MATEMATIKA DASAR 2A

Submodul 14: Variabel Acak Dan Distribusi

Kontinu

Tim Matematika

TAHAP PERSIAPAN BERSAMA

INSTITUT TEKNOLOGI SUMATERA - LAMPUNG SELATAN
24 FEBRUARI 2020
 1
PENDAHULUAN

Pelemparan sejumlah koin merupakan suatu contoh percobaan statistika,

suatu istilah yang memberikan setiap proses yang menghasilkan
pengamatan yang berkemungkinan. Mengetahui bahwa distribusi variabel
acak memberi tahu kita semua tentang variabel acak. Namun, dalam
praktiknya, sering kali tidak mungkin atau tidak perlu untuk mengetahui
semua peluang distribusi dari variabel acak yang menggambarkan
eksperimen acak tertentu. Sebagai gantinya, mungkin cukup untuk
menentukan beberapa kuantitas karakteristik, seperti nilai rata-rata dan
ukuran yang menggambarkan penyebaran di sekitar nilai rata-rata.
Distribusi peluang kontinu yang terpenting dalam seluruh bidang
statistika adalah distribusi normal. Grafiknya, disebut kurva normal, berbentuk
lonceng yang menggambarkan dengan cukup baik banyak gejala yang
muncul di alam, industri, dan penelitian. Pengukuran fisik di bidang seperti
percobaan meteorologi, penelitian curah hujan, dan pengukuran suku
cadang yang diproduksi sering dengan baik dapat diterangkan
menggunakan distribusi normal.
Modul 14 ini memberikan materi Variabel Acak dan Distribusi Kontinu. Perlu
diketahui bahwa dalam mempelajari variabel acak dan distribusi kontinu
dibutuhkan pemahaman tentang konsep dari modul-modul sebelumnya
terutama tentang turunan, integral, ruang sampel, dan peluang.
Berdasarkan penjelasan di atas, tujuan instruksional yang harus dicapai
mahasiswa pada pembelajaran ini antara lain mahasiswa:

• Mampu menghitung peluang suatu kejadian melalui variabel

1 acak kontinu

• Mampu menghitung dan menggambar suatu fungsi distribusi

2 kontinu

• Mampu menghitung nilai harapan (mean) dan variansi untuk

3
suatu variabel acak yang diberikan atau suatu ruang sampel
kontinu
• Dapat menghitung peluang kasus kontinu dan menggunakan
4 tabel distribusi normal
 2
MATERI PERKULIAHAN

14.1. VARIABEL ACAK KONTINU

Pada modul sebelumnya, membahas variabel acak yang mengambil
sejumlah nilai diskrit. Pada modul ini, kita akan membahas variabel acak
yang mengambil nilai kontinu disebut variabel acak kontinu. Misalnya, ketika
kita mempertimbangkan distribusi panjang suatu organisme: dalam interval
(spesies-spesifik) yang sesuai, panjang individu dapat mengambil nilai apa
pun. Sebagai ilustrasi, perhatikan contoh berikut yang diadaptasi dari de
Roos (1996): Aliran air Daphnia pulex memakan alga Chlamydomonas
rheinhardii. Komponen penting dari perilaku makan Daphnia adalah
ketergantungan yang kuat dari jumlah makanan yang dikonsumsi pada
ukuran individu. Untuk memodelkan perilaku makan dari Daphnia, kita harus
membuat kode struktur rumah populasi.
Kita melihat ukuran sebagai variabel acak, dilambangkan dengan 𝑋,
dan menentukan untuk semua nilai 𝑥 yang mungkin, fraksi Daphnia yang
ukurannya kurang dari atau sama dengan 𝑥. Jika ukuran populasi besar, fraksi
ini dapat didekati dengan baik oleh fungsi kontinu, yang ditunjukkan dengan
𝐹(𝑥). Fungsi ini berfungsi sebagai fungsi distribusi, jadi 𝐹 (𝑥 ) = 𝑃(𝑋 ≤ 𝑥).

