DISTRIBUSI KONTINYU


Variabel Random Kontinyu

Distribusi Probabilitas Uniform

Distribusi Probabilitas Eksponensial

Distribusi Probabilitas Normal

Distribusi Porbabilitas Gamma

Distribusi Probabilitas Weibull

2
 Dari Diskrit Menjadi Kontinyu
Interval waktu dapat dibagi menjadi:
Interval 0.5 menit Interval 0.25 menit Interval 0.125 menit
Minutes to Complete Task: By Half-Minutes Minutes to Complete Task: Fourths of a Minute Minutes to Complete Task: Eighths of a Minute
0.15

0.10

P(x)
P(x)

P(x)
0.05

0.00
0.0
. 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7
Minutes Minutes Minutes

Interval kecil tak terbatas Jikasebuah

Jika sebuahvariabel
variabelrandom
randomdiskrit
diskritdibagi
dibagi
menjadiinterval
menjadi intervalkecil
kecilyang
yangtidak
tidakterbatas,
terbatas,
makaperhitungan
maka perhitunganprobabilitasnya
probabilitasnyaditentukan
ditentukan
olehsebuah
oleh sebuahrentangnilai
rentangnilaidan
dannilai
nilaiprobabilitas
probabilitas
f(z)

adalahluas
adalah luasarea
areadidibawah
bawahkurva
kurvadalam
dalam
0 1 2 3
Minutes
4 5 6 7 rentangtersebut.
rentang tersebut.Untuk
Untukcontoh
contohdidisamping,
samping,
dinyatakandengan
dinyatakan denganP(2<X<3).
P(2<X<3).

3
 Variabel Random Kontinyu

 Variabel Random Kontinyu adalah sebuah variabel random yang

dapat berupa sembarang nilai pada suatu interval yang diamati.
 Probabilitas dari variabel random kontinyu X ditentukan oleh sebuah
fungsi densitas, dinotasikan dengan f(x), dan memiliki beberapa
sifat berikut.
 f(x) > 0 untuk setiap nilai x.
 Probabilitas bahwa X berada diantara dua nilai a dan b
adalah sama dengan luas area dibawah f(x) yang dibatasi
oleh a dan b.
 Total luas area di bawah kurva f(x) adalah 1.00.

4
 Fungsi Densitas dan Kumulatif

F(x)

Fungsi F(b)

kumulatif
F(a)
0
} P(a X b)=F(b) - F(a)

a b x
f(x)

P(a < X < b) = Area di bawah

Fungsi f(x) yang dibatasi oleh a dan b
densitas = F(b) - F(a)

x
0 a b
5
 Distribusi Uniform Kontinyu (1)

Densitas uniform [0,5] :

1/5 for 0 < X < 5
f(x)= { 0 lainnya
E(X) = 2.5

Distribusi Uniform
0.5

0.4
Total luas area f(x) = 1/5 * 5 = 1.00
0.3
f(x)

0.2 Luas area di bawah f(x)

0.1 Interval 1 sampai 3 = P(1<X<3)
.0.0 = 2.
-1 0 1 2 3 4 5 6
x (1/5) = 2/5

6
 Distribusi Uniform Kontinyu (2)

Definisi:
Jika variabel random X memiliki nilai (kontinyu) dengan kemungkinan
kemunculan yang sama maka dikatakan bahwa variabel random
(kontinyu) x mengikuti distribusi uniform dengan fungsi densitas
probabilitas:
1/( - ), untuk <x<
{
f(x)=
0 untuk x lainnya.

Ekspektasi dan variansi:

E(X)=(+)/2 dan V(X)= ( - )2/12

7
 Distribusi Uniform Kontinyu (3)

Contoh:
• Dalam program komputer simulai terdapat subrutin pembangkit
bilangan random uniform dalam interval [0,10]. Sebuah proses
simulasi akan akan berhenti (terminate) bila terjadi kemunculan
sebuah bilangan random [3/2 , 7/2]. Jika dilakukan replikasi
pembangkitan bilangan random, berapa kemungkinan proses
tersebut akan berhenti (terminate)?
• Persoalan tersebut mengikuti distribusi uniform kontinyu dengan
fungsi f(x)=1/10 untuk [1,10], dengan demikian probabilitas bahwa
proses simulasi akan berhenti adalah P(3/2<x<7/2)=0,2.

8
 Distribusi Eksponensial (1)

Distribusi eksponensial memiliki kaitan erat dengan distribusi Poisson

(dari proses poisson) jika persoalan didekati dari variabel interval
antar kedatangan.
 D a r i u r a ia n t e n t a n g d is t r ib u s i p o is s o n d ip e r o le h
k e m u n g k in a n t id a k a d a k e d a t a n g a n s e b a g a i p (0 )  e t .
K e m u n g k in a n in i d a p a t d iin t e r p r e t a s ik a n s e b a g a i
k e m u n g k in a n b a h w a t id a k a d a k e ja d ia n k e d a t a n g a n p a d a
r e n t a n g w a k t u s a m p a i t e r ja d in y a k e d a t a n g a n p e r t a m a le b ih
b e s a r d a r i t a t a u p (0 )  P (T  t )  e  t, t  0 .
 U n t u k v a r ia b e l r a n d o m w a k t u k e d a t a n g a n T , m a k a d a p a t
d ip e r o le h b e s a r n y a k e m u n g k in a n m e la lu i
F (t )  P (T  t )  1  e  t, t  0 . D e n g a n d e m ik ia n d ip e r o le h
 t
f (t )  F '(t )    e ,t  0.
9
 Distribusi Eksponensial (2)

Definisi:
Sebuah variabel random (kontinyu) X menyatakan interval
waktu antar kedatangan dimana kejadian kedatangan
tersebut mengikuti proses Poisson, dikatakan mengikuti
distribusi eksponensial dengan fungsi distribusi:
f ( x )    e  x x0
0 x lainnya.
Parameter pemusatan dan penyebaran adalah sebagai
berikut :
 
V ( X )   x 2    e   x dx  1 /    1 / 2
- x
E(X )   x  e dx  1 /  dan
2

0 0

10
 Distribusi Eksponensial (3)

• Sebuah peralatan dilengkapi dengan komponen pengaman

untuk melindungi peralatan dari kegagalan. Berdasarkan
data dan pengamatan yang panjang, komponen pengaman
tersebut memiliki daya tahan yang dinyatakan oleh variabel
random satuan waktu (minggu) T yang berdistribusi
eksponensial dengan parameter =1/5. Saat ini perusahaan
memiliki 5 set peralatan terpisah (independent) dimana
masing-masing dilengkapi dengan komponen pengaman
yang diasumsikan identik. Dari perhitungan pesanan masuk
yang harus dipenuhi, perusahaan menginkan peralatan
tersebut tidak mengalami kegagalan total untuk memenuhi
pesanan yang direncanakan akan dipenuhi dalam 8 minggu.
Jika diinginkan paling sedikit dua peralatan dapat beroperasi
untuk memenuhi pesanan tersebut, berapa besar
kemungkinan tersebut terjadi?
11
 Distribusi Eksponensial (4)

 Dalam kasus tersebut, perusahaan harus dapat memperkirakan

ketersediaan (availability) bahwa sebuah peralatan masih dapat
bekerja selama paling sedikit 8 minggu. Kemungkinan bahwa
suatu komponen pengaman masih akan berfungsi setelah 8
1  t / 5
minggu adalah P (T  8 )  5  e dt = e -8/5 ~ 0,2.
8

