1.

Pendahuluan

1.1. Peubah Acak dan Distribusi Peluang Kontinu. Kejadian-kejadian seperti pelemparan koin, pelemparan dadu, pengambilan acak dari suatu populasi
benda, merupakan beberapa contoh dari peubah acak diskrit. Misal X adalah suatu peubah acak diskrit, maka untuk suatu nilai x, peluangnya dinyatakan dengan
P (X = x).

Gambar 1.1.

Distribusi peluang diskrit.

Bila untuk suatu peubah acak diskrit, nilai dari ruang sampelnya diperbesar,
graknya akan semakin mulus dengan semakin banyaknya titik-titik peluang diskritnya. Bila ditulis dengan konteks kalkulus, untuk n , nilai-nilai pdfnya
semakin banyak dan rapat (mendekati kontinu), sehingga nilai peluangnya dapat
dihitung dengan integral tertentu.

Gambar 1.2.

Nilai peluang diskrit didekati dengan suatu fungsi kontinu.

1

Tidak semua hasil dari suatu percobaan/eksperimen merupakan suatu peubah

acak diskrit. Hasil-hasil pengukuran seperti tinggi badan, berat badan, curah hujan, merupakan contoh dari peubah acak kontinu. Misal, tinggi orang Indonesia
berkisar antara 100cm - 190cm. Artinya, bila dimisalkan X peubah acak kontinu
yang menyatakan tinggi badan orang Indonesia, nilainya dapat jatuh di manapun
pada selang 100 X 190. Probability Density Funcion (PDF) dari suatu peubah acak kontinu dapat dinyatakan dalam sebuah fungsi kontinu, katakan f (x) dan
harus memenuhi sifat:
1. f (x) 0 untuk semua x, < x < .

2. f (x) dx = 1.
Suatu fungsi f yang diberikan disebut Pdf dari sebuah peubah acak kontinu X
jika memenuhi kedua sifat tersebut.

Contoh 1. Misalkan diberikan suatu fungsi:

3x2 , untuk 0 x 1,
g(x) =
0,
untuk x yang lain

dengan sifat akan dicek apakah fungsi g merupakan sebuah pdf dari peubah acak
kontinu X .
Penyelesaian:
Bila diambil sembarang a, maka benar g(a) 0.
Integrasi dibagi menjadi 3 bagian:

0
0

g(x) dx = 0 dx = 0
1

 01 g(x) dx = 01 3x2 dx = x3 0 = (1) (0) = 1

 0 g(x) dx = 0 0 dx = 0

Untuk selanjutnya dalam tulisan ini, integrasi-integrasi tertentu yang bernilai nol tidak ditulis secara lengkap.
Catatan.

Dengan menjumlahkan ketiganya:

g(x) dx

g(x) dx +

0+1+0

g(x) dx +
0

g(x) dx
0

Jadi dengan pemenuhan kedua sifat tersebut dapat disimpulkan bahwa g(x)

adalah sebuah pdf.

1.2. Luas Daerah di Bawah Kurva PDF. Menurut sifat Pdf peubah acak kontinu, nilai dari suatu fungsi f yang diberikan haruslah nonnegatif. Nilai peluang P
dari suatu selang diinterpretasikan sebagai luasan di bawah kurva pdf dan di atas
sumbu horisontal.

Gambar 1.3.

Peluang dist. kontinu sebagai luasan di bawah kurva.

Oleh karena itu, untuk mendapatkan nilai peluang P dari suatu selang yang
diberikan, digunakan kalkulus integral. Untuk suatu selang [a, b], peluang dari sebuah peubah acak X dengan pdf f (x) dapat dihitung dengan:

P (a X b) =

f (x) dx
a

Dari sini juga dapat diketahui sifat-sifat:

3. Untuk suatu nilai < a < , P (X = a) = 0.

Gambar 1.4.

Nilai peluang di tepat suatu titik adalah nol.

Secara intuitif dapat kita duga bahwa suatu garis tidak mempunyai luas.
Oleh karena nilai peluang diinterpretasikan sebagai luasan, maka nilai peluang di
suatu titik a adalah nol karena hanya berupa garis dengan panjang f (a). Untuk
pembuktian yang lebih tepat, nilai peluang P (X = a), dengan < a <
menurut denisi adalah:
Bukti.

