SIMULASI SISTEM

(Peubah Acak Diskret dan Kontinu)

 Berdasarkan Perangkat Keras
• SIMULASI ANALOG
Simulasi yang implementasinya menggunakan
rangkaian elektronika analog (integrasi, pembanding,
pembalik, penjumlah dll)
• SIMULASI DIGITAL
Simulasi yang implementasinya menggunakan komputer
digital
• SIMULASI HYBRID
Simulasi yang implementasinya menggunakan gabungan
rangkaian elektronika analog dan komputer digital
 Berdasarkan Teknik atau Metodologi
Simulasi
a. Simulasi Monte Carlo
b. Simulasi Kemudi-Jejak
c. Simulasi Kejadian Diskret
d. Simulasi Kejadian Kontinu
 SIMULASI MONTE CARLO
• Algoritma komputasi untuk mensimulasikan
berbagai perilaku sistem fisika dan
matematika
• Mengevaluasi integral definit, terutama
integral multidimensi dengan syarat dan
batasan yang rumit
• Metode ini dinakan ndalam perhitungan
ilumunasi global menghasilkan fotorealistik
tiga dimensi
 Aplikasi Metode Monte Carlo
• Grafis
• Permodelan Transportasi Ringan
• Bidang Financial
• Prediksi Struktur Protein
• Riset Peralatan Alat Semikonduktor
• Pemodelan Transportasi Pembawa Arus
• Pemetaan Genetik
 SIMULASI SISTEM DISKRET
Simulasi Kejadian Diskret (DES) :
Pemodelan suatu sistem yang melibatkan waktu
menggunakan suatu representasi dengan
variabel keadaan dapat berubah secara
mendadak pada titik waktu terpisah
Proses umum simulasi kejadian diskret
1. Mulai
2. Membaca parameter dan variabel model awal
3. Tentukan kejadian (event)
4. Menghitung statistika
5. Update waktu, eksekusi kejadian, variabel,
jadwal kejadian berikutnya
6. Sistem lanjut maka kembali pada no 3, jika tidak
maka cetak output
7. Selesai
 SIMULASI SISTEM KONTINU
Simulasi Kejadian Kontinu :
Sistem di mana keadaan state berubah secara
kontinu terhadap waktu. Sistem kontinu yang
dinamis dapat diwakili oleh diferensial.
Persamaan diferensial yang biasa digunakan
adalah persamaan diferensial orde satu dengan
koefisien konstan
 Langkah-langkah dasar dalam mensimulasikan
suatu sistem dinamis kontinu
1. Memodelkan sistem, umumnya dalam
bentuk persamaan difernsial (ordiner dan
parsial)
2. Mengubah model menjadi bentuk yang
diinginkan untuk implementasi simulasi
3. Mensimulasikan sistem dengan integrasi
numerik yang sesuai
4. Menganalisa hasil simulasi makna fisisnya,
keluaran simulasi untuk kasus berbeda
 DISTRIBUSI PROBABILITAS DALAM SIMULASI SISTEM
DISKRET DAN KONTINU
Distribusi peluang teoritis atau peluang teoritis adalah suatu daftar yang
disusun berdasarkan peluang dari peristiwa- peristiwa bersangkutan. Macam-
macam Distribusi Peluang Teoritis :

a. Peubah Acak Diskrit

1. Distribusi Binominal
2. Distribusi Multinominal
3. Distribusi Poisson
4. Distribusi Hipergeometris

b. Peubah Acak Kontinyu

1. Distribusi Normal
2. Distribusi Student
3. Distribusi Chi Square
4. Distribusi Fischer
Macam- macam Distribusi Peluang Teoritis

c. Diskrit Binominal:
1. Setiap peristiwa tunggal mempunyai dua hasil kejadian
2. Peristiwa independent
3. Banyaknya percobaan tertentu (n)
4. n biasanya ≤ 30
5. p tidak mendekati 0 (nol)

d. Diskrit Multinominal:
1. Peristiwa bersifat independent (“bebas”)
2. Setiap percobaan tunggalnya menghasilkan lebih dari dua
outcomes yang semuanya disebut “sukses”
3. Banyaknya percoban tertentu (n)
Macam- macam Distribusi Peluang Teoritis

e. Diskrit Poisson:
1. n sangat besar
2. p sangat kecil mendekati nol
3. dapat dipecahkan atau diselesaikan dengan rumus distribusi
binominal bila n.p dan n.q mempunyai nilai ≤ 5

f. Diskrit Hipergeometris:
1. Peristiwa dependent
2. Tiap percobaan tunggal menghasilkan 2 outcomes atau lebih
3. Banyaknya percobaan tertentu
 DISTRIBUSI PELUANG KONTINU

Peubah Acak Kontinu

l Distribusi Peluang Uniform

l Distribusi Peluang Eksponensial

l Distribusi Peluang Normal

l Distribusi Porbabilitas Gamma

l Distribusi Peluang Weibull

 Peubah Diskrit Menjadi Peubah Kontinu

Interval waktu dapat dibagi menjadi:

Interval 0.5 menit Interval 0.25 menit Interval 0.125 menit

Minutes to C omplete Task: By Half-Minutes Minutes to Complete Task: Fourths of a Minute Minutes toComplete Task: Eighths of aMinute
0.15

0.10

P(x)
P(x)

P(x)
0.05

0.00
0.0
. 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7
Minutes Minutes Minutes

Interval kecil tak terbatas

Jika sebuah peubah acak diskrit dibagi menjadi
interval kecil yang tidak terbatas, maka
perhitungan Peluangnya ditentukan oleh sebuah
f(z)

rentang nilai dan nilai peluangnya adalah luas area

di bawah kurva dalam rentang tersebut.
0 1 2 3 4 5 6 7
Minutes Untuk contoh di samping, dinyatakan dengan
P(2<X<3).
 Peubah Acak Kontinu

 Peubah Acak Kontinu adalah sebuah peubah acak yang dapat

berupa sembarang nilai pada suatu interval yang diamati.