Fungsi distribusi sepenuhnya mencirikan peluang distribusi dari variabel acak,

seperti yang kita lihat di bagian sebelumnya. Sifat ini tidak berbeda untuk
variabel acak kontinu. Untuk menggambarkan peluang distribusi variabel
acak kontinu 𝑋, kita akan menggunakan fungsi distribusinya 𝐹(𝑥).
Definisi.
Fungsi distribusi untuk variabel acak kontinu memiliki definisi yang sama
dengan yang untuk variabel acak diskrit:
𝑥

𝐹 (𝑥 ) = 𝑃(𝑋 ≤ 𝑥 ) = ∫ 𝑓(𝑡)𝑑𝑡 untuk − ∞ < 𝑥 < ∞

−∞

𝐹(𝑥) yang telah memenuhi sifat fungsi distribusi dapat dilihat pada Gambar
14.1:
 3

Gambar 14.1. Fungsi Distribusi Variabel Acak Kontinu

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→∞

3. 𝐹(𝑥) adalah fungsi tak-turun dan kontinu.

Perhatikan di satu sisi, bahwa fungsi distribusi variabel acak kontinu adalah
kontinu, tidak seperti fungsi distribusi variabel acak diskrit, yang sebagian
konstan dan mengambil lompatan pada nilai-nilai 𝑥 di mana 𝑃 (𝑋 = 𝑥 ) > 0. Di
sisi lain, kedua fungsi distribusi tak-turun dan mengambil nilai antara 0 dan 1.

Jika ada fungsi non-negatif 𝑓(𝑥) sehingga fungsi distribusi 𝐹(𝑥) dari variabel
acak 𝑋 memiliki representasi
𝑥

𝐹 (𝑥 ) = ∫ 𝑓 (𝑢)𝑑𝑢
−∞

kita mengatakan bahwa 𝑋 adalah variabel acak kontinu dengan fungsi

kerapatan peluang (probability density function) 𝑓(𝑥). Perhatikan Gambar
14.2 berikut

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)
−∞

Setiap fungsi non-negatif pada persamaan (1) mendefinisikan fungsi

kerapatan. Fungsi 𝑓(𝑥) tidak perlu kontinu, meskipun dalam semua aplikasi
𝑓(𝑥) akan kontinu, kecuali mungkin untuk sejumlah titik. Fungsi 𝑓(𝑥) akan
sering didefinisikan sebagai fungsi kontinu. Menggunakan Teorema Dasar
Kalkulus 2, kita dapat memperoleh fungsi kerapatan 𝑓(𝑥) dari variabel acak
kontinu dari fungsi distribusi 𝐹(𝑥) dengan membedakan fungsi distribusi. Jadi,
𝑓 (𝑥 ) = 𝐹′(𝑥) untuk semua titik 𝑥 di mana 𝐹(𝑥) dapat dibedakan. Pada titik di
mana 𝐹(𝑥) tidak dapat dibedakan, kita tetapkan 𝑓(𝑥 ) = 0, strategi yang
memastikan bahwa fungsi kerapatan didefinisikan di mana-mana.
Selanjutnya,
𝑃 (𝑎 < 𝑋 ≤ 𝑏) = 𝑃 (𝑋 ≤ 𝑏) − 𝑃 (𝑋 ≤ 𝑎) = 𝐹 (𝑏) − 𝐹(𝑎)
maka
𝑏

𝑃 (𝑎 < 𝑋 ≤ 𝑏) = ∫ 𝑓 (𝑥 )𝑑𝑥 (2)

𝑎

Yaitu, area di bawah kurva 𝑦 = 𝑓 (𝑥 ) antara 𝑎 dan 𝑏 merupakan peluang

bahwa variabel acak mengambil nilai antara 𝑎 dan 𝑏, seperti yang
diilustrasikan dalam Gambar 14.3. Penting untuk menyadari bahwa, dalam
persamaan (2), peluang diwakili oleh bidang (luas); khususnya, integral dari
𝑓 (𝑥 ), bukan 𝑓 (𝑥 ) itu sendiri yang memiliki interpretasi fisik. Fungsi kerapatan
𝑓 (𝑥 ) tidak memiliki interpretasi fisik langsung. Kemudian di bagian ini, kita akan
menjelaskan bagaimana menemukan 𝑓 (𝑥 ) secara empiris.

