STATISTIKA Peluang Dan Distribusinya

MK.
STATISTIKA
PELUANG DAN
DISTRIBUSI PELUANG
Smno.statistika.agroekotek.fpub.2013
DISTRIBUSI PELUANG
Distibusi peluang teoritis atau Peluang teoritis adalah suatu daftar
yang disusun berdasarkan Peluang dari peristiwa- peristiwa
bersangkutan.
Macam- macam Distribusi Peluang Teoritis
a. Peubah Acak Diskrit

1. Distribusi Binominal
2. Distribusi Multinominal
3. Distribusi Poisson
4. Distribusi Hipergeometris
b. Peubah Acak Kontinyu

1. Distribusi Normal
2. Distribusi Student
3. Distribusi Chi Square
4. Distribusi Fischer
Diunduh dari: http://ilerning.com/index.php?option=com_content&view=article&id=543:distribusi-peluang-

DISTRIBUSI PELUANG
C. Diskrit Binominal: Ciri- ciri umum:

1. Setiap peristiwa tunggal mempunyai dua hasil kejadian
2. Peristiwa independent
3. Banyaknya percobaan tertentu (n)
Ciri ciri praktis

1. n biasanya 30
2. p tidak mendekati 0 (nol)
D. Diskrit Multinominal: Ciri- cirri:

1. Peristiwa bersifat independent (bebas)
2. Setiap percobaan tunggalnya menghasilkan lebih dari dua
outcomes yang semuanya disebut sukses
3. Banyaknya percoban tertentu (n)

DISTRIBUSI PELUANG
E. Diskrit Poisson: Ciri- ciri:

1. n sangat besar
2. p sangat kecil mendekati nol
3. dapat dipecahkan atau diselesaikan dengan
rumus distribusi binominal bila n.p dan n.q
mempunyai nilai 5
F. Diskrit Hipergeometris: Ciri- ciri

1. Peristiwa dependent
2. Tiap percobaan tunggal menghasilkan 2
outcomes atau lebih
3. Banyaknya percobaan tertentu

PELUANG
Diunduh dari: http: 20/9/2012

PELUANG

DISTRIBUSI PELUANG KONTINYU
l Peubah Acak Kontinyu

l Distribusi Peluang Uniform
l Distribusi Peluang Eksponensial
l Distribusi Peluang Normal
l Distribusi Porbabilitas Gamma
l Distribusi Peluang Weibull
Diunduh dari: http: dhimaskasep.files.wordpress.com/.../ti2131-05-distribusi-kontinyu.pp... 27/9/2012

Peubah Diskrit Menjadi Peubah 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 toCompleteTask:Eighths of aMinute
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

Jika sebuah peubah acak diskrit dibagi
menjadi interval kecil yang tidak terbatas,
maka perhitungan Peluangnya ditentukan
f(z)
oleh sebuah rentang nilai dan nilai

peluangnya adalah luas area di bawah
kurva dalam rentang tersebut.
0 1 2 3 4 5 6 7
Minutes
Untuk contoh di samping, dinyatakan

dengan P(2<X<3).

Peubah Acak Kontinyu
Peubah Acak Kontinyu adalah sebuah peubah acak

yang dapat berupa sembarang nilai pada suatu
interval yang diamati.
Peluang dari peubah acak kontinyu X ditentukan

oleh sebuah fungsi kerapatan (densitas),
dinotasikan dengan f(x), dan memiliki beberapa
sifat berikut:
f(x) > 0 untuk setiap nilai x.
Peluang bahwa X berada di antara dua nilai a
dan b adalah sama dengan luas area di bawah f(x)
yang dibatasi oleh a dan b.
Total luas area di bawah kurva f(x) adalah 1.00.

Fungsi Kerapatan dan Kumulatif
F(x)
Fungsi 1
kumulatif F(b)
F(a)
0
} P(a X b)=F(b) - F(a)
a b x
f(x)
P(a < X < b) = Area

Fungsi di bawah f(x) yang
Kerapatan dibatasi oleh a dan b
= F(b) - F(a)
x
0 a b

DISTRIBUSI UNIFORM KONTINYU
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
-1 0 1 2 3 4 5 6 = 2.(1/5) = 2/5
x

Definisi:
Jika peubah acak X memiliki nilai (kontinyu) dengan kemungkinan
kemunculan yang sama maka dikatakan bahwa peubah acak
(kontinyu) x mengikuti distribusi uniform dengan fungsi densitas
Peluang:
1/( - ), untuk <x<
f(x)=
0
{ untuk x lainnya.
Ekspektasi dan variansi:

E(X)=(+)/2 dan V(X)= ( - )2/12

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 Peluang bahwa
proses simulasi akan berhenti adalah P(3/2<x<7/2)=0,2.

