Tugas:

STATISTIK DAN PROBABILITAS

DI SUSUN OLEH :

NAMA

: HARI SUGENG TUHUTERU

NPM

: 0723 11 040

KELAS

:A

SEMESTER : III ( TIGA )

P R O G R A M S T U D I T EK NI K S I P I L
F A K U L T AS

T E K N I K

UNIVERSITAS KHAIRUN
T E R N A T E
2012

BAB I PEMBAHASAN
A. Distribusi Teoritis Variabel Acak Diskrit
1. Distribusi Bernouli
Percobaan Bernoulli adalah percobaan yang memenuhi kondisi-kondisi berikut:
a. Satu percobaan dengan percobaan yang lain independen. Artinya, sebuah hasil tidak
mempengaruhi muncul atau tidak munculnya hasil yang lain
b. Setiap percobaan memberikan dua hasil yang mungkin, yaitu sukses dan gagal. Kedua hasil
tersbut bersifat mutually exclusive dan exhaustive.
c. Probabilitas sukses, disimbolkan dengan p, adalah tetap atau konstan. Probabilitas gagal,
dinyatakan dengan q, adalah q = 1-p.
Pada smester 6 di Jurusan Teknik Kelutan setiap mahasiswa akan mendapatkan Tugas
Rancang Besar II (Perancangan Struktur Lepas Pantai Terpancang - Statis). Derdapat dua
software yang sudah familiar digunakan untuk mengerjakan TRB II, yakni GT Strudl dan SACS.
Data yang ada selama ini menunjukkan 80% mahasiswa menggunakan SACS karena lebih
friendly use daripada GT Strudl. Jika variabel acak X menyatakan mahasiswa yang
menggunakan SACS, maka dapat dibentuk distribusi probabilitas sebagai berikut:

Maka pmf Bernoulli dengan parameter p = 0.8 dinotasikan :

2. Distribusi Binomial
Distribusi binomial berasal dari percobaan binomial yaitu suatu proses Bernoulli yang
diulang sebanyak n kali dan saling bebas. Distribusi Binomial merupakan distribusi peubah acak
diskrit. Secara langsung, percobaan binomial memiliki ciri-ciri sebagai berikut:
a. percobaan tersebut dilakukan berulang-ulang sebanyak n kali
b. setiap percobaan menghasilkan keluaran yang dapat dikategorikan sebagai gagal dan sukses

c. probabilitas sukses p tetap konstan dari satu percobaan ke percobaan lain

d. percobaan yang berulang adalah saling bebas
Ruang sampel A untuk percobaan E yang terdiri dari himpunan tak hingga tetapi masih
terhitung dari titik titik sampel:
Jika S = Sukses dan G = Gagal
E1: S (sukses pada percobaan pertama)
E2: GS (gagal pada percobaan pertama dan sukses pada percobaan kedua)
E3: SG (sukses pada percobaan pertama, gagal pada percobaan kedua)
E4: GGS (gagal pada percobaan 1 dan 2, sukses pada percobaan ketiga)
E5: GSG (gagal pada percobaan 1 dan 3, sukses pada percobaan kedua)
E6: SGG (gagal pada percobaan 2 dan 3, sukses pada percobaan pertama)
Contoh:
Kita ingin mengetahui besarnya peluang kelahiran 2 bayi laki-laki dari 3 kelahiran.
p = 0,5 q = 1-p = 0,5. n = 3. r = 2
n!
P=
Pr qnr
maka:
r !(nr )

P=

3 X 2 X1
2 X 1X 1

(0,5)2 . 0,5

= 0,375
3. Distribusi Binomial Negatif
Distribusi binomial negatif terjadi apabila memenuhi kondisi-kondisi sebagai berikut
a. Percobaan terdiri atas n usaha yang saling independen.
b. Tiap usaha hanya terdiri dari dua kejadian yang mungkin, sukses atau gagal.
c. Probabilitas tiap sukses untuk tiap usaha adalah tetap, yaitu p (probabilitas gagal, 1 p).
d. Variabel random yang menyatakan banyaknya. usaha agar terjadi sukses kek merupakan
variabel random binomial negatif.
Contoh Perhitungan:
Probabilitas produk cacat adalah 0,1. Jika produk diambil satu per satu, probabilitas
ditemukannya produk yang cacat yang ketiga pada pengambilan kelima?
Penyelesaian:
4!
51
3
53
P ( x=5 )=C 31(0,1) (10,1) =
(0,1)3(0,9)2 =0,0049
2 ! 2!
Variabel random binomial negatif X dapat juga didefinisikan sebagai banyaknya gagal
sebelum memperoleh k sukses.