P (a X a)

f (x) dx
a

= F (x) ]aa
=

[(F (a) F (a)]

Terlihat bahwa nilai P untuk suatu nilai X = a (bukan selang) adalah nol.

4. P (a X b) = P (a < X < b).

Akibat dari sifat sebelumnya, bahwa nilai P (X = a) = P (a X a) = 0,

mengakibatkan inklusitas kedua batas kanan dan kiri dalam suatu selang tidak
berpengaruh dalam integrasi tertentu.
Bukti.

P (a X b)

P (a X a) + P (a < X < b) + P (b X b)

0 + P (a < X < b) + 0

P (a < X < b)

Terlihat bahwa P (a X b) = P (a < X < b).

Contoh 2. Carilah nilai c sehingga h(x) suatu pdf dan carilah P (1 X 2), bila
diberikan suatu fungsi:

cx2 , untuk 0 x 2,
h(x) =
0,
untuk x yang lain

Penyelesaian: Syarat agar suatu fungsi menjadi pdf adalah total luas daerah
di bawah kurva fungsinya sama dengan 1.

h(x) dx

cx2 dx


= c

1 3
x
3

2
0



8
= c ( ) (0)
3
8
=
c
3

Karena (8/3)c = 1, maka c yang memenuhi agar h pdf adalah c = 3/8. Selanjutnya akan dihitung P (1 X 2).

h(x) dx

3
8

x2 dx
1


2
3 1 3
x
8 3
1


3 8
1
( )( )
8 3
3
7
8

=
=
=

1.3. Ekspektasi untuk Peubah Acak Kontinu. Langkah selanjutnya dalam

mengaji peubah acak kontinu dan distribusi peluangnya adalah menemukan ekspektasi/mean (), variansi ( 2 ) dan standar deviasinya ( ). Misal X adalah peubah
acak kontinu dengan pdf f (x), maka ekspektasi E(X) didenisikan sebagai:

E(X) =

x f (x) dx

Jika dalam denisi, untuk suatu peubah acak diskrit Y ekspektasinya dinyatakan
P
dengan ni=0 yi P (Y = yi ) maka hal ini analog dengan denisi ekspektasi untuk peubah acak kontinu, mengingat integrasi tertentu adalah juga hasil jumlahan. Lebih
lanjut, misal didenisikan g sebagai suatu fungsi dari X , maka didapat ekspektasi
dari fungsi g :

E[g(X)] =

g(x) f (x) dx

Berikut ini adalah sifat-sifat ekspektasi.

Misal c suatu konstanta dan g(X), g1 (X), g2 (X), ...., gk (X) merupakan fungsi
dari peubah acak kontinu X . Maka berlaku:
1. E(c) = c
2. E[cg(X)] = cE[g(X)]
3. E[g1 (X) + g2 (X) + ... + gk (X)] = E[g1 (X)] + E[g2 (X)] + ... + E[gk (X)]
1. E(c) = c

Berdasarkan denisi pdf bahwa f (x) dx = 1, didapat:

Bukti.

E(c)

c f (x) dx

f (x) dx

2. E[cg(X)] = cE[g(X)]
Berdasarkan denisi didapat:

c.1

E[cg(X)] =

c g(x) f (x) dx

= c

g(x) f (x) dx

= cE[g(X)]

3. E[g1 (X) + g2 (X) + ... + gk (X)] = E[g1 (X)] + E[g2 (X)] + ... + E[gk (X)]
Berdasarkan denisi didapat:

E [g1 (X) + g2 (X) + ... + gk (X)]

[g1 (x) + g2 (x) + ... + gk (x)] f (x) dx

[g1 (x) f (x) + g2 (x) f (x) + ... + gk (x)f (x)] dx

g1 (x) f (x) dx +

g2 (x) f (x) dx + ... +

gk (x) f (x) dx

E[g1 (X)] + E[g2 (X)] + ... + E[gk (X)]

Terbukti.

Variansi atau ragam dari suatu peubah acak kontinu X , disimbolkan dengan 2
atau V ar(X), didenisikan:
2 = V ar(X) == E(X )2
atau
2

= V ar(X) = E(X ) [E(X)] = E(X 2 ) 2

Sedangkan standar deviasi atau simpangan baku adalah akar kuadrat positif
dari V ar(X).

