Analisa Data Statistik Chap 6: Distribusi Probabilitas Kontinu

Presentasi berjudul: "Analisa Data Statistik Chap 6: Distribusi Probabilitas Kontinu"— Transcript presentasi:

1 Analisa Data Statistik Chap 6: Distribusi Probabilitas Kontinu
Agoes Soehianie, Ph.D

2 Daftar Isi DIstribusi Uniform Kontinu Distribusi Normal
Hubungan Distribusi Normal dan Binomial Distribusi Gamma dan Exponential Distribusi Chi-Squared

3 Distribusi Uniform Kontinu
Fungsi rapat probabilitas dari distribusi variabel random X yang bersifat uniform dan kontinu dalam interval [A,B] diberikan oleh: f(x) Mean atau rata-rata: Variansinya: 1/(B-A) A B x

4 Contoh. Sebuah ruang rapat di suatu perusahaan hanya bisa dipakai tak lebih dari 4 jam. Pemakaian ruang tsb untuk rapat singkat maupun panjang sama seringnya. Bisa diasumsikan bahwa jika X menyatakan lamanya sebuah rapat di ruang tsb, maka distribusinya uniform. Turunkan fungsi rapat probabilitasnya Berapa probabilitasnya sebuah rapat di ruang tsb akan berlangsung paling lama 3 jam? Berapakah lama rata-rata rapat di ruang tsb? Jawab: B = 4 dan A=0, maka (B-A) = 4 dan fungsi rapat probabilitasnya adalah: f(x) = ¼ untuk 0≤x ≤4 dan f(x)=0 untuk x di luar itu. Probabilitas lama rapat kurang dari 3 jam: P(x<3)

5 Distribusi Normal Distribusi probabilitas yg terpenting dalam statistik adalah distribusi normal atau Gaussian. Fungsi rapat probabilitas variabel random X dengan mean μ dan variansi σ2 yang memiliki distribusi normal adalah: μ σ

6 Distribusi Normal : Sifat
Contoh variabel random yg memiliki distribusi normal misalnya: distribusi error dalam pengukuran pengukuran dalam meteorologi pengukuran curah hujan sebagai pendekatan bagi distribusi binomial dan distribusi hipergeometrik, dan lainnya Sifat-Sifat Distribusi Normal: Rata-ratanya (mean) μ dan standard deviasinya = σ Mode (maximum) terjadi di x=μ Bentuknya simetrik thd x=μ Titik belok tepat di x=μ±σ Kurva mendekati nol secara asimptotis semakin x jauh dari x=μ Total luasnya = 1

7 Distribusi Normal : Sifat
Bentuk distribusi normal ditentukan oleh μ dan σ. 1 2 μ1 = μ2 σ1 > σ2 2 1 μ1 < μ2 σ1 = σ2 2 1 μ1 < μ2 σ1 < σ2

8 Luas di Bawah Kurva dan Probabilitas
P(x1<x<x2) = probabilitas variabel random x memiliki nilai antara x1 dan x2 P(x1<x<x2) = luas di bawah kurva normal antara x=x1 dan x=x2 x1 μ x2 n Oleh karena perhitungan integral normal tsb sulit, maka disusunlah tabel nilai rapat probabilitas. Akan tetapi karena nilai rapat probabilitasnya tergantung pada μ dan σ maka sangatlah tidak mungkin mentabelkan untuk semua nilai μ dan σ

9 Kurva DIstribusi Normal Standard
Distribusi normal standard adalah distribusi normal dengan mean μ=0 dan standard deviasi σ=1. Transformasi memetakan distribusi normal menjadi distribusi normal standard, sebab distribusi normal dengan variabel z ini memiliki mean =0 dan standard deviasi = 1. Transformasi ini juga mempertahankan luas dibawah kurvanya, artinya: Luas dibawah kurva distribusi normal standard antara z1 dan z2 Luas dibawah kurva distribusi normal antara x1 dan x2 n = Dengan z1 = (x1-μ)/σ dan z2 = (x2-μ)/σ. Sehingga cukup dibuat tabel distribusi normal standard kumulatif saja!

10 Tabel Distribusi Normal Standard Kumulatif
Z -3.4 -3.3 -3.2 -3.1 -3.0 n

11 Contoh: Hitung Luas Pergunakanlah tabel distribusi normal standard untuk menghitung luas daerah : Di sebelah kanan z=1.84 Antara z=-1.97 s/d z=0.86 Jawab. Ingat bahwa luas yg diberikan dalam tabel distribusi normal kumulatif adalah luas dari z=-∞ s/d z0 tertentu: P(z<z0). P(z>1.84) = 1 – P(z≤1.84) = = P(-1.97 <z<0.86) = P(z<0.86) – P(z<-1.97) = – = n

12 Contoh: Cari z Carilah nilai z=k di distribusi normal standard sehingga P(Z>k) = P(k<z<-0.18) =0.4197 Jawab: P(Z>k) = berarti P(Z<k) = 1- P(z>k) = 1 – = Dari tabel terbaca luas ke kiri = adalah untuk z=0.52. b) P(k<z<-0.18) = P(z<-0.18) – P(z<k) = = – P(z<k) = Jadi P(z<k) = = Dari tabel z = -2.37 n