 Selanjutnya, misalkan X sebagai variabel random yang

menyatakan banyaknya komponen pengaman yang masih
berfungsi setelah 8 minggu dengan kemungkinan p=0.2, dengan
menggunakan fungsi distribusi kemungkinan binomial, dapat
diperoleh kemungkinan paling sedikit dua peralatan dapat
beroperasi sebagai berikut
5 1
P ( X  2 )   b ( x ;5,0 .2 ) =1-  b ( x ;5,0 .2 ) = 0,68.
x2 x0
12
 Distribusi Probabilitas Normal (1)

Untuk p0,5 dan dengan meningkatnya n, distribusi binomial

menjadi …
n=6 n = 10 n = 14
B ino m ial D is trib ution: n=6, p =.5 B ino m ial D istrib utio n: n=1 0 , p =.5 B ino m ial D istrib utio n: n=1 4 , p =.5

0.3 0.3 0.3

0.2 0.2 0.2

P(x)
P(x)

P(x)
0.1 0.1 0.1

0.0 0.0 0.0

0 1 2 3 4 5 6 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
x x x

Normal Distribution:  = 0, = 1

Distribusi yang 0.4

berbentuk kurva seperti f(x) 0.3

0.2

lonceng (bell) 0.1

0.0
-5 0 5

13
x
 Distribusi Probabilitas Normal (2)

• Distribusi kemungkinan variabel random kontinyu yang terpenting

dalam statistika adalah distribusi normal, yang merupakan variabel
random yang berasal dari proses random dengan satu titik
pemusatan dan menyebar disekitar titik pemusatan tersebut secara
simetris.
• Dikenal sebagai distribusi Gauss, sebagai orang pertama yang
mempublikasikannya pada tahun 1809 (bentuk matematika
pertama kali diturunkan dari distribusi binomial oleh DeMoivre 1733
dan Laplace 1775) dan selanjutnya dipromosikan sebagai sebuah
dalil probabilitas untuk setiap variabel random kontinyu.

14
 Distribusi Probabilitas Normal (3)

Normal Distribution:  = 0, = 1

Fungsi densitas probabilitas normal: 0.4

0.3

1
-  x    /  2
1

f(x )
0.2

f ( x)  e 2  x 0.1

 2 0.0
-5 0 5
x

D e f in is i
S e b u a h v a r ia b e l ra n d o m ( k o n tin y u ) x (    x   ) d ik a ta k a n m e n g ik u ti
d is tr ib u s i n o r m a l d e n g a n p a ra m e te r lo k a s i p e m u s a ta n  d a n p a ra m e te r
p e n y e b a ra n ( v a r ia n s i)  2  0 jik a m e n g ik u ti fu n g s i d is tr ib u s i
1 - 1  x    /  2
k e m u n g k in a n b e r ik u t : f ( x )   e 2
  x 
 2
d im a n a   3 ,14159 ... d a n e = 2 ,7 1 8 2 8 … ( b ila n g a n n a tu ra l) .
15
 Distribusi Probabilitas Normal (4)

• Kurva normal membentuk:

 Kurva lonceng dan berdistribusi simetris, sehingga setengah
(.50 or 50%) bagian akan berada di salah satu sisi dari rata-
rata.
 Setiap kurva dicirikan oleh pasangan rata-rata, , dan variansi,
, dan dintayakan dengan: [X~N()].
 Setiap kurva bersifat asymptotik.
 Luas area di bawah kurva fungsi densitas probabilitas normal
dalam rantang k dari  adalah sama untuk setiap distribusi,
berapapun besarnya nilai rata-rata dan variansi.

16
 Distribusi Probabilitas Normal (5)

Distribusi ini digunakan sangat luas dan seringkali

dinotasikandengan X~ N,2.
Jika  dan  diketahui maka lokasi dan bentuk kurva
normal dapat diketahui.
Nilai parameter  (parameter lokasi) yang semakin
besar akan menggeser kurva ke kanan, dan nilai
parameter  (parameter bentuk) yang semakin
membesar akan menyebabkan kurva normal semakin
landai (memperbesar jarak dari pemusatan ke posisi
titik-titik belokkurva).

17
 Distribusi Probabilitas Normal (6)

B e b e r a p a s if a t p e n t in g f u n g s i d e n s it a s p r o b a b ilit a s n o r m a l:

i. L u a s d a e r a h d i b a w a h k u r v a    f ( x ) dx  1 .
D e n g a n m e la k u k a n t r a n s fo r m a s i lin ie r y  ( x   ) /  , a k a n
d ip e r o le h fu n g s i d is t r ib u s i k e m u n g k in a n n o r m a l s t a n d a r
1 1 y2
f (y)  e 2
. K e m u d ia n d e fin is ik a n b e n t u k s a t u a n b e r ik u t
2

1 1 y2
I    e 2 dy ,
2  
d a n p e r t im b a n g k a n s e b u a h b e n t u k s a t u a n d a r i v a r ia b e l r a n d o m
Z y a n g ju g a m e n g ik u t i fu n g s i d is t r ib u s i k e m u n g k in a n n o r m a l s t a n d a r

1 1 z2
I   e 2
dz .
2 

18
 Distribusi Probabilitas Normal (7)

S e la n ju tn y a d e fin is ik a n p e r k a lia n k e d u a b e n tu k s a tu a n
te r s e b u t s e b a g a i b e r ik u t
 
1  12 y 2 1  12 z 2 1    12 ( y 2  z 2 )
I 
2
 e dy   e dz =   e dy dz .
2   2   2    
G u n a k a n tr a n s fo r m a s i b e r ik u t y  r sin  , dan z  r cos  , m aka
d a p a t d ip e r o le h
2
1   12 r 2

 12 r 2
I 
2
 r e d  dr   r  e dr  1 .
2 0 0 0

1 1 y2
K a r e n a I  1 , m a k a I  2   e
2 2
dy  1 .


ii. U n tu k s e tia p n ila i v a r ia b e l ra n d o m X , n ila i f ( x )  0 .

19
 Distribusi Probabilitas Normal (8)

iii. Kurvafungsi distribusi kemungkinannorm al bersifat

assymptoticpadakeduasisinya(tail), atau xlim

f (x) 0 dan
limf (x) 0.
x

iv. Kurvafungsi distribusi kem ungkinannorm al simetrisdi kiri

dankananlokasi pem usatan , atau fx  fx.
v. Nilai maksim um(m odus) dari kurvafungsi distribusi
kem ungkinannorm al f (x) beradapadalokasi pem usatan
x.
vi. Titikbelok(point of onflections) dari kurvafungsi distribusi
kem ungkinannorm al f (x) beradapadatitik-titik x.
Kurvam em iliki bentukcekungdari bawahuntuk
-<x<+, dancekungdari atasuntukhargaxlainnya.

20
 Distribusi Probabilitas Normal (9)

K e d u a p a ra m e te r fu n g si n o rm a l  d a n  2 a d a la h ra ta -
ra ta (e k sp e k ta si E ( X )   ) d a n va ria n si ( V ( X )   2 )
d istrib u si p ro b a b ilita s n o rm a l.
B u k ti :
1  - 12  x    /  2
E(X )  
 2 -
x e dx .
G u n a k a n tra n sfo rm a si z  ( x   ) /  , d a n d ip e ro le h :

(    z ) - 12 z 2
E(X )   e dz
- 2
 
1 -1 z2 z -1 z2
  e 2 dz     e 2 dz
- 2 - 2
   (1)    ( 0 )   .

