13/11/2013
Distribusi Peluang Kontinyu
STATISTIK INDUSTRI 1 Agustina Eunike, ST., MT., MBA
Distribusi Peluang Kontinyu • Rata-rata dan Variansi – Rumus Umum: Distribusi Peluang Diskrit dan Kontinyu
UNIFORM
Distribusi Diskrit Uniform
Distribusi Diskrit Uniform • Contoh:
Distribution Uniform
Random Variable X Realization of 𝑥1 , 𝑥2 , … , 𝑥𝑛
Possible Values of X
Distribution Function Fx(a) = P(X=a)
Mean E(X)
𝑥1 , 𝑥2 , … , 𝑥𝑛
1/𝑛
𝑏:𝑎 2
– Suatu bacth produk terdiri dari nomor serial, dengan nomor urut pertama terdiri dari 0 sampai dengan 9. Jika salah satu produk diambil secara acak, maka X adalah munculnya nomor serial dengan angka pertama tersebut masing-masing nomor (R={0,1,2,...,9) memiliki peluang 0,1. 1 𝑓 𝑥 = = 0,1 10 𝜇 = (9:0) 2 <4,5 𝜎 2 = (9;0:1) 12
2 ;1
<8,25
1
13/11/2013
Distribusi Kontinyu Uniform
Distribusi Kontinyu Uniform • Contoh: – Variabel acak kontinyu menotasikan pengukuran arus pada kawat tembaga dalam miliamper. Jika diketahui bahwa f(x)=0,05 untuk 0 ≤ x ≤ 20. Berapakah peluang pengukuran arus berada antara 5 dan 10 mA. – 𝑃 5 < 𝑋 < 10 =
10 𝑓 5
𝑥 𝑑𝑥 = 5 0,05 = 0,25
– Rata-rata dan Variansi distribusi uniform arus kawat
tembaga: a=0, b=20
• 𝜇 = 𝐸 𝑋 = (0+20) = 10𝑚𝐴 2 • 𝜎2 = 𝑉 𝑋 =
(20−0)2 12
= 33,33 𝑚𝐴
• 𝜎 = 5,77 𝑚𝐴
Distribusi Normal • Gaussian distribution (Karl Friedrich Gauss, 1777-1855) • Bell-shaped curve • Probability density function: – 𝑛 𝑥; 𝜇, 𝜎 =
Distribusi Peluang Kontinyu
NORMAL
Distribusi Normal
1 − (𝑥−𝜇) 2 1 𝑒 2𝜎2 2𝜋𝜎
,
– −∞ < 𝑥 < ∞ – 𝜋 = 3,14159 … – 𝑒 = 2,71828 …
Distribusi Normal • Area dalam Kurva Normal
2
13/11/2013
Distribusi Normal
Distribusi Normal
• Area dalam Kurva Normal
• Standard Distribusi Normal: – Kurva normal yang telah di-standarisasi dan menggambarkan nilai standar deviasi dari nilai rata-rata. – 𝑀𝑒𝑎𝑛 = 0, 𝑉𝑎𝑟𝑖𝑎𝑛𝑠𝑖 = 1. 𝑁(0,1). – 𝑍: 𝑛𝑜𝑟𝑚𝑎𝑙 𝑟𝑎𝑛𝑑𝑜𝑚 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑑𝑒𝑛𝑔𝑎𝑛 𝑚𝑒𝑎𝑛 = 0, 𝑑𝑎𝑛 𝑣𝑎𝑟𝑖𝑎𝑛𝑠𝑖 = 1
𝑍=
𝑋−𝜇 𝜎
𝑧1 = 𝑧2 =
Distribusi Normal
𝑥1 − 𝜇 𝜎 𝑥2 − 𝜇 𝜎
Distribusi Normal • Menggunakan Tabel Distribusi Normal Standar
• Contoh Soal
Distribusi Normal
Distribusi Normal • Contoh Soal
– Suatu perusahaan generator menghitung berat salah satu komponennya. Berat komponen tersebut berdistribusi normal dengan rata-rata 35 gram, dan standard deviasi 9 gram. 1.
