Skip to main content

06 — Peubah Acak Kontinu

Tujuan Pembelajaran: 1. Memahami konsep peubah acak kontinu berbasis pengukuran riil dan menguraikan paradoks mengapa probabilitas tepat di satu titik selalu nol (\(P(X = c) = 0\)). 2. Menguasai konsep dan syarat matematis Fungsi Padat Peluang (Probability Density Function / PDF) serta menghitung peluang melalui integrasi luasan di bawah kurva. 3. Mengonstruksi Fungsi Distribusi Kumulatif (Cumulative Distribution Function / CDF) dan memanfaatkannya sebagai jalan pintas perhitungan peluang selang. 4. Menghitung Nilai Harapan (Expected Value / \(E(X)\)), Varians (\(Var(X)\)), dan Simpangan Baku (\(\sigma\)) pada peubah acak kontinu. 5. Memodelkan fenomena acak menggunakan tiga distribusi kontinu fundamental: Distribusi Uniform (Seragam), Distribusi Eksponensial (waktu tunggu dan sifat memoryless), serta Distribusi Normal (Gaussian). 6. Melakukan standarisasi data ke bentuk Normal Baku menggunakan skor \(Z\) (Z-Score), membaca tabel distribusi normal kumulatif (\(\Phi(z)\)), dan menerapkan Aturan Empiris \(68 - 95 - 99,7\).

Slide Kuliah (Typst):
- 📄 Slide Teori & Konsep (43 Slide): Buka Presentasi Web · Unduh PDF
- 📊 Slide Latihan Soal & Pembahasan (35 Slide): Buka Presentasi Soal · Unduh PDF Latihan Soal

Navigasi Silabus: 00 — Deskripsi MK & Silabus · Pertemuan sebelumnya: 05 — Peubah acak diskret (Binomial & Poisson) · Pertemuan berikutnya: 07 — Sampling, Distribusi Sampling, dan Teorema Limit Pusat (CLT).


Gunakan tombol panah keyboard atau spasi untuk berpindah slide. Buka Layar Penuh · Buka Slide Kumpulan Soal & Pembahasan.


1. Paradoks Probabilitas Kontinu & Konsep Dasar

Dari Menghitung (Counting) ke Mengukur (Measuring)

Pada peubah acak diskret (Pertemuan 05), kita menghitung bilangan cacah (\(x = 0, 1, 2, \dots\)): jumlah klik pengguna, banyaknya paket data yang hilang, atau jumlah transaksi berhasil. Setiap nilai memiliki probabilitas mandirinya masing-masing yang dipetakan oleh Probability Mass Function (PMF): \[P(X = x) \ge 0 \quad \text{dan} \quad \sum_x P(X = x) = 1\]

Namun, dalam dunia nyata dan sains data, sebagian besar data merupakan hasil pengukuran pada spektrum kontinu: waktu tunggu (latency), suhu prosesor, berat kemasan, laju transfer data, atau tingkat return saham. Data pengukuran memiliki resolusi desimal tak terbatas.

Mengapa \(P(X = c) = 0\)? (Paradoks Probabilitas Kontinu)

Bayangkan Anda mengukur suhu ruangan saat ini dengan termometer digital berpresisi tak terhingga. Berapakah peluang suhu tersebut berada tepat secara absolut di angka: \[25{,}0000000000000000\dots^\circ\text{C}\]

Karena di antara \(24{,}9^\circ\text{C}\) dan \(25{,}1^\circ\text{C}\) terdapat tak hingga banyaknya bilangan riil desimal, peluang jarum mendarat tepat di satu angka tunggal tanpa meleset seujung atom pun adalah: \[P(X = 25) = \frac{1}{\infty} = 0\]

