BAB 2

LANDASAN TEORI

2.1 Probabilitas

Probabilitas adalah suatu nilai untuk mengukur tingkat kemungkinan terjadinya suatu
peristiwa (event) akan terjadi di masa mendatang yang hasilnya tidak pasti (uncertain
event). Probabilitas dinyatakan antara 0 (nol) sampai 1 (satu) atau dalam persentase.
Probabilitas 0 menunjukkan peristiwa yang tidak mungkin terjadi, sedangkan
probabilitas 1 menunjukkan peristiwa yang pasti terjadi. P(A) = 0,99 artinya
probabilitas bahwa kejadian A akan terjadi sebesar 99 % dan probabilitas A tidak
terjadi adalah sebesar 1%.

Ada tiga hal penting dalam rangka membicarakan probabilitas, yaitu

percobaan (experiment), ruang sampel (sample space) dan kejadian (event).

Percobaan (experiment) adalah pengamatan terhadap beberapa aktivitas atau

proses yang memungkinkan timbulnya paling sedikit 2 (dua) peristiwa tanpa
memperhatikan peristiwa mana yang akan terjadi.

Contoh :
Kegiatan melempar mata uang akan menghasilkan peristiwa muncul gambar atau
angka, kegiatan jual beli saham akan menghasilkan peristiwa membeli atau menjual,
perubahan harga-harga akan menghasilkan peristiwa inflasi atau deflasi, pertandingan
sepak bola akan menghasilkan peristiwa menang, kalah atau seri. Kegiatan-kegiatan
yang menimbulkan peristiwa tersebut dikenal sebagai percobaan.

Universitas Sumatera Utara

 Ruang sampel (sample space) atau semesta (universe) merupakan himpunan
dari semua hasil (outcome) yang mungkin dari suatu percobaan (experiment). Jadi
ruang sampel adalah seluruh kemungkinan peristiwa yang akan terjadi akibat adanya
suatu percobaan atau kegiatan.

Dari kegiatan diatas dapat diperoleh hasil sebagai berikut :

Tabel 2.1 Percobaan dan Hasil
PERCOBAAN
Melempar Mata Uang
Perdagangan Saham
Perubahan Angka
Pertandingan Sepak Bola
RUANG SAMPEL
(gambar, angka)
(menjual, membeli)
(inflasi, deflasi)
(menang, kalah, seri)

Kejadian (event) adalah kumpulan dari satu atau lebih hasil yang terjadi pada
sebuah percobaan atau kegiatan. Kejadian menunjukkan hasil yang terjadi dari suatu
percobaan. Dalam setiap percobaan atau kegiatan hanya ada satu hasil. Pada kegiatan
jual beli saham, kalau tidak membeli berarti menjual. Pada perubahan harga terjadi
inflasi atau deflasi. Dua peristiwa tersebut tidak dapat terjadi bersamaan. Pada
pertandingan sepak bola juga hanya terjadi satu peristiwa, apakah klub sepak bola
tersebut menang, kalah atau seri. Tidak mungkin dalam suatu pertandingan sepak
bola, misalnya Persipura dan PSM, hasilnya adalah Persipura menang juga kalah.
Peristiwa yang mungkin adalah Persipura menang, Persipura kalah, atau seri. Urutan
antara percobaan, ruang sampel dan peristiwa yaitu:
Tabel 2.2 Urutan Percobaan, Hasil dan Peristiwa
Percobaan/ Kegiatan Pertandingan sepak bola antara PSMS VS PSM di
Stadion Teladan, Medan, 7 Februari 2010
Ruang Sampel PSMS Menang
PSMS Kalah
Seri, PSMS tidak menang dan tidak kalah
Kejadian/ Peristiwa PSMS Menang

Universitas Sumatera Utara

 Nilai probabilitas dapat dihitung berdasarkan nilai hasil observasi (sifatnya
subyektif) tau berdasarkan pertimbangan pembuat keputusan atau tenaga ahli dalam
bidangnya secara subyektif.

Besarnya nilai kemungkinan bagi munculnya suatu kejadian adalah selalu

diantara 0 (nol) dan 1 (satu). Pernyataan ini dapat ditulis sebagai 0 ≤ P(A) ≤ 1, dimana
P(A) menyatakan nilai kemungkinan bagi munculnya kejadian A. Jika suatu
percobaan dapat menghasilkan N macam hasil yang berkemungkinan sama (equally
likely) dan jika tepat terdapat sebanyak n hasil yang berkaitan dengan kejadian A,
maka probabilitas kejadian A adalah :
𝑛
𝑃(𝐴) =
N

Contoh:
Didalam kegiatan pengendalian mutu produk, ada 100 buah barang yang diperiksa,
ternyata ada 12 buah barang yang cacat atau rusak. Kalau kebetulan diambil secara
acak satu saja, berapa probabilitasnya bahwa barang yang diambil adalah barang yang
rusak.