Hitung probabilitas bahwa satu komponen yang diambil secara acak akan memiliki berat antara 35 dan 40 gram? Berapa peluang pengambilan acak satu komponen dengan berat paling ringan 50 gram? • JAWAB: 1. 𝐏 𝟑𝟓 ≤ 𝐱 ≤ 𝟒𝟎 : – 𝑥 = 40 𝑔𝑟𝑎𝑚, 𝑥 − 𝜇 40 − 35 𝑧= = = 0,56, 𝑃 𝑍 ≤ 0,56 = 0,7123 𝜎 9 – 𝑥 = 35 𝑔𝑟𝑎𝑚, 𝑥 − 𝜇 35 − 35 𝑧= = = 0, 𝑃 𝑍 ≤ 0 = 0,5 𝜎 9 – 𝑃 35 ≤ 𝑥 ≤ 40 = 𝑃 0 ≤ 𝑧 ≤ 0,56 = 0,7123 − 0,5 = 0,2123 2.
3
13/11/2013
Distribusi Normal • Latihan Soal: – Nilai ujian fisika di sebuah kelas terdistribusi secara normal dengan rata-rata 60 dan standar deviasi 10. Berapa persen siswa yang memperoleh nilai antara 60 dan 70?
Distribusi Normal • Menghitung nilai 𝑥 𝑥−𝜇 𝑧= , 𝑚𝑎𝑘𝑎 𝑥 = 𝑧𝜎 + 𝜇 𝜎 • Contoh: – Diketahui suatu distribusi normal dengan 𝜇 = 40 dan 𝜎 = 6. Carilah nilai 𝑥, yang memiliki: a. 45% area dari sisi kiri b. 14% area dari sisi kanan
Jawab: a. 𝑃 𝑍 ≤ 𝑧 = 0.45, 𝑧 = −0,13 𝑥 = 6 −0,13 + 40 = 39,22
Distribusi Normal • Latihan Soal: – Diketahui rata-rata hasil ujian adalah 74 dengan simpangan baku 7. Jika nilai-nilai peserta ujian berdistribusi normal dan 12% peserta nilai tertinggi mendapat nilai A, berapa batas nilai A yang terendah ?
Distribusi Normal • Central Limit Theory • Menyelesaikan permasalahan binomial dengan distribusi normal
Distribusi Gamma • Diaplikasikan pada masalah antrian dan masalah keandalan (reliabilitas). • Time / space occuring until a specified number of Poisson events occur • Fungsi gamma: Distribusi Peluang Kontinyu
GAMMA
• Properti fungsi gamma:
4
13/11/2013
Distribusi Gamma • Fungsi distribusi gamma: 𝛼: 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟 𝑏𝑒𝑛𝑡𝑢𝑘; 𝛽: 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟 𝑠𝑘𝑎𝑙𝑎
– – – –
𝛽: 𝑤𝑎𝑘𝑡𝑢 𝑟𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑎𝑛𝑡𝑎𝑟 𝑘𝑒𝑗𝑎𝑑𝑖𝑎𝑛 𝛼: 𝑗𝑢𝑚𝑙𝑎 𝑘𝑒𝑗𝑎𝑑𝑖𝑎𝑛 𝑦𝑎𝑛𝑔 𝑡𝑒𝑟𝑗𝑎𝑑𝑖 𝑏𝑒𝑟𝑡𝑢𝑟𝑢𝑡𝑎𝑛 𝑝𝑎𝑑𝑎 𝑤𝑎𝑘𝑡𝑢/𝑟𝑢𝑎𝑛𝑔 𝑡𝑒𝑟𝑡𝑒𝑛𝑡𝑢 λ: 𝑗𝑢𝑚𝑙𝑎 𝑘𝑒𝑗𝑎𝑑𝑖𝑎𝑛 𝑝𝑒𝑟 𝑢𝑛𝑖𝑡 𝑤𝑎𝑘𝑡𝑢/𝑟𝑢𝑎𝑛𝑔 (λ = 1/𝛽) 𝑥: 𝑛𝑖𝑙𝑎𝑖 𝑟𝑎𝑛𝑑𝑜𝑚 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 (lama waktu atau luasan area hingga kejadian berikutnya)
Distribusi Gamma
• Rata-rata dan Variansi:
• Jika 𝑋1 dan 𝑋2 adalah variabel acak yang independen, dan 𝑋1 ~ 𝐺𝑎𝑚𝑚𝑎 (𝛼1 , 𝛽); 𝑋2 ~ 𝐺𝑎𝑚𝑚𝑎 (𝛼2 , 𝛽), maka 𝑋1 + 𝑋2 ~ 𝐺𝑎𝑚𝑚𝑎 (𝛼1 + 𝛼2 , 𝛽) • Sehingga, jika 𝑋𝑖 ~ 𝐺𝑎𝑚𝑚𝑎 𝛼𝑖 , 𝛽 , 𝑓𝑜𝑟 𝑖 = 1, … , 𝑘, maka (𝑋1 + ⋯ + 𝑋𝑘 )~ 𝐺𝑎𝑚𝑚𝑎 (𝛼1 + ⋯ + 𝛼𝑘 , 𝛽)
Distribusi Eksponensial • Bentuk khusus dari distribusi peluang gamma (𝛼 = 1) • Time to arrival or time to first poisson event problems • Diaplikasikan pada permasalahan waktu antar kedatangan pada fasilitas jasa, life time / waktu kegagalan komponen, survival time, dan waktu respon komputer
Distribusi Peluang Kontinyu
EKSPONENSIAL
Distribusi Eksponensial • Eksponensial menganut proses Poisson (λ: laju kedatangan) • 𝑋~𝐸𝑥𝑝 λ : ∞
𝑃 𝑋≥𝑎 =
λ𝑒 ;λ𝑥 𝑑𝑥 = 𝑒 ;λ𝑎
𝑎
𝜇=
1 ; 𝜎 2 = 1/λ2 λ
– λ = 1/𝛽
• Karakter penting: memoryless property – Pada permasalahan life time (hingga terjadi break down / failure / kerusakan), misal life time dari lampu, TV, kulkas
• Kerusakan yang diakibatkan oleh pemakaian berkala (misal pemakaian mesin), tidak berlaku distirbusi eksponensial. Lebih tepat menggunakan distribusi GAMMA atau distribusi WEIBULL
5
13/11/2013
Contoh: Gamma
Contoh: Gamma
Contoh: Gamma
Contoh: Eksponensial
• Dari Tabel:
•
Jumlah telpon masuk pada nomor darurat 119 pada suatu kota diketahui berdistribusi Poisson dengan rata-rata 10 telpon per jam. Jika saat ini dilakukan pengamatan, berapakah peluang telpon masuk terjadi paling cepat 5 menit dari sekarang? – 𝜆 = 10 𝑡𝑒𝑙𝑝𝑜𝑛 𝑝𝑒𝑟 𝑗𝑎𝑚 = 10/60 𝑡𝑒𝑙𝑝𝑜𝑛 𝑝𝑒𝑟 𝑚𝑒𝑛𝑖𝑡 – 𝛽 = 1/λ = 6 menit per telpon – 𝑃 𝑋 ≥ 𝑎 = 𝑒 ;λ𝑎 1
– 𝑃 𝑋 ≥ 5 = 𝑒 ;(6 )(5) = 2,71828 ;0,833 = 0,4347
X = menit antar telp ke 119
Rangkuman Distributions with Parameters
Possible Values of X
Normal (𝜇, 𝜎 2 )
−∞ < 𝑋 < ∞
Exponential (λ)
0<𝑋
Gamma (𝛼, 𝛽)
0<𝑋
Note: 𝑃(𝑥) =
Density Function 𝒇 𝒙 1 − (𝑥−𝜇)2 1 𝑒 2𝜎 2 2𝜋𝜎
λ𝑒 ;λ𝑥 1 𝑥 𝛼;1 𝑒 ;𝑥/𝛽 Γ(𝛼)𝛽 𝛼
Distribusi Peluang Kontinyu 𝒇 𝒙 𝒅𝒙
CHI-SQUARED
6
13/11/2013
Distribusi Chi-Squared
Distribusi Chi-Squared
• Distribusi gamma dengan α = ν/2 dan 𝛽 = 2 • ν: degrees of freedom (derajat kebebasan), positive integer
Cari nilai 𝛼 dan 𝛽 Cari peluang suatu hari tertentu pemakaian harian tenaga listrik akan melebihi 12 juta kilowatt-jam
a. b.
