STATISTIKA

Distribusi Peluang Kontinu

Jumat 17 April 2015

Pengantar
Sebuah variabel random kontinu adalah
variabel yang dapat mecakup nilai
pecahan maupun rentang nilai tertentu
Karena bilangan pecahan jumlahnya tidak
terbatas, kita tidak bisa menuliskan semua
nilai yang mungkin bersama dengan
probabilitasnya masing-masing dalam bentuk
tabel., sehingga dipakai fungsi kepadatan
Probabilitas ( Probability Density Function
Pdf).
Plot untuk fungsi ini disebut kurva probabililtas
dan dinyatakan sebagai luas kurva yang
bernilai positif.

Distribusi Seragam Kontinyu

Merupakan distribusi peluang kontinyu yang
paling sederhana
Probability Density Function nya adalah

Rataan dan Variansi

ab
2
2

b a
2

12

Contoh 1
Sebuah ruang konferensi dapat disewa untuk
rapat yang lamanya tidak lebih dari 4 jam.
Misal X adalah random variabel yang
menyatakan waktu rapat yang mempunyai
distribusi seragam. a) tentukan probability
density dari X, b) tentukan peluang rapat
berlangsung 3 jam atau lebih

Distribusi Normal
Disebut juga Gaussian Distribution (Sesuai
dengan nama penemunya Karl Freidrich
Gauss)
Merupakan distribusi yang paling penting
diantara distribusi lainnya
Mensyaratkan variabel yang diukur harus
kontinyu misalnya tinggi badan, berat badan dll
Probability Density Function random variabel X
dengan rataan dan variansi 2 adalah

n( x; , )
x
3,14159
e 2,71828

1
2

e (1 / 2 )[( x ) / )]

Ciri-ciri:
1. Kurva berbentuk garis lengkung yang halus
dan menyerupai genta/lonceng.
2. Kedua ekor/ujungnya semakin mendekati
sumbu absisnya tetapi tidak pernah memotong
3. Memiliki 2 parameter yaitu dan yang
menentukan lokasi dan bentuk distribusinya
4. Titik tertinggi berada pada rata-rata
5. Merupakan distribusi yang simetris
6. Simpangan baku menentukan lebarnya kurva,
makin kecil , bentuk kurva makin runcing
7. Total luas di bawah kurva normal =1

Distribusi Normal
Luas daerah dibawah kurva normal
Persamaan matematis bagi distribusi probabilitas
acak normal tergantung pada 2 parameter yaitu
dan . Bila kedua nilai tersebut diketahui, maka
kita dapat menggambarkan kurva normal tersebut
dengan pasti

1<2 dan 1<2

1
2

1=2 dan 1<2

1<2 dan 1=2

1
1

1=2

Untuk memudahkan dikembangkan suatu cara untuk

Mentransformasikan setiap hasil pengamatan random
Variabel x menjadi random variabel normal Z dengan
Rataan 0 dan variansi 1
Nilai Z = angka yang menunjukkan
Penyimpangan suatu variabel acak
X
Z
X dari mean () dalam satuan

Standar deviasi ()
Untuk mengetahui berbagai luas dibawah lengkungan kurva
normal standar sudah tersedia luas kurva normal standar di
Tabel L.3 p. 775 Walpole

Distribusi Normal
Contoh 2

Contoh 3

Ditentukan distribusi normal baku, carilah luas dibawah kurva

Yang terletak a). Di sebelah kanan z=1,84 b). Antara z=-1.97
Dan z=0,86

Suatu perusahaan listrik menghasilkan bola lampu yang

Umurnya berdistribusi normal dengan rataan 800 jam
Dan simpangan baku 40 jam. Hitung peluang suatu bola
Lampu dapat menyala antara 778 dan 834 jam

a). Luas kurva disebelah kanan z = 1,84 dari tabel L.3 p.775
adalah
P(X>1,84) =1 P(Z<1,84)
= 1 0,9671
= 0,0329
b). Luas kurva disebelah kanan z = -1.97 dan z = 0,86
dari tabel L.3 p.775
Maka P(-1.97<X<0.86) = P(Z(<-1.97) - P(Z<0.86)
= 0,8051 0,0244

778 800
0,55
40
834 800
z2
0,85
40
Maka P(778<X<834) = P(-0,55<X<0,85)
= P(Z<0,85)-P(<-0,55)
= 0,8023 0,2912
= 0,5111
z1

Distribusi Gamma
Fungsi Gamma

( ) x 1e x dx

Untuk a > 0

Distribusi Gamma merupakan turunan dari fungsi gamma

yang banyak diterapkan dalam teori antrian dan teori
Keandalan (reliabilitas) dengan parameter dan dimana
Probability density functionnya adalah sbb:

f ( x)