 Peluang dari peubah acak kontinu X ditentukan oleh sebuah

fungsi kerapatan (densitas), dinotasikan dengan f(x), dan
memiliki beberapa sifat berikut:
• f(x) > 0 untuk setiap nilai x.
• Peluang bahwa X berada di antara dua nilai a dan b adalah
sama dengan luas area di bawah f(x) yang dibatasi oleh a dan b.
• Total luas area di bawah kurva f(x) adalah 1.00.
 Fungsi Kerapatan dan Kumulatif

F(x)

Fungsi 1

kumulatif F(b)

F(a)
0
} P(a X b)=F(b) - F(a)

a b x
f(x)

P(a < X < b) = Area di

Fungsi bawah f(x) yang dibatasi
Kerapatan oleh a dan b
= F(b) - F(a)
x
0 a b
 DISTRIBUSI UNIFORM KONTINYU

Densitas uniform [0,5] :

1/5 for 0 < X < 5
f(x)= {
0 lainnya
E(X) = 2.5

Distribusi Uniform
0.5

0.4
Total luas area f(x) = 1/5 * 5 = 1.00
0.3
f(x)

0.2 Luas area di bawah f(x)

0.1
Interval 1 sampai 3 = P(1<X<3)
.0.0
-1 0 1 2 3 4 5 6
= 2.(1/5) = 2/5
x
 DISTRIBUSI UNIFORM KONTINYU

Definisi:
Jika peubah acak X memiliki nilai (kontinu) dengan kemungkinan kemunculan
yang sama maka dikatakan bahwa peubah acak (kontinu) x mengikuti
distribusi uniform dengan fungsi densitas Peluang:

f(x)=
{ 1/( - ), untuk <x<

0 untuk x lainnya.

Ekspektasi dan variansi:

E(X)=(+)/2 dan V(X)= ( - )2/12

 DISTRIBUSI EKSPONENSIAL
Distribusi eksponensial memiliki kaitan erat dengan distribusi
Poisson (dari proses poisson) jika persoalan didekati dari
variabel interval antar kedatangan.

 Dari uraian tentang distribusi poisson diperoleh

kemungkinan tidak ada kedatangan sebagai p(0)  et .
Kemungkinan ini dapat diinterpretasikan sebagai
kemungkinan bahwa tidak ada kejadian kedatangan pada
rentang waktu sampai terjadinya kedatangan pertama lebih
 t
besar dari t atau p(0)  P(T  t )  e , t  0 .
 Untuk variabel random waktu kedatanganT , maka dapat
diperoleh besarnya kemungkinan melalui
F (t )  P(T  t )  1  e  t , t  0 . Dengan demikian diperoleh
f (t )  F ' (t )    e t , t  0.
 DISTRIBUSI EKSPONENSIAL
Definisi:
Sebuah variabel random (kontinyu) X menyatakan interval
waktu antar kedatangan dimana kejadian kedatangan tersebut
mengikuti proses Poisson, dikatakan mengikuti distribusi
eksponensial dengan fungsi distribusi:
f ( x)    e  x x0
0 x lainnya.
Parameter pemusatan dan penyebaran adalah sebagai
berikut :
 
V ( X )   x 2    ex dx  1/    1 / 2
- x
E( X )   x    e dx  1 /  dan
2

0 0
 DISTRIBUSI EKSPONENSIAL
• Sebuah peralatan dilengkapi dengan komponen pengaman untuk melindungi
peralatan dari kegagalan.
• Berdasarkan data dan pengamatan yang panjang, komponen pengaman
tersebut memiliki daya tahan yang dinyatakan oleh peubah acak satuan
waktu (minggu) T yang berdistribusi eksponensial dengan parameter =1/5.
Saat ini perusahaan memiliki 5 set peralatan terpisah (independent) dimana
masing-masing dilengkapi dengan komponen pengaman yang diasumsikan
identik.
• Dari perhitungan pesanan masuk yang harus dipenuhi, perusahaan
menginginkan peralatan tersebut tidak mengalami kegagalan total untuk
memenuhi pesanan yang direncanakan akan dipenuhi dalam 8 minggu.

• Jika diinginkan paling sedikit dua peralatan dapat beroperasi untuk

memenuhi pesanan tersebut, berapa besar kemungkinan tersebut terjadi?
 DISTRIBUSI EKSPONENSIAL
Dalam kasus tersebut, perusahaan harus dapat memperkirakan
ketersediaan (availability) bahwa sebuah peralatan masih dapat
bekerja selama paling sedikit 8 minggu. Kemungkinan bahwa
suatu komponen pengaman masih akan berfungsi setelah 8
1  t / 5
minggu adalah P (T  8)   e dt =
58 e-8/5~ 0,2.
Selanjutnya, misalkan X sebagai variabel random yang
menyatakan banyaknya komponen pengaman yang masih
berfungsi setelah 8 minggu dengan kemungkinan p=0.2, dengan
menggunakan fungsi distribusi kemungkinan binomial, dapat
diperoleh kemungkinan paling sedikit dua peralatan dapat
beroperasi sebagai berikut
5 1
P ( X  2)   b( x;5,0.2) =1-  b( x;5,0.2) = 0,68.
x2 x 0
 DISTRIBUSI PELUANG NORMAL
Untuk p0,5 dan dengan meningkatnya n, distribusi binomial menjadi …

n=6 n = 10 n = 14
B inomial D is tribution: n= 6, p= .5 B inomial D is tribution: n= 1 0 , p= .5 B inomial D is tribution: n= 1 4 , p= .5

0.3 0.3 0.3

0.2 0.2 0.2

P(x)
P(x)

P(x)
0.1 0.1 0.1

0.0 0.0 0.0

0 1 2 3 4 5 6 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
x x x

Normal D is tribution:  = 0, = 1

Distribusi yang berbentuk kurva 0.4

0.3
seperti
f(x)

0.2

lonceng (bell) 0.1

0.0
-5 0 5
x
 DISTRIBUSI PELUANG NORMAL

• Distribusi PELUANG peubah acak kontinyu dalam statistika

adalah Distribusi Normal, peubah acak berasal dari proses
random dengan satu titik pemusatan dan menyebar di sekitar
titik pemusatan tersebut secara simetris.

