iv. sebaran peluang kontinyu
TRANSCRIPT
-
4. Sebaran Peluang Kontinyu
EL2002-Probabilitas dan StatistikDosen: Andriyan B. Suksmono
-
Isi
1. Sebaran normal/Gauss2. Luas daerah di bawah kurva normal3. Hampiran normal untuk sebaran binomial4. Sebaran Gamma, Eksponensial, dan Chi-
kuadrat5. Sebaran Weibull
-
4.1 Sebaran Normal/Gauss
-
Pendahuluan Sebaran normal adalah sebaran paling
penting dalam Statistika. 1733, DeMoivre mengembangkan ekspresi
matematika untuk kurva normal. Gauss (1777-1855) menurunkan persamaan
normal ketika mempelajari kesalahan darieksperimen berulang.
Sebaran normal n(x; , ) dari peubah acakX bergantung pada mean dan variansi .
-
Konsep SEBARAN NORMAL. Fungsi kerapatan (peluang) dari peubah acak normal X,
dengan mean dan variansi 2, adalah
dimana =3.14159 dan e=2.71828 ( )
2
21
21,;
=
x
exn
%----------------------------------------------------%Fig.4.1: Gaussian Curve n(x,mu,sigma)% mean=0.0 and sigma=1%----------------------------------------------------mu=0.0;sigma=1.0x=-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=1.0x=-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:');
-1 0 -8 -6 -4 -2 0 2 4 6 8 100
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
1 2
1
2= 1
-1 0 -8 -6 -4 -2 0 2 4 6 8 100
0 .0 5
0 .1
0 .1 5
0 .2
0 .2 5
0 .3
0 .3 5
0 .4
-
Kurva normal dng berbagai dan
%------------------------------------------------------%Fig.4.3: Two Gaussian Curves n(x,mu,sigma) % with mu1=mu2=0.0 and sigma1
1
2>
1
1
-
Sifat-sifat kurva normal1. Modus, yaitu titik dalam sumbu mendatar dimana
kurva mencapai maksimum adalah x = 2. Kurva simetrik terhadap mean 3. Kurva memiliki titik infleksi pada x = , yaitu
telungkup (concave) kebawah saat -
-
Bukti adalah mean
Integral pertama adalah dikalikan dng luas daerah dibawah kurvanormal (=1), dng demikian hasilnya adalah
Integral kedua adalah integral terhadap fungsi ganjil, hasilnya akansama dengan nol.
Dengan demikian: E(X) =
( ) dxxeXE x
=2
21
21
Dng membuat z=(x-)/ dan dx = dz, maka akan kita peroleh
( ) ( )
+=
+=
dzzedze
dzezXE
zz
z
22
2
22
2
221
21
-
Bukti 2 adalah variansi
Integrasi perbagian dng u=z dan dv= z exp(-z2/2), sehinggadu=dz dan v=-exp(-z2/2) , diperoleh
( )[ ] ( ) dxexXE x
=2
21
22
21
Dng membuat z=(x-)/ => (x-)2=z22 dan dx = dz, maka
( )[ ]
= dzezXEz22
22
2
2
( )[ ]( ) 22
222
2
10
2
22
=+=
+=
dzezeXE
zz
-
Luas daerah di bawahkurva normal
-
Integrasi fs sebaran dan Nilai Peluang Setiap kurva dari sebaran peluang kontinyu atau fungsi kerapatan dibuat
sedemikian hingga daerah dibawah kurva yang dibatasi dua ordinatnya, x=x1 dan x=x2, sama dengan nilai peluang dari peubah acak X antarax=x1 dan x=x2. Dng demikian, untuk gambar 4.5 dibawah:
( ) ( ) dxedxxnxXxP xx
xx
x
==
-
Luas ditentukan oleh dan 2 Gambar 4.6 menunjukkan, untuk selang x1 dan x2 yang
sama, luas daerah dibawah kurva bisa berlainan. Nilainyabergantung juga pada dan 2.
1 x1 x2x
2Gambar 4.6
-
Transformasi peubah acak Untuk beberapa keperluan, perlu dilakukan tabulasi nilai peluang
sebaran normal dalam selang tertentu. Ini tidak mungkin dilakukanuntuk semua kombinasi dan 2.
Untunglah kita bisa melakukan transformasi sebarang observasi normal ke sebaran baku yang memiliki mean nol dan variansi satul.