DISTRIBUSI EKSPONENSIAL
Distribusi eksponensial memiliki kaitan erat dengan
distribusi Poisson (dari proses poisson) jika
persoalan didekati dari variabel interval antar
kedatangan.
Dari uraian tentang distribusi poisson diperoleh

kemungkinan tidak ada kedatangan sebagai p(0) et .
Kemungkinan ini dapat diinterpretasikan sebagai
kemungkinan bahwa tidak ada kejadian kedatangan pada
rentang waktu sampai terjadinya kedatangan pertama lebih
t
besar dari t atau p(0) P(T t ) e , t 0 .
Untuk variabel random waktu kedatanganT , maka dapat
diperoleh besarnya kemungkinan melalui
F (t ) P(T t ) 1 e t , t 0 . Dengan demikian diperoleh
f (t ) F ' (t ) e t , t 0.

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 x0
0 x lainnya.
Parameter pemusatan dan penyebaran adalah sebagai
berikut :

V ( X ) x 2 ex dx 1/ 1 / 2
- x
E( X ) x e dx 1 / dan
2
0 0

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
peubah acak 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 menginginkan 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?

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) e dt =
58 e-8/5~ 0,2.
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.
x2 x 0

DISTRIBUSI PELUANG NORMAL
Untuk p0,5 dan dengan meningkatnya n, distribusi binomial
menjadi
n=6 n = 10 n = 14
B inomial D is tribution: n=6, p=.5 B inomial D is tribution: n=10, p=.5 B inomial D is tribution: n=14, 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 berbentuk 0.4
kurva seperti
0.3
f(x)
0.2
lonceng (bell) 0.1
0.0
-5 0 5
x

Distribusi PELUANG peubah acak kontinyu dalam

statistika adalah Distribusi Normal, peubah acak
berasal dari proses random dengan satu titik
pemusatan dan menyebar di sekitar titik pemusatan
tersebut secara simetris.
DiSTRIBUSI Normal juga dikenal sebagai Distribusi

Gauss, sebagai orang pertama yang
mempublikasikannya pada tahun 1809 dan
selanjutnya dipromosikan sebagai sebuah Dalil
Peluang untuk setiap peubah acak kontinyu.

Fungsi kerapatan Peluang normal: Normal Distribution: =0, =1
0.4
0.3
- 1 x / 2
f(x)
0.2
1
f ( x) e 2 x
0.1
0.0
2 -5 0
x
5
Definisi
Sebuah variabel random (kontinyu) x ( x ) dikatakan
mengikuti distribusi normal dengan parameter lokasi
pemusatan dan parameter penyebaran (variansi) 0 jika
2
mengikuti fungsi distribusi kemungkinan berikut :

1 - 1 x / 2
f ( x) e 2 x
2
dimana 3,14159... dan e = 2,71828(bilangan natural).

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 Peluang normal
dalam rantang k dari adalah sama untuk setiap
distribusi, berapapun besarnya nilai rata-rata dan variansi.

Distribusi ini digunakan sangat luas dan seringkali

dinotasikan dengan 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 belok kurva).

Beberapa sifat penting fungsi densitas probabilitas normal:

i. Luas daerah di bawah kurva f ( x) dx 1 .
Dengan melakukan transformasi linier y ( x ) / , akan
diperoleh fungsi distribusi kemungkinan normal standar
1 1 y2
f ( y) e 2
. Kemudian definisikan bentuk satuan berikut
2
1 12 y 2
I e dy ,
2
dan pertimbangkan sebuah bentuk satuan dari variabel random
Z yang juga mengikuti fungsi distribusi kemungkinan normal standar

1 1 z2
I e 2
dz .
2

Distribusi Peluang Normal (7)
Selanjutnya definisikan perkalian kedua bentuk satuan

tersebut sebagai berikut
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
Gunakan transformasi berikut y r sin , dan z r cos , maka

dapat diperoleh
1 2 12 r 2
12 r 2
I
2
r e d dr r e dr 1.
2 0 0 0
1 12 y 2
Karena I 1, maka I 2 e dy 1 .
2
ii. Untuk setiap nilai variabel random X, nilai f ( x) 0 .

iii. Kurva fungsi distribusi kemungkinan normal bersifat

assymptotic pada kedua sisinya (tail), atau xlim

f ( x) 0 dan
lim f ( x) 0 .
x
iv. Kurva fungsi distribusi kemungkinan normal simetris di kiri

dan kanan lokasi pemusatan , atau f x f x .
v. Nilai maksimum (modus) dari kurva fungsi distribusi
kemungkinan normal f (x) berada pada lokasi pemusatan
x.
vi. Titik belok (point of onflections) dari kurva fungsi distribusi
kemungkinan normal f (x) berada pada titik-titik x .
Kurva memiliki bentuk cekung dari bawah untuk

- <x< + , dan cekung dari atas untuk harga x lainnya.

