CONTINUOUS PROBABILITY

DISTRIBUTIONS
 DISTRIBUSI SERAGAM KONTINU Rumus nya;
distribusi seragam kontinu atau distribusi
persegi panjang. Distribusi menggambarkan
percobaan di mana ada hasil yang terletak di
antara batas tertentu.Batas ditentukan oleh
parameter, a dan b , yang merupakan nilai Standar deviasi menggambarkan sebaran
minimum dan maksimum.
distribusi. Pada distribusi seragam,
Bentuk distribusinya segi empat dan memiliki standar deviasi juga berhubungan
nilai minimum a dan maksimum b, contoh
gamabar ; dengan rentang dia antara nilai
maksimum dan minimum.
Rumus nya;

Persamaan probabilitas seragam adalah :

Rata rata distribusi seragam terletak pada

pertengahan rentang di antara nilai minimum
dan maksimum.
Pada distribusi yang menggambarkan variabel acak kontinu, daerah di dalam
distribusi mewakili probabilitasnya. Pada distribusi seragam, tinggi dari segi
empat adalah P(x), yaitu 1/(b - a). Panjang atau alas distribusi adalah b – a.
Oleh karna itu semua distribusi probabilitas untuk variabel acak kontinu, area di
bawah grafik variabel acak selalu sama dengan 1.

Contoh soal :
Universitas Negeri Arizona Barat Daya menyediakan layanan bus kepada siswa saat
mereka berada di kampus. Sebuah bus tiba di halte North Main Street dan College
Drive setiap 30 menit antara pukul 6 pagi dan 11 malam. selama hari kerja. Siswa
tiba di halte bus secara acak. Waktu dimana seorang siswa menunggu
didistribusikan secara seragam dari 0 hingga 30 menit.
1. Gambarlah grafik dari distribusi ini.
2. Tunjukkan bahwa area distribusi seragam ini adalah 1,00.
3. Berapa lama seorang siswa “biasanya” harus menunggu bus? Dengan kata lain,
apa yang dimaksud waktu tunggu? Apa standar deviasi dari waktu tunggu?
4. Berapa probabilitas seorang siswa akan menunggu lebih dari 25 menit?
5. Berapa probabilitas seorang siswa akan menunggu antara 10 dan 20 menit?
Dalam hal ini, variabel acak adalah lama waktu yang harus ditunggu siswa. Waktu diukur pada
skala berkelanjutan, dan waktu tunggu dapat berkisar dari 0 menit hingga 30 menit.

1. Grafik distribusi seragam ditunjukkan pada Bagan 7–2. Garis horizontal

ditarik pada ketinggian 0,0333, ditemukan oleh 1 / (30 - 0). Kisaran distribusi ini adalah 30
menit.

2. Waktu siswa harus menunggu bus seragam selama interval dari 0 menit hingga 30 menit,
jadi dalam hal ini a adalah 0 dan b adalah 30.
3. Untuk menemukan rata-rata,

Rata-rata distribusi adalah 15 menit, jadi waktu tunggu tipikal untuk layanan bus adalah 15 menit.
Untuk menemukan standar deviasi dari waktu tunggu

Standar deviasi distribusinya adalah 8,66 menit. Ini mengukur

variasi dalam waktu tunggu siswa.

