4.

Sebaran Peluang Kontinyu

EL2002-Probabilitas dan Statistik
Dosen: Andriyan B. Suksmono
Isi
1. Sebaran normal/Gauss
2. Luas daerah di bawah kurva normal
3. Hampiran normal untuk sebaran binomial
4. Sebaran Gamma, Eksponensial, dan Chi-
kuadrat
5. Sebaran Weibull
4.1 Sebaran Normal/Gauss
Pendahuluan
Sebaran normal adalah sebaran paling
penting dalam Statistika.
1733: Abraham deMoivre mengembangkan
ekspresi matematika untuk kurva normal.
Gauss (1777-1855) menurunkan persamaan
normal ketika mempelajari (sebaran)
kesalahan didalam eksperimen berulang.
Sebaran normal: n(x; , o) dari peubah acak
X bergantung pada mean dan variansi o.
Konsep
SEBARAN NORMAL. Fungsi kerapatan (peluang) dari peubah acak normal X,
dengan mean dan variansi o
2
, adalah


dimana t=3.14159 dan e=2.71828
( )
2
2
1
2
1
, ;
(

=
o

o t
o
x
e x n
%----------------------------------------------------
%Fig.4.1: Gaussian Curve n(x,mu,sigma)
% mean=0.0 and sigma=1
%----------------------------------------------------
mu=0.0;sigma=1.0
x=-10:0.1:10;
g=(1/sqrt(2*pi)/sigma)*exp(-0.5*(x-mu).^2/sigma^2);
figure(1); plot(x,g);
%------------------------------------------------------
%Fig.4.2: Two Gaussian Curves n(x,mu,sigma)
% with mu1=-2.0, mu2=2.0 and sigma=1
%------------------------------------------------------
mu1=-2;mu2=4;sigma=1.0
x=-10:0.1:10;
g1=(1/sqrt(2*pi)/sigma)*exp(-0.5*(x-mu1).^2/sigma^2);
g2=(1/sqrt(2*pi)/sigma)*exp(-0.5*(x-mu2).^2/sigma^2);
figure(1); plot(x,g1,'r-',x,g2,'b:');
-10 -8 -6 -4 -2 0 2 4 6 8 10
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4

2
o
1
o
2
=
o
1
-10 -8 -6 -4 -2 0 2 4 6 8 10
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4

o
Kurva normal dng berbagai dan o
%------------------------------------------------------
%Fig.4.3: Two Gaussian Curves n(x,mu,sigma)
% with mu1=mu2=0.0 and sigma1<sigma2
%------------------------------------------------------
mu1=0.0;mu2=0.0;sigma1=1.0;sigma2=3
x=-10:0.1:10;
g1=(1/sqrt(2*pi)/sigma1)*exp(-0.5*(x-mu1).^2/sigma1^2);
g2=(1/sqrt(2*pi)/sigma2)*exp(-0.5*(x-mu2).^2/sigma2^2);
figure(1); plot(x,g1,'r-',x,g2,'b:');
%------------------------------------------------------
%Fig.4.3: Two Gaussian Curves n(x,mu,sigma)
% with mu1<mu2 and sigma1 < sigma2
%------------------------------------------------------
mu1=-4.0;mu2=2.0;sigma1=1.0;sigma2=3
x=-10:0.1:10;
g1=(1/sqrt(2*pi)/sigma1)*exp(-0.5*(x-mu1).^2/sigma1^2);
g2=(1/sqrt(2*pi)/sigma2)*exp(-0.5*(x-mu2).^2/sigma2^2);
figure(1); plot(x,g1,'r-',x,g2,'b:');
-10 -8 -6 -4 -2 0 2 4 6 8 10
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
o
1

2
=
1
o
2
>o
1
-10 -8 -6 -4 -2 0 2 4 6 8 10
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
o
1
o
2
>o
1