Tranformasi yang dipakai: Z=(X-)/ Jika X memiliki nilai batas x1 dan x2, maka luas daerah antar batas tsb
akan sama dengan luas dibawah kurva normal baku yang memiliki batasz1=(x1-)/ dan z2=(x2-)/. Akibatnya:
( )
( ) ( )21
2
2
21
21
2
1
2
1
22
1
1,0;
21
21
zZzPdzzn
dzedxexXxP
z
z
z
z
zx
x
x
-
Sebaran Normal Baku Def. 4.1. Sebaran dari peubah acak normal dengan
mean nol dan variansi 1 disebut sebagai sebarannormal baku
x1 x2x
0z1 z2z
Z = (X- )/ =1
Dalam buku teks, sebaran normal baku diberikanpada Tabel IV di lampiran.
-
z- n(z;0,1)dz
-
Contoh 4.1 Soal: Diberikan suatu sebaran normal dengan =50 dan=10, tentukan peluang X bernilai antara 45 dan 62 Jawab: nilai z yang terkait dengan x1=45 dan x2= 62 adalah
z1 = (45-50)/10 = -0.5z2 = (62-50)/10 = 1.2
Dengan demikianP(45
-
Sebaran normal baku dan T. Chebysev T. Chebysev mengatakan bahwa peluang suatu peubah
acak berada dalam 2 simpangan baku, sedikitnya . Untuk sebaran normal baku, z untuk x1=-2 danx2=+2 dapat dihitung sbb
z1 = [(-2)-]/ = -2, danz2 = [(+2)-]/ = 2, dan
Dengan demikian,P(-2
-
Contoh 4.2 Soal: Sejenis batere tertentu rata-rata akan habis listriknya
dalam 3.0 tahun dengan simpangan baku 0.5 tahun. Jika waktuhidup batere tersebar normal, tentukan peluang bahwa suatubatere tertentu akan habis listriknya dalam 2.3 tahun!
Jawab: Peluang yang dimaksud dilukiskan pada gambar 4.9. Untuk menentukan P(X
-
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 terletakantara 778 dan 834 jam.
Jawab: Sebaran spt dilukiskan pada Gb.4.10. nilai z untuk x1=778 danx2=834 adalah
z1 = (778-800)/40 = -0.55z2 = (834-800)/40 = 0.85
Dengan demikianP(778
-
Contoh 4.4 Soal: Suatu jenis komponen akan direject jika berada
diluar persyaratan 1.50d. Hasil pengukuran tersebarnormal dengan mean 1.50 dan simpangan baku 0.2. Tentukan nilai d sehingga spesifikasi ini meliput 95% pengukuran.
Jawab: Dalam soal ini akan ditentukan nilai z sehinggaprosentase terpenuhi, lalu kembalikan menjadi x denganrumus x=z+. Dari Tabel IV diperolah
0.95 = P(-1.96
-
Contoh 4.5 Soal: Suatu mesin pembuat resistor dengan sebaran
normal. Mean dari resistor 40 ohm dan simpanganbakunya 2 ohm. Akurasi bisa berapapun, tentukanprosentase resistor yang melebihi 43 ohm
Jawab: Prosentasi ditentukan dengan mengalikan frekuensidengan 100%. Kita akan menghitung nilai peluangdisebelah kanan 43 pd gambar 4.12. Ini bisa dilihat padaTabel IV setelah dihitung z-nya, yaitu
z = (43-40)/2 = 1.5Dengan demikian
P(X>43) = P(Z>1.5) = 1-P(Z
-
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 sebarannormal yang kontinyu. Dari gambar 4.13 dpt dihitung
z = (43.5 - 40)/2 =1.75jadi P(X>43.5) = P(Z>1.75) = 1 P(Z
-
4.3 Hampiran sebaran binomial dengan sebaran normal
-
Hampiran sebaran Nilai b(x;n,p) telah ditabulasi untuk n kecil. Jika
tdk ada di tabel, kita harus menghitung sendiri. Inibisa dilakukan secara hampiran.
Sebelumnya telah dijelaskan bahwa sebaranPoisson dapat dipakai sebagai hampiran sebaranbinomial jika n besar dan p mendekati 1. Kedua-duanya sebaran diskrit.
Akan diperlihatkan bahwa sebaran normal dapatmenjadi hampiran yang cukup teliti untuk sebaranbinomial, jika n besar dan p mendekati .