4. Area dalam distribusi untuk interval 25 hingga 30 mewakili partikel ini

probabilitas ular. Dari rumus area:
5. Area dalam distribusi untuk interval 10 hingga 20 mewakili
probabilitas.
 DISTRIBUSI PROBABILITAS
NORMAL
Rumus :
Distribusi probabilitas normal
yaitu merupakan distribusi Keterangan :
teoritis dari variabel random 𝜋 = 3,1416....
yang kontinu, distribusi yang
𝑒 = 2,7183....
simetris dan mempunya bentuk
seperti lonceng. Distribusi 𝜇 = parameter, yang merupakan rata-rata untuk
probabilitas normal juga disebut distribusi
Distribusi Gauss, Sebagai 𝜎 = parameter, yang merupakan deviasi standar
penghormatan kepada Karl (simpangan baku) untuk distribusi
Gauss yang telah berhasil
Karakteristik dari distribusi probabilitas normal :
mendapatkan persamaan dari
1. Berbentuk Loncek, yaitu saat mean, median
studi mengenai kesalahan dalam
pengukuran yang berulang-ulang dan modus bernilai sama terletak ditengah
kurva distribusi .
terhadap benda yang sama.
2. Mean-nya bersifat simetris, sehingga luas
Distribusi normal ditentukan
daerah dibawah kurva ke kiri dari mean adalah 0,5
oleh 2 parameter yaitu µ = rata-
dan luas daerah dibawah kurva ke kanan dari mean
rata dan σ =standar deviasi
adalah 0,5. Total luas daerah di bawah kurva adalah 1.
(simpangan baku).
3. Lokasi dari distribusi normal ditentukan oleh mean,
sedangkan penyebaran data ditentukan oleh deviasi
standar.
 Contoh gambar
a. Mean-nya sama dan deviasi b. Mean dan deviasi standarnya
standarnya berbeda berbeda
c. mean-nya berbeda dan standar deviasinya
sama
 DISTRIBUSI PROBABILITAS
NORMAL STANDAR

distribusi probabilitas normal standar adalah distribusi peubah acak dengan memiliki rata-
rata 0 dan deviasi standar 1. Setiap distribusi probabilitas normal dapat dikonversi menjadi
distribusi probabilitas normal standar dengan mengurangi rata-rata dari setiap pengamatan
dan membagi perbedaan ini dengan standar deviasi. Hasilnya disebut nilai z atau skor z.

z VALUE Jarak yang ditandatangani antara nilai yang dipilih, yang ditunjuk x, dan rata-rata, ,
dibagi dengan standar deviasi, , .

Jadi, nilai z adalah jarak dari rata-rata, diukur dalam satuan standar deviasi. Formula untuk
konversi ini adalah:
di mana:
Z = skor Z atau nilai baku
x = nilai dari pengamatan atau pengukuran tertentu.
rata-rata hitung suatu distribusi
deviasi standar dari distribus

Seperti yang kita catat dalam definisi sebelumnya, nilai z menyatakan jarak atau perbedaan antara nilai x dan
rata-rata aritmatika dalam satuan deviasi standar. Setelah pengamatan berdistribusi normal distandarisasi,
nilai z terdistribusi normal dengan rata-rata 0 dan standar deviasi 1. Oleh karena itu, distribusi z memiliki
semua karakteristik dari distribusi probabilitas normal.

aplikasi distribusi normal standar

Distribusi normal standar sangat berguna untuk menentukan probabilitas untuk variabel acak yang
berdistribusi normal. Prosedur dasarnya adalah menemukan nilai z untuk nilai tertentu dari variabel acak
berdasarkan rata-rata dan standar distribusi. Kemudian, dengan menggunakan nilai z, kita dapat
menggunakan distribusi normal standar untuk menemukan berbagai probabilitas. Contoh / solusi berikut ini
menjelaskan perincian aplikasi.
CONTOH : dalam beberapa tahun terakhir, jenis layanan taksi baru telah berkembang di lebih dari 300 kota di
seluruh dunia, di mana pelanggan terhubung langsung dengan pengemudi melalui smartphone. Idenya
pertama kali dikembangkan oleh Uber Technologies, yang berkantor pusat di San Francisco, California. Ia
menggunakan aplikasi seluler Uber, yang memungkinkan pelanggan dengan smartphone untuk mengirimkan
permintaan perjalanan yang kemudian dialihkan ke driver Uber yang mengambil pelanggan dan membawa
pelanggan ke lokasi yang diinginkan. Tidak ada uang tunai yang terlibat, pembayaran untuk transaksi ini
ditangani melalui pembayaran digital. Misalkan pendapatan mingguan driver Uber mengikuti distribusi
probabilitas normal dengan rata-rata $ 1.000 dan standar deviasi $ 100 Berapakah nilai z pendapatan untuk
pengemudi yang menghasilkan $ 1.100 per minggu? Untuk pengemudi yang menghasilkan $ 900 per
minggu?
SOLUSI Menggunakan rumus (7--5), nilai z yang sesuai dengan dua nilai x ($ 1.100 dan
$ 900) adalah:

