Tim Matematika
𝐹(𝑥) yang telah memenuhi sifat fungsi distribusi dapat dilihat pada Gambar
14.1:
3
Beberapa sifat fungsi distribusi yang tidak ada dalam kasus variabel acak
diskrit:
1. 0 ≤ 𝐹 (𝑥 ) ≤ 1
2. lim 𝐹 (𝑥 ) = 0 dan lim 𝐹 (𝑥 ) = 1
𝑥→−∞ 𝑥→∞
Jika ada fungsi non-negatif 𝑓(𝑥) sehingga fungsi distribusi 𝐹(𝑥) dari variabel
acak 𝑋 memiliki representasi
𝑥
𝐹 (𝑥 ) = ∫ 𝑓 (𝑢)𝑑𝑢
−∞
Gambar 14.2 Fungsi Distribusi 𝑭(𝒙) dan Fungsi Kerapatan yang sesuai 𝒇(𝒙)dari
variabel acak kontinu
4
Karena 𝐹(𝑥) adalah fungsi distribusi, maka
∞
∫ 𝑓 (𝑥 )𝑑𝑥 = 1 (1)
−∞
Gambar 14.3 Area antara fungsi kerapatan 𝒇(𝒙) dan sumbu 𝒙 antara 𝒂 dan 𝒃
merupakan peluang bahwa variabel acak 𝑿 terletak antara 𝒂 dan 𝒃
5
Berbeda dengan variabel acak diskrit, dimana 𝑃(𝑋 ≤ 𝑏) dan 𝑃(𝑋 < 𝑏) dapat
berbeda, tidak ada perbedaan untuk variabel acak kontinu, karena
𝑏
𝑃 (𝑋 = 𝑏) = ∫ 𝑓 (𝑥 )𝑑𝑥 = 0
𝑎
Contoh 14.1
Diberikan fungsi distribusi variabel acak kontinu 𝑋 sebagai berikut:
0 untuk 𝑥 ≤ 0
𝐹 (𝑥 ) = { 𝑥 2 untuk 0 < 𝑥 < 1
1 untuk 𝑥 ≥ 1
a. Tentukan dan gambarkanlah fungsi kerapatan yang sesuai,
b. Hitunglah 𝑃(−1 ≤ 𝑋 ≤ 1/2).
Jawab.
a. Untuk menentukan fungsi kerapatan, kita perlu Teorema Dasar
Kalkulus 2 atau Integral dengan batas fungsi. Jadi,
𝑥
Gambar 14.4 Fungsi Distribusi 𝑭(𝒙) dan fungsi kerapatan yang sesuai 𝒇(𝒙)
1/2 1/2 1 2 1
=0+ 𝑥 2 ]0 = 𝑥 2 ]0 = ) − 02 =
( ∎
2 4
7
Contoh 14.2
Diberikan fungsi kerapatan variabel acak kontinu 𝑋 sebagai berikut
1
untuk 1 < 𝑥 < 3
𝑓 (𝑥 ) = {2
0 untuk 𝑥 lainnya
a. Tentukan fungsi distribusi 𝐹(𝑥) yang sesuai,
b. Hitunglah 𝑃(2 < 𝑋 < 2.5),
c. Hitunglah 𝑃(𝑋 ≤ 1.6).
Jawab.