Kedua parameter fungsi normal dan 2 adalah rata-

rata (ekspektasi E (X ) ) dan variansi (V ( X ) 2 )
distribusi probabilitas normal.
Bukti :

1 - 12 x / 2
E( X )
2
.
xe dx
-
Gunakan transformasi z ( x ) / , dan diperoleh :

( z ) - 12 z 2
E( X ) e dz
- 2

1 z
e dz
- 12 z 2 - 12 z 2
e dz
- 2 - 2
(1) (0) .

Selanjutnya hitung variansi sebagai berikut:

V ( X ) E[( X ) 2 ]

( x ) 2 11 ( X ) 2
e dx
2

2z2 z

1 2
e dz 1

z

1 11 z 2

2

1 z
2
e 1
e dz
2 2
2 0 1 2 .

Besarnya nilai probabilitas variabel random normal

ditentukan dengan formulasi berikut :
x u
1 12 ( ) 2
F ( x) P( X x) e dx .
2
Nilai probabilitas tersebut tidak dapat dihitung secara

analitis matematis melalui persamaan integral di atas, untuk
itu digunakan tabel distribusi normal yang diperoleh melalui
pendekatan numerik.

Beberapa pendekatan numerik yang dapat digunakan untuk

menentukan besarnya nilai probabilitas adalah:
i. Pendekatan Hoyt (1968) menggunakan fungsi
1
8
(3 x 2 ) untuk x 1
1
16
(3 x ) 2 untuk 1 x 3
pendekatan ini memberikan kesalahan kurang dari 0.01.

ii. Pendekatan Polya (1945) menggunakan fungsi
F ( x) 12 1 {1 exp(2 x 2 / )}1 / 2 .
Pendekatan ini memberikan kesalahan maksimum
sebesar 0.003 pada x=1.6.

Distribusi Peluang Normal
iii. Pendekatan Burr (1967) menggunakan fungsi

G ( x) 1 1 ( x)
c k
dimana =0.644693, =0.161984, c =4.874, dan k=-

6.158. Pendekatan yang lebih baik dengan fungsi G(x)
adalah H ( x) 12 [G( x) 1 G( x)] . Dengan pendekatan ini
memberikan kesalahan maksimum adalah 0.00046 pada
x=0.6 dan x=-0.6.
Pendekatan lainnya dapat dilihat pada:

Johnson, N.L. & Kotz, S., (1970), Continuous Univariate
Distribution, JWS.

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 Nilai Peluang dari setiap
0.3 interval adalah luas
bahwa: area di bawah kurva
f(z)
0.2
0.1 fungsi densitas Peluang

normal.
P(39 W
0.0
-5 0 5
z
41)
P(25 X
Peluang bahwa peubah acak

normal berada dalam rentang satu S tandard Normal D is tribution
deviasi Baku dari rata-rata adalah 0.4
0.6826, atau sekitar 0.68. 0.3
f(z)
0.2
normal berada dalam rentang dua 0.1
deviasi Baku dari rata-rata adalah 0.0
0.9544, atau sekitar 0.95. -5 -4 -3 -2 -1 0

Z
1 2 3 4 5

normal berada dalam rentang tiga
deviasi Baku dari rata-rata adalah
0.9974.

DISTRIBUSI NORMAL BAKU
Peubah acak normal Baku, Z, adalah peubah acak normal
dengan rata-rata = 0 dan deviasi Baku = 1: Z~N(0,12).
Distribusi Normal Baku

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

P(0 < Z < 1.56)
Peluang Normal Baku
Sta dard Normal Distribution

z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0
0.4 0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1
0.3
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2
f(z)
0.2 0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3
0.1 1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3
1.56 1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3
{
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4
0.0 1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4
-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 0.4
Z 1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4
Lihat pada baris 1.5 2.2
2.3
0.4861
0.4893
0.4864
0.4896
0.4868
0.4898
0.4871
0.4901
0.4875
0.4904
0.4878
0.4906
0.4881
0.4909
0.4884
0.4911
0.4887
0.4913
0.4
0.4
dan kolom .06 untuk