Contoh Perhitungan:
Probabilitas produk cacat adalah 0,1 Jika produk diambil satu per satu, probabilitas
terambilnya produk baik (tidak cacat) sebanyak dua sebelum menghasilkan produk cacat ketiga?
Penyelesaian:
4!
C22 +31(0,1)3 (10,1)2 =
(0,1)3 (0,9)2=0,0049
P(x=2)=
2 ! 2!
4. Distribusi Geometrik
Bila percobaan yang berulang secara independent menghasilkan kesuksesan dengan
probabilitas p dan gagal dengan probabilitas q = 1 p. Maka distribusi probabilitas variabel acak
X pada saat terjadinya kesuksesan pertama adalah:
Rata-rata dan varians dari suatu variabel acak dengan distribusi geometrik:

Percobaan Geometris:
a. Percobaan terdiri atas n usaha yang saling independen
b. Tiap usaha hanya terdiri dari dua kejadian yang mungkin, sukses atau gagal.
c. Probabilitas tiap sukses untuk tiap usaha adalah tetap, yaitu p (probabilitas gagal, 1 p)
d. Variabel random yang menyatakan banyaknya usaha agar terjadi sukses pertama merupakan
variabel random geometris.
Contoh Perhitungan:
Probabilitas produk cacat adalah 0,1.Jika produk diambil satu per satu, probabilitas
ditemukannya produk yang cacat pada pengambilan ketiga?
Penyelesaian:
31

P(x=3)=(0,1) (10,1)

=( 0,1 ) (0,9) =0,081

Ratarata banyaknya pengambilan untuk menemukan produk cacat?

1
x= 0,1 =10
5.

Distribusi Hipergeometrik
Percobaan Hipergeometris
a. Dalam suatu populasi berukuran N, terdapat S obyek yang dikategorikan sukses S, dan sisanya
N S dikategorikan gagal
b. Suatu sampel random berukuran n diambil dari populasi
c. Variabel random yang menyatakan banyaknya obyek berkategori sukses yang terpilih
merupakan variabel random hipergeometris.

Contoh Perhitungan
Suatu kotak mengandung 7 komponen yang terdiri dari 4 komponen merek A dan 3 bola
komponen merek B. Jika 3 komponen diambil secara random dari kotak, probabilitas bahwa
tepat terdapat 2 komponen merek A yang terambil:
Penyelesaian:
4!
3!
4
(
)
4 74
C 2 C 32 C2 C
2! 1 ! 1 ! 2!
P=(X-2)= C 73 = C73 =
=0,5143
7!
(
)
3 ! 49 !
3
1

( )

6. Distribusi Poission
Banyak masalah yang menjadi perhatian seorang insinyur adalah mengetahui kemungkinan
terjadinya suatu peristiwa pada interval waktu tertentu. Contoh : gempa dapat terjadi pada waktu
tertentu, kecelakaan lalu lintas dapat terjadi pada rentan waktu tertentu di suatu jalan raya. Dalam
kasus seperti ini kejadian suatu peristiwa lebih tepat bila dimodelkan dengan Proses Poisson.
Asumsi proses poisson adalah sebagai berikut :
Suatu peristiwa dapat terjadi secara acak dan pada interval waktu tertentu.
Kejadian satu peristiwa dengan peristiwa lain pada interval waktu tertentu adalah independen
(bebas).
Probabilitas kejadian suatu peristiwa pada interval waktu t adalah proporsional terhadap t,
dan dapat diberikan dengan vt, dimana v adalah rata-rata kejadian suatu peristiwa.
Berdasarkan asumsi diatas, disribusi Poissson dinyatakan dengan rumus berikut :

Distribusi probabilitas Poisson bermanfaat dalam penentuan probabilitas dari sejumlah

kemunculan pada rentang waktu atau luas/volume tertentu. Variabel random Poisson menghitung
kemunculan pada interval waktu yang kontinyu.
CiriCiri Proses Poisson:
a. Jumlah kejadian yang terjadi dalam suatu interval waktu atau daerah tertentu adalah
independen terhadap jumlah kejadian dalam interval waktu atau daerah yang lain.
b. Probabilitas suatu kejadian yang terjadi pada interval waktu atau daerah yang sangat kecil
adalah proporsional terhadap panjang interval waktu atau luas daerah dan tidak tergantung
pada jumlah kejadian yang terjadi di luar interval waktu atau daerah ini.
c. Probabilitas lebih dari satu kejadian dalam interval waktu atau daerah yang sangat kecil
adalah diabaikan.