21
 Distribusi Probabilitas Normal (10)

Selanjutnya hitungvariansi sebagai berikut:

V(X) E[(X)2]
(x)2 11(X)2

 e dx
  2

2z2  z1 2
 e dz1

 2

 z 2
 
1 11z2 

  
2 1z
e 1
e dz
 2
   2 

201 2.

22
 Distribusi Probabilitas Normal (11)

B e s a r n y a n ila i p r o b a b ilit a s v a r ia b e l r a n d o m n o r m a l
d it e n t u k a n d e n g a n f o r m u la s i b e r ik u t :
x
1  12 (
u  
)2
F (x)  P (X  x)  
 2
e 
dx .


N ila i p r o b a b ilit a s t e r s e b u t t id a k d a p a t d ih it u n g s e c a r a
a n a lit is m a t e m a t is m e la lu i p e r s a m a a n in t e g r a l d i a t a s , u n t u k
it u d ig u n a k a n t a b e l d is t r ib u s i n o r m a l y a n g d ip e r o le h m e la lu i
p e n d e k a t a n n u m e r ik .

23
 Distribusi Probabilitas Normal (12)

B e b e r a p a p e n d e k a t a n n u m e r ik y a n g d a p a t d ig u n a k a n u n t u k
m e n e n t u k a n b e s a r n y a n ila i p r o b a b ilit a s a d a la h :
i. P e n d e k a t a n H o y t ( 1 9 6 8 ) m e n g g u n a k a n f u n g s i
1
8
(3  x 2 ) untuk x  1
2
16
1
(3  x ) untuk 1  x  3

p e n d e k a t a n in i m e m b e r ik a n k e s a la h a n k u r a n g d a r i 0 .0 1 .
ii. P e n d e k a t a n P o ly a ( 1 9 4 5 ) m e n g g u n a k a n f u n g s i
F ( x )  12 1  { 1  exp(  2 x 2 /  )} 1 / 2 .
P e n d e k a t a n in i m e m b e r ik a n k e s a la h a n m a k s im u m
s e b e s a r 0 .0 0 3 p a d a x = 1 .6 .

24
 Distribusi Probabilitas Normal (13)

iii. P e n d e k a ta n B u rr (1 9 6 7 ) m e n g g u n a k a n fu n g s i

G ( x )  1  1  (   x ) c

 k

d im a n a  = 0 . 6 4 4 6 9 3 ,  = 0 . 1 6 1 9 8 4 , c = 4 .8 7 4 , d a n k = -
6 . 1 5 8 . P e n d e k a t a n y a n g le b ih b a ik d e n g a n fu n g s i G (x )
a d a l a h H ( x )  12 [ G ( x )  1  G (  x )] . D e n g a n p e n d e k a t a n in i
m e m b e r ik a n k e s a la h a n m a k s im u m a d a la h 0 .0 0 0 4 6 p a d a
x = 0 .6 d a n x = -0 .6 .

P e n d e k a t a n la in n y a d a p a t d ilih a t p a d a :
J o h n s o n , N .L . & K o tz , S ., ( 1 9 7 0 ) , C o n tin u o u s U n iv a r ia te
D is tr ib u tio n , J W S .

25
 Distribusi Probabilitas Normal (14)

Semua kurva di bawah ini mengikuti distribusi normal dengan nilai rata-
rata dan variansi yang berbeda
Normal Distribution:  =40, =1 Normal Distribution:  =30, =5 Normal Distribution:  =50, =3
0.4 0.2 0.2

0.3

f(y)
f(w)

f(x)
0.2 0.1 0.1

0.1

0.0 0.0 0.0

35 40 45 0 10 20 30 40 50 60 35 45 50 55 65
w x y

Normal Distribution:  =0, =1

0.4
Perhatikan bahwa: Nilai probabilitas dari
0.3
P(39 W 41) setiap interval adalah luas
P(25 X 35) area di bawah kurva
f(z)

0.2

0.1
P(47 Y 53) fungsi densitas
0.0
-5 0 5
P(-1 Z 1) probabilitas normal.
z

26
 Distribusi Probabilitas Normal (15)

• Probabilitas bahwa variabel random

normal berada dalam rentang satu S tand ard No rm al D is trib utio n

deviasi standar dari rata-rata adalah 0.4

0.6826, atau sekitar 0.68. 0.3

• Probabilitas bahwa variabel random

f(z)
0.2

normal berada dalam rentang dua 0.1

deviasi standar dari rata-rata adalah 0.0

0.9544, atau sekitar 0.95. -5 -4 -3 -2 -1 0

Z
1 2 3 4 5

• Probabilitas bahwa variabel random

normal berada dalam rentang tiga
deviasi standar dari rata-rata adalah
0.9974.
27
 Distribusi Normal Standar (1)

Variabel random normal standar, Z, adalah variabel random

normal dengan rata-rata = 0 dan deviasi standar = 1: Z~N(0,12).
Standard Normal Distribution

0 .4

0 .3

=1
f ( z)

{
0 .2

0 .1

0 .0

-5 -4 -3 -2 -1 0 1 2 3 4 5

=0
Z

28
 Distribusi Normal Standar (2)
P(0 < Z < 1.56)

Probabilitas Normal Standar

z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
Standard Normal Distribution 0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.4 0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.3
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
f(z)

0.2 0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
0.1
1.56 1.0
1.1
0.3413
0.3643
0.3438
0.3665
0.3461
0.3686
0.3485
0.3708
0.3508
0.3729
0.3531
0.3749
0.3554
0.3770
0.3577
0.3790
0.3599
0.3810
0.3621
0.3830
{

1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
0.0 1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
-5 -4 -3 -2 -1 0 1 2 3 4 5 1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
Z 1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706

Lihat pada baris 1.5

1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857

dan kolom .06 untuk

2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936

menemukan 2.5
2.6
2.7
0.4938
0.4953
0.4965
0.4940
0.4955
0.4966
0.4941
0.4956
0.4967
0.4943
0.4957
0.4968
0.4945
0.4959
0.4969
0.4946
0.4960
0.4970
0.4948
0.4961
0.4971
0.4949
0.4962
0.4972
0.4951
0.4963
0.4973
0.4952
0.4964
0.4974

P(0<z<1.56) = 0.4406 2.8

2.9
0.4974
0.4981
0.4975
0.4982
0.4976
0.4982
0.4977
0.4983
0.4977
0.4984
0.4978
0.4984
0.4979
0.4985
0.4979
0.4985
0.4980
0.4986
0.4981
0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990

29
 Distribusi Normal Standar (3)
P(Z < -2.47)

Untuk P(Z<-2.47): z ... .06 .07 .08

. . . .
Lihat tabel untuk 2.47 . . . .
P(0 < Z < 2.47) = .4934 . . . .
P(Z < -2.47) = .5 - P(0 < Z < 2.47) 2.3 ... 0.4909 0.4911 0.4913
= .5 - .4934 = 0.0066
2.4 ... 0.4931 0.4932 0.4934
2.5 ... 0.4948 0.4949 0.4951
.

Standard Normal Distribution

Area di sebelah kiri -2.47 0.4
P(Z < -2.47) = .5 - 0.4932
= 0.0068 0.3 Nilai tabel area 2.47
P(0 < Z < 2.47) = 0.4934
f(z)

0.2

0.1

0.0
-5 -4 -3 -2 -1 0 1 2 3 4 5
Z

30
 Distribusi Normal Standar (4)
P(1< Z < 2)

Temukan P(1 < Z < 2): z

.
.00
.
...

. .
1. Temukan nilai tabel 2.00 .
0.9
.
0.3159 ...
F(2) = P(Z < 2.00) = .5 + .4772 =.9772 1.0
1.1
0.3413
0.3643
...
...