13 Contoh: Luas di bawah kurva normal non standard
Variaber X terdistribusi normal dengan mean 50 dan standard deviasi =10. Carilah probabilitas untuk menemukan X bernilai antara 45 dan 62? Jawab. Dalam soal ini μ = 50 dan σ=10. x1 = 45 dan x2 =62 Pertama kita mapping x ke z (melakukan normalisasi atau standardisasi): z1 = (x1 -μ)/σ  z1 = (45-50)/10 = -0.5 z2 = (x2 -μ)/σ  z2 = (62-50)/10 = 1.2 Sehingga P(45 <x< 62) = P(-0.5<z<1.2) P(-0.5<z<1.2) = P(z<1.2) – P(z<-0.5) = =0.5764 n

14 Memakai Distribusi Normal Dalam Arah Kebalikan
Diketahui luas dibawah distribusi normal yg diinginkan yang terkait dengan besar probabilitas, ingin dicari nilai variabel random X yg terkait. Contoh. Misalkan distribusi normal memiliki μ=40 σ=6, carilah nilai x0 sehingga: P(x<x0) = 45% P(x>x0)=14% Jawab. Kita mulai dengan mencari nilai Z yg sama luasnya. P(z<z0) = 45% = 0.45  dari tabel z0 = -0.13 z0 = (x0-μ)/σ  x0 = μ + σz0 = 40 +6*(-0.13) = 39.22 n

15 Memakai Distribusi Normal Dalam Arah Kebalikan
Jawab. b) Kita mulai dengan mencari nilai Z yg sama luasnya. P(z>z0) = 14%  P(z<z0) = 1- P(z>z0) = = 0.86 P(z<z0) = 0.86  dari tabel z0 = 1.08 z0 = (x0-μ)/σ  x0 = μ + σz0 = 40 +6*(1.08) = 46.48 n

16 Contoh Penerapan Distribusi Normal
Sebuah perusahaan bolam lampu mengetahui bahwa umur lampunya (sebelum putus) terdistribusi secara normal dengan rata-rata umurnya 800 jam dan standard deviasinya 40 jam. Carilah probabilitas bahwa sebuah bolam produksinya akan: Berumur antara 778 jam dan 834 jam Berumur kurang dari 750 jam atau lebih dari 900 jam Jawab. μ= 800 σ=40. P(778<x<834) x1=778  z1 = (x1-μ)/σ = ( )/40 = -0.55 x2=834  z2 = (x2-μ)/σ = ( )/40 = 0.85 P(778<x<834) = P(-0.55<z<0.85) = P(z<0.85)-P(z<-0.55) = – = n

17 Contoh Penerapan Distribusi Normal
b) Berumur kurang dari 750 jam atau lebih dari 900 jam μ= 800 σ=40. P(x< 750 atau x>900) x1=750  z1 = (x1-μ)/σ = ( )/40 = -1.25 x2=900  z2 = (x2-μ)/σ = ( )/40 = 2.5 P(x< 750 atau x>900) = P(z<-1.25) + P(z>2.5) = P(z<-1.25) + 1- P(z<2.5) = 1 + P(z<-1.25) - P(z<2.5) = = n

18 Soal Diameter ball-bearing yg diproduksi sebuah pabrik memiliki mean 3cm dengan standard deviasi cm. Pembeli hanya mau menerima jikalau ball bearingnya memiliki diameter 3.0±0.01cm. a) berapakah persenkah dari produksi pabrik tersebut yg tidak bisa diterima pembeli? b) jikalau dalam sebulan pabrik tsb memproduksi ball-bearing, berapa banyak yg harus dibuang tiap bulan karena ditolak pembeli? n

19 Soal Sebuah pengukur diameter bola besi dipasang secara otomatis dalam sebuah pabrik. Pengukur tsb hanya akan meloloskan diameter bola 1.50±d cm. Diketahui bahwa bola produksi pabrik tersebut memiliki diameter yg terdistribusi normal dengan rata-rata 1.50 dan standard deviasi 0.2 cm. Jikalau diinginkan bahwa 95% produksinya lolos seleksi berapakah nilai d harus ditetapkan? n

20 Soal Rata-rata nilai kuliah statistik diketahui 65 dengan standard deviasi 15. a) Jikalau diinginkan 15% murid mendapat nilai A dan diketahui distribusi nilai normal, berapakah batas bawah nilai agar mendapat A? (b) Selanjutanya diinginkan yg mendapat B adalah sebanyak 25%. Berapakah batas bawah B? (c) Seandainya diinginkan yg tidak lulus paling banyak 25%, berapakah batas bawah agar siswa lulus? n

21 Normal Approximation to Binomial
Jika X adalah variabel random dengan rata-rata μ=np dan variansi σ2=npq, maka jika n  ∞ dan p tidak terlalu dekat dengan 0 atau 1, maka bentuk distribusi variabel Z : adalah distribusi normal standard. Contoh berikut ini untuk n=15, p=0.4 n