Contoh Perhitungan:
Berdasarkan data, badai hujan di suatu kota selama 20 tahun, menunjukkan bahwa ratarata terdapat 4 kali badai hujan per tahun. Asumsikan kejadian badai hujan adalah proses
Poisson, berapa probabilitas bahwa tidak ada badai hujan tahun depan :
Penyelesaian:

Probabilitas akan terjadi 4 kali badai hujan tahun depan adalah

Probabilitas akan terjadi 2 kali atau lebih badai hujan tahun depan adalah

B. Distribusi Variabel Acak Kontinyu

1. Distribusi Normal
Distribusi probabilitas kontinyu yang paling banyak digunakan dalam statistika adalah
distribusi normal. Distribusi normal sering disebut distribusi Gauss, untuk menghormati
Friedrich Gauss (1777 1855) yang telah menjabarkan persamaannya dari suatu kajian tentang
kesalahan didalam pengukuran berulang suatu besaran yang sama.

Fungsi kerapatan variabel acak normal X, dengan mean

x 2
1/ 2

f x; , 1 e
2

dan variansi

diberikan oleh:

- x

Sifat-sifat distribusi normal

a. modus, yang merupakan titik pada sumbu mendatar tempat kurva tersebut maksimum
x
terdapat pada
x
b. kurva simetri terhadap sumbu tegak, mean
f x 0
c. kurva selalu berada di atas sumbu X atau

d. kurva memiliki titik belok pada

, cekung ke bawah bila
dan
cekung ke atas bila sebaliknya
e. kurva normal mendekati sumbu mendatar secara asimtotis pada saat bergerak kedua arah
menjauh dari mean
P x 1
f. luas total dibawah kurva dan di atas sumbu mendatar sama dengan 1,
Contoh perhitungan:
Diketahui sebuah sebaran normal standar, carilah luasan di bawah kurva yang ada (a) di
sebelah kanan z = 1,84 dan (b) di antara z = -1,97 dan z = 0,86!
Penyelesaian:
(a)

Luas dalam Gambar 6.9 (a) di sebelah kanan z = 1,84 adalah sama dengan 1
minus luas dalam Tabel ke sebelah kiri z = 1,84 yaitu 1 0,9671 = 0,0329
(b)
Luas dalam Gambar 6.9 (b) diantara z = -1,97 dan z = 0,86 adalah sama dengan
luasan di sebelah kiri z = 0,86 minus luasan di sebelah kiri z = -1,97. Dari Tabel didapatkan
luasan yang diharapkan menjadi 0,8052 0,0244 = 0,7807

Contoh perhitungan:

50
Diketahui suatu sebaran normal dengan
memiliki suatu nilai diantara 45 dan 62!

dan

10

Penyelesaian:
Nilai-nilai z yang bersesuaian dengan x1 = 45 dan x2 = 62 adalah
z1

Sehingga,

45 50
0,5
10

z2

dan

62 50
1, 2
10

, carilah probabilitas dimana X

P 45 X 62 P 0,5 Z 1, 2

Gambar 6.11 Luasan untuk Contoh 6.4

P 0,5 z 1, 2
diperlihatkan oleh luasan yang diarsir pada Gambar 6.11. Luas ini bisa
ditemukan dengan mengurangkan luas yang berada di sebelah kiri ordinat z = -0,5 dari luasan menyeluruh
yang berada di sebelah kiri z = 1,2. Dengan menggunakan Tabel, kita dapatkan

P 45 X 62 P 0,5 Z 1, 2

P Z 1, 2 P Z 0,5
0,8849 0,3085 0,5764

2.

Distribusi Gamma dan Eksponensial

Tidak selamanya distribusi normal dapat digunakan untuk memecahkan masalah teknik
dan sains. Contohnya dalam teori antrian dan keandalan, kurang tepat bila digunakan pendekatan
dengan distribusi normal, distribusi eksponensial dan Gamma lebih tepat menjadi solusinya.
Distribusi eksponensial adalah sebuah kasus distribusi Gamma.
Fungsi Gamma didefinisikan oleh:

x 1e x dx
0

- 1 - 1

Bila

, maka

n n 1!