2
>
1

1
Sifat-sifat kurva normal
1. Modus, yaitu titik dalam sumbu mendatar dimana
kurva mencapai maksimum, adalah x =
2. Kurva simetrik terhadap mean
3. Kurva memiliki titik infleksi pada x = o, yaitu
cekung (concave) kebawah saat -o<X<+o,
dan cekung keatas didaerah lainnya.
4. Semakin jauh dari mean , kurva akan semakin
mendekati sumbu mendatar secara asimptotis.
5. Luas daerah dibawah kurva (diatas sumbu
mendatar) sama dengan 1.
Bukti adalah mean
Suku pertama ruas kanan adalah dikalikan dng luas daerah dibawah
kurva normal (=1), dng demikian hasilnya adalah
Suku ruas kanan kedua adalah integral terhadap fungsi ganjil, hasilnya
akan sama dengan nol.
Dengan demikian: E(X) =
( ) dx xe X E
x
}

=
2
2
1
2
1
o

o t
Dng membuat z=(x-)/o dan dx = o dz, maka akan kita peroleh
( ) ( )

0
2
1
2
2
2 2
2
2 2
1
2
1
=

} }
}
+ =
+ =
dz ze dz e
dz e z X E
z z
z
t
o
t

o
o t
Bukti o
2
adalah variansi

Integrasi perbagian dng u=z dan dv= z exp(-z
2
/2), sehingga
du=dz dan v=-exp(-z
2
/2) , diperoleh
( ) | | ( ) dx e x X E
x
}

=
2
2
1
2 2
2
1
o

o t

Dng membuat z=(x-)/o => (x-)

2
=z
2
o
2
dan dx = o dz, maka
( ) | |
}

= dz e z X E
z
2
2
2
2
2
2t
o

( ) | |
( )
2 2
2 2
2
2
1 0
2
2 2
o o
t
o

= + =
|
|
|
.
|

\
|
+ =
}

dz e ze X E
z z
Luas daerah di bawah
kurva normal
Integrasi fs sebaran dan Nilai Peluang
Setiap kurva dari sebaran peluang kontinyu atau fungsi kerapatan dibuat
sedemikian hingga luas daerah dibawah kurva yang dibatasi dua
ordinatnya, x=x
1
dan x=x
2
, sama dengan nilai peluang dari peubah acak
X antara x=x
1
dan x=x
2
. Dng demikian, untuk gambar 4.5 dibawah:
( ) ( ) dx e dx x n x X x P
x
x
x x
x
} }
|
.
|

\
|

= = < <
2
1
2
2
1
2
1
2 1
2
1
, ;
o

o t
o
x
1
x
2

x
Luas ditentukan oleh dan o
2

Gambar 4.6 menunjukkan, untuk selang x
1
dan x
2
yang
sama, luas daerah dibawah kurva bisa berlainan. Nilainya
bergantung juga pada dan o
2
.

1
x
1
x
2

x

2

Gambar 4.6
Transformasi peubah acak
Untuk beberapa keperluan, perlu dilakukan tabulasi nilai peluang
sebaran normal dalam selang tertentu. Ini tidak mungkin dilakukan
untuk semua kombinasi dan o
2
.
Kita bisa melakukan transformasi sebarang observasi normal ke sebaran
baku yang memiliki nilai mean nol dan variansi satu.
Bentuk tranformasi normal baku : Z=(X-)/o
Jika X memiliki nilai batas x
1
dan x
2
, maka luas daerah antar batas tsb
akan sama dengan luas daerah dibawah kurva normal baku yang
memiliki batas z
1
=(x
1
-)/o dan z
2
=(x
2
-)/o. Akibatnya:
( )
( ) ( )
2 1
2
2
2
1
2 1
2
1
2
1
2
2
1
1 , 0 ;
2
1
2
1
z Z z P dz z n
dz e dx e x X x P
z
z
z
z
z
x
x
x
< < = =
= = < <
}
} }

|
.
|

\
|

t o t
o

dimana Z adalah peubah acak normal dengan mean nol dan variansi satu
Sebaran Normal Baku
Def. 4.1. Sebaran dari peubah acak normal dengan
mean nol dan variansi 1 disebut sebagai sebaran
normal baku
x
1
x
2