-
Teorema Teorema 4.1 Jika X suatu peubah acak binomial
dengan mean =np dan variansi 2=npq, makabatas dari sebaran
ketika n adalah sebaran normal n(z;0,1)npq
npXZ =
-
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 kurva dibawah kurva normal dng
batas antara x1=3.5 sampai dengan x2=4.5 z1=(3.5-6)/1.9 = -1.316
z2=(4.5-6)/1.9 = -0.789Jika X peubah acak binomial dan Z peubah acak normal, maka
P(X=4) = b(4;5, 0.4)~ P(-1.316
-
Contoh Pendekatan ini sangat berguna untuk menghitung jumlah binomial
untuk n besar. Andaikan kita akan menghitung peluang X bernilaiantara 7 dan 9 (inklusif) dari soal sebelumnya, maka
P(7 X 9) = 97 b(x;15,0.4)= 90 b(x;15,0.4) - 60 b(x;15,0.4)= 0.9662 0.6098 = 0.03564
Dengan pendekatan normal, kita akan hitung luas daerah dibawahkurva normal dengan batas antara x1=6.5 sampai dengan x2=9.5. Nilaiz1, z2 ybs adalah
z1 = (6.5-6)/1.9 = 0.263; z2= (9.5-6)/1.9 =1.842P(7 X 9) ~ P(0.263 Z 1.842)
= P(Z
-
Latihan No: 2, 3 No: 15, 16
-
4.4 Sebaran Gamma, Eksponensial, dan Chi-kuadrat
-
Fungsi Gamma Teorema 4.2 Fungsi gamma didefinisikan sebagai
dimana >0.( ) =
0
1 dxex x
substitusi dengan u=x-1 dan dv=e-xdx, kemudian integrasi parsial, akan menghasilkan
() = -e-xx-1|0 + 0e-x(-1)x-2 dx= (-1) 0e-xx-2 dx
Kita peroleh rumus rekursi() = (-1)(-1) = (-1) (-2)(-2) = dst.
Untuk =n bulat positif, maka: (n) = (n-1)(n-2) (1). Perdefinisi (1) = 0e-xdx =1. Dengan demikian, maka
(n) = (n-1)! Salah satu sifat fungsi gamma yang penting adalah (1/2) =
-
Sebaran Gamma SEBARAN GAMMA. Peubah acak kontinyu X memiliki sebaran
gamma dengan parameter dan , jika fungsi kerapatannya diberikanoleh
dimana >0 dan >0.
( ) ( )lainnya
xexxfx
,0
0,1 1
=>=
Grafik sebaran gamma. Jika =1, sebaran menjadi eksponensial.
f(x)
1 2 3 4 5 6 7
0.5
1
x
=1, =1
=2, =1=4, =1
-
Sebaran eksponensial SEBARAN EKSPONENSIAL. Peubah acak kontinyu X
akan memiliki sebaran eksponensial dengan parameter jikafungsi kerapatannya diberikan oleh
dimana >0.
( )lainnya
xexfx
,0
0,1
=>=
Sebaran eksponensial memiliki banyak aplikasi dalamstatistik, khususnya menyangkut teori keandalan (reliability) dan teori antrian ( queueing theory).
-
Contoh 4.10 Soal: Suatu sistem mengandung komponen tertentu yang waktu
kegagalannya (dalam tahun) diberikan oleh peubah acak T yang memiliki sebaran eksponensial dengan parameter =5. Jika 5 dari komponen ini dipasang pada berbagai sistem, berapapeluang 2 diantaranya tetap berfungsi setelah 8 tahun?
Jawab: Peluang suatu komponen tetap berfungsi setelah 8 tahundiberikan oleh
P(T>8) = (1/5)8 e-t/5 dt= e-8/5 ~0.2
Andaikan X menyatakan jumlah komponen yang masihberfungsi stlh 8 tahun. Maka dengan sebaran binomial
P(X 2) = 25 b(x;5,0.2) = 1- 01 b(x;5,0.2)=1-0.7373 = 0.2627
-
Sebaran Chi-kuadrat Kasus khusus kedua untuk sebaran gamma diperoleh ketika
=v/2, dan =2. Sebaran yang dihasilkan disebut sebaranchi-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
xexv
xfxv
v
,0
0,
22
1 2122
=
>
=
Sebaran Chi-kuadrat adalah salah satu perangkat pentingdalam bidang pengujian hipotesis.
-
Mean dan variansi TEOREMA 4.2 Mean dan variansi dari sebaran
gamma adalah = dan 2 = 2
COROLLARY 1. Mean dan variansi dari sebaraneksponensial adalah
= dan 2=2
COROLLARY 2. Mean dan variansi dari sebaranchi-kuadrat adalah
=v dan 2=2v
-
4.5 Sebaran Weibull
-
Pengantar Teknologi modern memungkinkan dibuatnya
sistem/perangkat yang operasi maupun keselamatannyatergantung dari berbagai komponen.
Contoh: sekering dpt terbakar, kolom beton dapat roboh, atau pengindera panas dapat gagal.