Dari soal diketahui bahwa: N = 100 buah barang

n = 12 buah barang yang rusak
A = barang yang diambil secara acak

Jadi, probabilitas memperoleh barang yang rusak adalah :

𝑛
𝑃(𝐴) =
N
12
𝑃 ( 𝐴) = = 0.12
100

0
Jika n=0, berarti tidak ada barang yang rusak. P(A)= =0, kejadian ini
N

disebut impossible event (tidak mungkin terjadi) tetapi jika N=100 berarti semua
100
barang rusak P(A)= = 1, kejadian ini disebut dengan sure event (pasti terjadi).
100

Universitas Sumatera Utara

2.2 Operasi-Operasi Dalam Kejadian

Ada beberapa operasi-operasi dalam kejadian yaitu: gabungan (union), irisan

(intersection), komplemen (complement), selisih dan kejadian majemuk.

2.2.1 Gabungan (Union)

Gabungan dua kejadian A dan B, dinyatakan dengan A∪B, merupakan kejadian yang
mengandung semua elemen yang termasuk A atau B atau keduanya.
A∪ B = {x : x ∈ A atau x ∈ B}

Jika digambarkan pada diagram Venn maka daerah yang diarsir merupakan
himpunan A ∪ B.

Gambar 2.1 Gabungan

2.2.2 Irisan (Intersection)

Irisan dua kejadian A dan B, dinyatakan dengan A ∩ B, merupakan kejadian yang

elemen-elemennya merupakan anggota dari A dan B.
A∩ B = {x : x∈ A dan x∈ B }

Jika digambarkan pada diagram Venn maka daerah yang diarsir

merupakanhimpunan A ∩ B .

Universitas Sumatera Utara

 Gambar 2.2 Irisan

2.2.3 Komplemen (Complament)

Komplemen dari kejadian A, dinyatakan dengan Ac, adalah kejadian dari elemen-
elemen yang merupakan anggota semesta tetapi bukan anggota A.
Ac = {x : x∈S, x∉ A}

Jika digambarkan pada diagram Venn maka daerah yang diarsir merupakan himpunan
Ac.

Gambar 2.3 Komplemen

2.2.4 Selisih

Selisih kejadian B dari kejadian A dinyatakan dengan A – B adalah kejadian dari

elemen-elemen yang merupakan anggota dari A tetapi bukan anggota dari B.
A − B = {x : x∈ A, x∉ B}

Universitas Sumatera Utara

 Jika digambarkan pada diagram Venn maka daerah yang diarsir merupakan
himpunan A - B.

Gambar 2.4 selisih

2.2.5 Kejadian Majemuk

1. Bila A dan B mutually exclusive (kejadian yang terpisah), maka :

P(A∪ B) = P(A) + P(B)

2. Bila A dan B dua kejadian sembarang, maka :

P(A∪ B) = P(A) + P(B) − P(A∩ B)

3. Bila K kejadian yaitu 𝐴1,𝐴2,....𝐴𝑖 ,...𝐴𝑘 yang mutually exclusive dan

membentuk kejadian A, maka :

P(A)=P(𝐴1 ∪ 𝐴2 ∪ 𝐴𝑖 ∪ 𝐴𝑘)

𝑃 ( 𝐴) = � P ( 𝐴 𝑖 )
𝑖=1

P(A) = 1

4. Bila A dan B independent (bebas), maka :

P(A∩ B) = P(A)P(B)

5. Bila A dan B dependent (tidak bebas), maka :

Universitas Sumatera Utara

 P(A∩ B) = P(A)P(B | A)
P(A∩ B) = P(B)P(A | B), dimana P(A) ≠ 0, P(B) ≠ 0.