x
0
z
1
z
2

z
Z = (X- )/o
o o=1
Dalam buku teks, sebaran normal baku diberikan
pada Tabel IV di lampiran.
}
z
-
n(z;0,1)dz
Contoh 4.1
Soal: Diberikan suatu sebaran normal dengan =50 dan
o=10, tentukan peluang X bernilai antara 45 dan 62
Jawab: nilai z yang terkait dengan x
1
=45 dan x
2
= 62 adalah
z
1
= (45-50)/10 = -0.5
z
2
= (62-50)/10 = 1.2
Dengan demikian
P(45<X<62) = P(-0.5<Z<1.2)
Dari Tabel IV, kita peroleh
P(45<X<62) = P(-0.5<Z<1.2)
= P(Z<1.2) - P(Z<-0.5)
= 0.8849 0.3085
=0.5764
-0.5 1.2
z
Contoh 4.2
Soal: Sejenis batere tertentu rata-rata akan habis listriknya
dalam 3.0 tahun dengan simpangan baku 0.5 tahun. Jika waktu
hidup batere tersebar normal, tentukan peluang bahwa suatu
batere tertentu akan habis listriknya dalam 2.3 tahun!
Jawab: Peluang yang dimaksud dilukiskan pada gambar 4.9.
Untuk menentukan P(X<2.3), kita perlu menghitung luas
dibawah kurva normal dari - dampai 2.3. Transformasi ke
kurva normal baku memberikan z=(2.3-3)/0.5 = -1.4.
Berdasarkan Tabel IV diperoleh
P(X<2.3) = P(Z<-1.4)
= 0.0808
2.3
3
o=0.5
Contoh 4.3
Soal: Sebuah pabrik memproduksi bola lampu yng memiliki waktu
hidup tersebar normal dengan mean 800 jam dan simpangan baku 40
jam. Tentukan peluang suatu bola lampu produksi pabrik tsb terletak
antara 778 dan 834 jam.

Jawab: Sebaran spt dilukiskan pada Gb.4.10. nilai z untuk x
1
=778 dan
x
2
=834 adalah
z
1
= (778-800)/40 = -0.55
z
2
= (834-800)/40 = 0.85

Dengan demikian
P(778<X<834) = P(-0.55<Z<0.85)
= P(Z<0.85) P(Z<-0.55)
= 0.8023 0.2912
= 0.511

778 834
800
o=40
x
Contoh 4.4
Soal: Suatu komponen elektronik akan direject jika
nilainya berada diluar persyaratan 1.50d. Hasil
pengukuran tersebar normal dengan mean 1.50 dan
simpangan baku 0.2. Tentukan nilai d sehingga spesifikasi
ini mencakup 95% pengukuran.
Jawab: Dalam soal ini akan ditentukan nilai z sehingga
prosentase terpenuhi, lalu kembalikan menjadi x dengan
rumus x=oz+. Dari Tabel IV diperoleh
0.95 = P(-1.96 <Z<1.96) (yaitu, 0.9750.025)
Dng menggunakan x=oz+ => 1.50 +d = (0.2)(1.96)+1.50
atau: d = (0.2)(1.96) = 0.392
1.108 1.50
o=0.2
1.892
0.025 0.025
Nb: Dr simetri kurva normal,diperoleh
batas kiri:
P(z) = 0.05/2= 0.025;
batas kanan:
P(z) = 0.95+(0.05/2)= 0.975
Contoh 4.5
Soal: Suatu pabrik komponen elektronika menghasilkan
resistor dengan nilai tersebar secara normal. Mean dari
resistor 40 ohm dan simpangan bakunya 2 ohm. Tentukan
prosentase resistor yang nilainya melebihi 43 ohm, jika
nilai resistor dapat diukur dengan akurasi tak terbatas.
Jawab: Prosentasi ditentukan dengan mengalikan frekuensi
dengan 100%. Kita akan menghitung nilai peluang
disebelah kanan 43 pd gambar 4.12. Ini bisa dilihat pada
Tabel IV setelah dihitung z-nya, yaitu
z = (43-40)/2 = 1.5
Dengan demikian
P(X>43) = P(Z>1.5) = 1-P(Z<1.5)
= 1-0.9332
= 0.0668
Jadi, ada 6.68% resistor yang
nilainya diatas 43 Ohm
40
o=2.0
43
Contoh 4.6
Soal: Tentukan prosentase dari resistor spt pada soal sebelumnya yang
melebihi 43 ohm jika resistansi diukur pada nilai ohm terdekat.
Jawab: Soal ini sedikit berbeda dari sebelumnya, nilai 43 ohm di-
assign untuk semua resistor yng terletak dalam selang 42.5 43.5.
Jadi, kita menghitung nilai aproksimasi sebaran diskrit deng sebaran
normal yang kontinyu. Dari gambar 4.13 dpt dihitung
z = (43.5 - 40)/2 =1.75
jadi P(X>43.5) = P(Z>1.75) = 1 P(Z<1.75)
= 1 0.9599
= 0.0401
Jadi ada 4.01% resistor yang melebihi 43
ohm diukur dng ohm terdekat.
Perbedaan sebesar 6.68%-4.01%
= 2.67% dng jawab sebelumnya
adalah kontribusi resistor yang
lebih dari 43 tapi kurang dari 43.5
(tercatat sbg 43 ohm).
40
o=2.0
43.5
4.3 Hampiran sebaran binomial
dengan sebaran normal
Hampiran sebaran
Nilai sebaran binomial b(x;n,p) ditabulasi untuk n
kecil. Jika tdk ada di tabel, kita harus menghitung
sendiri. Ini bisa dilakukan sengan menggunakan
hampiran.
Sebelumnya telah dijelaskan bahwa sebaran
Poisson dapat dipakai sebagai hampiran sebaran
binomial jika n besar dan p mendekati 1. Kedua-
duanya sebaran diskrit.
Akan diperlihatkan bahwa sebaran normal dapat
menjadi hampiran yang cukup teliti untuk sebaran
binomial, jika n besar dan p mendekati .
Teorema
Teorema 4.1 Jika X suatu peubah acak binomial
dengan mean =np dan variansi o
2
=npq, maka limit
dari sebaran