a. Untuk 1 < 𝑥 < 3,
𝑥 1 𝑥 1 𝑥
1 1 𝑥
𝐹 (𝑥 ) = ∫ 𝑓 (𝑡) 𝑑𝑡 = ∫ 𝑓(𝑡) 𝑑𝑡 + ∫ 𝑓 (𝑡) 𝑑𝑡 = ∫ 0 𝑑𝑡 + ∫ 𝑑𝑡 = 0 + 𝑡]
2 2 1
−∞ −∞ 1 −∞ 1
1 𝑥 1 1 1
= 𝑡] = 𝑥 − = (𝑥 − 1)
2 1 2 2 2
Sehingga fungsi distribusi 𝐹(𝑥) yang sesuai sebagai berikut
0 untuk 𝑥 ≤ 1
1
𝐹 (𝑥 ) = { (𝑥 − 1) untuk 1 < 𝑥 < 3
2
1 untuk 𝑥 ≥ 3
b. Dengan menggunakan fungsi distribusi,
1 1 1
𝑃(2 < 𝑋 < 2.5) = 𝐹 (2.5) − 𝐹 (2) = (2.5 − 1) − (2 − 1) = = 0.25
2 2 4
atau dengan menggunakan fungsi kerapatan,
2.5 2.5
1 1 2.5 1 1 1
𝑃 (2 < 𝑋 < 2.5) = ∫ 𝑓 (𝑥 )𝑑𝑥 = ∫ 𝑑𝑥 = 𝑥] = (2.5) − (2) = = 0.25
2 2 2 2 2 4
2 2
14.2. NILAI RATA-RATA (MEAN) DAN RAGAM (VARIANSI) DARI VARIABEL ACAK
KONTINU
Rumus untuk mean dan variansi dari variabel acak kontinu dianalisis sesuai
dengan keputusan yang diambil. Nilai harapan, atau mean, 𝐸(𝑋) dari
variabel acak kontinu 𝑋 dengan fungsi kerapatan peluang 𝑓(𝑥) didefinisikan
8
∞
𝐸 (𝑋) = ∫ 𝑥 𝑓(𝑥) 𝑑𝑥
−∞
dengan 𝑓(𝑥) adalah fungsi kerapatan peluang dari 𝑋. Variansi dari variabel
acak kontinu 𝑋 dengan mean 𝜇 didefinisikan sebagai
∞
var(𝑋) = 𝐸 (𝑋 − 𝜇 )2 = ∫ (𝑥 − 𝜇 )2 𝑓(𝑥) 𝑑𝑥
−∞
Ingat bahwa integral ini didefinisikan pada interval yang tidak terbatas dan
𝑓(𝑥) mungkin tidak kontinu.
Contoh 14.3
Fungsi kerapatan peluang dari variabel acak 𝑋 diberikan
3𝑥 2 untuk 0 < 𝑥 < 1
𝑓 (𝑥 ) = {
0 lainnya
Dengan grafik seperti pada Gambar 14.5 berikut:
𝐸 (𝑋) = ∫ 𝑥 𝑓 (𝑥 ) 𝑑𝑥 = ∫ 𝑥 𝑓 (𝑥 ) 𝑑𝑥 + ∫ 𝑥 𝑓 (𝑥 ) 𝑑𝑥 + ∫ 𝑥 𝑓(𝑥 ) 𝑑𝑥
−∞ −∞ 0 1
0 1 ∞ 1
𝐸 (𝑋 2 ) = ∫ 𝑥 2 𝑓(𝑥 ) 𝑑𝑥 = ∫ 𝑥 2 𝑓 (𝑥 ) 𝑑𝑥 + ∫ 𝑥 2 𝑓(𝑥 ) 𝑑𝑥 + ∫ 𝑥 2 𝑓 (𝑥 ) 𝑑𝑥
−∞ −∞ 0 1
0 1 ∞ 1
Kurva halus pada Gambar 14.6 yang sesuai dengan histogram sebanding
dengan fungsi kerapatan dari distribusi normal. (Kurva tidak diskalakan,
sehingga area di bawah kurva tidak sama dengan 1.) Fungsi kerapatan dari
distribusi normal dijelaskan oleh hanya dua parameter, yang disebut 𝜇 dan 𝜎,
yang dapat diperkirakan dari data. Parameter 𝜇 dapat berupa bilangan real
apa pun; parameter 𝜎 adalah bilangan real positif. Fungsi kepadatan
distribusi normal dijelaskan sebagai berikut:
Definisi.
Variabel acak kontinu 𝑋 biasanya terdistribusi normal dengan parameter 𝜇
dan 𝜎 jika memiliki fungsi kerapatan
1 2 /2𝜎2
𝑛(𝑥; 𝜇, 𝜎) = 𝑓 (𝑥 ) = 𝑒 −(𝑥−𝜇) , −∞<𝑥<∞
𝜎√2𝜋
Parameter 𝜇 adalah rata-rata dan parameter 𝜎 adalah simpangan baku
(standar deviasi) dari distribusi normal.
Berikut ini adalah sifat-sifat dari 𝑓(𝑥):
1. 𝑓(𝑥) adalah simetris dimana 𝑥 = 𝜇.