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

Oleh karena itu,

𝑏

∫ 𝑓 (𝑥 )𝑑𝑥 = 𝑃 (𝑎 < 𝑋 ≤ 𝑏) = 𝑃 (𝑎 ≤ 𝑋 ≤ 𝑏) = 𝑃 (𝑎 < 𝑋 < 𝑏) = 𝑃(𝑎 ≤ 𝑋 < 𝑏)

𝑎

Sehingga, fungsi kerapatan peluang 𝑓(𝑥) dengan 𝑋 adalah variabel acak

kontinu dapat didefinisikan sebagai berikut
Definisi.
Sebuah variabel acak disebut variabel acak kontinu jika variabel itu
mengambil nilai kontinu. Peluang distribusi 𝑋 dapat digambarkan dengan
fungsi kerapatan peluang 𝑓 (𝑥 ), yang memiliki sifat-sifat berikut:
1. 𝑓(𝑥 ) ≥ 0 untuk semua 𝑥 ∈ ℝ
∞
2. ∫−∞ 𝑓 (𝑥 )𝑑𝑥 = 1
𝑏
3. 𝑃(𝑎 < 𝑋 ≤ 𝑏) = 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝑃(𝑎 < 𝑋 < 𝑏) = 𝑃 (𝑎 ≤ 𝑋 < 𝑏) = ∫𝑎 𝑓 (𝑥 )𝑑𝑥

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

𝐹 (𝑥 ) = ∫ 𝑓(𝑢)𝑑𝑢 mengakibatkan 𝐹 ′(𝑥 ) = 𝑓(𝑥)

𝑎

Fungsi kerapatan 𝑓(𝑥) dapat ditentukan dengan membedakan

fungsi distribusi 𝐹(𝑥) ke dalam interval (−∞, 0), (0, 1), dan (1, ∞):
 6
2𝑥 untuk 0 < 𝑥 < 1
𝑓 (𝑥 ) = 𝐹 ′ (𝑥 ) = {
0 untuk 𝑥 ≤ 0 atau 𝑥 ≥ 1
Untuk mendefinisikan fungsi kerapatan di mana-mana, kita tetapkan
𝑓 (0) = 𝑓 (1) = 0.
Sehingga diperoleh fungsi kerapatan 𝑓(𝑥) yang sesuai sebagai
berikut
2𝑥 untuk 0 < 𝑥 < 1
𝑓 (𝑥 ) = 𝐹 ′ (𝑥 ) = {
0 untuk 𝑥 ≤ 0 atau 𝑥 ≥ 1

Fungsi distribusi, bersama dengan fungsi kerapatan, ditunjukkan

pada Gambar 14.4 berikut:

Gambar 14.4 Fungsi Distribusi 𝑭(𝒙) dan fungsi kerapatan yang sesuai 𝒇(𝒙)

b. Dengan menggunakan fungsi distribusi, diperoleh

1 1 1 2 1 1
𝑃 (−1 ≤ 𝑋 ≤ ) = 𝐹 ( ) − 𝐹 (−1) = ( ) − 0 = − 0 =
2 2 2 4 4
Sebaliknya, jika kita menggunakan fungsi kerapatan, kita harus
menghitung
1 1
2 0 2
1
𝑃 (−1 ≤ 𝑋 ≤ ) = ∫ 𝑓 (𝑥 )𝑑𝑥 = ∫ 𝑓 (𝑥 )𝑑𝑥 + ∫ 𝑓 (𝑥 )𝑑𝑥
2
−1 −1 0
1 1
0 2 0 2

= ∫ 𝑓(𝑥 )𝑑𝑥 + ∫ 𝑓 (𝑥 )𝑑𝑥 = ∫ 0 𝑑𝑥 + ∫ 2𝑥 𝑑𝑥

−1 0 −1 0

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

c. Dengan menggunakan fungsi distribusi,

1 1 3
𝑃(𝑋 ≤ 1.6) = 𝐹 (1.6) = (1.6 − 1) = (0.6) = = 0.3 ∎
2 2 10

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
−∞

Nilai harapan dari suatu fungsi variabel acak 𝑔(𝑋) adalah

∞

𝐸 [𝑔(𝑋)] = ∫ 𝑔(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
−∞

Formula alternatif yang diberikan di bagian sebelumnya juga berlaku:

∞ ∞ 2

var(𝑋) = 𝐸(𝑋 2 ) − [𝐸 (𝑋)]2 = ∫ 𝑥 2 𝑓 (𝑥 ) 𝑑𝑥 − ( ∫ 𝑥 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:

Gambar 14.5 Fungsi kerapatan peluang 𝒇(𝒙), dengan lokasi mean X

Hitunglah nilai mean dan variansi dari 𝑋?