2.3 Probabilitas Bersyarat

Peluang terjadinya suatu kejadian A bila diketahui bahwa kejadian B telah terjadi
disebut peluang bersyarat dan dinyatakan dengan P(A|B).
P(A ∩ B)
P(A|B) =
P(B)

Sama halnya dengan peluang terjadinya suatu kejadian B bila diketaui bahwa
kejadian A telah terjadi dan dinyatakan dengan P(B|A).
P(A ∩ B)
P(B|A) =
P(A)

Dengan mengkombinasikan kedua persamaan maka diperoleh :

P(A|B) = P(A ∩ B)P(A|B)P(A)

P(A ∩ B) P(A|B)P(A)
P(A|B) = =
P(B) P(B)

P(A ∩ B)
P(A|B) =
P(B)
Contoh:
Dari 900 nama, terdapat 500 orang pria dengan status 460 orang bekerja, sedangkan
40 orang lagi tidak bekerja, dan 400 orang wanita dengan status 140 orang bekerja
sedangkan 260 orang lagi tidak bekerja. Berapa probabilitas terpilihnya pria dengan
status telah bekerja?

A = pria terpilih
B = orang yang terpilih berstatus bekerja

Universitas Sumatera Utara

 600
P(B) = = 2/3
900
460
P(B ∩ A ) = = 23/45
900
23/45
𝑃(𝐴 | 𝐵) = = 23/30
2/3

Dari perhitungan diatas maka diperoleh kemungkinan bahwa nama yang

terpilih adalah pria dengan status bekerja adalah sebesar 0,77 atau 77%.

2.4 TITIK SAMPEL

Titik sampel (sample point) merupakan tiap anggota atau elemen dari ruang sampel.
Jika suatu operasi dapat dilakukan dengan 𝑛1 cara, dan bila untuk setiap cara ini
operasi kedua dapat dilakukan dengan 𝑛2 cara, dan bila untuk setiap cara ini operasi
ketiga dapat dilakukan dengan 𝑛3 cara, dst, maka deretan k operasi dapat dilakukan
dengan 𝑛1, 𝑛2, … , 𝑛𝑘 cara.

Contoh:
Tiga buah koin (uang logam) dilemparkan sekali. Banyaknya titik sampel dalam ruang
sampel ?
Koin I dapat menghasilkan 2 hasil yang mungkin, muka (M) atau belakang (B)
Koin II dapat menghasilkan 2 hasil yang mungkin, M atau B
Koin III dapat menghasilkan 2 hasil yang mungkin, M atau B
Jumlah titik sampel yang dihasilkan = (2) (2) (2) = 8

2.4.1 Kombinasi (Combbination)

Kombinasi merupakan susunan dari suatu himpunan obyek yang dapat dibentuk tanpa
memperhatikan urutan. Kombinasi berkaitan dengan penentuan banyaknya cara

Universitas Sumatera Utara

memilih r obyek dari sejumlah n obyek tanpa memperhatikan urutannya. Kombinasi
merupakan sekatan dengan dua sel, sel pertama berisi r obyek yang dipilih dan (n – r)
obyek sisanya. Jumlah kombinasi dari n obyek yang berlainan jika diambil sebanyak
r.

𝑛!
𝐶𝑛𝑟 =
𝑟! (𝑛 − 𝑟)!

Contoh:
Suatu kelas terdiri atas 4 pria dan 3 wanita Banyaknya panitia yang dibentuk yang
beranggotakan 2 pria dan 1 wanita?

4!
Banyaknya cara memilih 2 dari 4 pria = 𝐶42 = 2!(4−2)! = 6
3!
Banyaknya cara memilih 1 dari 3 wanita = 𝐶31 = 1!(3−1)! = 3

Banyaknya panitia yang dapat dibentuk = (6) (3) = 18

2.4.2 Permutasi (Permutation)

Permutasi merupakan susunan dari suatu himpunan obyek yang dapat dibentuk yang
memperhatikan urutan. Banyaknya permutasi n obyek berlainan adalah n! Banyaknya
𝑛!
permutasi n obyek berlainan bila diambil r sekaligus 𝑃𝑛𝑟 = 𝑟!(𝑛−𝑟)!. Banyaknya

permutasi n benda berlainan yang disusun melingkar adalah (n – 1)!.

Banyaknya permutasi yang berlainan dari n obyek bila 𝑛1 adalah jumlah obyek
jenis pertama, 𝑛2 adalah jumlah obyek jenis kedua, ..., 𝑛𝑘 jumlah obyek ke-k adalah:
𝑛!
.
𝑛1 ! 𝑛2 ! … 𝑛 𝑘 !

Banyaknya cara menyekat n obyek dalam r sel bila masing-masing berisi 𝑛1

obyek pada sel pertama, 𝑛2 obyek pada sel kedua, dan seterusnya adalah :
𝑛!
𝑛1 !𝑛2!…𝑛𝑘!
dengan 𝑛1 + 𝑛2 + ⋯ + 𝑛𝑟 = 𝑛.