• DiSTRIBUSI Normal juga dikenal sebagai Distribusi Gauss,

sebagai orang pertama yang mempublikasikannya pada tahun
1809 dan selanjutnya dipromosikan sebagai sebuah Dalil
Peluang untuk setiap peubah acak kontinyu.
 DISTRIBUSI PELUANG NORMAL

Fungsi kerapatan Peluang normal: 0.4

Normal Distribution:  = 0, = 1

0.3

- 1  x    /  2

f(x )
0.2

1
f ( x)  e 2  x
0.1

 2
0.0
-5 0 5
x

Definisi
Sebuah variabel random (kontinyu) x (    x   ) dikatakan
mengikuti distribusi normal dengan parameter lokasi
pemusatan  dan parameter penyebaran (variansi)   0 jika
2

mengikuti fungsi distribusi kemungkinan berikut :

1 - 1  x    /  2
f ( x)  e 2   x  
 2
dimana   3,14159... dan e = 2,71828…(bilangan natural).
 DISTRIBUSI PELUANG NORMAL
• Kurva normal membentuk:

– Kurva lonceng dan berdistribusi simetris, sehingga setengah (.50 or

50%) bagian akan berada di salah satu sisi dari rata-rata.
– Setiap kurva dicirikan oleh pasangan rata-rata, , dan variansi, , dan
dintayakan dengan: [X~N()].
– Setiap kurva bersifat asymptotik.
– Luas area di bawah kurva fungsi densitas Peluang normal dalam rantang
k dari  adalah sama untuk setiap distribusi, berapapun besarnya nilai
rata-rata dan variansi.
 DISTRIBUSI PELUANG NORMAL

 Distribusi ini digunakan sangat luas dan seringkali

dinotasikan dengan X ~ N  ,  .
2

 Jika  dan  diketahui maka lokasi dan bentuk kurva

normal dapat diketahui.
 Nilai parameter  (parameter lokasi) yang semakin
besar akan menggeser kurva ke kanan, dan nilai
parameter  (parameter bentuk) yang semakin
membesar akan menyebabkan kurva normal semakin
landai (memperbesar jarak dari pemusatan ke posisi
titik-titik belok kurva).
 DISTRIBUSI PELUANG NORMAL
Beberapa sifat penting fungsi densitas probabilitas normal:

i. Luas daerah di bawah kurva  f ( x) dx  1 .
Dengan melakukan transformasi linier y  ( x   ) /  , akan
diperoleh fungsi distribusi kemungkinan normal standar
1 1 y2
f ( y)  e 2
. Kemudian definisikan bentuk satuan berikut
2
1   12 y 2
I   e dy ,
2  
dan pertimbangkan sebuah bentuk satuan dari variabel random
Z yang juga mengikuti fungsi distribusi kemungkinan normal standar

1 1 z2
I  e 2
dz .
2 
 Distribusi Peluang Normal

Selanjutnya definisikan perkalian kedua bentuk satuan

tersebut sebagai berikut
1   12 y 2 1   12 z 2 1    12 ( y 2  z 2 )
I 
2
  e dy    e dz =   e dy dz .
2  2  2  

Gunakan transformasi berikut y  r sin  , dan z  r cos , maka

dapat diperoleh
1  2  12 r 2 
 12 r 2
I 
2
   r  e d dr   r  e dr  1.
2 0 0 0
1   12 y 2
Karena I  1, maka I  2   e dy  1 .
2



ii. Untuk setiap nilai variabel random X, nilai f ( x)  0 .

 Distribusi Peluang Normal

iii. Kurva fungsi distribusi kemungkinan normal bersifat

assymptotic pada kedua sisinya (tail), atau xlim

f ( x)  0 dan
lim f ( x)  0 .
x  

iv. Kurva fungsi distribusi kemungkinan normal simetris di kiri

dan kanan lokasi pemusatan  , atau f  x     f  x    .
v. Nilai maksimum (modus) dari kurva fungsi distribusi
kemungkinan normal f (x) berada pada lokasi pemusatan
x.
vi. Titik belok (point of onflections) dari kurva fungsi distribusi
kemungkinan normal f (x) berada pada titik-titik x     .
Kurva memiliki bentuk cekung dari bawah untuk
  
- <x< + , dan cekung dari atas untuk harga x lainnya.
 Distribusi Peluang Normal

Kedua parameter fungsi normal  dan  2 adalah rata-

rata (ekspektasi E (X )   ) dan variansi (V ( X )   2 )
distribusi probabilitas normal.
Bukti :

1 - 12  x    /  2
E( X ) 
 2
.
 xe dx
-

Gunakan transformasi z  ( x   ) /  , dan diperoleh :


(   z ) - 12 z 2
E( X )    e dz
- 2
 
1 z
  e dz   
- 12 z 2 - 12 z 2
 e dz
- 2 - 2

   (1)    (0)  .
 Distribusi Peluang Normal

Selanjutnya hitung variansi sebagai berikut:

V ( X )  E[( X   ) 2 ]