2. Temukan nilai tabel 1.00

. .
. .
. .
F(1) = P(Z < 1.00) = .5 + .3413 = .8413 1.9
2.0
0.4713
0.4772
...
...

3. P(1 < Z < 2.00) = P(Z < 2.00) - P(Z < 1.00)
2.1 0.4821 ...
. .
. .
= .9772 - .8413 = .1359 . .

Standard Normal Distribution

0.4

0.3
Luas area diantara 1 dan 2
P(1 < Z < 2) = .4772 - .8413 = 0.1359
f(z)

0.2

0.1

0.0
-5 -4 -3 -2 -1 0 1 2 3 4 5
Z

31
 Distribusi Normal Standar (5)
P(0 < Z < z) = 0.40
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09

Temukan z sehingga
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
P(0 < Z < z) = .40: 0.3
0.4
0.1179
0.1554
0.1217
0.1591
0.1255
0.1628
0.1293
0.1664
0.1331
0.1700
0.1368
0.1736
0.1406
0.1772
0.1443
0.1808
0.1480
0.1844
0.1517
0.1879

Temukan nilai probabilitas 0.5

0.6
0.1915
0.2257
0.1950
0.2291
0.1985
0.2324
0.2019
0.2357
0.2054
0.2389
0.2088
0.2422
0.2123
0.2454
0.2157
0.2486
0.2190
0.2517
0.2224
0.2549

sedekat mungkin dengan .40

0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
dari tabel kemungkinan normal 1.0
1.1
0.3413
0.3643
0.3438
0.3665
0.3461
0.3686
0.3485
0.3708
0.3508
0.3729
0.3531
0.3749
0.3554
0.3770
0.3577
0.3790
0.3599
0.3810
0.3621
0.3830
standar. 1.2
1.3
0.3849
0.4032
0.3869
0.4049
0.3888
0.4066
0.3907
0.4082
0.3925
0.4099
0.3944
0.4115
0.3962
0.4131
0.3980
0.4147
0.3997
0.4162
0.4015
0.4177

•Tentukan nilai z pada baris dan .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

kolom yang sesuai.

. . . . . . . . . . .

P(0<z<1.28) 0.40 Standard Normal Distribution

0.4
Luas area di kiri 0 = .50 Area = .40 (.3997)
P(z 0) = .50 0.3

Karena P(Z < 0) = .50

f(z)
0.2

0.1

P(Z <1.28) .90

0.0
-5 -4 -3 -2 -1 0 1 2 3 4 5
Z
Z = 1.28
32
 Distribusi Normal Standar (6)
P(-z.005< Z < z.005) = 0.99

Untuk memperoleh probabilitas 0.99 di z

.
.04
.
.05
.
.06
.
.07
.
.08
.
.09
.

tengah distribusi, akan ada (1/2)(1-.99) = .

.
.
.
.
.
.
.
.
.
.
.
.
.
2.4 ... 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
(1/2)(.01) = .005 di ekor (tail) distribusi, 2.5 ...
2.6 ...
0.4945
0.4959
0.4946
0.4960
0.4948
0.4961
0.4949
0.4962
0.4951
0.4963
0.4952
0.4964
dan (1/2)(.99) = .495 setengah dari .
.
.
.
.
.
.
.
.
.
.
.
.
.

interval .99, atau : . . . . . . .

P(0<Z<z.005) = .495 Area di tengah = .99

Area di kiri = .495
0.4

Area di kanan = .495

Dari tabel probabilitas normal standar: 0.3

f(z)
0.2
2,57 < z.005 <  2,58 Area di ekor kanan = .005
z.005   2,575 Area di ekor kiri = .005
0.1

0.0

P(-.2575 < Z < 2,575) = .99 -5 -4 -3 -2 -1 0

Z
1 2 3 4 5

-z.005 z.005
-2.575 2.575

33
 Transformasi Variabel Random Normal

Luasarea
Luas areadalam intervalkk dari
dalaminterval darirata-rata
rata-ratauntuk
untukvariabel
variabelrandom
randomnormal
normal
adalahsama.
adalah sama.Jadi
Jadiarea
areadidibawah
bawahkurva
kurvanormal
normalekuivalan
ekuivalandengan
denganarea
areadidibawah
bawahkurna
kurna
normalstandar.
normal standar. Contoh:
Contoh:P(40 XP(-1
P(40X P(-1Z
Zuntukdan
untukdan

TransformasiXXmenjadi
Transformasi menjadiZZ::
X x Normal Distribution:  =50, =10
Z
x 0.07
0.06

Transformasi pada 0.05

0.04

f(x)
(1) Pengurangan: (X - x) 0.03
0.02 =10

{
Standard Normal Distribution 0.01

0.4 0.00
0 10 20 30 40 50 60 70 80 90 100
X
0.3
f(z)

0.2
(2) Pembagian dengan x)
sebaliknyaZZ
Transformasisebaliknya
Transformasi
{

0.1 1.0
menjadiXX::
menjadi
0.0
-5 -4 -3 -2 -1 0 1 2 3 4 5 X  x  Z x
Z

34
 Transformasi Variabel Random Normal

Contoh: Contoh
X~N(160,302) X~N(127,222)
P (100  X  180) P ( X  150)

 P
 100   X   180     X   150   
    P  
        
 100  160 180  160 
 P Z 
150  127 
 P Z  
 30 30   22 
 P2  Z  .6667   P Z  1.045
 0.4772  0.2475  0.7247  0.5  0.3520  0.8520

35
 Transformasi Variabel Random Normal
(Minitab)

MTB>>cdf
MTB cdf100;
100;
SUBC>normal
normal160,30.
160,30. MTB>>cdf
MTB cdf150;
150;
SUBC> SUBC>normal
normal127,22.
127,22.
CumulativeDistribution
Cumulative DistributionFunction
Function SUBC>
Normalwith
Normal withmean
mean==160.000
160.000and
andstandard
standard
deviation==30.0000
30.0000 CumulativeDistribution
Cumulative DistributionFunction
Function
deviation
Normal with==127.000
Normalwith and==22.0000
127.000and 22.0000
xx P(P(XX<=
<=x)x)
100.0000
100.0000 0.0228
0.0228
xx P(P(XX<=
<=x)x)
MTB>>cdfcdf180;
180; 150.0000
150.0000 0.8521
0.8521
MTB
SUBC>normal
SUBC> normal160,30.
160,30.
CumulativeDistribution
Cumulative DistributionFunction
Function
Normalwith
Normal withmean
mean==160.000
160.000and
andstandard
standard
deviation==30.0000
deviation 30.0000

xx P(P(XX<=
<=x)x)
180.0000
180.0000 0.7475
0.7475

36
 Transformasi Variabel Random Normal
(Minitab)
Contoh
X~N(383,122) Normal Distribution:  = 383,  = 12

P ( 394  X  399) 0.05

 394   X   399   
0.04

 P 
0.03

 

f(X)
   
0.02

 Standard Normal Distribution

0.01

 394  383 399  383

0.00
340 390 440

reas
0.4

 P 
X
a
Z 0.3
le n t
 12 12  Eq u iv a

f(z)
0.2


 P 0.9166  Z  1.333  0.1

0.0
-5 -4 -3 -2 -1 0 1 2 3 4 5

 0.4088  0.3203  0.0885 Z

MTB > cdf 394; MTB > cdf 399;