22 Contoh Probabilitas seorang pasien sembuh dari sebuah penyakit adalah 0.4. Jika 100 orang menderita sakit tsb, berapakah probabilitasnya bahwa yg sembuh kurang dari 30 orang? Jawab. Ini adalah distribusi binomial, dengan n=100, p=0.4, q=1-0.4=0.6, jika x adalah jumlah orang yg sembuh, maka ingin dicari adalah: P(x<30) = B(r=30;n=100, p=0.4). Atau karena n besar dan p tidak terlalu kecil atau dekat 1, maka distribusi binomial akan didekati dengan distribusi normal dengan rata-rata μ=np=100*0.4=40 dan σ=√(npq)= √(100*0.4*0.6)= Hitung dulu z = (x-μ)/σ= (30-40)/4.899 = -2.04 Berarti P(x<30) = P (z< -2.04) = n

23 Distribus Gamma Definisi fungsi gamma :
Dengan sifat Γ(α)= (α-1) Γ(α-1) untuk α>1, sehingga untuk α=n yg berupa bilangan bulat positif, maka Γ(n) = (n-1)! Definisi distribusi gamma: Variabel random X memiliki distribusi gamma dengan parameter α dan β, jika fungsi rapat probabilitasnya diberikan oleh: n

24 Distribus Gamma : Ilustrasi
n

25 Tabel : Fungsi Gamma Tak Lengkap

26 Distribus Gamma : Ilustrasi
Perhatikan kecuali untuk α=1 dan β=1 distribusi gamma berawal dari x=0. Untuk α=1 distribusi gamma dikenal dengan nama distribusi exponensial. Secara eksplisit untuk α=1, berarti : Γ(1)=0!=1, dan distribusinya adalah: Mean dan variansi dari distribusi gamma adalah: μ= αβ σ2= αβ2 Sehingga untuk kasus distribusi exponensial mean dan variansinya: μ= β σ2= β2 Β memiliki interpretasi sebagai waktu rata-rata antara 2 kejadian berturut-turut n

27 Hubungan dengan Distribusi Poisson
Distribusi Poisson memiliki satu parameter λ yg diartikan rata-rata kejadian per unit waktu atau area. Menurut distribusi Poisson bahwa tidak terjadi sesuatu (berarti x=0) selama waktu t akan diberikan oleh: Jika didefiniskan variabel random X yang menyatakan lamanya waktu yg diperlukan untuk terjadinya peristiwa Poisson pertama kali, tentunya probabilitasnya = probabilitas tidak terjadi sesuatu selama x: P (X>x) = e-λt Dengan distribusi kumulatifnya: P(0≤ X ≤x) = 1 - e-λt Turunan dari distribusi kumulatif ini = distribusi Poisson! n

28 Aplikasi Distribusi Gamma & Eksponensial
Komponen elektronik di sebuah komputer mempunyai lama waktu sebelum rusak selama T tahun. Diketahui variabel random T dapat dimodelkan dengan distribusi eksponensial dengan waktu rata-rata sebelum rusak (mean time before failure = MTBF) β=5. Sebanyak 5 komponen dipakai dalam 5 komputer berbeda, berapakah probabilitasnya bahwa setelah 8 tahun paling tidak 2 buah komponen masih baik berfungsi? Jawab: Probabilitas sebuah komponen masih berfungsi setelah 8 tahun diberikan oleh: Selanjutnya, misalkan X menyatakan jumlah komponen yg masih berfungsi setelah 8 tahun. n

29 Aplikasi Distribusi Gamma & Eksponensial
Sekarang persoalan adalah distribusi binomial, dengan probabilitas “sukses” p=0.2 (berfungsi setelah 8 tahun), banyak percobaan (yaitu banyak komponen yg diuji n=5, dan yg ingin diketahui adalah sebanyak 5 “sukses”, x=5. Jadi probabilitas bahwa setelah 8 tahun, sebanyak paling tidak 2 komponen masih berfungsi diberikan : n

30 Aplikasi Distribusi Gamma & Eksponensial
Dalam studi thd tikus, dipelajari efek racun thd waktu survival-nya. Diketahui bahwa untuk dosis tertentu racun, waktu survivalnya mengikuti pola distribusi gamma dengan α=5 dan β=10 dalam satuan minggu. Berapakah probabilitasnya bahwa seekor tikus akan masih selamat (survive) tak lebih dari 60 minggu. Jawab: Misal X adalah variabel random yg menyatakan waktu hidup (survival time), berarti probabilitasnya bahwa X≤60 adalah: n Integral ini sulit dievaluasi secara langsung. Akan tetapi dapat dievaluasi dengan perantaraan tabel fungsi gamma tak lengkap F:

31 Aplikasi Distribusi Gamma & Eksponensial
Jadi didefinisikan x/β=y, berarti x= βy dx= βdy dan x=60 jadi y= 60/10=6 sehingga: Dengan definisi fungsi gamma tak lengkap F(x;α) jadi: P (X≤60)= F(x=6; α=5) = 0.715 n

32 Aplikasi Distribusi Gamma & Eksponensial
Jadi didefinisikan x/β=y, berarti x= βy dx= βdy dan x=60 jadi y= 60/10=6 sehingga: n