( x   ) 2  11 ( X ) 2
 e dx
   2

 2z2  z

1 2
e dz 1

  2


  z
 
1  11 z 2 

 2
 
1 z
2
e 1
e dz 
 2    2 
  2 0  1   2 .
 Distribusi Peluang Normal

Besarnya nilai probabilitas variabel random normal

ditentukan dengan formulasi berikut :
x u
1  12 (  ) 2
F ( x)  P( X  x)   e dx .
   2

Nilai probabilitas tersebut tidak dapat dihitung secara

analitis matematis melalui persamaan integral di atas, untuk
itu digunakan tabel distribusi normal yang diperoleh melalui
pendekatan numerik.
 Distribusi Peluang Normal

Beberapa pendekatan numerik yang dapat digunakan untuk

menentukan besarnya nilai probabilitas adalah:
i. Pendekatan Hoyt (1968) menggunakan fungsi
1
8
(3  x 2 ) untuk x  1
1
16
(3  x ) 2 untuk 1  x  3

pendekatan ini memberikan kesalahan kurang dari 0.01.

ii. Pendekatan Polya (1945) menggunakan fungsi
F ( x)  12 1  {1  exp(2 x 2 /  )}1 / 2 .
Pendekatan ini memberikan kesalahan maksimum
sebesar 0.003 pada x=1.6.
 Distribusi Peluang Normal

iii. Pendekatan Burr (1967) menggunakan fungsi


G ( x)  1  1  (  x) 
c k

dimana  =0.644693,  =0.161984, c =4.874, dan k=-

6.158. Pendekatan yang lebih baik dengan fungsi G(x)
adalah H ( x)  12 [G( x)  1  G( x)] . Dengan pendekatan ini
memberikan kesalahan maksimum adalah 0.00046 pada
x=0.6 dan x=-0.6.

Pendekatan lainnya dapat dilihat pada:

Johnson, N.L. & Kotz, S., (1970), Continuous Univariate
Distribution, JWS.
 Distribusi Peluang Normal

Semua kurva di bawah ini mengikuti distribusi normal dengan nilai rata-
rata dan variansi yang berbeda
Normal Dis tribution:  =40, =1 Normal D is tribution:  =30, =5 Normal D is tribution:  =50, =3
0.4 0.2 0.2

0.3

f(y)
f(w)

f(x)
0.2 0.1 0.1

0.1

0.0 0.0 0.0

35 40 45 0 10 20 30 40 50 60 35 45 50 55 65
w x y

Normal D is tribution:  =0, =1

0.4
Perhatikan bahwa: Nilai Peluang dari setiap
0.3 interval adalah luas area
P(39  W  41) di bawah kurva fungsi
f(z)

0.2

0.1
P(25  X  35) densitas Peluang normal.
0.0
-5 0 5
P(47  Y  53)
z
P(-1  Z  1)
 Distribusi Peluang Normal

• Peluang bahwa peubah acak normal

berada dalam rentang satu deviasi S tand ard N o rm al D is trib utio n

Baku dari rata-rata adalah 0.6826, 0.4

atau sekitar 0.68. 0.3

• Peluang bahwa peubah acak normal

f( z)
0.2

berada dalam rentang dua deviasi 0.1

Baku dari rata-rata adalah 0.9544, 0.0

atau sekitar 0.95. -5 -4 -3 -2 -1 0

Z
1 2 3 4 5

• Peluang bahwa peubah acak normal

berada dalam rentang tiga deviasi
Baku dari rata-rata adalah 0.9974.
 DISTRIBUSI NORMAL BAKU
Peubah acak normal Baku, Z, adalah peubah acak normal
dengan rata-rata  = 0 dan deviasi Baku  = 1: Z~N(0,12).

Distribusi Normal Baku

0 .4

0 .3

=1
f( z )

{
0 .2

0 .1

0 .0
-5 -4 -3 -2 -1 0 1 2 3 4 5

=0
 DISTRIBUSI NORMAL BAKU
P(0 < Z < 1.56)
Peluang Normal Baku

z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
S ta dard Normal Distribution 0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0
0.4 0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1
0.3 0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2
f(z)

0.2 0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3
0.1 1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3
1.56 1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3
{

1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4
0.0
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4
-5 -4 -3 -2 -1 0 1 2 3 4 5 1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4
Z 1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4
Lihat pada baris 1.5 dan 2.2
2.3
0.4861
0.4893
0.4864
0.4896
0.4868
0.4898
0.4871
0.4901
0.4875
0.4904
0.4878
0.4906
0.4881
0.4909
0.4884
0.4911
0.4887
0.4913
0.4
0.4

kolom .06 untuk 2.4

2.5
0.4918
0.4938
0.4920
0.4940
0.4922
0.4941
0.4925
0.4943
0.4927
0.4945
0.4929
0.4946
0.4931
0.4948
0.4932
0.4949
0.4934
0.4951
0.4
0.4
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4
menemukan 2.7
2.8
0.4965
0.4974
0.4966
0.4975
0.4967
0.4976
0.4968
0.4977
0.4969
0.4977
0.4970
0.4978
0.4971
0.4979
0.4972
0.4979
0.4973
0.4980
0.4
0.4

P(0<z<1.56) = 0.4406 2.9

3.0
0.4981
0.4987
0.4982
0.4987
0.4982
0.4987
0.4983
0.4988
0.4984
0.4988
0.4984
0.4989
0.4985
0.4989
0.4985
0.4989
0.4986
0.4990
0.4
0.4
 DISTRIBUSI NORMAL BAKU
P(Z < -2.47)

z ... .06 .07 .08

Untuk P(Z<-2.47): . . . .
Lihat tabel untuk 2.47 . . . .
P(0 < Z < 2.47) = .4934 . . . .
2.3 ... 0.4909 0.4911 0.4913
P(Z < -2.47) = .5 - P(0 < Z < 2.47) 2.4 ... 0.4931 0.4932 0.4934
= .5 - .4934 = 0.0066 2.5 ... 0.4948 0.4949 0.4951
.