MTB > cdf 394; MTB > cdf 399;
SUBC> normal 383,12. SUBC> normal 383,12.
SUBC> normal 383,12. SUBC> normal 383,12.
Cumulative Distribution Function Cumulative Distribution Function
Cumulative Distribution Function Cumulative Distribution Function
Normal with mean = 383.000 and standard deviation = 12.0000 Normal with mean = 383.000 and standard deviation = 12.0000
Normal with mean = 383.000 and standard deviation = 12.0000 Normal with mean = 383.000 and standard deviation = 12.0000
x P( X <= x) x P( X <= x)
x P( X <= x) x P( X <= x)
394.0000 0.8203 399.0000 0.9088
394.0000 0.8203 399.0000 0.9088

37
Transformasi Variabel Random Normal
(Excel)

38
 Transformasi Variabel Random Normal

Transformasi X menjadi Z: Transformasi kebalikan Z menjadi X:

X  x X    Z
Z  x x
x

Transformasi X menjadi Z, dengan nilai a dan b:

 a  
P( X  a)  P Z  
  
 b  
P( X  b)  P Z  
  
a  b  
P(a  X  b)  P Z 
   

39
 Transformasi Variabel Random Normal

Untuk menemukan
Untuk menemukan nilai
nilai probabilitas
probabilitas dengan
dengan interval
interval tertentu
tertentu
untuk sembarang
untuk sembarang variabel
variabel random
random normal
normal adalah
adalah dengan
dengan
mengekspresikan interval
mengekspresikan interval tersebut
tersebut dalam
dalam satuan
satuan
deviasi standar
deviasi standar dari
dari rata-ratanya.
rata-ratanya.
 x   70     70  50 
P( X  70)  P    P Z    P( Z  2)
     10 
Jika X~N(50,1022),),P(X
JikaX~N(50,10 P(X>70)
>70)dapat
dapatdiperoleh
diperolehkarena
karena70
70adalah
adalah22deviasi
deviasi
standardidiatas
standar atasrata-rata X:70=+2.
rata-rataX: P(X>>70)
70=+2. P(X 70)ekuivalen
ekuivalendengan P(Z>>
denganP(Z
2),luas
2), luasarea
areadidibawah
bawahkurva
kurvanormal
normalstandar.
standar.
z .07 .08 .09
Contoh: .
.
.
.
.
.
.
.
.
.

X~N(124,122) .
1.1
.
...
.
0.3790
.
0.3810
.
0.3830

P(X > x) = 0.10 dan P(Z > 1.28) 

1.2 ... 0.3980 0.3997 0.4015
1.3 ... 0.4147 0.4162 0.4177
. . . . .
0.10 .
.
.
.
.
.
.
.
.
.
x =  + z = 124 + (1.28)(12) = 139.36
40
 Transformasi Variabel Random Normal

Contoh: X~N(5.7,0.52)2) Contoh:

Contoh: X~N(2450,4002)2)
X~N(2450,400
Contoh: X~N(5.7,0.5 P(a<X<b)=0.95 dan P(-1.96<Z<1.96)0.95
danP(-1.96<Z<1.96) 0.95
P(X>>x)=0.01
P(X x)=0.01 dan
danP(Z
P(Z>>2.33)
2.33)0.01
0.01 P(a<X<b)=0.95
z
xx== z==2450
2450±±(1.96)(400)
(1.96)(400)==2450
2450±784=(1666,3234)
±784=(1666,3234)
xx==++zz==5.7
5.7++(2.33)(0.5)
(2.33)(0.5)==6.865
6.865
P(1666<<XX<<3234)
3234)== 0.95
0.95
P(1666
z .02 .03 .04
. . . . . z .05 .06 .07
. . . . . . . . . .
. . . . . . . . . .
2.2 ... 0.4868 0.4871 0.4875 . . . . .
2.3 ... 0.4898 0.4901 0.4904 1.8 ... 0.4678 0.4686 0.4693
2.4 ... 0.4922 0.4925 0.4927 1.9 ... 0.4744 0.4750 0.4756
. . . . . 2.0 ... 0.4798 0.4803 0.4808
. . . . . . . . . .
. . . . . . . . . .

Normal Distribution:  = 5.7  = 0.5 Normal Distribution:  = 2450  = 400

0.8 0.0015
Area = 0.49
0.7
0.6 .4750 .4750
0.5 0.0010
f(x)

f(x)
0.4
0.3 X.01 = +z = 5.7 + (2.33)(0.5) = 6.865
0.0005
0.2 .0250 .0250
0.1 Area = 0.01
0.0 0.0000
3.2 4.2 5.2 6.2 7.2 8.2 1000 2000 3000 4000
X X
-5 -4 -3 -2 -1 0 1 2 3 4 5 -5 -4 -3 -2 -1 0 1 2 3 4 5

z Z.01 = 2.33 -1.96 Z 1.96

41
 Transformasi Variabel Random Normal

1.Gambarkan distribusi
1.Gambarkan distribusi 0.0012
.
Norm al Distribution:  = 24 50,  = 400

normal yang
normal yang ingin
ingin diteliti
diteliti 0.0010
.

dan distribusi
distribusi normal
normal
0.0008
.

dan

f(x)
0.0006
.

standar.
standar.
0.0004
.

0.0002
.

0.0000

2.Arsir daerah
2.Arsir daerah probabilitas
probabilitas 1000 2000
X
3000 4000

yang diteliti.
yang diteliti. S ta nd ard N o rm al D is trib utio n
0.4

3.Dari tabel
3.Dari tabel distribusi
distribusi normal
normal 0.3

standar, temukan
standar, nilai zz..
temukan nilai

f(z)
0.2

0.1

4.Transformasikan nilai
4.Transformasikan nilai zz 0.0

menjadi xx (nilai
menjadi (nilai variabel
variabel -5 -4 -3 -2 -1 0
Z
1 2 3 4 5

random asal).
random asal).
42
 Transformasi Variabel Random Normal

1. Distribusi
Distribusinormal
normal Norm
Nor al Distribution:  == 24
al Distribution: 50,  == 400
2450, 40 3. Temukan
3. Temukannilai
nilaizz
1.
dannormal
normalstandar.
standar. 0.0012
. daritabel
dari tabel
dan 0.0010
. .4750 .4750 normalstandar
normal standar
z=-1,96dan
dan
0.0008
.

2. Arsir
Arsirdaerah
daerah0.95
0.95 z=-1,96

f(x)
0.0006
.
2. 0.0004
. z=1.96
z=1.96
(masing-masing
(masing-masing 0.0002
. .9500
0.475didikiri
0.475 kiridan
dan 0.0000

kanan.
100 200 300 400

kanan. X

S ta nd ard N o rm al D is trib utio n

4. Transformasi
4. Transformasi
0.4
nilaizzke
nilai kenilai
nilaixx
.4750 .4750
0.3
z .05 .06 .07
. . . . .
zz
xx==
f(z)

. . . . . 0.2

==2450
2450±±(1.96)(400)
(1.96)(400)
. . . . .
1.8 ... 0.4678 0.4686 0.4693
1.9 ... 0.4744 0.4750 0.4756 0.1

==2450
2450±±784784
2.0 ... 0.4798 0.4803 0.4808
.9500
. . . . .
0.0
. . . . .
-5 -4 -3 -2 -1 0 1 2 3 4 5 =(1666,3234)
=(1666,3234)
Z

-1.96 1.96

43
 Transformasi Variabel Random Normal

Using EXCEL

44
 Pendekatan untuk Binomial (1)

Distribusinormal
Distribusi dengan==3.5
normaldengan dan==1.323
3.5dan 1.323mendekati
mendekati
distribusibinomial
distribusi binomialdengan
dengannn==77dan
danpp==0.50.
0.50.
P(x<4.5) = 0.7749
Normal Distribution:  = 3.5,  = 1.323 Binomial Distribution: n = 7, p = 0.50