Universitas Sumatera Utara

2.5 Distribusi Probabilitas Diskrit

Penyajian distribusi probabilitas dalam bentuk grafis, tabel atau melalui rumusan tidak
masalah, yang ingin dilukiskan adalah perilaku (kelakuan) perubah acak tersebut.
Sering di menjumpai, pengamatan yang dihasilkan melalui percobaan statistik yang
berbeda mempunyai bentuk kelakuan umum yang sama.

Oleh karena itu perubah acak diskrit yang berkenaan dengan percobaan
tersebut dapat dilukiskan dengan distribusi probabilitas yang sama, dan dapat
dinyatakan dengan rumus yang sama.

Dalam banyak praktek yang sering di jumpai, hanya memerlukan beberapa

distribusi probabilitas yang penting untuk menyatakan banyak perubah acak diskrit.

2.5.1 Distribusi Seragam

Distribusi probabilitas yang paling sederhana adalah yang semua perubah acaknya
mempunyai probabilitas yang sama. Distribusi ini disebut distribusi probabilitas
seragam diskrit.

Jika perubah acak X mendapat nilai 𝑥1, 𝑥2, … , 𝑥𝑘 dengan probabilitas yang sama ,
maka distribusi probabilitas diskrit diberikan oleh:
1
𝑓(𝑥; 𝑘) = , untuk x = 𝑥1, 𝑥2, … , 𝑥𝑘
𝑘

Lambang f(x;k) sebagai pengganti f(x), yang menunjukan bahwa distribusi

seragam tersebut bergantung pada parameter x.

Universitas Sumatera Utara

 1/k

X1 X2 X3 Xk
Gambar 2.5 Distribusi Seragam

Rata-rata dan varians dari distribusi seragam diskrit adalah :

∑𝑘
𝑖=𝑘 𝑥𝑖 ∑𝑘𝑖=1 (𝑥𝑖 −𝜇)2
𝜇= 𝜎2 = 𝑘
𝑘

Contoh:
Sebuah dadu seimbang dilemparkan satu kali, maka tiap unsur dalam ruang sampel
S={1, 2,3 4, 5, 6}. Muncul dengan probabilitas 1/6. Jadi jika X menyatakan mata dadu
yang muncul, maka X terdistribusi peluang seragam (uniform) yakni f(x;6)=1/6, untuk
x = 1, 2, 3, 4, 5, 6

2.5.2 Distribusi Binomial

Suatu percobaan yang terdiri atas beberapa usaha, tiap-tiap usaha, memberikan hasil
yang dapat dikelompokan menjadi 2-kategori yaitu sukses atau gagal, dan tiap-tiap
ulangan percobaan bebas satu sama lainnya. Probabilitas kesuksesan tidak berubah
dari percobaan satu ke percobaan lainnya. Proses ini disebut proses Bernoulli. Jadi
proses Bernoulli harus memenuhi persyaratan berikut:
1. Percobaan terdiri atas n-eksperimen yang berulang
2. Tiap-tiap eksperimen memberikan hasil yang dapat dikelompokan menjadi 2-
kategori, sukses atau gagal
3. Peluang kesuksesan dinyatakan dengan p, tidak berubah dari satu eksperimen
ke eksperimen berikutnya.
4. Tiap eksperimen bebas dengan eksperimen lainnya.

Universitas Sumatera Utara

 Jadi proses Bernoulli adalah suatu proses dengan ciri-ciri eksperimen
berlangsung n kali dan tiap eksperimen berlangsung dalam cara dan kondisi yang
sama. Untuk setiap eksperimen hanya ada 2 (dua) kejadian yang mungkin terjadi,
dimana 2 (dua) kejadian tersebut adalah saling asing dan juga independent satu sama
lain. Biasanya 2 (dua) kejadian tersebut dinotasikan sebagai kejadian sukses dan
kejadian gagal. Probabilitas sukses dilambangkan dengan p, sedangkan probabilitas
gagal dilambangkan dengan q, dan p + q =1. Dari proses tersebut, yang di definisikan
sebagai variabel adalah munculnya kejadian sukses, yang dilambangkan dengan x.
Untuk distribusi Binomial semacam itu, bisa dihitung probabilitas x sukses akan
muncul dalam n percobaan tersebut dengan rumus :

𝑛!
𝐹(𝑥) = 𝑃(𝑥, 𝑛; 𝑝) = 𝐶𝑛𝑥 )𝑝𝑥 𝑞𝑛−𝑥 = 𝑝𝑥 𝑞𝑛−𝑥
𝑥! (𝑛 − 𝑥)!