S tandard Normal Distribution

0.4
Area di sebelah kiri -2.47
P(Z < -2.47) = .5 - 0.4932 0.3
Nilai tabel area 2.47
= 0.0068
P(0 < Z < 2.47) = 0.4934
f(z)

0.2

0.1

0.0
-5 -4 -3 -2 -1 0 1 2 3 4 5
Z
 DISTRIBUSI NORMAL BAKU
P(1< Z < 2)

Temukan P(1 < Z < 2): z

.
.00
.
...

1. Temukan nilai tabel 2.00 .

.
.
.
0.9 0.3159 ...
F(2) = P(Z < 2.00) = .5 + .4772 =.9772 1.0 0.3413 ...
1.1 0.3643 ...

2. Temukan nilai tabel 1.00 .

.
.
.
. .
F(1) = P(Z < 1.00) = .5 + .3413 = .8413 1.9 0.4713 ...
2.0 0.4772 ...
2.1 0.4821 ...
3. P(1 < Z < 2.00) = P(Z < 2.00) - P(Z < 1.00) . .
. .
= .9772 - .8413 = .1359 . .

S tandard Normal Dis tribution

0.4

0.3 Luas area diantara 1 dan 2

P(1 < Z < 2) = .4772 - .8413 = 0.1359
f(z)

0.2

0.1

0.0
-5 -4 -3 -2 -1 0 1 2 3 4 5
Z
 DISTRIBUSI NORMAL BAKU
P(0 < Z < z) = 0.40

z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
Temukan z sehingga 0.1
0.2
0.0398
0.0793
0.0438
0.0832
0.0478
0.0871
0.0517
0.0910
0.0557
0.0948
0.0596
0.0987
0.0636
0.1026
0.0675
0.1064
0.0714
0.1103
0.0753
0.1141
P(0 < Z < z) = .40: 0.3
0.4
0.1179
0.1554
0.1217
0.1591
0.1255
0.1628
0.1293
0.1664
0.1331
0.1700
0.1368
0.1736
0.1406
0.1772
0.1443
0.1808
0.1480
0.1844
0.1517
0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
Temukan nilai Peluang 0.7
0.8
0.2580
0.2881
0.2611
0.2910
0.2642
0.2939
0.2673
0.2967
0.2704
0.2995
0.2734
0.3023
0.2764
0.3051
0.2794
0.3078
0.2823
0.3106
0.2852
0.3133
sedekat mungkin dengan .40 0.9
1.0
0.3159
0.3413
0.3186
0.3438
0.3212
0.3461
0.3238
0.3485
0.3264
0.3508
0.3289
0.3531
0.3315
0.3554
0.3340
0.3577
0.3365
0.3599
0.3389
0.3621
dari tabel kemungkinan normal 1.1
1.2
0.3643
0.3849
0.3665
0.3869
0.3686
0.3888
0.3708
0.3907
0.3729
0.3925
0.3749
0.3944
0.3770
0.3962
0.3790
0.3980
0.3810
0.3997
0.3830
0.4015
Baku. 1.3
.
0.4032
.
0.4049
.
0.4066
.
0.4082
.
0.4099
.
0.4115
.
0.4131
.
0.4147
.
0.4162
.
0.4177
.
. . . . . . . . . . .
. . . . . . . . . . .
Tentukan nilai z pada baris dan
kolom yang sesuai. S tandard Normal Distribution
P(0<z<1.28) 0.40 0.4
Luas area di kiri 0 = .50 Area = .40 (.3997)
Karena P(Z < 0) = .50 P(z  0) = .50 0.3

f(z) 0.2

P(Z <1.28) .90

0.1

0.0
-5 -4 -3 -2 -1 0 1 2 3 4 5
Z
Z = 1.28
 Distribusi Normal Baku
P(-z.005< Z < z.005) = 0.99

Untuk memperoleh Peluang 0.99 di z

.
.04
.
.05
.
.06
.
.07
.
.08
.
.09
.
. . . . . . .
tengah distribusi, akan ada (1/2)(1-.99) = . . . . . . .
2.4 ... 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
(1/2)(.01) = .005 di ekor (tail) distribusi, 2.5 ...
2.6 ...
0.4945
0.4959
0.4946
0.4960
0.4948
0.4961
0.4949
0.4962
0.4951
0.4963
0.4952
0.4964
dan (1/2)(.99) = .495 setengah dari .
.
.
.
.
.
.
.
.
.
.
.
.
.
interval .99, atau : . . . . . . .

P(0<Z< z.005) = .495 Area di tengah = .99

Area di kiri = .495
0.4

Area di kanan = .495

Dari tabel Peluang normal Baku: 0.3

f(z)
0.2
2,57 < z.005 < 2,58
z.005  2,575
Area di ekor kanan = .005
0.1
Area di ekor kiri = .005
0.0
P(-.2575 < Z < 2,575) = .99 -5 -4 -3 -2 -1 0 1 2 3 4 5
Z
-z.005 z.005
-2.575 2.575
 Transformasi Peubah Acak Normal

Luas area dalam interval k dari rata-rata untuk peubah acak normal adalah sama. Jadi
area di bawah kurva normal ekuivalan dengan area di bawah kurna normal Baku. Contoh:
P(40  X  P(-1  Z     untuk 5dan 

Transformasi X menjadi Z:
X x Normal Distribution:  =50, =10
Z
x 0.07

0.06

Transformasi pada 0.05

0.04

f(x)
(1) Pengurangan: (X - x) 0.03
0.02 =10

{
S tandard Normal Dis tribution 0.01

0.4 0.00
0 10 20 30 40 50 60 70 80 90 100
X
0.3

(2) Pembagian dengan x)

f(z)