0.3 0.3

P( x 4) = 0.7734
0.2 0.2

P(x)
f(x)

0.1 0.1

0.0 0.0
0 5 10 0 1 2 3 4 5 6 7
X X

MTB > cdf 4.5; MTB > cdf 4;

MTB > cdf 4.5; MTB > cdf 4;
SUBC> normal 3.5 1.323. SUBC> binomial 7,.5.
SUBC> normal 3.5 1.323. SUBC> binomial 7,.5.
Cumulative Distribution Function Cumulative Distribution Function
Cumulative Distribution Function Cumulative Distribution Function
Normal with mean = 3.50000 and standard deviation = 1.32300 Binomial with n = 7 and p = 0.500000
Normal with mean = 3.50000 and standard deviation = 1.32300 Binomial with n = 7 and p = 0.500000
xx P( P(XX<=
<=x)x) xx P( P(XX<=
<=x)x)
4.5000 0.7751 =0.0017 4.00 0.7734
4.5000 0.7751 4.00 0.7734
45
 Pendekatan untuk Binomial (2)

Distribusinormal
Distribusi dengan==5.5
normaldengan dan==1.6583
5.5dan 1.6583pendekatan
pendekatanyang
yanglebih
lebih
baikuntuk
baik untukdistribusi
distribusibinomial
binomialdengan
dengannn==11
11dan
danpp==0.50.
0.50.
Binomial Distribution: n = 11, p = 0.50
Normal Distribution:  = 5.5,  = 1.6583
P(x4) = 0.2744
P(x<4.5) = 0.2732
0.3
0.2

0.2

P(x)
f(x)

0.1

0.1

0.0
0.0
0 1 2 3 4 5 6 7 8 9 10 11
0 5 10
X
X

MTB > cdf 4.5; MTB > cdf 4;

MTB > cdf 4.5; MTB > cdf 4;
SUBC> normal 5.5 1.6583. SUBC> binomial 11,.5.
SUBC> normal 5.5 1.6583. SUBC> binomial 11,.5.
Cumulative Distribution Function Cumulative Distribution Function
=0.0012
Cumulative Distribution Function Cumulative Distribution Function
Normal with mean = 5.50000 and standard deviation = 1.65830 Binomial with n = 11 and p = 0.500000
Normal with mean = 5.50000 and standard deviation = 1.65830 Binomial with n = 11 and p = 0.500000
xx P( P(XX<=
<=x)x) xx P( P(XX<=
<=x)x)
4.5000
4.5000 0.2732
0.2732 4.00
4.00 0.2744
0.2744
46
 Pendekatan untuk Binomial (3)

D e fin is i:
B ila X v a r ia b e l r a n d o m b in o m i a l d e n g a n r a t a - r a t a  = n p
d a n v a r ia n s i  2 = n p q , m a k a b e n t u k p e n d e k a t a n a d a la h
X  np
d is t r ib u s i Z 
npq
, b ila n   a d a l a h d is t r ib u s i n o r m a l
b a k u N (0 ,1 ).

D a r i p e r h it u n g a n , d is t r ib u s i n o r m a l m e m b e r ik a n p e n d e k a t a n
n ila i p r o b a b ilit a s y a n g b a ik t e r h a d a p d is t r ib u s i b in o m ia l b il a
n b e s a r d a n p m e n d e k a t i 0 . 5 , b a h k a n b il a n m e n g e c il t a p i p
t id a k t e r la lu j a u h d a r i 0 . 5 m a s ih d ip e r o le h p e n d e k a t a n y a n g
c u k u p b a ik .
47
 Pendekatan untuk Binomial (4)

  aanp
np bbnp
np 
P ( a  X  b )  P  Z 
P ( a  X  b)  P np(1  p)  Z  np(1  p)
 np(1  p) np(1  p) 
for nnlarge
Untuk
for large (n50)
n besar
(n 50)and
andpdan
(n>50) pnot
notptoo
too close
tidak to00or
mendekati
close to or1.00
1.00
0 atau 1.00
Atau:
aa00.5.5np
np bb00.5.5np
np
P ( a  X  b )  P  Z 
P (a  X  b)  P np(1  p)  Z  np(1  p)
 np(1  p) np(1  p) 
Untuk
for n sedanglarge
fornnmoderately
moderately large (20 nn<<50).
(20<n<50)
(20 50).

Jika pp kecil
Jika kecil (mendekati
(mendekati 0)
0) atau
atau besar
besar (mendekati
(mendekati 1),
1), gunakan
gunakan
pendekatan dengan
pendekatan dengan distribusi
distribusi Poisson.
Poisson.
48
 Pendekatan untuk Binomial (5)
S S u u a a t tu u p p r ro o s s e e s s m m e e n n g g h h a a s s i li kl k a a n n s s e e j uj u m m l al a h h p p r ro o d d u u k k ( (d d e e n n g g a a n n k k e e m m u u n n g g k k i ni n a a n n
d d p p r ro o d d u u k k c c a a c c a a t t 1 1 0 0 % % ) ). . B B i li al a 1 1 0 0 0 0 p p r ro o d d u u k k d d i ai a m m b b i li l s s e e c c a a r ra a a a c c a a k k , , b b e e r ra a p p a a k k a a h h
k k e e m m u u n n g g k k i ni n a a n n b b a a h h w w a a t te e r rd d a a p p a a t t l el e b b i hi h d d a a r ri i 1 1 3 3 p p r ro o d d u u k k c c a a c c a a t t? ?

  D D a a l al a m m k k a a s s u u s s i ni n i ,i , b b a a n n y y a a k k n n y y a a c c a a c c a a t t b b e e r rd d i si s t tr ri bi b u u s s i i b b i ni n o o m m i ai a l l d d e e n n g g a a n n
p p a a r ra a m m e e t te e r r n n = = 1 1 0 0 0 0 d d a a n n p p = = 0 0 , ,1 1 . . K K a a r re e n n a a u u k k u u r ra a n n s s a a m m p p e e l l b b e e s s a a r r d d i li al a k k u u k k a a n n
p p e e n n d d e e k k a a t ta a n n d d e e n n g g a a n n f fu u n n g g s s i i k k e e m m u u n n g g k k i ni n a a n n n n o o r rm m a a l l d d i mi m a a n n a a p p a a r ra a m m e e t te e r rn n y y a a
a a d d a a l al a h h     npnp   ( 100( 100 )( )( 0 0 , 1, 1) )   1010 , , d d a a n n     npqnpq   ( 100( 100 )( )( 0 0 , 1, 1)( )( 0 0 , 9, 9 ) )   3 3 , 0, 0 . .
  K K a a r re e n n a a i ni n g g i ni n d d i ai a m m a a t ti i k k e e m m u u n n g g k k i ni n a a n n b b a a h h w w a a t te e r rd d a a p p a a t t l el e b b i hi h d d a a r ri i 1 1 3 3 p p r ro o d d u u k k
c c a a c c a a t t, , m m a a k k a a d d i ci c a a r ri i p p r ro o b b a a b b i li il ti ta a s s x x > > 1 1 3 3 . . U U n n t tu u k k k k a a s s u u s s d d i si s k k r ri ti t, , d d i gi g u u n n a a k k a a n n
b b a a t ta a s s x x = = 1 1 3 3 . .5 5 , , d d a a n n h h a a r rg g a a z z y y a a n n g g s s e e s s u u a a i i a a d d a a l al a h h z z   ( 13( 13 . 5. 5   1010 ) ) / / 3 3   1 1, 167, 167 . .
D D a a r ri i t ta a b b e e l l d d i pi p e e r ro o l el e h h k k e e m m u u n n g g k k i ni n a a n n z z > > 1 1 . .1 1 6 6 7 7 a a d d a a l al a h h 0 0 . .1 1 2 2 1 1 6 6 . .