Contoh 3. Misal untuk sebuah peubah acak kontinu X diberikan pdf yang didenisikan:

f (x) =

3 x2 , untuk 0 x 2
8
0,
untuk x yang lain

Carilah nilai = E(X), 2 = V ar(x) dan .

Penyelesaian: Berdasarkan denisi ekspektasi,

E(X)

x f (x) dx

=
0

=
=
=
=

3
x x2 dx
8

3 2 3
x dx
8 0
3 1 4 2
. y 0
8 4
3 1
. [16 0]
8 4
1, 5

Nilai variansi dapat dihitung dengan denisi:

E(X 2 )

x2 f (x) dx

=
0

=
=
=
=
=

3
x2 x2 dx
8

3 2 4
x dx
8 0
3 1 5 2
. y 0
8 5
3 1
. [32 0]
8 5
12
5
2, 4

Nilai dari standar deviasi adalah akar kuadrat positif dari variansi.

V ar(X)

2, 4

= 1, 549

Didapat = E(X) = 1, 5 , 2 = V ar(X) = 2, 4 , dan = 1, 549.

2.

Distribusi Uniform

2.1. Denisi Distribusi Uniform. Setelah mengidentikasi sifat-sifat distribusi

peluang dari peubah acak kontinu X , selanjutnya akan dibahas mengenai distribusidistribusi yang lebih spesik. Pada subbagian ini akan dibahas distribusi uniform.
Misalkan a < b, sebuah peubah acak kontinu X dikatakan berdistribusi uniform
pada selang [a, b], jika dan hanya jika pdf-nya didenisikan:
f (x) =

1
ba ,

0,

axb
x yang lain

Dapat dilihat bahwa a dan b adalah parameter yang menentukan dalam pdf dari
distribusi uniform. Peluang P dari suatu selang [c, d] yang diberikan dinyatakan
dengan:

P (c X d) =

f (x) dx
c

Gambar 2.1.

Contoh grak dist. uniform

Contoh 4. Di suatu toko, diketahui bahwa untuk setiap 30 menit yang diberikan,
pasti ada seorang pelanggan yang datang. Hitunglah peluang bahwa pelanggan
akan datang pada 5 menit dari 30 menit yang diberikan.
Penyelesaian: Dari soal diketahui bahwa a = 0 dan b = 30. Misal X adalah
peubah acak kontinu yang menyatakan waktu saat pelanggan datang, maka pdfnya
dapat ditulis dengan:

f (x) =

1
30 ,

0,

0 x 30

x yang lain

Ditanyakan P (25 < X < 30). Maka dengan integrasi tertentu, peluang P dapat
dicari.

P (25 < X < 30)

30

=
25

=
=
=

1
dx
30

1
30
x]
30 25
5
30
1
6

Jadi peluang bahwa pelanggan akan datang pada 5 menit terakhir adalah 16 .
2.2. Ekspektasi/Mean () dan Variansi ( 2 ) dari Distribusi Uniform. Selanjutnya akan dibahas mengenai ekspektasi/mean, variansi, dan standar deviasi
dari distribusi uniform. Distribusi uniform mempunyai nilai mean, variansi, dan
standar deviasi sebagai berikut:
1. E(X) = = a+b
2 .
2
2. V ar(X) = 2 = (ba)
.
12

ba
3. = 6 3

1. E(X) = = a+b
2 . Berdasarkan denisi ekspektasi/mean dari sebuah
peubah acak kontinu, maka ekspektasi dari distribusi uniform E(X) = dapat
dicari.
Bukti.

E(X)

x f (x) dx

x f (x) dx +

x f (x) dx +
a

x f (x) dx
b

=
=
=
=
=

1
dx
b

a
a
b
1
x2 a
2(b a)
1
[b2 a2 ]
2(b a)
1
[(b + a)(b a)]
2(b a)
a+b
2
x

10
2

2. V ar(X) = 2 = (ba)
12 . Berdasarkan denisi variansi dari sebuah peubah
acak kontinu, maka variansi V ar(X) dapat dicari.
V ar(X)

= E(X 2 ) 2

=
x2 f (x) dx 2

x2 f (x) dx +

x f (x) dx +
a

x2 f (x) dx 2
b

=
=
=
=
=
=
=
=
=

1
dx 2
b

a
a
b
1
x3 a 2
3(b a)