Dengan:
x = munculnya sukses yang ingin di hitung
n = jumlah eksperimen
p = probabilitas sukses dalam tiap eksperimen
q = probabilitas gagal dalam tiap eksperimen = 1 – p
n-x = jumlah gagal dalam n eksperimen

Distribusi binomial mempunyai nilai rata-rata µ = np dan nilai simpangan

baku 𝜎 = �𝑛𝑝𝑞.

2.5.3 Nilai Harapan Distribusi Binomial

Untuk mencari rata-rata (µ) digunakan Rumus :

𝐸 (𝑋) = 𝑛𝑝 (𝑝 + 𝑞 )𝑛−1
= 𝑛𝑝(1)𝑛−1
= 𝑛𝑝
Jadi ekspektasi dari distribusi binomial adalah np.

Universitas Sumatera Utara

2.5.4 Variansi Distribusi Binomial

𝑉𝑎𝑟 (𝑋) = 𝐸[𝑋2] – (𝐸[𝑋])2

𝐸[𝑋]2 = n(n − 1)p2 �qn−2 + (n − 2)pqn−3 + ⋯ + pn−2� + np
= n(n − 1)p2 (q + p) n−2 + np
= n(n − 1)pn + np

Jadi,
Var (𝑋) = 𝐸[𝑋2] – (𝐸[𝑋])2
= n(n − 1)p2 + np − 𝑛2𝑝2
= np(1-p)
= npq
Jadi, varian dari distribusi binomial adalah npq.

2.6 DISTRIBUSI NORMAL

Distribusi probailitas kontinyu yang terpenting di bidang statistik adalah distribusi

Normal. Grafiknya disebut kurva normal, berbentuk lonceng. Distribusi ini ditemukan
Karl Friedrich Gauss (1777-1855) yang juga disebut distribusi Gauss. Perubah acak X
yang bentuknya seperti lonceng disebut perubah acak normal dengan persamaan
matematik distribusi probabilitas yang bergantung paramerter µ (mean) dan
σ (simpangan baku). Dinyatakan n(x,µ ,σ )

Gabar 2.6 Kurva Normal

Universitas Sumatera Utara

Fungsi padat perubah acak normal X, dengan rata-rata µ dan simpangan baku
σ dinyatakan sebagai :

1 1 𝑥−𝜇 2
−� �� �
𝑛(𝑥; 𝜇; 𝜎) 𝑒 2 𝜎 , untuk −∞ <𝑥 <∞
√2𝜋𝜎
Dengan :
µ = mean
σ = simpangan baku
π = 3,14159...
e = 2,71828...

Luas daerah kurva normal antara x = a dan x = b dinyatakan sebagai berikut:

𝑏
𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = � 𝑓(𝑥 )𝑑𝑥
𝑎
𝑏 1 1 𝑥−𝜇 2
−�2�� 𝜎 �
= � 𝑒 𝑑𝑥
𝑎 √2𝜋𝜎

04

03

02

01

-4 -2 a 0 b 2 4

Gambar 2.7 Luas Derah P(a < x < b) = Luas Daerah Diarsir

2.6.1 Nilai Harapan Variabel acak Normal

∞
E(X) = � 𝑥𝑓(𝑥 )𝑑𝑥
−∞

Universitas Sumatera Utara

 ∞ 1 𝑥−𝜇𝑥 2
= � 𝑥 𝑒 −1/2( 𝜎 ) 𝑑𝑥
−∞ 𝜎 √2𝜋
1 ∞ 𝑥−𝜇𝑥 2
= � � � 𝑥𝑒 −1/2( 𝜎 ) 𝑑𝑥
𝜎 √2𝜋 −∞
𝑥 − 𝜇𝑥 1
𝑧= ; 𝜎𝑧 + 𝜇𝑥 = 𝑥 ; 𝑑𝑧 = 𝑑𝑥 ; 𝑑𝑥 = 𝜎𝑑𝑧
𝜎 𝜎
1 ∞ 1 2
= � (𝜎𝑧 + 𝜇𝑥 )𝑒 −2𝑧 𝜎𝑑𝑧
𝜎√2𝜋 −∞
1 ∞ 1 2
= � (𝜎𝑧 + 𝜇𝑥 )𝑒 −2𝑧 𝑑𝑧
√2𝜋 −∞