• Density Function: 𝑓 𝑥; ν =
• Di suatu kota, pemakaian tenaga listrik harian dalam jutaan kilowatt-jam, variabel acak 𝑋 berdistribusi gamma dengan 𝜇 = 6 dan 𝜎 2 = 12.
1 𝑥 (ν/2);1 𝑒 ;𝑥/2 , 𝑥 2ν/2 Γ(ν/2)
0, 𝑒𝑙𝑠𝑒𝑤𝑒𝑟𝑒
• Mean dan Variansi: 𝜇 = ν dan 𝜎 2 = 2ν
>0
• Jawab:
6
a.
α = ν/2, ν = μ = 6, α = = 3, 𝛽 = 2
b.
P X > 12 = 1 −
2
1 23
6
12 1 2 −𝑥 𝑥 𝑒 2 0 Γ3 1 2 −𝑦 𝑦 𝑒 Γ 3
P X > 12 = 1 − 0
P X > 12 = 1 − F 6; 3 = 1 − 0.9380 = 0.0620
Distribusi Beta • Pengembangan dari distribusi uniform • Distribusi kontiyu yang fleksibel tetapi terbatas pada suatu range tertentu. Misal: proporsi radiasi matahari yang diserap oleh suatu material, waktu maksimal untuk menyelesaikan suatu proyek • Fungsi Beta: 1
𝑥 𝛼;1 (1 − 𝑥)𝛽;1 𝑑𝑥 =
𝐵 𝛼, 𝛽 = 0
Γ(𝛼)Γ(𝛽) , 𝑓𝑜𝑟 𝛼, 𝛽 > 0 Γ(𝛼 + 𝛽)
Dengan parameter: 𝛼 > 0, 𝛽 > 0 Distribusi Peluang Kontinyu
• Density Function:
BETA
𝑓 𝑥; ν =
1 𝑥 𝛼;1 (1 𝐵(𝛼,𝛽)
− 𝑥)𝛽;1 , 0 < 𝑥 < 1
0, 𝑒𝑙𝑠𝑒𝑤𝑒𝑟𝑒
– Catatan: distribusi uniform (0,1) adalah distribusi beta dengan parameter 𝛼 = 1, 𝛽 = 1
• 𝛼 = 𝛽, distribusi beta akan berbentuk simetris
Distribusi Beta
Distribusi Beta
• Mean dan Variansi: 𝜇=
𝛼 𝛼:𝛽
dan 𝜎 2 =
– Modus: 𝜇=
𝛼𝛽 𝛼:𝛽 2 𝛼:𝛽:1
𝛼−1 𝛼+𝛽−2
– Distribusi uniform (0,1), mean dan variansi: 𝜇=
1 1:1
1 2
= dan 𝜎 2 =
(1)(1) 1:1 2 1:1:1
=
1 12
7
13/11/2013
Distribusi Beta • Jika diketahui waktu maksimum penyelesaian suatu proyek berdistribusi beta dengan 𝛼 = 3, dan 𝛽 = 1. a. Berapakah peluang waktu penyelesaian melebihi 0.7? b. Berapa rata-rata dan variansi distribusi tersebut?
• Jawab: a.
P X > 0.7 = P X > 0.7 = P X > 0.7 =
b.
1 Γ(α:β) α;1 x (1 0.7 Γ(α)Γ(β) 1
− x)β;1
Γ(4) x 2 (1 − x)0 Γ(3)Γ(1)
0.7 24 6
1 3 𝑥 3
Referensi • Montgomery, D.C., Runger, G.C., Applied Statistic and Probability for Engineers, 5th ed, John Wiley & Sons, Inc., NJ, 2011 • Walpole, Ronald B., Myers, Raymond H., Myers, Sharon L., Ye, Keying, Probability & Statistics for Engineers and Scientist, 9th ed, Prentice Hall Int., New Jersey, 2012. • Weiers, R.M., 2011, Introduction to Business Statistics, Cengage Learning, OH, 2008.
1 = 4 ∗ 0.219 = 0.876 0.7
Rata − rata = 0.75; Variansi = 0.0375
8