1
(b3 a3 ) 2
3(b a)

 
2
1
a+b
3
3
(b a )
3(b a)
2


2
2
(b a)(a + ab + b )
(a2 + 2ab + b2 )

3(b a)
4
x2

4(a2 + ab + b2 ) 3(a2 + 2ab + b2 )

3.4
4a2 + 4ab + 4b2 3a2 6ab 3b2
12
b2 2ab + a2
12
(b a)2
12

Dari hasil V ar(X) dapat dicari nilai standar deviasi, menurut denisi merupakan
akar kuadrat positif dari V ar(X).

V ar(X)

r
=
=
=

Terbukti.

(b a)2
12

(b a) 3
.
2 3
3
ba
3
6


Contoh 5. Misal X berdistribusi uniform pada selang (0, 1).

a) Tentukan F (x).
b) Tunjukkan bahwa P (a X a + b), untuk a, b 0, dan a + b 1 hanya
bergantung pada nilai b.

11

Penyelesaian: Dengan menggunakan denisi dan sifat-sifat distribusi uniform,

masalah ini dapat diselesaikan. Berdasarkan deskripsi soal, maka pdf distribusi
uniform dari X adalah:

f (x) =

1, 0 x 1
0, x yang lain

a) F (x) berarti adalah antiturunan dari f (x); yaitu sebuah fungsi yang bila
dievaluasi pada selang tertentu akan menyatakan luas, atau dalam hal ini peluang
yang diminta pada selang tersebut.

F (x)

f (x) dx

1 dx

= x+C

untuk C konstanta integrasi.

b) Menurut denisi:

P (a X a + b)

a+b

=
=

f (x) dx
a
a+b
x]a

= (a + b) a
= (a a) + b
= b

Terlihat bahwa dengan syarat yang diberikan, nilai peluangnya hanya bergantung pada nilai b.
3.

Distribusi Normal

3.1. Denisi Distribusi Normal. Distribusi normal adalah dstribusi peluang peubah acak kontinu yang paling sering digunakan untuk menyelesaikan masalah, baik
itu secara eksak maupun sebagai hampiran. Sebuah peubah acak X dikatakan berdistribusi normal apabila terdapat > 0, < < sehingga memiliki pdf:
f (x) =

1
1
e 2
2

Gambar 3.1.

2

, < x <

Grak distribusi normal

12

Selanjutnya akan dibuktikan bahwa f (x) yang diberikan adalah pdf.

Menurut denisi, suatu fungsi disebut pdf dari suatu peubah acak kontinu
jika nilai fungsinya selalu nonnegatif di manapun dan total luas di bawah kurvanya
sama dengan satu. Poin pertama cukup jelas, bahwa bila diambil sembarang a
maka f (a) 0. Untuk poin kedua, menurut denisi, digunakan integrasi:
Bukti.

f (x) dx

Misalkan u =

x
,
2

(x)2
2 2

dx

maka 2 du = dx. Diperoleh:

2
1

eu 2 du
2

2
1
=
eu du

2
Digunakan Integral Gauss yang menyatakan bahwa ex dx = . Bagai1

(x)2
2 2

dx =

manapun pembuktian dari integrasi ini berada di luar jangkauan tulisan ini.
1

(x)2
2 2

dx

= 1
=

Terbukti bahwa f (x) adalah pdf.

Dari denisi dapat diketahui beberapa sifat dari distribusi normal.

1. Kurvanya simetris di titik meannya.
2. Kurvanya mendekati sumbu horisontal secara asimtotik.

Gambar 3.2.

Kurva normal simetris di meannya ()

3.2. Ekspektasi/Mean dan Variansi dari Distribusi Normal. Dari denisi

pdf distribusi normal dapat dilihat bahwa mean () dan standar deviasi () merupakan dua parameter yang menentukan perilaku fungsi, dalam hal ini menentukan
letak grak, dan menentukan penyebarannya. Semakin besar , semakin pendek kurvanya namun semakin kurvanya melebar. Sebaliknya, semakin kecil nilai ,
semakin tinggi kurvanya namun semakin sempit penyebarannya.

13

Gambar 3.3.

Kurva dist. normal dengan beragam dan

Distribusi normal memiliki nilai E(X) = dan V ar(X) = 2 .