Catatan Konseptual Penting:
Peluang \(P(X = c) = 0\) bukan berarti peristiwa tersebut mustahil terjadi. Ruangan tersebut memang memiliki suhu riil. Yang bernilai nol adalah peluang matematis untuk menangkap satu titik berdimensi nol tanpa rentang lebar. Oleh karena itu: 1. Pada peubah acak kontinu, probabilitas hanya bermakna di dalam suatu rentang/interval (\(a \le X \le b\)). 2. Tanda pertidaksamaan tegas (\(<\)) atau longgar (\(\le\)) tidak mengubah nilai peluang: \[P(a \le X \le b) = P(a < X \le b) = P(a \le X < b) = P(a < X < b)\]


2. Fungsi Padat Peluang (PDF) & Sifat-Sifatnya

Pada peubah acak kontinu, peluang direpresentasikan oleh luas daerah di bawah kurva Probability Density Function (PDF), yang dinotasikan dengan \(f(x)\).

           f(x) ^
                |            _--~~--_
                |          /          \
                |         /|          |\
                |        / |==========| \
                |       /  |==========|  \
                +------+---+----------+---+--------> x
                      0    a   Luas   b
                            P(a <= X <= b)

Sifat-Sifat Formal PDF:

  1. Non-negatif: \(f(x) \ge 0\) untuk setiap \(x \in \mathbb{R}\). Nilai \(f(x)\) tidak pernah bernilai negatif (namun boleh bernilai lebih besar dari 1, karena \(f(x)\) adalah densitas/kepadatan, bukan probabilitas langsung!).
  2. Total Luas Semesta Adalah 1: \[\int_{-\infty}^{\infty} f(x) \, dx = 1\]
  3. Peluang pada Interval \([a, b]\) Adalah Luas Integral: \[P(a \le X \le b) = \int_{a}^{b} f(x) \, dx\]

3. Fungsi Distribusi Kumulatif (CDF)

Fungsi Distribusi Kumulatif (Cumulative Distribution Function / CDF), dinotasikan dengan \(F(x)\), menyatakan peluang akumulatif bahwa nilai peubah acak \(X\) tidak melebihi nilai ambang \(x\): \[F(x) = P(X \le x) = \int_{-\infty}^{x} f(t) \, dt\]

Sifat-Sifat Fundamental CDF:

  • Monoton tak-turun: jika \(x_1 < x_2\), maka \(F(x_1) \le F(x_2)\).
  • Batas asimtot: \[\lim_{x \to -\infty} F(x) = 0 \quad \text{dan} \quad \lim_{x \to \infty} F(x) = 1\]
  • Jalan Pintas Menghitung Peluang Interval (Teorema Dasar Kalkulus): \[P(a < X \le b) = F(b) - F(a)\] Keunggulan praktis: Jika kita sudah memiliki rumus \(F(x)\), kita tidak perlu melakukan operasi integral berulang kali; cukup lakukan pengurangan dua nilai fungsi.
  • Hubungan timbal-balik PDF dan CDF: \[f(x) = \frac{d}{dx} F(x) = F'(x)\]

4. Nilai Harapan, Varians, dan Simpangan Baku

Jika pada data diskret nilai harapan adalah jumlahan bobot perkalian \(\sum x P(X=x)\), maka pada data kontinu jumlahan tersebut bertransformasi menjadi kalkulus integral berbobot \(f(x)\):

Besaran Statistik Definisi / Rumus Matematis Makna Fisis & Praktis
Nilai Harapan (Mean / \(\mu\)) \(E(X) = \int_{-\infty}^{\infty} x \cdot f(x) \, dx\) Titik berat (center of gravity) distribusi; rata-rata jangka panjang.
Momen Kedua (\(E(X^2)\)) \(E(X^2) = \int_{-\infty}^{\infty} x^2 \cdot f(x) \, dx\) Energi total sebaran nilai kuadrat.
Varians (\(\sigma^2\)) \(Var(X) = E(X^2) - [E(X)]^2\) Ukuran dispersi/penyebaran data di sekitar nilai rata-rata.
Simpangan Baku (\(\sigma\)) \(\sigma = \sqrt{Var(X)}\) Dispersi dalam satuan ukuran asli variabel data.