ketika n adalah sebaran normal (baku) n(z; 0,1)
npq
np X
Z

=
Contoh
Tinjau sebaran binomial b(x;15,0.4).
Untuk x=4, kita dapatkan b(4;15,0.4)=0.1268
Nilai tsb didekati dng luas dibawah kurva normal dng batas
antara x
1
=3.5 sampai dengan x
2
=4.5
z
1
=(3.5-6)/1.9 = -1.316
z
2
=(4.5-6)/1.9 = -0.789
Jika X peubah acak binomial dan Z peubah acak normal,
maka
P(X=4) = b(4;5, 0.4)
~ P(-1.316<Z<-0.789)
= P(Z<-0.789) P(Z<-1.316)
= 0.2151 0.0941
= 0.1210
Nilai ini cukup dekat dengan harga sebenarnya untuk
sebaran binomial b(4;15,0.4) = 0.1268
Contoh
Pendekatan normal sangat berguna untuk menghitung nilai sebaran
binomial jika n besar. Andaikan kita akan menghitung peluang X
bernilai antara 7 dan 9 (inklusif) dari soal sebelumnya, maka

P(7s X s9) =
9
7
b(x;15,0.4)
=
9
0
b(x;15,0.4) -
6
0
b(x;15,0.4)
= 0.9662 0.6098
= 0.3564

Dengan pendekatan normal, kita akan menghitung luas daerah
dibawah kurva normal dengan batas antara x
1
=6.5 sampai dengan
x
2
=9.5. Nilai z
1
, z
2
tersebut adalah
z
1
= (6.5-6)/1.9 = 0.263; dan z
2
= (9.5-6)/1.9 =1.842
P(7s X s9) ~ P(0.263s Z s1.842)
= P(Z<1.842) P(Z<0.263)
= 0.9673 0.6037
= 0.3636
Lat: (2),(3), (15), (16)
4.4 Sebaran Gamma,
Eksponensial, dan Chi-kuadrat
Fungsi Gamma
Teorema 4.2 Fungsi gamma didefinisikan sebagai

dimana o >0.
substitusi dengan u=x
o-1
dan dv=e
-x
dx, kemudian integrasi-kan
secara parsial, akan dihasilkan
I(o) = -e
-x
x
o-1
|
0