Gambar 3.4.

Kurva-kurva dist. normal dengan sama tapi berbeda

Gambar 3.5.

Kurva-kurva dist. normal dengan sama tapi berbeda

14
Bukti.

E(X) = . Menurut denisi, ekspektasi/mean bisa didapatkan dengan

integrasi:
E(X)

x f (x) dx

2
1
1 x
x e 2
dx
2

(x)2
1
=
[(x ) + ] e 22 dx
2

(x)2
(x)2
1
1
22

=
(x )
e
dx +
e 22 dx
2
2




2
(x)2
1
x + (x)
1

2
2
2
( )
e 2 dx
=
e 2 dx +
2
2

Dapat dilihat bahwa integrasi di dalam kurung siku adalah pdf dan total luasan
di bawahnya sama dengan 1.


(x)2
1
22
2
( ) e
E(X) =
+ [1]
2

1
( 2 )[0 0] +
=
2
= 0+
=

Terbukti.

Selanjutnya akan dibuktikan nilai variansinya.

Bukti.

V ar(X) = 2 . Dengan menggunakan denisi, variansinya dapat didapatk-

an.

V ar(X)

(x )2 f (x) dx

2
1
1 x
(x )2 e 2
dx
2

, maka dx = 2 dw. Lalu didapat:

Misalkan w = x
2

2
1
V ar(X) =
2 2 w2 ew 2 dw
2

2
2
2
=
w . wew dw

Misalkan u = w, maka du = dw. Bila dv = wew , maka v = wew dw =

1 w2
2e
+ C dengan C konstanta integrasi. Dengan integrasi parsial didapat:
2

15

V ar(X)

2 2

2 2

!



1 w2
1 w2
w. e

e
dw
2
2

!



1 w2
1 w2
w. e
+
e
dw
2
2

Dapat dilihat bahwa nilai dari evaluasi integrasi di dalam kurung siku adalah
nol menurut Teorema L'Hospital. Didapat:
V ar(X)

=
=
=
=

1 w2
[0] +
e
dw
2


2 2 1 w2

e
dw
2


2
2 2 1
.
ew dw
2



2

w2

e
dw

2 2

Selanjutnya kembali digunakan Integral Gauss untuk mendapatkan nilai integrasi

di dalam kurung, yaitu dengan nilai .

V ar(X)

w2


dw

2

Terbukti.

3.3. Luas Daerah di Bawah Kurva Distribusi Normal. Seperti yang sudah
dibahas sebelumnya bahwa untuk mencari nilai peluang dari suatu distribusi peluang peubah acak kontinu, digunakan integral tertentu. Bila untuk sebuah peubah
acak kontinu X berdistribusi normal dengan pdf f (x) maka nilai peluang P pada
suatu selang [a, b] (, ) adalah:

P (a X b) =

f (x) dx
a

Peluang P (a X b) = P (a < X < b) sebagai

luasan di bawah kurva
Gambar 3.6.

16

Banyak data-data hasil eksperimen di dunia nyata yang bisa didekati dengan
kurva normal. Meskipun secara teoretis bisa saja nilai suatu peubah acak X sangat
kecil (X ) atau sangat besar (X ), namun secara teoretis tidak ada
suatu peubah acak yang bernilai demikian.
Kaidah Empirik (Empirical Rules) menyatakan bahwa untuk suatu distribusi
yang mendekati distribusi normal, pada selang-selang berikut berlaku:
( , + ) memiliki luas kira-kira 68% dari total luas di bawah kurva.
( 2, + 2) memiliki luas kira-kira 95% dari total luas di bawah kurva.
( 3, + 3) memiliki luas hampir sama dengan total luas di bawah

kurva.

Gambar 3.7.

Gambar 3.8.

Luas antara dan +

Luas antara 3 dan + 3 sangat dekat dengan 1

3.4. Distribusi Normal Baku. Berdasarkan denisi umum distribusi normal,

bila disubstitusikan = 0 dan = 1, didapat suatu bentuk distribusi normal yang
disebut distribusi normal baku dengan peubah acak, katakan, Z. Pdfnya dapat
ditulis:
z2
1
f (z) = e 2

Analog dengan sebelumnya, nilai peluang P pada selang [a, b] (, ) ada-

lah:

P (a Z b) =

f (z) dz
a

17

Gambar 3.9.