5. Distribusi Uniform (Seragam) Kontinu

Distribusi Uniform kontinu memodelkan kejadian di mana peubah acak memiliki peluang densitas yang sama rata konstan di seluruh titik dalam interval tertutup \([a, b]\).

   f(x) ^
  1/(b-a) |-------+======================+
          |       |                      |
          |       |     Luas Total = 1   |
          +-------+----------------------+--------> x
          0       a                      b

Parameter & Formula Kunci \(U(a, b)\):

  • PDF: \[f(x) = \begin{cases} \frac{1}{b - a}, & a \le x \le b \\ 0, & x \text{ lainnya} \end{cases}\]
  • CDF: \[F(x) = \begin{cases} 0, & x < a \\ \frac{x - a}{b - a}, & a \le x \le b \\ 1, & x > b \end{cases}\]
  • Peluang Interval: \[P(c \le X \le d) = \frac{d - c}{b - a} \quad (\text{untuk } a \le c \le d \le b)\]
  • Mean & Varians: \[\mu = E(X) = \frac{a + b}{2}, \quad \sigma^2 = Var(X) = \frac{(b - a)^2}{12}\]

6. Distribusi Eksponensial (Waktu Tunggu & Keandalan)

Distribusi Eksponensial kontinu memodelkan waktu tunggu hingga suatu kejadian acak terjadi (misalnya waktu antar kedatangan nasabah, waktu hingga server down, atau durasi panggilan telepon). Distribusi ini merupakan versi kontinu dari distribusi diskret Poisson.

Jika rata-rata kejadian terjadi sebanyak \(\lambda\) kali per satuan waktu, maka waktu antar-kejadian \(X\) berdistribusi eksponensial dengan parameter laju \(\lambda > 0\) (atau rata-rata waktu tunggu \(\beta = \frac{1}{\lambda}\)).

Parameter & Formula Kunci \(\text{Exp}(\lambda)\):

  • PDF: \[f(x) = \begin{cases} \lambda e^{-\lambda x}, & x \ge 0 \\ 0, & x < 0 \end{cases}\]
  • CDF: \[F(x) = P(X \le x) = 1 - e^{-\lambda x} \quad (x \ge 0)\]
  • Peluang Ekor Kanan (Reliability / Survival Function): \[P(X > x) = 1 - F(x) = e^{-\lambda x}\]
  • Mean & Varians: \[\mu = E(X) = \frac{1}{\lambda}, \quad \sigma^2 = Var(X) = \frac{1}{\lambda^2}, \quad \sigma = \frac{1}{\lambda}\] (Perhatikan bahwa pada distribusi eksponensial, simpangan baku selalu tepat sama dengan rata-ratanya: \(\sigma = \mu\)).

Sifat Tanpa Ingatan (Memoryless Property)

Distribusi eksponensial adalah satu-satunya distribusi kontinu yang memiliki sifat tanpa ingatan: \[P(X > s + t \mid X > s) = P(X > t)\] Artinya: Jika sebuah komponen telah beroperasi selama \(s\) jam tanpa rusak, peluang komponen tersebut mampu bertahan selama \(t\) jam tambahan lagi sama persis dengan peluang komponen baru bertahan selama \(t\) jam. Komponen tidak mengalami keausan bertahap; kegagalan murni dipicu oleh gangguan acak eksternal seketika.