2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4
menemukan 2.7
2.8
0.4965
0.4974
0.4966
0.4975
0.4967
0.4976
0.4968
0.4977
0.4969
0.4977
0.4970
0.4978
0.4971
0.4979
0.4972
0.4979
0.4973
0.4980
0.4
0.4
P(0<z<1.56) = 0.4406
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4

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

Untuk P(Z<-2.47): . . . .
Lihat tabel untuk 2.47 . . . .
P(0 < Z < 2.47) = .4934 . . . .
2.3 ... 0.4909 0.4911 0.4913
P(Z < -2.47) = .5 - P(0 < Z < 2.47) 2.4 ... 0.4931 0.4932 0.4934
= .5 - .4934 = 0.0066 2.5 ... 0.4948 0.4949 0.4951
.
Standard Normal Distribution
0.4
Area di sebelah kiri -2.47
P(Z < -2.47) = .5 - 0.4932 0.3
Nilai tabel area 2.47
= 0.0068
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

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 .
.
.
.

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

P(0 < Z < z) = 0.40
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
Temukan z sehingga 0.1
0.2
0.0398
0.0793
0.0438
0.0832
0.0478
0.0871
0.0517
0.0910
0.0557
0.0948
0.0596
0.0987
0.0636
0.1026
0.0675
0.1064
0.0714
0.1103
0.0753
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
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
Temukan nilai Peluang 0.7
0.8
0.2580
0.2881
0.2611
0.2910
0.2642
0.2939
0.2673
0.2967
0.2704
0.2995
0.2734
0.3023
0.2764
0.3051
0.2794
0.3078
0.2823
0.3106
0.2852
0.3133
sedekat mungkin dengan .40 0.9
1.0
0.3159
0.3413
0.3186
0.3438
0.3212
0.3461
0.3238
0.3485
0.3264
0.3508
0.3289
0.3531
0.3315
0.3554
0.3340
0.3577
0.3365
0.3599
0.3389
0.3621
dari tabel kemungkinan 1.1
1.2
0.3643
0.3849
0.3665
0.3869
0.3686
0.3888
0.3708
0.3907
0.3729
0.3925
0.3749
0.3944
0.3770
0.3962
0.3790
0.3980
0.3810
0.3997
0.3830
0.4015
normal Baku. 1.3
.
0.4032
.
0.4049
.
0.4066
.
0.4082
.
0.4099
.
0.4115
.
0.4131
.
0.4147
.
0.4162
.
0.4177
.
. . . . . . . . . . .
. . . . . . . . . . .
Tentukan nilai z pada baris
dan kolom yang sesuai. Standard Normal Distribution
P(0<z<1.28) 0.40 0.4
Luas area di kiri 0 = .50 Area = .40 (.3997)
Karena P(Z < 0) = .50 P(z 0) = .50 0.3
f(z) 0.2
P(Z <1.28) .90

0.1
0.0
-5 -4 -3 -2 -1 0 1 2 3 4 5
Z Z = 1.28

Distribusi Normal Baku
P(-z.005< Z < z.005) = 0.99
Untuk memperoleh
z .04 .05 .06 .07 .08 .09
. . . . . . .
. . . . . . .
Peluang 0.99 di tengah

. . . . . . .
2.4 ... 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 ... 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
distribusi, akan ada

2.6 ... 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
. . . . . . .
. . . . . . .
. . . . . . .
(1/2)(1-.99) = (1/2)(.01)
= .005 di ekor (tail) Area di kiri = .495
Area di tengah = .99
distribusi, dan (1/2)(.99) = 0.4
Area di kanan = .495
.495 setengah dari interval 0.3
.99, atau :
f(z)
0.2
Area di ekor kanan = .005

0.1
Area di ekor kiri = .005
P(0<Z< z.005) = .495 0.0
-5 -4 -3 -2 -1 0 1 2 3 4 5
Z
-z.005 z.005
-2.575 2.575
Dari tabel Peluang normal
Baku:
Transformasi Peubah Acak Normal
Luas area dalam interval k dari rata-rata untuk

peubah acak normal adalah sama. Jadi area di
bawah kurva normal ekuivalan dengan area di bawah
Transformasi
kurna normal X
X x Baku. Contoh: P(40
Normal X P(-1
Distribution: =50, =10 Z
menjadi
Z
Z
:x
untuk 5dan 0.07
0.06
Transformasi pada 0.05