Distribusi Normal Baku

Untuk sebarang peubah acak X berdistribusi normal, tidak mudah untuk mendapatkan nilai peluangnya pada selang tertentu secara langsung menggunakan integral tertentu. Oleh karena itu, sebarang peubah acak X berdistribusi normal dapat
diubah (transformasi) ke peubah acak Z yang berdistribusi normal baku. Setiap
X memiliki padanannya di Z . Misal diminta nilai peluang P (a < X < b), maka
terdapat c dan d sedemikian hingga P (a < X < b) = P (c < Z < d). Transformasi
dari X ke Z bisa didapatkan dengan:
Z=

Setelah itu nilai peluang dapat didapatkan dengan membaca tabel luas di bawah
kurva distribusi normal baku.

Gambar 3.10.

Luasan di bawah kurva normal

Berikut ini adalah tabel dari luasan di bawah kurva distribusi normal baku.

Table IV

C19

Standard Normal Distribution Table

Table IV Standard Normal Distribution Table

The entries in this table give the
cumulative area under the standard
normal curve to the left of z with the
values of z equal to 0 or negative.

.00

.01

.02

.03

.04

.05

.06

.07

.08

.09

3.4
3.3
3.2
3.1
3.0

.0003
.0005
.0007
.0010
.0013

.0003
.0005
.0007
.0009
.0013

.0003
.0005
.0006
.0009
.0013

.0003
.0004
.0006
.0009
.0012

.0003
.0004
.0006
.0008
.0012

.0003
.0004
.0006
.0008
.0011

.0003
.0004
.0006
.0008
.0011

.0003
.0004
.0005
.0008
.0011

.0003
.0004
.0005
.0007
.0010

.0002
.0003
.0005
.0007
.0010

2.9
2.8
2.7
2.6
2.5

.0019
.0026
.0035
.0047
.0062

.0018
.0025
.0034
.0045
.0060

.0018
.0024
.0033
.0044
.0059

.0017
.0023
.0032
.0043
.0057

.0016
.0023
.0031
.0041
.0055

.0016
.0022
.0030
.0040
.0054

.0015
.0021
.0029
.0039
.0052

.0015
.0021
.0028
.0038
.0051

.0014
.0020
.0027
.0037
.0049

.0014
.0019
.0026
.0036
.0048

2.4
2.3
2.2
2.1
2.0

.0082
.0107
.0139
.0179
.0228

.0080
.0104
.0136
.0174
.0222

.0078
.0102
.0132
.0170
.0217

.0075
.0099
.0129
.0166
.0212

.0073
.0096
.0125
.0162
.0207

.0071
.0094
.0122
.0158
.0202

.0069
.0091
.0119
.0154
.0197

.0068
.0089
.0116
.0150
.0192

.0066
.0087
.0113
.0146
.0188

.0064
.0084
.0110
.0143
.0183

1.9
1.8
1.7
1.6
1.5

.0287
.0359
.0446
.0548
.0668

.0281
.0351
.0436
.0537
.0655

.0274
.0344
.0427
.0526
.0643

.0268
.0336
.0418
.0516
.0630

.0262
.0329
.0409
.0505
.0618

.0256
.0322
.0401
.0495
.0606

.0250
.0314
.0392
.0485
.0594

.0244
.0307
.0384
.0475
.0582

.0239
.0301
.0375
.0465
.0571

.0233
.0294
.0367
.0455
.0559

1.4
1.3
1.2
1.1
1.0

.0808
.0968
.1151
.1357
.1587

.0793
.0951
.1131
.1335
.1562

.0778
.0934
.1112
.1314
.1539

.0764
.0918
.1093
.1292
.1515

.0749
.0901
.1075
.1271
.1492

.0735
.0885
.1056
.1251
.1469

.0721
.0869
.1038
.1230
.1446

.0708
.0853
.1020
.1210
.1423

.0694
.0838
.1003
.1190
.1401

.0681
.0823
.0985
.1170
.1379

0.9
0.8
0.7
0.6
0.5

.1841
.2119
.2420
.2743
.3085

.1814
.2090
.2389
.2709
.3050

.1788
.2061
.2358
.2676
.3015

.1762
.2033
.2327
.2643
.2981

.1736
.2005
.2296
.2611
.2946

.1711
.1977
.2266
.2578
.2912

.1685
.1949
.2236
.2546
.2877

.1660
.1922
.2206
.2514
.2843

.1635
.1894
.2177
.2483
.2810

.1611
.1867
.2148
.2451
.2776

0.4
0.3
0.2
0.1

.3446
.3821
.4207
.4602

.3409
.3783
.4168
.4562

.3372
.3745
.4129
.4522

.3336
.3707
.4090
.4483

.3300
.3669
.4052
.4443

.3264
.3632
.4013
.4404

.3228
.3594
.3974
.4364

.3192
.3557
.3936
.4325

.3156
.3520
.3897
.4286

.3121
.3483
.3859
.4247

0.0

.5000

.4960

.4920

.4880

.4840

.4801

.4761

.4721

.4681

.4641

C20

Appendix C Statistical Tables

Table IV Standard Normal Distribution Table (continued)

The entries in this table give the
cumulative area under the standard
normal curve to the left of z with the
values of z equal to 0 or positive.