7. Distribusi Normal (Gaussian) & Z-Score

Distribusi Normal adalah distribusi paling esensial dalam seluruh statistika dan Machine Learning. Fenomena alam, biologi, sosial, dan kesalahan pengukuran berkumpul membentuk kurva lonceng simetris ini (sebagaimana ditegaskan kelak oleh Teorema Limit Pusat).

                      f(x) ^
                           |            .---.
                           |           /  |  \
                           |          /   |   \
                           |        .'    |    `.
                           |       /      |      \
                           |     .'       |       `.
                           +----+---------+---------+----> x
                              mu - sigma  mu   mu + sigma

Rumus Kepadatan Normal \(N(\mu, \sigma^2)\):

\[f(x) = \frac{1}{\sigma \sqrt{2\pi}} e^{-\frac{(x - \mu)^2}{2\sigma^2}}, \quad -\infty < x < \infty\] - Kurva simetris terhadap rata-rata \(\mu\). - Titik puncak (modus, median, mean) berada persis di \(x = \mu\) dengan nilai maksimum \(\frac{1}{\sigma \sqrt{2\pi}}\). - Titik belok kurva (inflection point) berada pada \(x = \mu \pm \sigma\). - Parameter \(\mu\) menentukan pergeseran horizontal (posisi pusat), sedangkan parameter \(\sigma\) menentukan lebar dan kerampingan kurva (peakedness).

Aturan Empiris Tiga Sigma (\(68 - 95 - 99{,}7\)):

Untuk setiap distribusi normal: 1. Sekitar \(68{,}27\%\) data berada dalam rentang \(\mu \pm 1\sigma\). 2. Sekitar \(95{,}45\%\) data berada dalam rentang \(\mu \pm 2\sigma\). 3. Sekitar \(99{,}73\%\) data berada dalam rentang \(\mu \pm 3\sigma\). 4. Hanya ada sekitar \(0{,}27\%\) data ekstrem yang berada di luar batas \(\pm 3\sigma\) (kurang dari \(3\) dari setiap \(1.000\) observasi).

Standarisasi ke Normal Baku \(Z \sim N(0, 1)\)

Karena setiap variabel di dunia nyata memiliki satuan dan skala yang berbeda-beda (\(\mu\) dan \(\sigma\) berbeda), kita mentransformasikan variabel \(X\) ke dalam skala Normal Baku (Standard Normal) melalui Skor \(Z\) (Z-Score): \[Z = \frac{X - \mu}{\sigma}\]

  • Makna Fisis Skor \(Z\): Menyatakan berapa kali simpangan baku suatu nilai observasi berada di atas (\(Z > 0\)) atau di bawah (\(Z < 0\)) rata-rata populasinya.
  • Inversi Nilai Riil: \[X = \mu + Z \cdot \sigma\]

Membaca Tabel Normal Baku Kumulatif \(\Phi(z)\):

Tabel \(Z\) standar menyediakan nilai akumulasi luas dari ujung \(-\infty\) hingga titik \(z\): \[\Phi(z) = P(Z \le z)\]

Aturan praktis simetri kurva normal: 1. Peluang Kurang Dari: \(P(Z \le z) = \Phi(z)\). 2. Peluang Lebih Dari (Ekor Kanan): \(P(Z > z) = 1 - \Phi(z)\). 3. Peluang di Antara Dua Nilai: \(P(z_1 \le Z \le z_2) = \Phi(z_2) - \Phi(z_1)\). 4. Nilai \(Z\) Negatif: \(\Phi(-z) = 1 - \Phi(z)\).


8. Ringkasan Formula Distribusi Kontinu Utama

Parameter / Fitur Distribusi Uniform \(U(a, b)\) Distribusi Eksponensial \(\text{Exp}(\lambda)\) Distribusi Normal \(N(\mu, \sigma^2)\)
Domain Nilai (\(x\)) \(a \le x \le b\) \(x \ge 0\) \(-\infty < x < \infty\)
Fungsi PDF \(f(x)\) \(\frac{1}{b - a}\) \(\lambda e^{-\lambda x}\) \(\frac{1}{\sigma\sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\sigma^2}}\)
Fungsi CDF \(F(x)\) \(\frac{x - a}{b - a}\) \(1 - e^{-\lambda x}\) \(\Phi\left(\frac{x - \mu}{\sigma}\right)\) via Tabel \(Z\)
Rata-rata (\(E(X)\)) \(\frac{a + b}{2}\) \(\frac{1}{\lambda}\) \(\mu\)
Varians (\(Var(X)\)) \(\frac{(b - a)^2}{12}\) \(\frac{1}{\lambda^2}\) \(\sigma^2\)
Simpangan Baku (\(\sigma\)) \(\frac{b - a}{\sqrt{12}}\) \(\frac{1}{\lambda}\) \(\sigma\)
Karakteristik Khas Peluang konstan merata Memoryless, laju konstan Simetris lonceng, aturan empiris