49
 Perhitungan dengan Excel (1)

• Dalam EXCEL, perintah NORMSDIST(number) akan

memberikan nilai probabilitas kumulatif dari variabel random
normal standar.
• Perintah NORMDIST(number, mean, standard deviation)
akan memberikan nilai probabilitas dari variabel random
normal secara umum.

50
 Perhitungan dengan Excel (2)

Contoh:
Contoh:
•• NORMSDIST(1.0)
NORMSDIST(1.0) = = 0.8413.
0.8413.
•• NORMDIST(10.0,
NORMDIST(10.0, 5, 5, 2)
2) =
= 0.9938.
0.9938.
•• Perintah
Perintah inversinya
inversinya NORMSINV(number)
NORMSINV(number) dan dan
NORMINV(number, mean,
NORMINV(number, mean, standard
standard deviation).
deviation).
•• NORMSINV(0.975)
NORMSINV(0.975) = = 1.96.
1.96.
•• NORMINV(0.975,
NORMINV(0.975, 20, 20, 10)
10) =
= 39.6.
39.6.

51
 Distribusi Normal Multivariat (1)

Distribusi dalam
Distribusi dalam analisis
analisis multivariat
multivariat umumnya
umumnya adalah adalah
distribusi multivariat
distribusi multivariat normal
normal sebagai
sebagai perluasan
perluasan dari dari
distribusi normal
distribusi normal univariat.
univariat.
Terdapat dua
Terdapat dua landasan
landasan pokok
pokok untuk
untuk hal
hal tersebut,
tersebut, yaitu
yaitu ::
i.i. Kasus
Kasus pengukuran
pengukuran multivariat
multivariat seringkali
seringkali adalah
adalah bentuk
bentuk
penjumlahan dari
penjumlahan dari beberapa
beberapa pengaruh
pengaruh randomrandom yang yang
independen. Dengan
independen. Dengan teorema central limit
teorema central limit,, beberapa
beberapa
variabel tadi
variabel tadi membentuk
membentuk distribusi
distribusi normal
normal multivariat.
multivariat.
ii.Teori
ii. Teori statistika
statistika yang
yang berlandaskan
berlandaskan padapada distribusi
distribusi normal
normal
terbukti telah
terbukti telah menunjukkan
menunjukkan keberhasilan
keberhasilan dalam dalam
melakukan kajian
melakukan kajian secara
secara terstruktur
terstruktur dan
dan sistematis.
sistematis.

52
 Distribusi Normal Multivariat (2)

 N ila i e k s p e k t a s i d a r i s e b u a h v e k t o r v a r ia b e l r a n d o m
X = ( X 1 , … , X m ) ’ a d a l a h E ( X )  E ( X 1 ),..., E ( X m ) ' .

 J ik a X m e m p u n y a i r a t a - r a t a  m a t r ik s v a r ia n s i-
k o v a r ia n s i X d id e f in is ik a n s e b a g a i m a t r ik s ( m x m ) b e r ik u t
  Cov ( X )  E ( X   )( X   )' .

 E le m e n k e - i d a n k e - j d a r i m a t r ik s v a r ia n s i- k o v a r ia n s i
a d a l a h  ij  E [( X i   i )( X j   j )] , s e d a n g k a n e l e m e n k e - i

d ik e n a l s e b a g a i v a r ia n s i i  E [( X i   i ) 2
].

53
 Distribusi Normal Multivariat (3)

 Agar variansi variabel randomXi ada, m akam atriks 

definit nonnegatif. Karenasim ilaritaskovariansi, maka
m atriks adalahm atrikssimetris, sehingga'.
 Sebuahm atrikssim etris(mxm )Adisebut definit non-
negatif jika'A0 untuksem uaRmdanpasti positif
jika'A0 untuksem
m
uaRm,0. R adalahruang
Euklideanberdim ensi mdengankom ponenreal.

 11 11 ( x   )

ffxx((xx))((22))
mm/ /22
(det 11/ /22
(det)) exp  ( x   )' 
exp ( x   )'  ( x   )
 22 

54
 Distribusi Probabilitas Gamma (1)
DD i si st tr ri bi buus si i ggaamm mm aa ddi ki keennaal l ddaar ri i f fuunnggs si i ggaamm mm aa yyaanngg bbaannyyaakk ddi gi guunnaakkaann
ddaal al amm bbi di daanngg mm aat teemm aat ti ki kaa. . FFuunnggs si i ggaamm mm aa ddi di deef fi ni ni si si ki kaann ool el ehh

     1 1 e  x x dx
 (  )    x e dx uunnt tuukk   00 . .
( ) x
0 0
 1
JJ i li al a ddi li al akkuukkaann i ni nt teeggr raas si i ppaar rs si ai al l aat taas s uu  x x  1 ddaann ddvv== ee- x- xddxx, , mm aakkaa aakkaann
 x   1    x   2   x   2
ddi pi peer rool el ehh ( (  ) )    e e x x x  1 0    e e x ( (   1 1) )x x  2 dxdx == ( (  1 1) )  e e x x x  2 dxdx ,,
0 0 00
0
s seehhi ni nggggaa ddi hi haas si li kl kaann ppeenngguul al annggaann f fuunnggs si i ggaamm mm aa ( (  ) )  ( (  1 1) )( (  1 1) ), ,
( (  ) )  ( (  1 1)()(  2 2) )( (   2 2) ), , ddaann s seet teer ruus snnyyaa j ij ki kaa  == nn, , ddi mi m aannaa nn bbi li al annggaann
bbuul al at t ppoos si ti ti fi f, , mm aakkaa ( (nn) )  ( (nn  11)()( nn  22)...)... ( 1( 1) ). . KKaar reennaa mm eennuur ruut t ddeef fi ni ni si si i

ff uunnggs si i ggaamm mm aa ( 1( 1) )    e e x dxdx   1 1, , mm aakkaa  ( (nn) )  ( (nn  11)!)! . .
x

0 0

SSaat tuu s si fi faat t ppeennt ti ni ngg f fuunnggs si i ggaamm mm aa, , aaddaal al ahh ( 1( 1 / / 22) )   . .
55
 Distribusi Probabilitas Gamma (2)

DD e e f fi inn i is s i i
S S e e b b u u a a h h v v a a r ri ai a b b e e l l r ra a n n d d o o mm k k o o n n t ti ni n y y u u X X b b e e r rd d i si s t tr ri bi b u u s s i i g g a a mm mm a a
d d e e n n g g a a n n p p a a r ra a mm e e t te e r r b b i li al a    0 0 dd aa nn     0 0 , , b b i li al a mm e e n n g g i ki k u u t ti i
f fu u n n g g s s i i
11    1 1 e  x x / / 
f f ( (x x ) )   x
x e x x >> 0 0
     ( (  ) )
== 0 0 , , u u n n t tu u k k x x l al a i ni n n n y y a a . .

P P a a r ra a mm e e t te e r r p p e e mm u u s s a a t ta a n n d d a a n n p p e e n n y y e e b b a a r ra a n n a a d d a a l al a h h s s e e b b a a g g a a i i
b b e e r ri ki k u u t t : :
EE ( ( XX ) )     d d a a n n VV ( ( XX ) )    2 2    2 2 . .