𝜎 ∞ 1 𝜇𝑥 ∞ 1
2 2
= � 𝑧 𝑒 −2𝑧 𝑑𝑧 + � 𝑒 −2𝑧 𝑑𝑧
√2𝜋 −∞ √2𝜋 −∞

𝜎 𝜎 0 1 2
∞ 1 2
untuk, = (� 𝑧𝑒 −2𝑧 𝑑𝑧 + � 𝑧𝑒 −2𝑧 𝑑𝑧)
√2𝜋 √2𝜋 −∞ 0
1 2 𝑑𝑦
𝑦= 𝑧 ; 𝑑𝑦 = 𝑧𝑑𝑧 ; 𝑑𝑧 =
2 𝑧
𝜎 0 ∞
= �� 𝑒 −𝑦 𝑑𝑦 + � 𝑒 −𝑦 𝑑𝑦�
√2𝜋 −∞ 0
∞ 1 2
∞ 𝑑𝑦 ∞
untuk, � 𝑧 𝑒 −2𝑧 𝑑𝑧 = � 𝑧 𝑒 −𝑦 = � 𝑒 −𝑦 𝑑𝑦 = [𝑒 −𝑦 ]∞
0
0 0 𝑧 0

∞
dimana, lim 𝑒 −𝑦 = 0 ; maka � 𝑒 −𝑦 𝑑𝑦 = 0
𝑦→∞ 0

𝜎 ∞
1 2 𝜎
Akibatnya, � 𝑧 𝑒 −2𝑧 𝑑𝑧 = (0 + 0) = 0
√2𝜋 −∞ √2𝜋

𝜇𝑥 ∞ 1 𝜇𝑥 ∞ 1 ∞ 1
2 2 2
untuk, � 𝑒 −2𝑧 𝑑𝑧 = (� 𝑒 −2𝑧 𝑑𝑧 + � 𝑒 −2𝑧 𝑑𝑧)
√2𝜋 −∞ √2𝜋 −∞ −∞
1 2
𝑦= 𝑧 → 𝑧 = √2𝜋
2
𝑑𝑦
𝑑𝑦 = 𝑧𝑑𝑧 → 𝑑𝑧 =
𝑧
𝜇𝑥 0 𝑑𝑦 ∞ 𝑑𝑦
= � 𝑒 −𝑦 + � 𝑒 −𝑦 )
√2𝜋 −∞ 𝑧 0 𝑧

Universitas Sumatera Utara

 𝜇𝑥 1 0 1 1 ∞ 1
= ( � 𝑦 −2 𝑒 −𝑦 𝑑𝑦 + � 𝑦 −2 𝑒 −𝑦 𝑑𝑦)
√2𝜋 √2 −∞ √2 0

𝜇𝑥 √2𝜋 √2𝜋
= �+ � = 𝜇𝑥
√2𝜋 2 2

Sehingga :
𝜎 ∞ 1 𝜇𝑥 ∞ 1
2 2
E[ X ] = � 𝑧 𝑒 −2𝑧 𝑑𝑧 + � 𝑒 −2𝑧 𝑑𝑧
√2𝜋 −∞ √2𝜋 −∞

E[X] = 0 + 𝜇𝑥
= 𝜇𝑥

2.6.2 Variansi Variabel Acak Normal

Var (𝑋) = 𝐸[𝑋2] – (𝐸[𝑋])2

∞
1 𝑥−𝜇𝑥 2
2
𝐸[𝑋 ] = � 𝑥2 𝑒−1/2( 𝜎 ) 𝑑𝑥
𝜎√2𝜋
−∞
∞
1 𝑥−𝜇𝑥 2
= � 𝑥 2 𝑒 −1/2( 𝜎 ) 𝑑𝑥
𝜎√2𝜋
−∞
𝑥−𝜇𝑥
𝑧= → 𝜎𝑧 + 𝜇𝑥 = 𝑥
𝜎
1
𝑑𝑧 = 𝑑𝑥 → 𝑑𝑥 = 𝜎𝑑𝑧
𝜎
∞
1 1 2
= � (𝜎𝑧 + 𝜇𝑥 )2 𝑒 −2𝑧 𝜎𝑑𝑧
𝜎 √2𝜋
−∞
∞
1 1 2
= � (𝜎𝑧 2 + 2𝜎𝑧𝜇𝑥 + 𝜇𝑥 )2 𝑒 −2𝑧 𝑑𝑧
√2𝜋
−∞
∞ ∞ ∞
1 1 2 1 1 2 1 1 2
= � 𝜎𝑧 2 𝑒 −2𝑧 𝑑𝑧 + � 2𝜎𝑧𝜇𝑥 𝑒 −2𝑧 𝑑𝑧 + � 𝜇𝑥 2 𝑒 −2𝑧 𝑑𝑧
√2𝜋 √2𝜋 √2𝜋
−∞ −∞ −∞
∞ ∞ ∞
𝜎2 1 2 2𝜎𝑧𝜇𝑥 1 2 1 2
= � 𝑧 2 𝑒 −2𝑧 𝑑𝑧 + � 𝑧 𝑒 −2𝑧 𝑑𝑧 + � 𝑒 −2𝑧 𝑑𝑧
√2𝜋 √2𝜋
−∞ −∞ −∞