1
1 x /
x
e
( )

f(x) = 0, untuk x lainnya

untuk x>0
dengan >0 dan >0

Rataan dan variansi distribusi gamma

Grafik Fungsi Gamma

2 2

Distribusi Eksponensial
Distribusi eksponensial adalah distribusi gamma dengan = 1,
Dengan parameter dan probability density functionnya
Adalah:

f ( x)

1 x /
e

untuk x>0

f(x) = 0, untuk x lainnya

dengan >0

MISAL : dalam suatu antrian kapal yang berlabuh

disuatu dermaga, jumlah kedatangan kapal
mengikuti distribusi poisson, sedangkan waktu
antara kedatangan kapal mengikuti distribusi
eksponensial.

Hubungan dengan Proses Poisson

Rataan dan variansi distribusi Eksponensial

2 2
Jika suatu peristiwa terjadi dalam konteks proses poisson, maka
panjangnya waktu atau ruang antar dua peristiwa yang
berurutan mengikuti distribusi probabilitas kontinyu. Karena
waktu
atau ruang bersifat kontinu, pengukuran seperti itu
menghasilkan variabel random kontinu. Distribusi eksponensial
sering disebut sebagai distribusi waktu. Peristiwanya sangat erat
dengan peristiwa pada distribusi poisson.

Misalkan distribusi poisson dengan parameter , dimana

adalah banyaknya kejadian satu satuan waktu. X
adalah random variabel yang menyatakan panjang
selang waktu yang diperlukan agar kejadian pertama
terjadi. dengan Distribusi poisson , peluang tidak ada
kejadian muncul sampai selang waktu t adalah

Peluang panjang selang waktu kejadian pertama terjadi

Sampai melewati X sama dengan peluang tidak ada
Kejadian. Fungsi distribusi kumulatif X adalah :

Distribusi Eksponensial
Fungsi densitas dari turunan fungsi diatas adalah

Yang merupakan fungsi padat peluang distribusi eksponensial

Dengan

Hal yang perlu diperhatikan adalah parameter dan . Rataan

Distribusi ekponensial adalah yang sama dengan 1/ .
adalah rataan kejadian yang berurutan
Teori keandalan (relaibility) yang menyangkut kegagalan
Peralatan sering memenuhi proses Poisson. Disini dapat
Merepresentasikan waktu rata-rata antara kegagalan.

Contoh 5
Kedatangan pelanggan restoran dianggap berdistribusi
poisson dengan rata-rata 3.2 pelanggan per 30 menit
a). Berapa menit waktu rata-rata antar kedatangan
pelanggan di retsoran tersebut
b). Probabilitas bahwa kedatangan pelanggan ada
selang 1 jam atau kurang
c). Probabilitas 2 pelanggan dengan selang waktu 15
menit atau lebih
Jawaban :
a). Rata-rata 3.2/30 = 0.1067 pelanggan/menit.
Maka waktu rata-rata antar kedatangan pelanggan adalah
1/0.1067= 9.37 menit
b).1 jam = 2 interval ( 2x30 menit), maka
P (0 X 2) 1 e x
1 e ( 3.2 )( 2 ) 0.998
b).15 menit = 0.5 interval ( 0.5x30 menit), maka
P ( X 0.5) e x
e ( 3.2 )( 2) 0.202

Distribusi Chi Kuadrat

Distribusi Chi-square

Dengan bilangan bulat positif

Rataan dan Variansinya

2 2

0.2

f(x)=0 untuk x lainnya

Untuk x>0

0.1

1
x / 21e x / 2
/2
2 ( / 2)

0.0

f ( x)

0.3

0.4

Mempunyai parameter tunggal yaitu derajat

Kebebasan dengan probability density function

Grafik Distribusi Chi Square

0.5

Merupakan turunan dari distribusi gamma dengan

= /2 dan = 2

6
x

10

Distribusi Weibull
Distribusi Weibull

Untuk x>0

0.5

f(x)

f ( x) x 1e x

0.0

Mempunyai parameter dan dengan probabaility

Density functionnya sebagai berikut:

1.0

1.5

2.0

Biasanya digunakan untuk menyelesaikan masalahmasalah yang menyangkut lama waktu (umur) suatu
objek yang mampu bertahan hingga akhirnya objek
tersebut tidak berfungsi sebagaimana mestinya (rusak
atau mati) life testing

0.0

f(x)=0 untuk x lainnya

Dengan >0 dan >0

Rataan dan Variansinya adalah

1
1/ 1

2 /

2
1
1 1

0.5

1.0

1.5
x

2.0

2.5