Komponen yang sama dalam pengaruh lingkungan samadapat mengalami kegagalan dlm waktu berbeda dan takteramalkan.
Waktu kegagalan atau waktu hidup komponen diukur darisaat mula tertentu sampai gagal dinyatakan dengan peubahacak T dan fungsi rapat peluang f(T). Salah satu yang terpenting dalam permasalahan keandalan adalah sebaranWeibull.
-
Sebaran Weibull SEBARAN WEIBULL. Peubah acak kontinyu T disebut memiliki
sebaran Weibull dengan parameter dan , jika fungsi kerapatanpeluangnya diberikan oleh
dimana >0 dan >0.
( )lainnyatettf t
,00,1
=>=
f(t)
0.5 1.0 1.5t
=1
=2 =3
Sebaran Weibull (=1)
-
Mean dan variansi Terlihat kurva berbeda-beda untuk parameter yang
berlainan, khususnya . Jika =1, sebaran Weibullmenjadi sebaran eksponensial.
Untuk >1, kurva mendekati bentuk lonceng danmirip kurva normal, tapi punya skewness.
TEOREMA 4.3 Mean dan variansi dari sebaranWeibull adalah:
= -1/(1+1/)2 = -2/{(1+2/) [(1+1/)]2 }
-
Aplikasi Untuk menerapkan sebaran Weibull dalam teori keandalan,
definisikan keandalan dari produk sebagai peluang bahwaproduk ini berfungsi secara benar untuk sedikitnya dalamwaktu tertentu dalam kondisi percobaan tertentu pula.
Jadi, jika R(t) keandalan komponen pada saat t, makaR(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 gagaldalam selang T=t sampai T= t + t, diberikan komponenini tahan sampai t, adalah
[F(t+t) F(t)] / R(t)
-
Lanjutan Laju kegagalan adalah
( ) ( ) ( ) ( )( )( )
( )( )
( )( )tF
tftRtf
tRtF
tRttFttFtZ
t
=
==+=
1
'1lim0
Karena R(t) = 1-F(t) dan R(t) = -F(t), kita dapat menuliskanpersamaan diferensial berikut
Z(t) = -R(t)/R(t) = -d[ln R(t)]/dtdan kemudian dengan memecahkan
ln[R(t)] = - Z(t) dt , atauR(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) = t-1 , t>0jika dan hanya jika sebaran waktu ke kegagalan adalah sebaranWeibull dengan fungsi kerapatan
f(t) = t-1 exp(-t), t>0 Jawab: asumsikan bahwa Z(t) = t-1, t>0. Maka kita dapat
menuliskanf(t) = Z(t) R(t), dimanaR(t) = exp(-Z(t)dt) = exp(-t-1dt) = exp(t +c)
dari kondisi R(0) = 1, kita temukan c=0. MakaR(t) = exp(-t) danf(t) = t-1 exp(-t), t>0
-
Lanjutan Dengan mengasumsikan
f(t) = t-1 exp(-t), t>0maka Z(t) ditentukan dengan menuliskan
Z(t) = f(t)/R(t)dimana
R(t) = 1-F(t) = 1-0t x-1 exp(-x)dx,= 1+0t d(exp(-x))= exp (-t)
MakaZ(t) = t-1 exp(-t)/exp(-t)
= t-1 , t>0 Dlm contoh ini, laju kegagalan menurun thd waktu jika 1, dan konstan jika =1. Dari sudut pandang =1 sebaran Weibull menjadi eksponensial,
asumsi kegagalan konstan sering diacu sebagai asumsi eksponensial.
-
Selesai
4. Sebaran Peluang KontinyuIsi4.1 Sebaran Normal/GaussPendahuluanKonsepKurva normal dng berbagai dan Sifat-sifat kurva normalBukti adalah meanBukti 2 adalah variansiLuas daerah di bawah kurva normalIntegrasi fs sebaran dan Nilai PeluangLuas ditentukan oleh dan 2Transformasi peubah acakSebaran Normal BakuContoh 4.1Sebaran normal baku dan T. ChebysevContoh 4.2Contoh 4.3Contoh 4.4Contoh 4.5Contoh 4.64.3 Hampiran sebaran binomial dengan sebaran normalHampiran sebaranTeoremaContohContoh Latihan4.4 Sebaran Gamma, Eksponensial, dan Chi-kuadratFungsi GammaSebaran GammaSebaran eksponensialContoh 4.10Sebaran Chi-kuadratMean dan variansi4.5 Sebaran WeibullPengantarSebaran WeibullMean dan variansiAplikasiLanjutan Contoh 4.11Lanjutan Selesai