9. Pembahasan Contoh Soal Komprehensif (Slide Terpisah)

Materi ini dilengkapi dengan deck slide khusus latihan soal dan pembahasan langkah-demi-langkah sebanyak 35 slide. Berikut adalah ringkasan soal dan strategi penyelesaiannya:

Soal 1: Menentukan Konstanta Normalisasi PDF Kuadratik

Kasus: Diberikan \(f(x) = k x^2\) untuk \(0 \le x \le 3\), dan \(0\) untuk \(x\) lainnya.
1. Syarat luas semesta: \(\int_0^3 k x^2 \, dx = 1 \implies \left[ k \frac{x^3}{3} \right]_0^3 = 1 \implies 9k = 1 \implies k = \frac{1}{9}\).
2. Peluang selang: \(P(1 \le X \le 2) = \int_1^2 \frac{1}{9} x^2 \, dx = \left[ \frac{x^3}{27} \right]_1^2 = \frac{8 - 1}{27} = \frac{7}{27} \approx 0{,}2593\).
3. Peluang titik: \(P(X = 2) = 0\) karena lebar titik adalah nol.

Soal 2: PDF Segitiga (Piecewise) dan Nilai Median

Kasus: \(f(x) = k(2 - x)\) untuk \(0 \le x \le 2\).
1. Nilai \(k\): Luas segitiga \(= \frac{1}{2} \times 2 \times 2k = 2k = 1 \implies k = 1\).
2. Peluang \(P(X > 1)\): \(\int_1^2 (2 - x) \, dx = \left[ 2x - \frac{x^2}{2} \right]_1^2 = (4 - 2) - (2 - 0{,}5) = 0{,}50\) (50%).
3. Median \(m\): Memenuhi \(\int_0^m (2 - x) \, dx = 0{,}5 \implies 2m - \frac{m^2}{2} = 0{,}5 \implies m^2 - 4m + 1 = 0\). Dengan rumus kuadrat abc dan kendala \(0 \le m \le 2\), diperoleh \(m = 2 - \sqrt{3} \approx 0{,}5858\) ms.

Soal 3: Konstruksi CDF \(F(x)\) dan Evaluasi Peluang Cepat

Kasus: \(f(x) = \frac{3}{8} x^2\) untuk \(0 \le x \le 2\).
1. Bentuk CDF: \(F(x) = \int_0^x \frac{3}{8} t^2 \, dt = \left[ \frac{3}{8} \frac{t^3}{3} \right]_0^x = \frac{x^3}{8}\).
2. Peluang \(P(X \le 1)\): \(F(1) = \frac{1^3}{8} = 0{,}125\) (12,5%).
3. Peluang \(P(1 < X \le 1{,}5)\): Tanpa integrasi ulang, \(F(1{,}5) - F(1) = \frac{1{,}5^3 - 1^3}{8} = \frac{3{,}375 - 1}{8} = \frac{2{,}375}{8} \approx 0{,}2969\) (29,69%).

Soal 4: Menghitung Nilai Harapan dan Varians

Kasus: \(f(x) = 2(1 - x)\) untuk \(0 \le x \le 1\).
- \(E(X) = 2 \int_0^1 (x - x^2) \, dx = 2 \left( \frac{1}{2} - \frac{1}{3} \right) = \frac{1}{3}\) meter.
- \(E(X^2) = 2 \int_0^1 (x^2 - x^3) \, dx = 2 \left( \frac{1}{3} - \frac{1}{4} \right) = \frac{1}{6}\).
- \(Var(X) = \frac{1}{6} - \left(\frac{1}{3}\right)^2 = \frac{1}{6} - \frac{1}{9} = \frac{1}{18} \approx 0{,}0556\) meter\(^2\).
- \(\sigma = \sqrt{\frac{1}{18}} \approx 0{,}2357\) meter.