2. Nilai maksimum dari 𝑓(𝑥) adalah pada 𝑥 = 𝜇.
3. Titik refleksi dari 𝑓(𝑥) adalah pada 𝑥 = 𝜇 − 𝜎 dan 𝑥 = 𝜇 + 𝜎.
11
Bentuk fungsi kerapatan dari distribusi normal ditunjukkan pada Gambar 14.7
berikut
𝑓 (𝑥 ) ≥ 0 dan ∫ 𝑓 (𝑥 )𝑑𝑥 = 1
−∞
Dengan alat yang kita miliki sejauh ini, kita tidak dapat menunjukkan bahwa
fungsi kerapatan dinormalisasi menjadi 1. Mean 𝜇 memang nilai harapan dari
𝑋; yaitu,
∞
𝜇 = ∫ 𝑥 𝑓 (𝑥 )𝑑𝑥
−∞
Tabel untuk distribusi normal 𝐹 (𝑥 ) terdapat dalam Lampiran hal 22 dan dapat
digunakan untuk memperoleh peluang untuk 𝜇 dan 𝜎 yang lebih umum.
12
Tabel untuk distribusi normal dengan rata-rata 0 dan standar deviasi 1 (lihat
Lampiran hal 22) dapat digunakan untuk menghitung peluang ketika
distribusi normal dengan rata-rata 𝜇 dan standar deviasi 𝜎. Kita mulai dengan
menjelaskan bagaimana menggunakan tabel untuk distribusi normal dengan
mean 0 dan standar deviasi 1, yang disebut distribusi normal standar
(distribusi normal baku), yang kerapatannya diberikan oleh
𝑏
1 2 /2
𝑓(𝑢) = ∫ 𝑒 −𝑧 𝑑𝑧
√2𝜋
𝑎
Secara geometris, 𝐹 (𝑧) adalah area di sebelah kiri garis 𝑥 = 𝑧 di bawah grafik
fungsi kerapatan, seperti yang diilustrasikan dalam Gambar 14.8 berikut.
Gambar 14.8 Area di sebelah kiri 𝒙 = 𝒛 di bawah grafik kerapatan normal 𝑭(𝒛), yang
tercantum dalam tabel untuk distribusi normal.
= 1 − 𝐹 (1)
= 1 − 0.8413
= 0.1587
Gambar 14.9 Luas wilayah yang diarsir 𝑭(−𝟏) sama dengan luas wilayah yang diarsir
𝟏 − 𝑭(𝟏)
𝑎−𝜇 𝑏−𝜇
= 𝑃( ≤𝑍≤ )
𝜎 𝜎
Kita mengenali bahwa sisi kanan sebagai area di bawah kerapatan normal
standar antara (𝑎 − 𝜇)/𝜎 dan (𝑏 − 𝜇)/𝜎. Oleh karena itu, area di bawah
kerapatan normal dengan rata-rata 𝜇 dan deviasi standar 𝜎 antara 𝑎 dan 𝑏
adalah sama dengan area di bawah kerapatan normal standar antara (𝑎 −
𝜇)/𝜎 dan (𝑏 − 𝜇)/𝜎. Perhatikan Gambar 14.10 sebagai berikut.
Gambar 14.10 Area di bawah kerapatan normal dengan rata-rata 𝝁 dan deviasi
standar 𝝈 antara 𝒂 dan 𝒃 adalah sama dengan area di bawah kerapatan normal
standar antara (𝒂 − 𝝁)/𝝈 dan (𝒃 − 𝝁)/𝝈
Contoh 14.4
Misalkan 𝑋 terdistribusi normal dengan mean 3 dan simpangan baku 2.
Tentukan fraksi populasi yang masuk dalam interval [2, 5]; yaitu,
menentukan 𝑃(𝑋 ∈ [2, 5]).
Jawab.
Diketahui 𝜇 = 3 dan 𝜎 = 2.
15
Untuk mengatasi masalah ini, kita harus menghitung
5
1 2 /2(2)2
∫ 𝑒 −(𝑥−3) 𝑑𝑥 (4)
2√2𝜋
2
1
= 𝐹 (1) − 𝐹 (− )
2
1
= 𝐹 (1) − [1 − 𝐹 ( )]
2
1
= 𝐹 (1) + 𝐹 ( ) − 1
2
= 0.8413 + 0.6915 − 1
= 0.5328
dan 𝑃(𝑋 ∈ [2, 5]) = 0.5328.
Alih-alih menuliskan integral ini, lebih mudah untuk menentukan apa yang
perlu kita hitung ketika kita membuat sketsa area yang relevan di bawah
kurva normal standar. Dari Gambar 14.11, kita melihat bahwa kita perlu
1 1 1
menghitung 𝐹 (1) − 𝐹 (− 2). Karena𝐹 (− 2) = 1 − 𝐹 (2), kita perlu menentukan
16
1
𝐹 (1) + 𝐹 (2) − 1, yang sudah dihitung sebelumnya yaitu dengan Tabel
Contoh 14.5
Diketahui suatu distribusi normal dengan mean 50 dan simpangan baku
10, tentukan peluang bahwa 𝑋 mendapat nilai antara 45 dan 62.