Jika parameter skala sebuah distribusi gamma = 1 diperoleh suatu distribusi gamma
standard. Maka jika X adalah variabel acak kontinu dari distribusi gamma standard fungsi
kepadatan probabilitasnya adalah:
x 1e x

fG x; ( )

x0
yang lain

Sedangkan fungsi distribusi kumulatif gamma standard adalah:

FG x; P ( X x )

t 1e t
dt
( )

Fungsi distribusi kumulatif gamma standard disebut juga fungsi gamma tak lengkap.
Fungsi ini dapat digunakan untuk menghitung probabilitas dari suatu distribusi gamma yang
tidak standard karena untuk sebuah variabel acak kontinu X yang memiliki distribusi gamma
dengan parameter dan berlaku hubungan:
P ( X x ) FG x;, FG

Misalkan variabel acak kontinu X yang menyatakan ketahanan suatu bantalan peluru
(dalam ribuan jam) yang diberi pembebanan dinamik pada suatu putaran kerja tertentu mengikuti
suatu distribusi gamma dengan = 8 dan = 15, maka probabilitas sebuah bantalan peluru dapat
digunakan selama 60 ribu sampai 120 ribu jam dengan pembenan dinamik pada putaran kerja
tersebut adalah:

P (60 X 120) P X 120 P X 60

FG (120;8,15) FG (60;8,15)
FG (120 15 ;8) FG (60 15 ;8) FG (8;8) FG (4;8)
0,5470 0,0511 0,4959

Beberapa ukuran statistik deskriptif distribusi gamma di atas adalah:

x E ( X ) (8)(15) 120

Mean

:
x2 2 (8)(152 ) 1800 x 42, 43

Varians

:
1 32

4 4
0,5
8

2 4

6
6
3 3 3,75

Kemencengan :

Keruncingan :

Misalkan X adalah waktu tanggap (response time) suatu terminal komputer on-line yang
merupakan tenggang waktu antara masuknya suatu permintaan dari pengguna sampai sistem
mulai memberikan tanggapan atas permintaan tersebut memiliki suatu distribusi eksponensial
dengan waktu tanggap rata-rata 5 detik. Jika seseorang memanfaatkan terminal komputer
tersebut dan memasukkan suatu perintah maka probabilitas perintah tersebut akan dijalankan
selambat-lambatnya setelah 10 detik kemudian dapat ditentukan sebagai berikut.
Rata-rata waktu tanggap, x = 1/ = 5 . Jadi = 1/5 = 0,2
P( X 10) = F(10; 0,2) = 1 e-(0,2)(10) = 1 e-2 = 1 0,135 = 0,865

o
o

Variabel acak kontinyu X mempunyai distribusi Gamma, dengan parameter

fungsi kerapatannya diberikan oleh:

1
x 1e x /

x0

lainnya

f x

dan

bila

dimana

0
dan

. Mean dan variansi dari distribusi Gamma masing-masing diberikan

dan 2 2
oleh

Variabel acak kontinyu X memiliki distribusi eksponensial dengan parameter

fungsi kerapatannya diberikan oleh:

1 x /
e

f x

, bila

x0
lainnya

0
dimana

. Mean dan variansi dari distribusi eksponensial masing-masing diberikan oleh

dan 2 2
3. Distribusi Chi-Kuadrat.
Distribusi Chi-kuadrat banyak digunakan untuk pengujian statistik, seperti analisa variansi.

Distribusi Chi-Kuadrat adalah sebuah kasus distribusi Gamma dengan

2
dan

dengan

adalah derajat kebebasan. Variabel acak kontinyu X memiliki distribusi Chi-Kuadrat, dengan

derajat kebebasan

, jika fungsi kerapatannya diberikan oleh:

1
/ 2 1 x / 2
e
2 / 2 x

x0

f x

lainnya

dimana

. Mean dan variansi dari distribusi Chi-Kuadrat masing-masing diberikan oleh

dan 2 2
.

beberapa ukuran statistik deskriptif untuk distribusi chi-kuadrat.

Mean (Nilai Harapan):
x E( X )

................................................................................(A)
Varians
x2 2

.............................................................................................(B)
Kemencengan (skewness)
1 32

.......................................................................................(C)

Keruncingan (kurtosis)
4
2 4 3 1

....................................................................................(D)

4. Distribusi Log Normal

Variabel acak kontinyu X memiliki distribusi lognormal bila variabel acak Y = ln (X)

memiliki suatu distribusi normal dengan mean

dan standar deviasi . Fungsi kerapatan X
yang terjadi adalah:
1

2x

f x

2
2
e ln x / 2

x0
x0

Mean

dan

variansi

dari

distribusi

E X e dan Var X e 2 e 1
2

lognormal

masing-masing

diberikan

oleh

beberapa ukuran statistik deskriptif untuk distribusi lognormal.