0.2

Transformasi sebaliknya Z
{

0.1 1.0

menjadi X:
0.0
-5 -4 -3 -2 -1 0 1 2 3 4 5 X  x  Z x
Z
Transformasi Peubah Acak Normal

Contoh: Contoh
X~N(160,302) X~N(127,222)
P (100  X  180) P ( X  150)

 P
 100   X   180     X   150   
    P  
        
 100  160 180  160 
 P Z 
150  127 
 P Z  
 30 30   22 
 P 2  Z .6667  P Z  1.045
 0.4772  0.2475  0.7247  0.5  0.3520  0.8520
 Transformasi Peubah Acak Normal

Transformasi X menjadi Z: Transformasi kebalikan Z menjadi X:

X  x X    Z
Z  x x
x

Transformasi X menjadi Z, dengan nilai a dan b:

 a  
P( X  a)  P Z  
  
 b  
P( X  b)  P Z  
  
a b  
P(a  X  b)  P Z 
   
 Transformasi Peubah Acak Normal

Untuk menemukan nilai Peluang dengan interval tertentu

untuk sembarang peubah acak normal adalah dengan
mengekspresikan interval tersebut dalam satuan deviasi
Baku dari rata-ratanya.
 x   70     70  50 
P( X  70)  P    P Z    P( Z  2)
     10 
Jika X~N(50,102), P(X >70) dapat diperoleh karena 70 adalah 2 deviasi Baku
di atas rata-rata X: 70=+2. P(X > 70) ekuivalen dengan P(Z > 2), luas area
di bawah kurva normal Baku.
z .07 .08 .09
Contoh: .
.
.
.
.
.
.
.
.
.

X~N(124,122) .
1.1
.
...
.
0.3790
.
0.3810
.
0.3830

P(X > x) = 0.10 dan P(Z > 1.28)  0.10

1.2 ... 0.3980 0.3997 0.4015
1.3 ... 0.4147 0.4162 0.4177

x =  + z = 124 + (1.28)(12) = 139.36

. . . . .
. . . . .
. . . . .
 Transformasi Peubah Acak Normal

Contoh: X~N(5.7,0.52) Contoh: X~N(2450,4002)

P(X > x)=0.01 dan P(Z > 2.33) 0.01 P(a<X<b)=0.95 dan P(-1.96<Z<1.96)0.95
x =  + z = 5.7 + (2.33)(0.5) = 6.865 x =   z = 2450 ± (1.96)(400) = 2450
±784=(1666,3234)
z .02 .03 .04 P(1666 < X < 3234) = 0.95
. . . . . z .05 .06 .07
. . . . . . . . . .
. . . . . . . . . .
2.2 ... 0.4868 0.4871 0.4875 . . . . .
2.3 ... 0.4898 0.4901 0.4904 1.8 ... 0.4678 0.4686 0.4693
2.4 ... 0.4922 0.4925 0.4927 1.9 ... 0.4744 0.4750 0.4756
. . . . . 2.0 ... 0.4798 0.4803 0.4808
. . . . . . . . . .
. . . . . . . . . .

Normal Distribution:  = 5.7 = 0.5 Normal Distribution:  = 2450  = 400

0.8 0.0015
Area = 0.49
0.7
0.6 .4750 .4750
0.5 0.0010
f(x)

f(x)
0.4
0.3 X.01 = +z = 5.7 + (2.33)(0.5) = 6.865
0.0005
0.2 .0250 .0250
0.1 Area = 0.01
0.0 0.0000
3.2 4.2 5.2 6.2 7.2 8.2 1000 2000 3000 4000
X X
-5 -4 -3 -2 -1 0 1 2 3 4 5 -5 -4 -3 -2 -1 0 1 2 3 4 5

z Z.01 = 2.33 -1.96 Z 1.96

 Transformasi Peubah Acak Normal

Normal D is tribution:  = 2450,  = 400

1. Gambarkan distribusi 0.0012
.

normal yang ingin diteliti 0.0010

.

0.0008
.

dan distribusi normal Baku.

f(x)
0.0006
.

0.0004
.

0.0002
.

0.0000
1000 2000 3000 4000

2. Arsir daerah Peluang yang X

diteliti. S ta nd a rd N o rm a l D is trib utio n

0.4

3. Dari tabel distribusi normal 0.3

Baku, temukan nilai z.

f(z)
0.2

0.1

4. Transformasikan nilai z 0.0

-5 -4 -3 -2 -1 0 1 2 3 4 5

menjadi x (nilai peubah Z

acak asal).
 Transformasi Peubah Acak Normal

1. Distribusi Normal dan Normal Baku.

Normal tribution:  == 2450,
Nor al DDisistribution: 2450,  == 400
40
0.0012
.
2. Arsir daerah 0.95 0.0010
. .4750 .4750
(masing-masing 0.0008
.

0.475 di kiri dan 0.0006

f(x
.

0.0004
.
kanan. 0.0002
. .9500
0.0000
100 200 300 400

3. Temukan nilai z dari X

tabel normal Baku z=- S ta nd a rd N o rm a l D is trib utio n 4. Transformasi nilai z

1,96 dan z=1.96 0.4
ke nilai x
.4750 .4750

x =   z
0.3
z .05 .06 .07
. . . . .
f(z)

. . . . . 0.2
.
1.8
.
...
.
0.4678
.
0.4686
.
0.4693
= 2450 ±
0.1
1.9
2.0
...
...
0.4744
0.4798
0.4750
0.4803
0.4756
0.4808
.9500 (1.96)(400)
. . . . .
. . . . .
0.0
-5 -4 -3 -2 -1 0 1 2 3 4 5
= 2450 ± 784
Z
=(1666,3234)
 PENDEKATAN UNTUK BINOMIAL

Distribusi normal dengan  = 3.5 dan  = 1.323 mendekati distribusi binomial

dengan n = 7 dan p = 0.50.