 9
Jawab.
Untuk menghitung nilai mean, kita hitung
∞ 0 1 ∞

𝐸 (𝑋) = ∫ 𝑥 𝑓 (𝑥 ) 𝑑𝑥 = ∫ 𝑥 𝑓 (𝑥 ) 𝑑𝑥 + ∫ 𝑥 𝑓 (𝑥 ) 𝑑𝑥 + ∫ 𝑥 𝑓(𝑥 ) 𝑑𝑥
−∞ −∞ 0 1
0 1 ∞ 1

= ∫ 𝑥 (0) 𝑑𝑥 + ∫ 𝑥 (3𝑥 2 ) 𝑑𝑥 + ∫ 𝑥 (0) 𝑑𝑥 = 0 + ∫ 3𝑥 3 𝑑𝑥 + 0

−∞ 0 1 0
1
3 4 1 3
3
= ∫ 3𝑥 𝑑𝑥 = 𝑥 ] =
4 0 4
0

Nilai mean ditunjukkan pada Gambar 14.5. Untuk menghitung nilai

variansi, pertama kita hitung
∞ 0 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

= ∫ 𝑥 2 (0) 𝑑𝑥 + ∫ 𝑥 2 (3𝑥 2 ) 𝑑𝑥 + ∫ 𝑥 2 (0) 𝑑𝑥 = 0 + ∫ 3𝑥 4 𝑑𝑥 + 0

−∞ 0 1 0
1
1
3 3
= ∫ 3𝑥 4 𝑑𝑥 = 𝑥 5 ] =
5 0 5
0

Variansi dari 𝑋 adalah

3 3 2 3
var(𝑋) = 𝐸 (𝑋 2 ) − [𝐸(𝑋)]2 = −( ) = ∎
5 4 80

14.3. DISTRIBUSI NORMAL

Distribusi normal pertama kali diperkenalkan oleh Abraham De Moivre (1667-
1754) dalam konteks peluang komputasi dalam percobaan binomial ketika
banyaknya uji coba yang besar. Kemudian, Gauss menunjukkan bahwa
distribusi ini penting dalam analisis kesalahan pengukuran. Distribusi ini adalah
distribusi berkelanjutan yang paling penting, dan membahas aplikasi
pertama kali. Genetika kuantitatif berkaitan dengan karakter metrik, seperti
tinggi tanaman, ukuran volume, berat badan, dan lainnya. Karakter tersebut
disebut karakter kuantitatif. Ada banyak karakter kuantitatif yang distribusi
frekuensinya mengikuti kurva bengkok. Sebagai contoh, menghitung bulu
 10
pada bagian tertentu dari perut (sternite kelima) dari keturunan Drosophila
melanogaster, Mackay (1984) menemukan bahwa banyaknya bulu
bervariasi menurut kurva berbentuk lonceng disebut sebagai kurva normal.
(Kurva ini ditunjukkan pada Gambar 14.6, yang diadaptasi dari Hartl dan
Clark, 1989.)

Gambar 14.6 Banyaknya bulu perut

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

Gambar 14.7 Kurva Normal

Karena 𝑓(𝑥) adalah fungsi kerapatan peluang,

∞

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
−∞

Selanjutnya, jika kuantitas 𝑋 terdistribusi normal dengan parameter 𝜇 dan 𝜎

𝑥−𝜇
dengan 𝑧 = , maka
𝜎
𝑏
1 2 /2
𝑃 (𝑎 ≤ 𝑋 ≤ 𝑏 ) = ∫ 𝑒 −𝑧 𝑑𝑧
√2𝜋
𝑎

Tidak mungkin untuk mengevaluasi integral ini dengan menggunakan fungsi-

fungsi dasar; integral tersebut hanya dapat dievaluasi secara numerik. Ada
tabel untuk distribusi normal dengan parameter 𝜇 = 0 dan 𝜎 = 1 yang
mencantumkan nilai untuk
𝑥
1 2 /2
𝐹 (𝑥 ) = 𝑃 (𝑋 ≤ 𝑥 ) = ∫ 𝑒 −𝑧 𝑑𝑧
√2𝜋
−∞

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

Pada tabel mencantumkan nilai untuk

𝑧
1 2 /2
𝐹 (𝑧 ) = ∫ 𝑒 −𝑢 𝑑𝑢
√2𝜋
−∞

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.