.00

.01

.02

.03

.04

.05

.06

.07

.08

.09

0.0

.5000

.5040

.5080

.5120

.5160

.5199

.5239

.5279

.5319

.5359

0.1
0.2
0.3
0.4
0.5

.5398
.5793
.6179
.6554
.6915

.5438
.5832
.6217
.6591
.6950

.5478
.5871
.6255
.6628
.6985

.5517
.5910
.6293
.6664
.7019

.5557
.5948
.6331
.6700
.7054

.5596
.5987
.6368
.6736
.7088

.5636
.6026
.6406
.6772
.7123

.5675
.6064
.6443
.6808
.7157

.5714
.6103
.6480
.6844
.7190

.5753
.6141
.6517
.6879
.7224

0.6
0.7
0.8
0.9
1.0

.7257
.7580
.7881
.8159
.8413

.7291
.7611
.7910
.8186
.8438

.7324
.7642
.7939
.8212
.8461

.7357
.7673
.7967
.8238
.8485

.7389
.7704
.7995
.8264
.8508

.7422
.7734
.8023
.8289
.8531

.7454
.7764
.8051
.8315
.8554

.7486
.7794
.8078
.8340
.8577

.7517
.7823
.8106
.8365
.8599

.7549
.7852
.8133
.8389
.8621

1.1
1.2
1.3
1.4
1.5

.8643
.8849
.9032
.9192
.9332

.8665
.8869
.9049
.9207
.9345

.8686
.8888
.9066
.9222
.9357

.8708
.8907
.9082
.9236
.9370

.8729
.8925
.9099
.9251
.9382

.8749
.8944
.9115
.9265
.9394

.8770
.8962
.9131
.9279
.9406

.8790
.8980
.9147
.9292
.9418

.8810
.8997
.9162
.9306
.9429

.8830
.9015
.9177
.9319
.9441

1.6
1.7
1.8
1.9
2.0

.9452
.9554
.9641
.9713
.9772

.9463
.9564
.9649
.9719
.9778

.9474
.9573
.9656
.9726
.9783

.9484
.9582
.9664
.9732
.9788

.9495
.9591
.9671
.9738
.9793

.9505
.9599
.9678
.9744
.9798

.9515
.9608
.9686
.9750
.9803

.9525
.9616
.9693
.9756
.9808

.9535
.9625
.9699
.9761
.9812

.9545
.9633
.9706
.9767
.9817

2.1
2.2
2.3
2.4
2.5

.9821
.9861
.9893
.9918
.9938

.9826
.9864
.9896
.9920
.9940

.9830
.9868
.9898
.9922
.9941

.9834
.9871
.9901
.9925
.9943

.9838
.9875
.9904
.9927
.9945

.9842
.9878
.9906
.9929
.9946

.9846
.9881
.9909
.9931
.9948

.9850
.9884
.9911
.9932
.9949

.9854
.9887
.9913
.9934
.9951

.9857
.9890
.9916
.9936
.9952

2.6
2.7
2.8
2.9
3.0

.9953
.9965
.9974
.9981
.9987

.9955
.9966
.9975
.9982
.9987

.9956
.9967
.9976
.9982
.9987

.9957
.9968
.9977
.9983
.9988

.9959
.9969
.9977
.9984
.9988

.9960
.9970
.9978
.9984
.9989

.9961
.9971
.9979
.9985
.9989

.9962
.9972
.9979
.9985
.9989

.9963
.9973
.9980
.9986
.9990

.9964
.9974
.9981
.9986
.9990

3.1
3.2
3.3
3.4

.9990
.9993
.9995
.9997

.9991
.9993
.9995
.9997

.9991
.9994
.9995
.9997

.9991
.9994
.9996
.9997

.9992
.9994
.9996
.9997

.9992
.9994
.9996
.9997

.9992
.9994
.9996
.9997

.9992
.9995
.9996
.9997

.9993
.9995
.9996
.9997

.9993
.9995
.9997
.9998