Universitas Sumatera Utara

 ∞
𝜎2 1 2 𝜇𝑥 2
= � 𝑧 2 𝑒 −2𝑧 𝑑𝑧 + 0 + (√2𝜋)
√2𝜋 √2𝜋
−∞
∞
𝜎2 1 2
= � 𝑧 2 𝑒 −2𝑧 𝑑𝑧 + 𝜇𝑥 2
√2𝜋
−∞

∞ ∞ ∞
𝜎2 1 2 𝜎2 1 2 1 2
untuk, � 𝑧 2 𝑒 −2𝑧 𝑑𝑧 = �� 𝑧 2 𝑒 −2𝑧 𝑑𝑧 + � 𝑧 2 𝑒 −2𝑧 𝑑𝑧 �
√2𝜋 √2𝜋
−∞ −∞ −∞

1 2
𝑦 = 𝑧 → 𝑧 = �2𝑦
2
𝑑𝑦 𝑑𝑦
𝑑𝑦 = 𝑧𝑑𝑧 → 𝑑𝑧 = =
𝑧 �2𝑦

∞ 2
0 ∞
𝜎2 1
− 𝑧 𝜎2 𝑑𝑦 𝑑𝑦
� 𝑧2𝑒 2 𝑑𝑧 = � � 2𝑦𝑒−𝑦 + � 2𝑦𝑒 −𝑦 �
√2𝜋 √2𝜋 �2𝑦 �2𝑦
−∞ −∞ 0
0 ∞
𝜎2 2 1 2 1
= �� 𝑦 2 𝑒 −𝑦 𝑑𝑦 +� 𝑦 2 𝑒 −𝑦 𝑑𝐷�
√2𝜋 �2𝑦 �2𝑦
−∞ 0

𝜎2 1 1 1 1
= �√2 ᴦ � � + √2 ᴦ � ��
√2𝜋 2 2 2 2
𝜎2 √2𝜋 √2𝜋
= �+ �
√2𝜋 2 2
= 𝜎2
Sehingga : E[X 2 ] = 𝜎 2 + 𝜇𝑥 2
Maka :
Var(X) = 𝐸[𝑋 2 ] − (𝐸[𝑋])2
= 𝜎2 + 𝜇𝑥 2 − 𝜇𝑥 2
= 𝜎2

Universitas Sumatera Utara

2.6.3 Distribusi Normal Standar

Keluarga distribusi normal memiliki jumlah yang banyak sekali, akibat pengaruh
rata-rata dan simpangan baku. Akan tetapi, untuk mencari probabilitas suatu interval
dari variabel random kontinu dapat di permudah dengan menggunakan bantuan
distribusi normal standard.

Distribusi normal standard adalah distribusi normal yang memiliki rata-rata

(μ)= 0 dan simpangan baku (σ ) = 1. Bentuk fungsinya adalah :

1 1 2
𝑓 (𝑍 ) = 𝑒 −2𝑧
√2𝜋

Untuk mengubah distribusi normal umum menjadi distribusi normal standard

di gunakan nilai Z (standard units). Bentuk rumusnya adalah:

𝑋−𝜇
𝑍=
𝜎
Dengan :
Z = Skor Z atau nilai normal baku
X = Nilai dari suatu pengamatan atau pengukuran
µ = nilai rata-rata hitung suatu distribusi
σ = standar deviasi suatu distribusi

Nilai Z (standard units) adalah angka atau indeks yang menyatakan

penyimpangan suatu nilai variabel random (X) dari rata-rata (µ ) dihitung dalam
satuan simpangan baku (σ ).