Z sebesar 1,00 menunjukkan bahwa pendapatan mingguan $ 1.100 adalah satu standar
deviasi di atas rata-rata, dan z sebesar -1,00 menunjukkan bahwa pendapatan $ 900 adalah
satu standar deviasi di antara rata-rata. Perhatikan bahwa kedua pendapatan ($ 1.100 dan $
900) adalah jarak yang sama ($ 100) dari nilai tengah.
 Aturan Empiris pada Distribusi Probabilitas Berkelanjutan

Aturan empiris juga disebut sebagai aturan tiga sigma atau aturan 68-95-99,7, adalah
aturan statistik yang menyatukan variabel acak jika didistribusikan secara normal,
hampir semua data termasuk dalam tiga standar deviasi yaitu :
1. Sekitar 68% dari pengamatan akan berada dalam plus dan minus satu standar
deviasi dari mean (
2. Sekitar 95% dari pengamatan akan berada di dalam plus dan minus dua standar
deviasi dari mean (
3. Atau sekitar 99,7% dari pengamatan, akan terletak dalam plus dan minus tiga
standar deviasi dari mean (

 Cara menerapkan distribusi probabilitas normal standar dalam aturan empiris.

Misalnya, satu standar deviasi dari rata-rata adalah sama dengan nilai z 1,00. Ketika
kita merujuk ke tabel probabilitas normal standar, nilai z dari 1,00 sesuai dengan
probabilitas 0,3413. Jadi berapa persen dari pengamatan akan berbohong dalam
plus dan minus satu standar deviasi dari mean? Kami mengalikan (2) (0.3413), yang
sama dengan 0,6826, atau sekitar 68% dari pengamatan adalah dalam plus dan
minus satu standar deviasi dari mean.
 Aturan Empiris dirangkum dalam grafik sebagai berikut.

 
Mengubah pengukuran menjadi standar normal deviasi mengubah skala. Hal itu juga
ditampilkan dalam grafik. Sebagai contoh, μ + 1σ dikonversi ke nilai z dari 1,00. Demikian
juga, μ - 2σ ditransformasikan ke nilai z −2.00. Perhatikan bahwa pusat distribusi z adalah
nol, menunjukkan tidak ada penyimpangan dari rata-rata, μ
 Mencari Daerah di Bawah Kurva Normal

Selanjutnya melibatkan distribusi normal standar menemukan area dalam distribusi

normal antara nilai tengah dan nilai yang dipilih, yang diidentifikasi sebagai x.
CONTOH
Dalam contoh / solusi pertama yang dijelaskan pada halaman 218 di bagian ini, kami
melaporkan bahwa Penghasilan mingguan pengemudi Uber mengikuti distribusi normal
dengan rata-rata $ 1.000 dan standar deviasi $ 100. Yaitu, μ = $ 1.000 dan σ = $ 100.
Bagaimana kemungkinan memilih pengemudi yang penghasilan mingguannya antara $
1.000 dan $ 1.100?
JAWABANNYA :

Pertama, konversikan $ 1.100 ke nilai z sebesar 1,00 menggunakan rumus (7–5).

Kemudian temukan probabilitas yang terkait dengan z 1,00. Untuk menemukan

probabilitas, turunkan kolom kiri ke 1.0 dan kemudian pindah secara horizontal ke kolom
menuju 0,00. Nilainya 0,3413. Lihat pada tabel berikut ini :
Area di bawah kurva normal antara $ 1.000 dan $ 1.100 adalah 0,3413. Bisa dikatakan
34,13% dari driver Uber menghasilkan antara $ 1.000 dan $ 1.100 per minggu, atau
kemungkinan memilih driver dan menemukan penghasilannya adalah antara $ 1.000 dan
$ 1.100 adalah 0,3413.