56
 Distribusi Probabilitas Gamma (3)
H
Haa llin
in
iid
daappaatd
t dib
ib u
ukkt
tik
ik aa
nnddee
nn
gga
a
nn mme
e
nn
gg ee
vva
alu
luaass
iimmo o
m
mee
n
nkke
e
-rrd
- dii
s
s
ee kk it
itaa
rrttit
it ik
ik a
as
sa
alld
d is
istt
rrib
ibuus
siig
ga
amm
mm a a
aa
dd
aa la
la h
h
1 

 ''
r  E
E (X r
(X) 
r )  1

 r
xx
r

1
1
ee

//
 dx
.
dx
r




( 
(
)) 00 .

rr 
 
rr
( r))
J
Jik
ik aa ddim
im is
is aalk
lkaa
nn yy
=
= x
x
// 
,,mm a
a
kk
aa' 
'
rr  
r
 r
y 


1
0y e dy
1e/
/dy
 
(

 r
..

(
() )0

(
( ))

 


(

( 
1
1)
) 
D
D
ee
n
ng
ga
a
nnd
d
ee
m
m ik
ik ia
ian
n
 
 
''
,d
,
1 d
a
an
n


(
( )
)
1



2

( 2
)) 
 

2
  
 
2
2 ''  
2
2 ( 2
 
=
22
2 2
=
2
2
22

(
()
)
D
D is
ist
t
rrib
ibu
ussiig
g
aa
mmm
m a
a y
ya
ann
ggkkh
huus s
u
u ss
((
ss
pp
e
es
sififik
ik)u
) u
nn
t
t
uuk
k=
=vv
/
/2 
,,
2 =
=22
,,
d
d
a an
nvvb
b ia
illan
n
gg
a
an
n b
buula
lattp
poo
ssit
it ifd
if d is
ise
eb
buu
td
t disis
tt
r
r ib
ibu
us
iik
s k
hhi-
i-k
ku
ua
a
dd
rr
a
at(
t c
c
(h
h i-
i-
s
s
qquu
aa
rre
e
))d d
ee
n
ng
ga
anndd
eeg
grr
e
ee
e oo
ffffrr
e
e ee
d
do
ommvv..
57
 Distribusi Probabilitas Gamma (4)
Proposisi:
Proposisi:
Jika XXi i,,ii11,2,2,...,
Jika adalah variabel
,...,nn adalah variabel random
random gamma gamma independen
independen
parameter ((i i,,)),, maka
dengan parameter
dengan maka  ii11XXi i juga
nn
juga gamma
gamma dengan
dengan
parameter 
parameter i 1
i1i i,,..
nn

(parameter adalah
(parameter adalah11//))
Proposisi:
Proposisi:
Jika XXi i,,ii11,,22,...,
Jika ,...,nn adalah
adalah variabel
variabel random
random independen
independen
eksponensial independen
eksponensial independen dan dan identik
identik dengan rata-rata  ,,
dengan rata-rata
maka 
maka ii11XXi i adalah
nn
adalah variabel
variabel random
random gamma
gamma dengan
dengan
parameter ((nn,,))..
parameter

58
 Distribusi Probabilitas Weibull (1)
DD i si st tr ri bi b u u s si i WW e e i bi b u u l ll l ( (WW a a l ol o d d d d i i WW e e i bi b u u l ll ,l , S S ww e e d d i si sh h , , 1 1 9 9 3 3 9 9 ) ) b b a a n n y ya a k k d d i gi g u u n n a a k ka a n n
d d a a l al a mm a a n n a a l il si si si s k ke e a a n n d d a a l al a n n y ya a n n g g b b e e r rk ki ai a t ta a n n d d e e n n g g a a n n u u mm u u r r ( (r re e n n t ta a n n g g
ww a a k kt tu u ) ), , c co o n n t to o h h n n y ya a r ra a n n t ta a n n g g ww a a k kt tu u d d i mi m a a n n a a s se e b b u u a a h h p p e e r ra a l al a t ta a n n mm u u n n g g k ki ni n
a a k ka a n n r ru u s sa a k k ( (t ti di d a a k k b b e e r rf fu u n n g g s si )i ). .
DD ee f fi inn i is s i i
VV a a r ri ai a bb e e l l r ra a nn dd oo mm k k oo nn t ti ni n y y uu TT bb e e r rdd i si st tr ri bi b uu s si i WW e e i bi b uu l ll ,l , dd e e nn gg a a nn dd uu a a
pp a a r ra a mm e e t te e r r    0 0 dd a a nn     0 0 , , j ji ki k a a f fuu nn gg s si i pp a a dd a a t tnn y y a a mm e e nn gg i ki k uu t ti i
  1 1  at at  
f f ( (t t) )    t t e e uu nn t tuu k k t t >> 00 , , dd a a nn f f( (t t) )== 00 , , uu nn t tuu k k t t l al a i ni n nn y y a a


PP a a r ra a mm e e t te e r r pp e e mm uu s sa a t ta a nn dd a a nn pp e e nn y y e e bb a a r ra a nn a a dd a a l al a hh s se e bb a a gg a a i i bb e e r ri ki k uu t t : :
 1     
2      1 1     22 
EE ( T( T ) )          1 1/ /    1 1   1   dd a a nn V V ( T( T ) )        
2 2  2 2/ /    2
    1 1            1 1        
    
                  
59
 Distribusi Probabilitas Weibull (2)
DD e e n n g g a a n n mm e e n n g g g g u u n n a a k k a a n n a a n n a a l ol o g g i ,i , f fu u n n g g s s i i d d i si s t tr ri bi b u u s s i i k k e e mm u u n n g g k k i ni n a a n n
WW e e i bi b u u l ll l d d a a p p a a t t mm e e n n c c a a k k u u p p t ti gi g a a p p a a r ra a mm e e t te e r r WW ( (  , ,  , ,  ) ) d d a a n n f fu u n n g g s s i i
k k e e a a n n d d a a l al a n n n n y y a a d d i di d e e f fi ni n i si s i ki k a a n n o o l el e h h
   t t   
 1 
    t t    
   1  
f f ( (t t; ;  , ,  , ,  ) )       expexp         , , t t     , , dd aa nn
           
  t t        
  
R R ( (t t; ;  , ,  , ,  ) )   expexp        ..

        
MM e e a a n n t ti mi m e e t to o f fa a i li ul u r re e ( (MM T T T T F F ) ) d d a a n n v v a a r ri ai a n n s s i ni n y y a a a a d d a a l al a h h
    11 
E E ( (T T ; ;  , ,  , ,  ) )               d d a a n n
    
2        2 2   2      1 1   
VarVar ( (T T ; ;  , ,  , ,  ) )         
2
       
2
   . .
       
   
60
 Distribusi Probabilitas Weibull (3)
DistribusiWeibull
Distribusi Weibulldigunakan
digunakansecara
secaraluas
luasdalam
dalamanalisis
analisiskeandalan
keandalanyang
yang
mengeneralisasiaplikasi
mengeneralisasi aplikasidistribusi
distribusitersebut
tersebutdengan
denganmenyertakan hazardrate
menyertakan hazard rate
yangtidak
yang tidakkonstan,
konstan,meningkat
meningkatatau
ataumenurun,
menurun,dan
danmencakup initialfailure
mencakup initial failure
wear-outfailures
sertawear-out
serta failures..

laju Kerusakan karena terjadinya early

causes dan chance causes kerusakan karena terjadi wear-
kerusakan out causes dan chance causes
hanya terjadi
chance failure

61