Jawab.
(𝑥−𝜇)
Kita gunakan transformasi 𝑧 = sehingga diperoleh
𝜎
45 − 50
Ketika x = 45, 𝑧= = −0.5
10
62 − 50
Ketika x = 62, 𝑧= = 1.2
10
Jadi,
45 − 50 𝑋 − 𝜇 62 − 50
𝑃(45 < 𝑋 < 62) = 𝑃 ( < < ) = 𝑃(−0.5 < 𝑍 < 1.2)
10 𝜎 10
Nilai 𝑃(−0.5 < 𝑍 < 1.2) diberikan oleh area yang diarsir pada Gambar
14.12.
Contoh 14.6
Diketahui distribusi normal dengan 𝜇 = 300 dan 𝜎 = 500, tentukan
peluang bahwa 𝑋 mendapat suatu nilai lebih besar dari 362.
Jawab.
Distribusi peluang normal dengan area yang dicari diperlihatkan pada
Gambar 14.13 berikut
Untuk mencari 𝑃(𝑋 > 362), kita perlu menghitung area di bawah kurva
normal di sebelah kanan 𝑥 = 362.
(𝑥−𝜇)
Kita dapat menghitung dengan menransformasi 𝑥 = 362 ke nilai 𝑧 = ,
𝜎
Kontinu
Fungsi 𝑃 (𝑎 < 𝑋 ≤ 𝑏 ) = 𝑃 (𝑎 ≤ 𝑋 ≤ 𝑏 ) = 𝑃 ( 𝑎 < 𝑋 < 𝑏 ) = 𝑃 (𝑎 ≤ 𝑋 < 𝑏 )
Kerapatan 𝑏
Sifat-sifat:
1. 𝑓 (𝑥 ) ≥ 0 untuk semua 𝑥 ∈ ℝ
∞
2. ∫−∞ 𝑓 (𝑥 )𝑑𝑥 = 1
3. 𝑃 (𝑎 < 𝑋 ≤ 𝑏) = 𝑃 (𝑎 ≤ 𝑋 ≤ 𝑏) = 𝑃(𝑎 < 𝑋 < 𝑏) = 𝑃(𝑎 ≤ 𝑋 <
𝑏
𝑏) = ∫𝑎 𝑓 (𝑥 )𝑑𝑥
𝑥
Fungsi 𝐹 (𝑥 ) = 𝑃(𝑋 ≤ 𝑥 ) = ∫−∞ 𝑓(𝑡)𝑑𝑡 untuk − ∞ < 𝑥 < ∞.
Distribusi Sifat-sifat:
1. 0 ≤ 𝐹 (𝑥 ) ≤ 1
2. lim 𝐹 (𝑥 ) = 0 dan lim 𝐹 (𝑥 ) = 1
𝑥→−∞ 𝑥→∞
𝐸 (𝑋2 ) = ∫ 𝑥 2 𝑓(𝑥) 𝑑𝑥
−∞
∞
∞ ∞ 2
Simpangan s. d = 𝜎 = √var(𝑋)
Baku
19
Distribusi 𝑏
1 2 /2𝜎2
Normal 𝑛(𝑥; 𝜇, 𝜎) = 𝑃 (𝑎 ≤ 𝑋 ≤ 𝑏) = ∫ 𝑒 −(𝑥−𝜇) 𝑑𝑥, −∞<𝑥
𝜎√2𝜋
𝑎
<∞
Distribusi (𝑏−𝜇)/𝜎
𝑎−𝜇 𝑏−𝜇 1 2 /2
Normal 𝑛(𝑥; 0,1) = 𝑃 ( ≤𝑍≤ )= ∫ 𝑒 −𝑧 𝑑𝑧
𝜎 𝜎 √2𝜋
(𝑎−𝜇)/𝜎
Standar
𝑥−𝜇 𝑑𝑧 1
dengan 𝑧 = dengan =𝜎
𝜎 𝑑𝑥
20
SOAL LATIHAN
Neuhauser, Claudia. Calculus for Biology and Medicine 3rd Ed. Prentince Hall.
2011.
Walpole, Ronald E. Dan Myers, Raymond H. Ilmu Peluang dan Statistika untuk
Insinyur dan Ilmuwan, Edisi 3. Bandung: Penerbit ITB, 1995.