20

Contoh 6. Misal Z peubah acak kontinu berdistribusi normal baku. Hitunglah:

a. P (Z > 2)
b. P (2 < Z < 2)
c. P (0 < Z < 1, 73)
Penyelesaian: a. Ditanyakan P (Z > 2), artinya akan dicari luas daerah di
bawah kurva dengan selang (2, ). Nilai ini bisa didapat dengan mengurangkan
P (Z < 2) dari 1. Dari tabel diketahui bahwa P (Z < 2) = 0, 9772
P (Z > 2)

1 P (Z < 2)

= 1 0, 9772
= 0, 0228

b. P (2 < Z < 2) bisa didapatkan dengan mengurangkan P (Z < 2) dari

P (Z < 2), berturut-turut berdasarkan tabel nilainya adalah 0,0228 dan 0,9772.
P (2 < Z < 2)

= P (Z < 2) P (Z < 2)
=

0, 9772 0, 0228

0, 9544

c. P (0 < Z < 1, 73) bisa didapatkan dengan mengurangkan P (Z < 0) = 0, 5

dari P (Z < 1, 73) yang diketahui dari tabel bernilai 0,9582.
P (0 < Z < 1, 73)

P (Z < 1, 73) P (Z < 0)

0, 9582 0, 5

0, 4582

Contoh 7. Untuk Distribusi Normal dengan = 50 dan = 10, hitunglah peluang

bahwa X mengambil sebuah nilai antara 4 dan 62.
Penyelesaian: Diketahui untuk peubah acak kontinu X , = 50 dan = 10.
Peubah acak X ini akan ditransformasikan ke peubah acak Z yang berdistribusi
normal baku. Bila x1 = 45 dan x2 = 62, maka akan dicari padanannya di Z, yaitu
z1 dan z2 .
z1

=
=
=
=

x1

45 50
10
5

10
0, 5

21

Dengan cara yang sama:

z2

=
=
=
=

x2

62 50
10
12
10
1, 2

Dengan demikian berdasarkan pembahasan sebelumnya didapat P (45 < X <

62) = P (0, 5 < Z < 1, 2). Nilai P (0, 5 < Z < 1, 2) didapat dengan mengurangkan nilai P (Z < 0, 5) dari P (Z < 1, 2), yang dari tabel diketahui nilainya
berturut-turut adalah 0,3085 dan 0,8849
P (0, 5 < Z < 1, 2)

= P (Z < 1, 2) P (Z < 0, 5)
=

0, 8849 0, 3085

0, 5764

Jadi P (45 < X < 62) = 0, 5764.

Pustaka

[1] Walpole, Ronald E., 1995. Pengantar Statistika edisi 3. PT. Gramedia Pustaka Utama, Jakarta.
[2] Mendenhall, William, 2013. Introduction to Probability and Statistics 14th edition. Cengage
Learning, Boston.
[3] Mann, Prem S., 2010. Introductory Statistics 7th edition. John Wiley & Sons, Inc., New Jersey.
[4] Wackerly, Dennis D., 2008. Mathematical Statistics 7th edition. Cengage Learning, Boston.
[5] Brewer, Whisky, 2006. Normal Distributon. WikiBooks, http://en.wikibooks.org/wiki/Statis-

tics/Distributions/Normal_%28Gaussian%29, diakses tanggal 8 Nopember 2014 .

[6] Buchner, Johannes, 2013. Gaussian Integral. Wikipedia, http://en.wikipedia.org/wiki/Gaus-

sian_integral, diakses tanggal 8 Nopember 2014