2.6.4 Sifat-sifat Normal Standar

Sifat-sifat penting dalam distribusi normal standard yaitu:

Universitas Sumatera Utara

 1) Grafiknya selalu ada di atas sumbu datar x
2) Bentuknya simetrik terhadap x = µ
3) Mempunyai satu modus, jadi kurva unimodal, tercapai pada x = µ
4) Grafiknya mendekati (berasimtutkan) sumbu datar x di mulai dari x =
µ + 3σ ke kanan dan x = µ − 3σ ke kiri
5) Luas daerah grafik selalu sama dengan satu unit persegi.

Untuk tiap pasang µ dan σ , sifat-sifat di atas selalu di penuhi, hanya bentuk
kurvanya saja yang berlainan. Jika σ makin besar, kurvanya makin rendah
(platikurtik) dan untuk σ makin kecil, kurvanya makin tinggi (leptokurtik).

Gambar 2.8 Distribusi Kurva Normal dengan μ Sama dan σ Berbeda

Pada Gambar 2.8 menunjukkan bentuk distribusi dan kurva normal dengan
nilai tengah sama dan standart deviasi yang berbeda. Kurva normal demikian
mempunyai μ = Md = Mo yang sama, namun mempunyai σ yang berbeda. Semakin
besar σ , maka kurva semakin pendek dan semakin tinggi nilai σ , maka semakin
runcing. Oleh sebab itu, σ yang tinggi menunjukkan bahwa nilai data semakin
menyebar dari nilai tengahnya (μ). Sebaliknya apabila σ semakin rendah, maka nilai
semakin mengelompok pada nilai tengahnya, sehingga parameter nilai tengah menjadi
indikator yang baik bagi ukuran populasi.

Universitas Sumatera Utara

 Gambar 2.9 Distribusi Kurva Normal dengan μ Berbeda dan σ Sama

Pada Gambar 2.9 menunjukkan bentuk distribusi probabilitas dan kurva

normal dengan μ berbeda dan σ sama, mempunyai jarak antara kurva yang berbeda,
namun bentuk kurva tetap sama. Hal demikian bisa terjadi karena kemampuan antar
populasi berbeda, namun setiap populasi mempunyai keragaman yang hampir sama.

Gambar 2.10 Distribusi Kurva Normal dengan µ dan σ Berbeda

Pada Gambar 2.10 menunjukkan bentuk distribusi probabilitas dan kurva

normal dengan μ berbeda dan σ berbeda. Kurva yang demikian mempunyai titik pusat
yang berbeda pada sumbu mendatar dan bentuk kurva berbeda karena mempunyai
setandart deviasi yang berbeda. Kurva demikian relatif banyak terjadi, karena antar-
populasi terdapat perbedaan kemampuan, disamping itu di dalam setiap populasi juga
terdapat perbedaan, atau setiap populasi juga mempunyai keragaman yang berbeda.

Universitas Sumatera Utara

2.7 Menghampiri Distribusi Binomial Dengan Distribusi Normal

Sebagaimana distribusi poisson sebagai penghampir distribusi binomial, maka

distribusi binomial dapat juga dihampiri dengan distribusi normal. Penghampiran ini
atas dasar teori asimtotik, yaitu dengan memisalkan banyak pengamatan 𝑛 → ∞ dan p
tetap. Atas dasar pemisalan ini maka :
𝑛!
𝑓 (𝑥 ) = 𝑃 (𝑋 = 𝑥 ) = 𝑝𝑥 (1 − 𝑝)𝑛−𝑥
𝑥! (𝑛 − 𝑥 )!

Pendekatan distribusi normal ini dapat di gunakan untuk pendekatan distribusi

binomial, dengan memenuhi beberapa syarat, yaitu :

a. Jumlah pengamatan relatif besar (n ≥ 30), dan nilai dari np ≥ 5 dan n(1-p) ≥ 5,
dimana n = jumlah data dan p adalah probabilitas sukses.
b. Memenuhi syarat binomial yaitu mempunyai peristiwa hanya 2 (dua), antara
percobaan bersifat independent, probabilitas sukses dan gagal sama untuk semua
percobaan dan data merupakan hasil perhitungan.
𝑋−𝑛𝑝
c. Rumus nilai normal untuk mendekati binomial adalah : 𝑍 =
√𝑛𝑝𝑞

d. Faktor korelasi diperlukan dari binomial yang acak diskrit menjadi normal yang
kontinu dengan menambah atau mengurang 0,5 terhadap nilai X.

Universitas Sumatera Utara