0.04
f(x)
(1) Pengurangan: (X - x) 0.03
0.02 =10
{
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)
Transformasi
{
0.1 1.0
0.0
-5 -4 -3 -2 -1 0 1 2 3 4 5 X Z x Z x
sebaliknya
Z
menjadi X:
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

Transformasi
X x
X Transformasi kebalikan
X Z
menjadi
Z
Z x: Z menjadix X: x
Transformasi X menjadi Z, dengan nilai a

a
dan b: P( X a) P Z
b
P( X b) P Z

a b
P(a X b) P Z


Untuk menemukan nilai Peluang dengan interval tertentu

untuk sembarang peubah acak normal adalah dengan
mengekspresikan interval tersebut dalam satuan
deviasi Baku dari rata-ratanya.
x 70 70 50
P( X 70) P P Z P( Z 2)
10
Jika X~N(50,102), P(X >70) dapat diperoleh karena 70 adalah 2
deviasi Baku di atas rata-rata X: 70=+2. P(X > 70) ekuivalen
dengan P(Z > 2), luas area di bawah kurva normal Baku.
z .07 .08 .09
Contoh:
. . . . .
. . . . .
. . . . .
X~N(124,122)
1.1 ... 0.3790 0.3810 0.3830
1.2 ... 0.3980 0.3997 0.4015
1.3 ... 0.4147 0.4162 0.4177
P(X > x) = 0.10 dan P(Z >

. . . . .
. . . . .
. . . . .
1.28) 0.10
Diunduh +
x = dari: http: z = 124 +
dhimaskasep.files.wordpress.com/.../ti2131-05-distribusi-kontinyu.pp... 27/9/2012
Contoh: X~N(5.7,0.52) Contoh: X~N(2450,4002)

P(X > x)=0.01 dan P(Z > 2.33) 0.01 P(a<X<b)=0.95 dan P(-1.96<Z<1.96)0.95
x = + z = 5.7 + (2.33)(0.5) = 6.865 x = z = 2450 (1.96)(400) = 2450
784=(1666,3234)
z .02 .03 .04 P(1666 < X < 3234) = 0.95
. . . . . 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

Normal Distribution: = 2450, = 400

1.Gambarkan distribusi 0.0012
.
normal yang ingin diteliti 0.0010

.
0.0008
.
dan distribusi normal
f(x)
0.0006
.
0.0004
.
Baku. 0.0002
.
0.0000
1000 2000 3000 4000
2.Arsir daerah Peluang X
yang diteliti. 0.4

S tand ard N o rm al D is trib utio n
3.Dari tabel distribusi 0.3
normal Baku, temukan

f(z)
0.2
nilai z. 0.1
4. Transformasikan nilai z 0.0

-5 -4 -3 -2 -1 0 1 2 3 4 5
menjadi x (nilai peubah Z
acak asal).
1.Distribusi Normal dan Normal Baku.

Normal Distribution: =
Nor al Distribution: 2450, =
=2450, =400
40
2. Arsir daerah 0.95

0.0012
.
0.0010
. .4750 .4750
(masing-masing 0.0008
.
0.475 di kiri dan 0.0006

.
f(x
0.0004
.
kanan. 0.0002
. .9500
0.0000
100 200 300 400
3. Temukan nilai z dari X
tabel normal Baku S tand ard N o rm al D is trib utio n 4. Transformasi nilai

z=-1,96 dan z=1.96 0.4
z ke nilai x
.4750 .4750
0.3
z
. .
.05
.
.06
.
.07
. x = z
f(z)
. . . . . 0.2
.
1.8
.
...
.
0.4678
.
0.4686
.
0.4693
= 2450
0.1
1.9
2.0
...
...
0.4744
0.4798
0.4750
0.4803
0.4756
0.4808
.9500 (1.96)(400)
. . . . .
0.0
. . . . .
-5 -4 -3 -2 -1 0 1 2 3 4 5
= 2450 784
Z
=(1666,3234)

PENDEKATAN UNTUK BINOMIAL
Distribusi normal dengan = 3.5 dan = 1.323 mendekati distribusi binomial

dengan n = 7 dan p = 0.50.
Normal Distribution: =3.5, =1.323

P(x<4.5) = 0.7749 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;

SUBC> normal 3.5 1.323. SUBC> binomial 7,.5.
Cumulative Distribution Function Cumulative Distribution Function
Normal with mean = 3.50000 and Bakud deviation = 1.32300 Binomial with n = 7 and p = 0.500000
x P( X <= x) =0.0017 x P( X <= x)