Mean (Nilai Harapan):
x E( X ) e

2
2

(A)
Varians

x2 e 2

(B)
Kemencengan (skewness)

2
2
1 32 e 1 e 1

(C)

Keruncingan (kurtosis)

2 4 e 1 e 3 3e 2 6e 6 3

(D)
Dalam sebuah artikel ilmiah berjudul Reliability of Wood Joist Floor Systems with Creep
di dalam Journal of Structural Engineering (1995: 946-954) direkomendasikan bahwa modulus
elastisitas batang-batang penyangga sistem lantai kayu yang dikonstruksikan dari sejenis kayu
dapat dimodelkan mengikuti distribusi lognormal dengan = 0,375 dan = 0,25. Dari model
ini dapat dihitung:
Rata-rata dan varians dari modulus elastisitas adalah:

o
x

e 0,375
E( X ) e
2
2

x2 e2

2(0,375)0,252

0,252

0,252
2

e 0,40625 1,50

1 e0,8125

0,0625

1 0,1453

Nilai batas modulus elastisitas yang meliputi 95% dari seluruh distribusi
modulus elastisitas adalah:


ln x
ln x
Fln ( x; , ) P X x P Z
0,95

dari tabel distribusi normal standard diperoleh:

ln x

1,65

maka :
ln( x ) 1,65 0,375 (1,65)(0,25) 0,7875
x e 0,7875 2,198

5. Distribusi Weibull
Variabel acak kontinyu X memiliki distribusi Weilbull dengan parameter-parameter

dan

jika fungsi kerapatannya diberikan oleh

x 1e x

f x

Mean

dan

-1/

x0
lainnya

variansi

dari

distribusi

Weilbull

1
2
1
1 dan 2 2 / 1 1

masing-masing

berapa ukuran statistik deskriptif untuk distribusi Weibull.

Mean (Nilai Harapan):
1

x E ( X ) 1

(A)

Varians

2
x2 2 1

Kemencengan (skewness)

1
1

(B)

diberikan

oleh

3
3

1
2
1 32 1 3 1 1
2 1

(C)

Keruncingan (kurtosis)
4

1
3
1
2 4 1 4 1 1
6 1

2
1

1 3 1

(D)

Contoh.
Waktu sampai gagal bekerjanya sebuah pelat gesek (dalam jam) pada sebuah kopling dapat
dimodelkan dengan baik sebagai sebuah variabel acak Weibull dengan = 0,5 dan = 5000
jam. Berapakah waktu sampai gagal rata-rata pelat gesek tersebut dan berapakah probabilitas
pelat gesek tersebut mampu bekerja sekurang-kurangnya 6000 jam.
Rata-rata waktu sampai gagal :

x E ( X ) 1

5000 1
5000 3 5000 2! 10000 jam
0.5

P ( X 6000) 1 FW 6000;0,5,5000
0.5
6000 / 5000

1.095
1 1 e
0,334 33,4%
e

C. Distribusi Sampling
1. Distribusi Mean
Pertama yang akan kita pelajari adalah mean distribusi sampling, dengan asumsi yang
sangat umum tentang sampel populasi .
Teorema
Jika x1, x2, , xn merupakan sampel random dari suatu populasi dengan mean dan variansi
2

Buktikan! Perhatikan bahwa

juga disajikan sebgai

var(x) disajikan dengan

disebut deviasi standar dari mean. Rumus dari deviasi standar dari
mean,
Menunjukkan bahwa deviasi standar dari distribusi mean berkurang ketika n (ukuran
sampel) bertambah. Ini berarti dengan n besar , diperoleh banyak informasi yang diharapkan,
misalkan x akan mendekati . Dengan menggunakan teorema Chebyshev dapat dikatakan bahwa
untuk beberapa konstanta c positif pada peluang x akan ditemukan sebuah nilai diantara - c dan
+ c yaitu paling sedikit 1- /nc2.
Soal.
Jika X~N(, 2) maka tunjukkan bahwa :

berdistribusi normal standar.

Teorema
Jika x1, x2, , xn dan y1, y2, ,yn adalah variabel random yang membentuk sampel random
ukuran n yang berasal dari popuasi normal dengan mean 1, dan variansi 21 serta sampel
berukuran m dari populasi normal dengan mean 2 , dan variansi 22 .
Maka tunjukkan:

.
2. Distribusi Perbedaan dan Jumlah sampling