+ }
0

e
-x
(o-1)x
o-2
dx
= (o-1) }
0

e
-x
x
o-2
dx
Maka, kita akan memperoleh bentuk formula rekursif berikut:
I(o) = (o-1)I(o-1) = (o-1) (o-2)I(o-2) = dst.
Untuk o=n bulat positif, maka: I(n) = (n-1)(n-2) I(1).
Karena perdefinisi I(1) = }
0

e
-x
dx =1, maka
I(n) = (n-1)!
Salah satu sifat fungsi gamma yang penting adalah I(1/2) = \t
( )
}

= I
0
1
dx e x
x o
o
Sebaran Gamma
SEBARAN GAMMA. Peubah acak kontinyu X memiliki sebaran
gamma dengan parameter o dan |, jika fungsi kerapatan peluangnya
diberikan oleh



dimana o>0 dan |>0.
( )
( )
lainnya
x e x x f
x
, 0
0 ,
1
1
=
>
I
=

| o
o
o |
Grafik sebaran gamma. Jika o=1, sebaran akan menjadi eksponensial.
f(x)
1
2 3 4 5 6 7
0.5
1
x
o=1, |=1
o=2, |=1
o=4, |=1
Sebaran eksponensial
SEBARAN EKSPONENSIAL. Peubah acak kontinyu X
akan memiliki sebaran eksponensial dengan parameter | jika
fungsi kerapatannya diberikan oleh



dimana |>0.
( )
lainnya
x e x f
x
, 0
0 ,
1
=
> =

|
|
Sebaran eksponensial memiliki banyak aplikasi dalam
statistik, khususnya menyangkut teori keandalan (reliability)
dan teori antrian ( queueing theory).
Contoh 4.10
Soal: Suatu sistem mengandung komponen tertentu dengan
waktu kegagalan (dalam tahun) diberikan oleh peubah acak T
yang memiliki sebaran eksponensial dengan parameter |=5.
Jika 5 dari komponen ini dipasang pada berbagai sistem, berapa
peluang minimal 2 diantaranya tetap berfungsi setelah 8 tahun?

Jawab: Peluang suatu komponen tetap berfungsi setelah 8 tahun
diberikan oleh
P(T>8) = (1/5)}
8

e
-t/5
dt
= e
-8/5
~0.2

Andaikan X menyatakan jumlah komponen yang masih
berfungsi stlh 8 tahun. Maka dengan sebaran binomial
P(X >2) =
2
5
b(x;5,0.2) = 1-
0
1
b(x;5,0.2)
=1-0.7373 = 0.2627
Sebaran Chi-kuadrat
Kasus khusus kedua untuk sebaran gamma diperoleh ketika
o=v/2, dan |=2. Sebaran yang dihasilkan disebut sebaran
chi-kuadrat dengan derajat bebas v.
SEBARAN CHI-KUADRAT. Peubah acak kontinyu X
memiliki sebaran peluang chi-kuadrat, dengan derajat bebas v,
jika fungsi kerapatan peluangnya diberikan oleh




dimana v bilangan bulat positif.
( )
lainnya
x e x
v
x f
x v
v
, 0
0 ,
2
2
1
2
1
2
2
=
>
|
.
|

\
|
I
=

Sebaran Chi-kuadrat adalah salah satu perangkat penting
dalam bidang pengujian hipotesis.
Mean dan variansi
TEOREMA 4.2 Mean dan variansi dari sebaran
gamma adalah
= o| dan o
2
= o|
2

COROLLARY 1. Mean dan variansi dari sebaran
eksponensial adalah
=| dan o
2
=|
2

COROLLARY 2. Mean dan variansi dari sebaran
chi-kuadrat adalah
=v dan o
2
=2v
4.5 Sebaran Weibull
Pengantar
Teknologi modern memungkinkan dibuatnya
sistem/perangkat yang operasi maupun keselamatannya
tergantung dari berbagai komponen.
Contoh: sekering dpt terbakar, kolom beton dapat roboh,
atau pengindera panas bisa gagal berfungsi.
Komponen yang sama dalam pengaruh lingkungan sama
dapat mengalami kegagalan dlm waktu berbeda dan tak
teramalkan.
Waktu kegagalan atau waktu hidup komponen diukur dari
saat mula tertentu sampai gagal dinyatakan dengan peubah
acak T dan fungsi rapat peluang f(T). Salah satu sebaran
terpenting dalam permasalahan keandalan adalah sebaran
Weibull.
Sebaran Weibull
SEBARAN WEIBULL. Peubah acak kontinyu T disebut memiliki
sebaran Weibull dengan parameter o dan |, jika fungsi kerapatan
peluangnya diberikan oleh