4.5000 0.7751 4.00 0.7734

PENDEKATAN UNTUK BINOMIAL
Distribusi normal dengan = 5.5 dan = 1.6583 pendekatan yang lebih baik
untuk distribusi binomial dengan n = 11 dan p = 0.50.
Binomial Distribution: n =11, p =0.50

Normal Distribution: =5.5, =1.6583
P(x4) = 0.2744
0.3
P(x<4.5) = 0.2732 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;

SUBC> normal 5.5 1.6583. SUBC> binomial 11,.5.
Cumulative Distribution Function Cumulative Distribution Function
Normal with mean = 5.50000 and Bakud deviation = 1.65830 Binomial with n = 11 and p = 0.500000
x P( X <= x) x P( X <= x)
4.5000 0.2732 =0.0012 4.00 0.2744

Pendekatan untuk Binomial (3)
Definisi:
Bila X variabel random binomial dengan rata-rata = np
dan variansi 2 = npq, maka bentuk pendekatan adalah
X np
distribusi Z
npq
, bila n adalah distribusi normal
baku N(0,1).
Dari perhitungan, distribusi normal memberikan pendekatan

nilai probabilitas yang baik terhadap distribusi binomial bila
n besar dan p mendekati 0.5, bahkan bila n mengecil tapi p
tidak terlalu jauh dari 0.5 masih diperoleh pendekatan yang
cukup baik.

a np b np
P( a X b) P Z
np(1 p) np(1 p)
Untuk
for n besar
n large (n>50)
(n 50) and p not p tidak
dantoo mendekati
close to 0 or 1.00 0 atau 1.00
Atau:
a 0.5 np b 0.5 np
P(a X b) P Z
np(1 p) np(1 p)
Untuk
for n sedang
n moderately (20<n<50)
large (20 n < 50).
Jika p kecil (mendekati 0) atau besar (mendekati 1), gunakan

pendekatan dengan distribusi Poisson.

Suatu proses menghasilkan sejumlah produk (dengan kemungkinan

dproduk cacat 10%). Bila 100 produk diambil secara acak, berapakah
kemungkinan bahwa terdapat lebih dari 13 produk cacat?
Dalam kasus ini, banyaknya cacat berdistribusi binomial dengan

parameter n= 100 dan p=0,1. Karena ukuran sampel besar dilakukan
pendekatan dengan fungsi kemungkinan normal dimana parameternya
adalah np (100)(0,1) 10 , dan npq (100)(0,1)(0,9) 3,0 .
Karena ingin diamati kemungkinan bahwa terdapat lebih dari 13 produk
cacat, maka dicari probabilitas x>13. Untuk kasus diskrit, digunakan
batas x=13.5, dan harga z yang sesuai adalah z (13.5 10) / 3 1,167 .
Dari tabel diperoleh kemungkinan z>1.167 adalah 0.1216.

Perhitungan dengan Excel (1)
Dalam EXCEL, perintah NORMSDIST(number) akan

memberikan nilai Peluang kumulatif dari peubah acak normal
Baku.
Perintah NORMDIST(number, mean, Bakud deviation)
akan memberikan nilai Peluang dari peubah acak normal secara
umum.

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

Distribusi Normal Multivariat (1)
Distribusi dalam analisis multivariat umumnya adalah

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

Nilai ekspektasi dari sebuah vektor variabel random

X=(X1,,Xm) adalah E ( X ) E ( X1 ),...,E ( X m )' .
Jika X mempunyai rata-rata matriks variansi-

kovariansi X didefinisikan sebagai matriks (mxm) berikut
Cov( X ) E( X )( X )'.
Elemen ke-i dan ke-j dari matriks variansi-kovariansi

adalah ij E[( X i i )( X j j )] , sedangkan elemen ke-i
dikenal sebagai variansi ii E [( X i i ) 2
].

Agar variansi variabel random Xi ada, maka matriks
definit nonnegatif. Karena similaritas kovariansi, maka
matriks adalah matriks simetris, sehingga ' .
Sebuah matriks simetris (mxm) A disebut definit non-
negatif jika ' A 0 untuk semua R dan pasti positif
m
jika ' A 0 untuk semua R , 0 . R adalah ruang

m m
Euklidean berdimensi m dengan komponen real.
1
f x ( x) (2 ) m / 2
(det ) 1 / 2
exp ( x )' ( x )
1

Distribusi Peluang Gamma (1)
Distribusi gamma dikenal dari fungsi gamma yang banyak digunakan

dalam bidang matematika. Fungsi gamma didefinisikan oleh

( ) x 1 e x dx untuk 0 .
0
1
Jila dilakukan integrasi parsial atas u x dan dv=e-xdx, maka akan
x

x 2
diperoleh ( ) e xx 1 e ( 1) x 2 dx =( 1) e x dx ,
0 0
0
sehingga dihasilkan pengulangan fungsi gamma ( ) ( 1)( 1) ,
( ) ( 1)( 2)( 2) , dan seterusnya jika =n, dimana n bilangan
bulat positif, maka (n) (n 1)(n 2)...(1) . Karena menurut definisi

fungsi gamma (1) e dx 1 , maka (n) (n 1)!.

x
Satu sifat penting fungsi gamma, adalah (1 / 2) .