Normal Distribution:  = 3.5,  = 1.323

P(x<4.5) = 0.7749 Binomial Distribution: n = 7, p = 0.50

0.3 0.3

P( x 4) = 0.7734
0.2 0.2

P(x)
f(x)

0.1 0.1

0.0 0.0
0 5 10 0 1 2 3 4 5 6 7
X X

MTB > cdf 4.5; MTB > cdf 4;

SUBC> normal 3.5 1.323. SUBC> binomial 7,.5.
Cumulative Distribution Function Cumulative Distribution Function
Normal with mean = 3.50000 and Bakud deviation = 1.32300 Binomial with n = 7 and p = 0.500000

x P( X <= x) =0.0017 x P( X <= x)

4.5000 0.7751 4.00 0.7734
 PENDEKATAN UNTUK BINOMIAL
Distribusi normal dengan  = 5.5 dan  = 1.6583 pendekatan yang lebih baik
untuk distribusi binomial dengan n = 11 dan p = 0.50.

Binomial Distribution: n = 11, p = 0.50

Normal Distribution:  = 5.5,  = 1.6583
P(x4) = 0.2744
0.3
P(x<4.5) = 0.2732 0.2

0.2

P(x)
f(x)

0.1

0.1

0.0
0.0
0 1 2 3 4 5 6 7 8 9 10 11
0 5 10
X
X

MTB > cdf 4.5; MTB > cdf 4;

SUBC> normal 5.5 1.6583. SUBC> binomial 11,.5.
Cumulative Distribution Function Cumulative Distribution Function
Normal with mean = 5.50000 and Bakud deviation = 1.65830 Binomial with n = 11 and p = 0.500000

x P( X <= x) x P( X <= x)
4.5000 0.2732 =0.0012 4.00 0.2744
 Pendekatan untuk Binomial

Definisi:
Bila X variabel random binomial dengan rata-rata  = np
dan variansi  2 = npq, maka bentuk pendekatan adalah
X  np
distribusi Z
npq
, bila n   adalah distribusi normal
baku N(0,1).

Dari perhitungan, distribusi normal memberikan pendekatan

nilai probabilitas yang baik terhadap distribusi binomial bila
n besar dan p mendekati 0.5, bahkan bila n mengecil tapi p
tidak terlalu jauh dari 0.5 masih diperoleh pendekatan yang
cukup baik.
 Pendekatan untuk Binomial

 a  np b  np 
P( a  X  b)  P Z 
 np(1  p) np(1  p) 
Untuk
for n large (n  50)
n besar (n>50)
anddan p tidak
p not mendekati
too close to 0 or 01.00
atau 1.00
Atau:
 a  0.5  np b  0.5  np 
P(a  X  b)  P Z 
 np(1  p) np(1  p) 
Untuk
for n sedanglarge
n moderately (20  n < 50).
(20<n<50)

Jika p kecil (mendekati 0) atau besar (mendekati 1), gunakan

pendekatan dengan distribusi Poisson.
 Pendekatan untuk Binomial

Suatu proses menghasilkan sejumlah produk (dengan kemungkinan

dproduk cacat 10%). Bila 100 produk diambil secara acak, berapakah
kemungkinan bahwa terdapat lebih dari 13 produk cacat?

 Dalam kasus ini, banyaknya cacat berdistribusi binomial dengan

parameter n= 100 dan p=0,1. Karena ukuran sampel besar dilakukan
pendekatan dengan fungsi kemungkinan normal dimana parameternya
adalah   np  (100)(0,1)  10 , dan   npq  (100)(0,1)(0,9)  3,0 .
 Karena ingin diamati kemungkinan bahwa terdapat lebih dari 13 produk
cacat, maka dicari probabilitas x>13. Untuk kasus diskrit, digunakan
batas x=13.5, dan harga z yang sesuai adalah z  (13.5  10) / 3  1,167 .
Dari tabel diperoleh kemungkinan z>1.167 adalah 0.1216.
 Perhitungan dengan Excel

• Dalam EXCEL, perintah NORMSDIST(number) akan memberikan nilai

Peluang kumulatif dari peubah acak normal Baku.
• Perintah NORMDIST(number, mean, Bakud deviation) akan
memberikan nilai Peluang dari peubah acak normal secara umum.
 Perhitungan dengan Excel

Contoh:
• NORMSDIST(1.0) = 0.8413.
• NORMDIST(10.0, 5, 2) = 0.9938.
• Perintah inversinya NORMSINV(number) dan NORMINV(number,
mean, Bakud deviation).
• NORMSINV(0.975) = 1.96.
• NORMINV(0.975, 20, 10) = 39.6.
 Distribusi Normal Multivariat

Distribusi dalam analisis multivariat umumnya adalah

distribusi multivariat normal sebagai perluasan dari
distribusi normal univariat.
Terdapat dua landasan pokok untuk hal tersebut, yaitu :
i. Kasus pengukuran multivariat seringkali adalah bentuk
penjumlahan dari beberapa pengaruh random yang
independen. Dengan teorema central limit, beberapa
variabel tadi membentuk distribusi normal multivariat.
ii. Teori statistika yang berlandaskan pada distribusi normal
terbukti telah menunjukkan keberhasilan dalam
melakukan kajian secara terstruktur dan sistematis.
 Distribusi Normal Multivariat

 Nilai ekspektasi dari sebuah vektor variabel random

X=(X1,…,Xm)’ adalah E ( X )  E ( X1 ),...,E ( X m )' .