dimana o>0 dan |>0.
( )
lainnya
t e t t f
t
, 0
0 ,
1
=
> =

|
o |
o|
f(t)
0.5 1.0 1.5
t
|=1
|=2
|=3
Sebaran Weibull (o=1)
Mean dan variansi
Terlihat kurva berbeda-beda untuk parameter yang
berlainan, khususnya |. Jika |=1, sebaran Weibull
menjadi sebaran eksponensial.
Untuk |>1, kurva mendekati bentuk lonceng dan
mirip kurva normal, tapi punya skewness.
TEOREMA 4.3 Mean dan variansi dari sebaran
Weibull adalah:

= o
-1/|
I(1+1/|)

o
2
= o
-2/|
{I(1+2/|) [I(1+1/|)]
2
}
Aplikasi
Untuk menerapkan sebaran Weibull dalam teori keandalan,
definisikan keandalan dari produk sebagai peluang bahwa
produk ini berfungsi secara benar sedikitnya dalam
perioda waktu tertentu dan dalam kondisi percobaan
tertentu pula.
Jadi, jika R(t) keandalan komponen pada saat t, maka
R(t) = P(T>t) = }
1

f(t) dt
= 1-F(t)
dimana F(t) adalah sebaran kumulatif dari T.
Peluang bersyarat bahwa suatu komponen akan gagal
dalam selang T=t sampai T= t + At, diberikan komponen
ini tahan sampai t, adalah
[F(t+At) F(t)] / R(t)
Lanjutan
Laju kegagalan adalah
( )
( ) ( )
( )
( )
( )
( )
( )
( )
( ) t F
t f
t R
t f
t R
t F
t R t
t F t t F
t Z
t

=
= =
A
A +
=
A
1
' 1
lim
0
Karena R(t) = 1-F(t) dan R(t) = -F(t), kita dapat menuliskan
persamaan diferensial berikut
Z(t) = -R(t)/R(t) = -d[ln R(t)]/dt
dan kemudian dengan memecahkan
ln[R(t)] = - }Z(t) dt , atau
R(t) = exp(-}Z(t)dt) + c
dimana c menyatakan asumsi awal R(0) =1 atau F(0) = 1-R(0) =0.
Terlihat bahwa pengetahuan fungsi kerapatan f(t) atau laju
kegagalan Z(t) saling menentukan.
Contoh 4.11
Soal: Tunjukkan bahwa fungsi laju kegagalan diberikan oleh
Z(t) = o|t
|-1
, t>0
jika dan hanya jika sebaran waktu ke kegagalan adalah sebaran
Weibull dengan fungsi kerapatan
f(t) = o|t
|-1
exp(-ot
|
), t>0

Jawab: asumsikan bahwa Z(t) = o|t
|-1
, t>0. Maka kita dapat
menuliskan
f(t) = Z(t) R(t), dimana
R(t) = exp(-}Z(t)dt) = exp(-}o|t
|-1
dt) = exp(ot
|
+c)
dari kondisi R(0) = 1, kita temukan c=0. Maka
R(t) = exp(-ot
|
) dan
f(t) = o|t
|-1
exp(-ot
|
), t>0
Lanjutan
Dengan mengasumsikan
f(t) = o|t
|-1
exp(-ot
|
), t>0
maka Z(t) ditentukan dengan menuliskan
Z(t) = f(t)/R(t)
dimana
R(t) = 1-F(t) = 1-}
0
t
o|x
|-1
exp(-ox
|
)dx,
= 1+}
0
t
d(exp(-ox
|
))
= exp (-ot
|
)
Maka
Z(t) = o|t
|-1
exp(-ot
|
)/exp(-ot
|
)
= o|t
|-1
, t>0
Dlm contoh ini, laju kegagalan menurun thd waktu jika |<1,
meningkat jika |>1, dan konstan jika |=1.
Dari sudut pandang |=1 sebaran Weibull menjadi eksponensial,
asumsi kegagalan konstan sering diacu sebagai asumsi eksponensial.

Selesai