Definisi
Sebuah variabel random kontinyu X berdistribusi gamma
dengan parameter bila 0 dan 0 , bila mengikuti
fungsi
1 1 x /
f ( x)
x e x>0
( )
= 0, untuk x lainnya.
Parameter pemusatan dan penyebaran adalah sebagai

berikut :
E (X ) dan V ( X ) 2 2 .

Hal ini dapat dibuktikan dengan mengevaluasi momen ke-r di

sekitar titik asal distribusi gamma adalah
1 r 1 /
E( X )
' r
x e dx .
( )
r 0
r r 1 / r ( r )
Jika dimisalkan y=x/ , maka ( ) 0 y e dy ( ) .
'
r
( 1)
Dengan demikian '
, dan
( )
1
2 ( 2)
2 2 =
2

2 ' 2
( )
2

Distribusi gamma yang khusus (spesifik) untuk =v/2, =2,
dan v bilangan bulat positif disebut distribusi khi-kuadrat (chi-
square) dengan degree of freedom v.

Proposisi:
Jika X i , i 1,2,..., n adalah variabel random gamma independen
, maka i 1 X i juga gamma dengan
n
dengan parameter i ( , )
parameter i 1 i , .
n
(parameter adalah 1 / )
Proposisi:
Jika X i , i 1,2,..., n adalah variabel random independen
eksponensial independen dan identik dengan rata-rata ,
maka i 1 X i adalah variabel random gamma dengan
n
parameter (n, ) .

Distribusi Peluang Weibull (1)
Distribusi Weibull (Waloddi Weibull, Swedish, 1939) banyak digunakan

dalam analisis keandalan yang berkiatan dengan umur (rentang
waktu), contohnya rantang waktu dimana sebuah peralatan mungkin
akan rusak (tidak berfungsi).
Definisi
Variabel random kontinyu T berdistribusi Weibull, dengan dua
parameter 0 dan 0 , jika fungsi padatnya mengikuti
1 at
f (t ) t e untuk t > 0, dan f(t)=0, untuk t lainnya
Parameter pemusatan dan penyebaran adalahsebagai berikut :

1 2 1 2
E (T ) 1 / 1 dan V (T ) 2 2 / 1 1


Dengan menggunakan analogi, fungsi distribusi kemungkinan

Weibull dapat mencakup tiga parameter W(,,) dan fungsi
keandalannya didefinisikan oleh
1
t t
f (t ; , , ) exp , t , dan

t
R (t ; , , ) exp .

Mean time to failure (MTTF) dan variansinya adalah
1
E (T ; , , ) dan

2 2 1
Var (T ; , , ) 2 .


Distribusi Weibull digunakan secara luas dalam analisis

keandalan yang mengeneralisasi aplikasi distribusi tersebut
dengan menyertakan hazard rate yang tidak konstan,
meningkat atau menurun, dan mencakup initial failure serta
wear-out failures.
laju Kerusakan karena terjadinya early
causes dan chance causes kerusakan karena terjadi wear-
kerusakan out causes dan chance causes
hanya terjadi
chance failure

PELUANG

PELUANG

STATISTIKA Peluang Dan Distribusinya

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

STATISTIKA Peluang Dan Distribusinya

Transféré par

Droits d'auteur :

Formats disponibles

MK.

Macam- macam Distribusi Peluang Teoritis

a. Peubah Acak Diskrit

b. Peubah Acak Kontinyu

Diunduh dari: http://ilerning.com/index.php?option=com_content&view=article&id=543:distribusi-peluang-

C. Diskrit Binominal: Ciri- ciri umum:

Ciri ciri praktis

D. Diskrit Multinominal: Ciri- cirri:

Diunduh dari: http://ilerning.com/index.php?option=com_content&view=article&id=543:distribusi-peluang-

E. Diskrit Poisson: Ciri- ciri:

F. Diskrit Hipergeometris: Ciri- ciri

Diunduh dari: http://ilerning.com/index.php?option=com_content&view=article&id=543:distribusi-peluang-