Soal 5: Waktu Tunggu Bus Kota \(U(0, 20)\)

Kasus: Bus tiba setiap 20 menit, mahasiswa datang acak (\(X \sim U(0, 20)\)).
- \(f(x) = \frac{1}{20 - 0} = 0{,}05\) untuk \(0 \le x \le 20\).
- \(P(X \le 5) = \frac{5 - 0}{20} = 0{,}25\) (25%).
- \(P(8 \le X \le 15) = \frac{15 - 8}{20} = \frac{7}{20} = 0{,}35\) (35%).
- \(\mu = \frac{0 + 20}{2} = 10\) menit, \(\sigma = \frac{20}{\sqrt{12}} \approx 5{,}77\) menit.

Soal 6: Galat Pembulatan Dua Sisi \(U(-0{,}5; 0{,}5)\)

Kasus: Galat komputasi floating point simetris dengan batas \([-0{,}5; 0{,}5]\).
- \(P(|X| > 0{,}3) = P(X < -0{,}3) + P(X > 0{,}3) = 0{,}2 + 0{,}2 = 0{,}40\) (40%).
- \(\mu = \frac{-0{,}5 + 0{,}5}{2} = 0\) (unbiased).

Soal 7: Waktu Tunggu ATM & Peluang Ekor Kanan (\(\text{Exp}(\lambda)\))

Kasus: Rata-rata waktu tunggu 5 menit (\(\lambda = 0{,}2\) nasabah/menit).
- \(P(X \le 3) = 1 - e^{-0{,}2 \times 3} = 1 - e^{-0{,}6} = 1 - 0{,}5488 = 0{,}4512\) (45,12%).
- \(P(X > 8) = e^{-0{,}2 \times 8} = e^{-1{,}6} \approx 0{,}2019\) (20,19%).
- \(\sigma = \frac{1}{\lambda} = 5\) menit.

Soal 8: Verifikasi Sifat Tanpa Ingatan (Memoryless Property)

Kasus: Umur server rata-rata \(10.000\) jam (\(\lambda = 0{,}0001\)). Server telah hidup \(6.000\) jam.
- Peluang hidup \(4.000\) jam tambahan:
\[P(X > 6.000 + 4.000 \mid X > 6.000) = \frac{P(X > 10.000)}{P(X > 6.000)} = e^{-0{,}0001 \times 4.000} = e^{-0{,}4} \approx 0{,}6703 \text{ (67,03\%)}\]
- Sama persis dengan keandalan komponen baru selama \(4.000\) jam pertama (\(P(X > 4.000) = e^{-0{,}4}\)).

Soal 9: Waktu Respons API Microservice & Penentuan Persentil

Kasus: Rata-rata response time \(200\) ms (\(\lambda = 0{,}005\) per ms).
1. Peluang timeout (\(> 500\) ms): \(P(X > 500) = e^{-0{,}005 \times 500} = e^{-2{,}5} \approx 0{,}0821\) (8,21%).
2. Persentil ke-90 (\(P_{90}\)): \(1 - e^{-0{,}005 T} = 0{,}90 \implies e^{-0{,}005 T} = 0{,}10 \implies -0{,}005 T = \ln(0{,}10) = -2{,}3026 \implies T = \frac{2{,}3026}{0{,}005} \approx 460{,}52\) ms.