 Jika X mempunyai rata-rata  matriks variansi-

kovariansi X didefinisikan sebagai matriks (mxm) berikut
  Cov( X )  E( X   )( X   )'.

 Elemen ke-i dan ke-j dari matriks variansi-kovariansi

adalah  ij  E[( X i   i )( X j   j )] , sedangkan elemen ke-i
dikenal sebagai variansi  ii  E[( X i   i ) ] .
2
 Distribusi Normal Multivariat
 Agar variansi variabel random Xi ada, maka matriks
definit nonnegatif. Karena similaritas kovariansi, maka
matriks  adalah matriks simetris, sehingga    ' .
 Sebuah matriks simetris (mxm) A disebut definit non-
negatif jika  ' A  0 untuk semua   R dan pasti positif
m

jika  ' A  0 untuk semua   R ,  0 . R adalah ruang

m m

Euklidean berdimensi m dengan komponen real.

 1 
f x ( x)  (2 ) m / 2
(det ) 1 / 2
exp  ( x   )'  ( x   )
1

 2 
 Distribusi Peluang Gamma

Distribusi gamma dikenal dari fungsi gamma yang banyak digunakan

dalam bidang matematika. Fungsi gamma didefinisikan oleh

( )   x  1 e  x dx untuk   0 .
0
 1
Jila dilakukan integrasi parsial atas u  x dan dv=e-xdx, maka akan
     x  

 x  2
diperoleh ( )  e xx 1   e (  1) x 2 dx =(  1)  e x dx ,
0 0
0
sehingga dihasilkan pengulangan fungsi gamma ( )  (  1)(  1) ,
( )  (  1)(  2)(  2) , dan seterusnya jika =n, dimana n bilangan
bulat positif, maka (n)  (n  1)(n  2)...(1) . Karena menurut definisi


fungsi gamma (1)   e dx  1 , maka (n)  (n  1)!.

x

Satu sifat penting fungsi gamma, adalah (1 / 2)   .

 Distribusi Peluang Gamma

Definisi
Sebuah variabel random kontinyu X berdistribusi gamma
dengan parameter bila   0 dan   0 , bila mengikuti
fungsi
1  1  x / 
f ( x)  
x e x>0
 ( )
= 0, untuk x lainnya.

Parameter pemusatan dan penyebaran adalah sebagai

berikut :
E (X )     dan V ( X )   2   2 .
 Distribusi Peluang Gamma

Hal ini dapat dibuktikan dengan mengevaluasi momen ke-r di

sekitar titik asal distribusi gamma adalah
1  r  1  / 
  E( X )  
' r
 x e dx .
 ( )
r 0

 r  r  1  /   r (  r )
Jika dimisalkan y=x/ , maka   ( ) 0 y e dy  ( ) .
'
r

(  1)
Dengan demikian    '
   , dan
( )
1

 2 (  2)
  2  2 = 
2
    
2 ' 2

( )
2


Distribusi gamma yang khusus (spesifik) untuk =v/2,  =2,
dan v bilangan bulat positif disebut distribusi khi-kuadrat (chi-
square) dengan degree of freedom v.
 Distribusi Peluang Gamma

Proposisi:
Jika X i , i  1,2,..., n adalah variabel random gamma independen
  , maka i 1 X i juga gamma dengan
n
dengan parameter i ( , )

parameter i 1 i ,  .
n

(parameter  adalah 1 /  )
Proposisi:
Jika X i , i  1,2,..., n adalah variabel random independen
eksponensial independen dan identik dengan rata-rata  ,
maka i 1 X i adalah variabel random gamma dengan
n

parameter (n,  ) .
 Distribusi Peluang Weibull

Distribusi Weibull (Waloddi Weibull, Swedish, 1939) banyak digunakan

dalam analisis keandalan yang berkiatan dengan umur (rentang
waktu), contohnya rantang waktu dimana sebuah peralatan mungkin
akan rusak (tidak berfungsi).
Definisi
Variabel random kontinyu T berdistribusi Weibull, dengan dua
parameter   0 dan   0 , jika fungsi padatnya mengikuti
 1  at 
f (t )  t e untuk t > 0, dan f(t)=0, untuk t lainnya

Parameter pemusatan dan penyebaran adalahsebagai berikut :

 1   2    1  2 
E (T )     1 /  1   dan V (T )   2    2 /  1    1   
          
 Distribusi Peluang Weibull

Dengan menggunakan analogi, fungsi distribusi kemungkinan

Weibull dapat mencakup tiga parameter W(,,) dan fungsi
keandalannya didefinisikan oleh
 1
  t     t    
f (t ; ,  , )    exp   , t   , dan
       
  t    
R (t ; ,  , )  exp   .
    
Mean time to failure (MTTF) dan variansinya adalah
   1
E (T ; ,  , )      dan
  
    2  2    1 
Var (T ; ,  , )   2       .
      
 Distribusi Peluang Weibull

Distribusi Weibull digunakan secara luas dalam analisis keandalan

yang mengeneralisasi aplikasi distribusi tersebut dengan
menyertakan hazard rate yang tidak konstan, meningkat atau
menurun, dan mencakup initial failure serta wear-out failures.

laju Kerusakan karena terjadinya early

causes dan chance causes kerusakan karena terjadi wear-
kerusakan out causes dan chance causes
hanya terjadi
chance failure

t
 TUGAS
• Kerjakan secara berkelompok :
Carilah data kemudian lakukan analisa untuk
distribusi normal dan tarik kesimpulannya
1. Kerjakan secara manual
2. Kerjakan dengan menggunakan software
3. Dikumpulkan tgl 09 Oktober 2017 dalam bentuk
hardcopy dan atau softcopy ke email
yanyan_dwiyanti@yahoo.com