Diunduh dari: http: 20/9/2012

Diunduh dari: http: 20/9/2012

l Peubah Acak Kontinyu

Diunduh dari: http: dhimaskasep.files.wordpress.com/.../ti2131-05-distribusi-kontinyu.pp... 27/9/2012

Interval waktu dapat dibagi menjadi:

Interval kecil tak terbatas

oleh sebuah rentang nilai dan nilai

Untuk contoh di samping, dinyatakan

Diunduh dari: http: dhimaskasep.files.wordpress.com/.../ti2131-05-distribusi-kontinyu.pp... 27/9/2012

Peubah Acak Kontinyu adalah sebuah peubah acak

Peluang dari peubah acak kontinyu X ditentukan

Diunduh dari: http: dhimaskasep.files.wordpress.com/.../ti2131-05-distribusi-kontinyu.pp... 27/9/2012

P(a < X < b) = Area

Diunduh dari: http: dhimaskasep.files.wordpress.com/.../ti2131-05-distribusi-kontinyu.pp... 27/9/2012

Densitas uniform [0,5] :

Diunduh dari: http: dhimaskasep.files.wordpress.com/.../ti2131-05-distribusi-kontinyu.pp... 27/9/2012

Ekspektasi dan variansi:

Diunduh dari: http: dhimaskasep.files.wordpress.com/.../ti2131-05-distribusi-kontinyu.pp... 27/9/2012

Dalam program komputer simulai terdapat subrutin pembangkit

Diunduh dari: http: dhimaskasep.files.wordpress.com/.../ti2131-05-distribusi-kontinyu.pp... 27/9/2012

Dari uraian tentang distribusi poisson diperoleh

Diunduh dari: http: dhimaskasep.files.wordpress.com/.../ti2131-05-distribusi-kontinyu.pp... 27/9/2012

Diunduh dari: http: dhimaskasep.files.wordpress.com/.../ti2131-05-distribusi-kontinyu.pp... 27/9/2012

Jika diinginkan paling sedikit dua peralatan dapat beroperasi

Diunduh dari: http: dhimaskasep.files.wordpress.com/.../ti2131-05-distribusi-kontinyu.pp... 27/9/2012

Diunduh dari: http: dhimaskasep.files.wordpress.com/.../ti2131-05-distribusi-kontinyu.pp... 27/9/2012

0.3 0.3 0.3

0.2 0.2 0.2

0.0 0.0 0.0

Normal Distribution: =0, =1

Distribusi yang berbentuk 0.4

lonceng (bell) 0.1

Diunduh dari: http: dhimaskasep.files.wordpress.com/.../ti2131-05-distribusi-kontinyu.pp... 27/9/2012

Distribusi PELUANG peubah acak kontinyu dalam

DiSTRIBUSI Normal juga dikenal sebagai Distribusi

Diunduh dari: http: dhimaskasep.files.wordpress.com/.../ti2131-05-distribusi-kontinyu.pp... 27/9/2012

Fungsi kerapatan Peluang normal: Normal Distribution: =0, =1

mengikuti fungsi distribusi kemungkinan berikut :

Diunduh dari: http: dhimaskasep.files.wordpress.com/.../ti2131-05-distribusi-kontinyu.pp... 27/9/2012

Kurva lonceng dan berdistribusi simetris, sehingga

Diunduh dari: http: dhimaskasep.files.wordpress.com/.../ti2131-05-distribusi-kontinyu.pp... 27/9/2012

Distribusi ini digunakan sangat luas dan seringkali

Jika dan diketahui maka lokasi dan bentuk kurva

Diunduh dari: http: dhimaskasep.files.wordpress.com/.../ti2131-05-distribusi-kontinyu.pp... 27/9/2012

Diunduh dari: http: dhimaskasep.files.wordpress.com/.../ti2131-05-distribusi-kontinyu.pp... 27/9/2012

Selanjutnya definisikan perkalian kedua bentuk satuan

Gunakan transformasi berikut y r sin , dan z r cos , maka

ii. Untuk setiap nilai variabel random X, nilai f ( x) 0 .

Diunduh dari: http: dhimaskasep.files.wordpress.com/.../ti2131-05-distribusi-kontinyu.pp... 27/9/2012

iii. Kurva fungsi distribusi kemungkinan normal bersifat

iv. Kurva fungsi distribusi kemungkinan normal simetris di kiri

Diunduh dari: http: dhimaskasep.files.wordpress.com/.../ti2131-05-distribusi-kontinyu.pp... 27/9/2012