Soal 10: Standarisasi Skor Z Ujian Masuk (\(N(500, 50^2)\))

Kasus: \(N = 10.000\) peserta, \(\mu = 500, \sigma = 50\).
1. Nilai \(Z\) untuk skor \(600\): \(Z = \frac{600 - 500}{50} = +2{,}00\).
2. Peluang lolos (\(> 600\)): \(P(Z > 2{,}00) = 1 - \Phi(2{,}00) = 1 - 0{,}9772 = 0{,}0228\) (2,28%).
3. Jumlah peserta yang lolos: \(10.000 \times 0{,}0228 \approx 228\) orang.

Soal 11: Kontrol Kualitas Kemasan di Antara Dua Batas

Kasus: Berat snack \(N(250, 8^2)\) gram. Batas toleransi \(240 \le X \le 262\).
- \(Z_1 = \frac{240 - 250}{8} = -1{,}25\) dan \(Z_2 = \frac{262 - 250}{8} = +1{,}50\).
- \(\Phi(1{,}50) = 0{,}9332\) dan \(\Phi(-1{,}25) = 1 - 0{,}8944 = 0{,}1056\).
- \(P(240 \le X \le 262) = 0{,}9332 - 0{,}1056 = 0{,}8276\) (82,76% produk lolos QC).

Soal 12: Inversi Normal / Ambang Batas Insentif Penjualan (Top 10%)

Kasus: Omzet merchant \(N(80, 12^2)\) juta rupiah.
- Ekor kanan 10% \(\implies\) luas kiri kumulatif \(\Phi(Z^*) = 0{,}9000 \implies Z^* \approx +1{,}28\).
- Target omzet minimum: \(X^* = \mu + Z^* \cdot \sigma = 80 + (1{,}28 \times 12) = 80 + 15{,}36 = 95{,}36\) juta rupiah (Rp 95.360.000,-).

Soal 13: Aturan Empiris \(68 - 95 - 99{,}7\) pada Umur Baterai

Kasus: Baterai smartphone \(N(14, 2^2)\) jam.
- Rentang \(10\) s.d. \(18\) jam (\(\mu \pm 2\sigma\)): tepat 95%.
- Rentang \(12\) s.d. \(16\) jam (\(\mu \pm 1\sigma\)): tepat 68%.
- Baterai rusak parah (\(< 8\) jam / \(\mu - 3\sigma\)): \(\frac{100\% - 99{,}7\%}{2} = 0{,}15\%\) (15 per 10.000 baterai).

Soal 14: Deteksi Anomali Dua Sisi pada Transmisi IoT

Kasus: Sinyal normal baku \(Z \sim N(0, 1)\). Alarm anomali aktif jika \(|Z| > 2{,}58\).
- Diketahui \(\Phi(2{,}58) = 0{,}9951\).
- False Alarm Rate: \(P(|Z| > 2{,}58) = 2 \times [1 - \Phi(2{,}58)] = 2 \times 0{,}0049 = 0{,}0098 \approx 1\%\).
- Dari \(100.000\) transmisi/hari: estimasi \(100.000 \times 0{,}0098 = 980\) alarm palsu per hari.


10. Refleksi & Jembatan ke Pertemuan Selanjutnya

Hari ini kita telah menuntaskan pemodelan ketidakpastian berbasis probabilitas teoritis (distribusi diskret di pertemuan 5 dan distribusi kontinu di pertemuan 6).

Di dunia nyata, kita hampir tidak pernah mengetahui parameter asli populasi (\(\mu\) dan \(\sigma\)) secara pasti. Kita hanya memegang sekumpulan data sampel kecil yang kita kumpulkan dari lapangan.

Pertanyaan Pemicu untuk Pertemuan 07:
Jika kita mengambil sampel acak berukuran \(n = 30\) dari suatu populasi yang distribusinya bukan normal (misalnya miring atau seragam), bagaimana bentuk sebaran dari rata-rata sampel (\(\bar{X}\)) tersebut?
Jawaban luar biasa dari teka-teki ini ada pada Teorema Limit Pusat (Central Limit Theorem) pada Pertemuan 07 minggu depan!