung. Akan tetapi dapat
dievaluasi dengan perantaraan tabel fungsi gamma tak lengkap F.

◾ Persamaan matematika distribusi peluang peubah normal kontinu

bergantung pada dua parameter μ dan σ yaitu rataan dan simpangan
baku. Jadi fungsi padat x akan dinyatakan dengan n (x; μ, σ).

◾ Begitu μ dan σ diketahui maka seluruh kurva normal diketahui. Sebagai

contoh, bila μ = 50 dan σ = 5, maka ordinat n(x ; 50, 5) dapat dengan
mudah dihitung untuk berbagai harga x.
Contoh 11
(2)
 12

Distribu
si
Eksponensi
Distribusi Eksponensial
 Keadaan khusus distribusi
al gamma
Distribusi Eksponensial 13

(1)
Distribusi Eksponensial 1
4
(2)
Distribusi Eksponensial 1
5
(3)
Distribusi Eksponensial 16

(4)
Distribusi Eksponensial 17

(5)

Hubungan distribusi Poisson, Eksponensial, dan Gamma

Pada suatu kejadian yang mengikuti proses Poisson, waktu antar kejadian (atau
waktu kejadian pertama atau ke-1 dari kejadian terakhir, karena sifatnya yang
memoryless) tersebut akan berdistribusi eksponensial.
Sedangkan waktu sampai terjadinya kejadian ke- akan berdistribusi gamma.
 Contoh 18
(1)
Hari-hari antara kecelakaan pesawat terbang 1948-1961 berikut
distribusi eksponensial dengan rata-rata 44 hari antara setiap
kecelakaan. Jika satu terjadi pada 1 Juli setiap tahun tertentu:
a. Berapa probabilitas dari yang lain seperti kecelakaan dalam
sebulan?
b. Berapa varians dari waktu antara kecelakaan di tahun tersebut?

Solusi :
Distribusi eksponensial tidak memiliki memori, maka sebuah kecelakaan
di bulan tertentu tidak memiliki bantalan pada setiap periode waktu
lainnya. Jadi:

c. probabilitas kecelakaan selama 31 hari

adalah P (31) = 1 – e (-31/44) = 0,506

d. varians dari distribusi eksponensial

adalah (442) = 1936
Contoh 19
(2)
 TUGA
S
TERSTRUKT
DEADLINE

UR 14 AGUSTUS
KAMIS,
2015