Kita menafsirkan 𝐹 (𝑧) sebagai peluang bahwa observasi berada di

sebelah kiri 𝑧. Misalnya, ketika 𝑧 = 1, 𝐹 (1) = 0.8413 (Lihat Lampiran hal 22), dan
kita katakan bahwa peluang pengamatan memiliki nilai kurang dari atau
sama dengan 1 adalah 0.8413. Dengan kata lain, 84.13% populasi memiliki
nilai kurang dari atau sama dengan 1. Seperti yang dapat dilihat, tabel tidak
menyediakan entri untuk nilai negatif 𝑧. Untuk menghitung nilai-nilai tersebut,
kita ambil keuntungan dari sifat simetri fungsi kerapatan. Misalnya, kita
melihat dari grafik fungsi bahwa area di sebelah kiri −1 sama dengan area di
sebelah kanan 1. Perhatikan Gambar 14.9. Jadi, jika kita ingin menghitung
𝐹 (−1), kita tulis
 13
−1 ∞
1 𝑢2 1 𝑢2
𝐹 (−1) = ∫ 𝑒− 2 𝑑𝑢 = ∫ 𝑒 − 2 𝑑𝑢
√2𝜋 √2𝜋
−∞ 1
∞ 1
1 −𝑢2 /2
1 2 /2
= ∫ 𝑒 𝑑𝑢 − ∫ 𝑒 −𝑢 𝑑𝑢
√2𝜋 √2𝜋
−∞ −∞

= 1 − 𝐹 (1)
= 1 − 0.8413
= 0.1587

Di sini, digunakan fakta bahwa total area sama dengan 1.

Gambar 14.9 Luas wilayah yang diarsir 𝑭(−𝟏) sama dengan luas wilayah yang diarsir
𝟏 − 𝑭(𝟏)

Kita dapat menggunakan tabel untuk menghitung area di bawah grafik

kerapatan normal dengan mean μ dan deviasi standar σ. Dengan demikian,
untuk menemukan nilai
𝑏
1 2 /2𝜎2
𝑃 (𝑎 ≤ 𝑋 ≤ 𝑏 ) = ∫ 𝑒 −(𝑥−𝜇) 𝑑𝑥
𝜎√2𝜋
𝑎

dengan −∞ < 𝑎 < 𝑏 < ∞, kita substitusi

𝑥−𝜇 𝑑𝑢 1
𝑢= dengan =
𝜎 𝑑𝑥 𝜎
Sehingga menjadi
 14
𝑏 (𝑏−𝜇)/𝜎
1 2 /2𝜎2 1 2 /2
𝑃 (𝑎 ≤ 𝑋 ≤ 𝑏 ) = ∫ 𝑒 −(𝑥−𝜇) 𝑑𝑥 = ∫ 𝑒 −𝑢 𝑑𝑢
𝜎√2𝜋 √2𝜋
𝑎 (𝑎−𝜇)/𝜎

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

Jika kita menghitung integral tersebut tidaklah mudah, maka kita

gunakan transformasi
𝑥−𝜇 𝑥−3
𝑢= =
𝜎 2
Sehingga diperoleh
2−3 1
Ketika x = 2, 𝑢= =−
2 2
5−3
Ketika x = 5, 𝑢= =1
2
Oleh karena itu, area di bawah kerapatan normal dengan rerata 3 dan
deviasi standar 2 antara 2 dan 5 adalah sama dengan daerah di
bawah kerapatan normal standar antara −1/2 dan 1. Oleh karena itu,
integral dalam (4) sama dengan
1 1 −1/2
1 2 /2 1 2 /2 1 2 /2
∫ 𝑒 −𝑢 𝑑𝑢 = ∫ 𝑒 −𝑢 𝑑𝑢 − ∫ 𝑒 −𝑢 𝑑𝑢
√2𝜋 √2𝜋 √2𝜋
−1/2 −∞ −∞

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

distribusi normal pada Lampiran hal 22.

Gambar 14.11 Area pada Contoh 4

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.

Gambar 14.12. Area pada contoh 5

 17
Area ini dapat dicari dengan mengurangkan area sebelah kiri ordinat
𝑧 = −0.5 dari seluruh luas bagian kiri 𝑧 = 1.2. Dengan menggunakan
Tabel Distribusi Normal (Lampiran hal 22), diperoleh
45 − 50 𝑋 − 𝜇 62 − 50
𝑃(45 < 𝑋 < 62) = 𝑃 ( < < )
10 𝜎 10
= 𝑃(−0.5 < 𝑍 < 1.2)
= 𝑃(𝑍 < 1.2) − 𝑃 (𝑍 < −0.5)
= 𝑃(𝑍 < 1.2) − [1 − 𝑃(𝑍 < 0.5)]
= 0.8849 − 1 + 0.6915
= 0.5764 ∎

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

Gambar 14.13.Area pada contoh 6

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

kemudian mencari area di sebelah kiri 𝑧 dari Tabel Distribusi Normal

(Lampiran Hal 22), dan kemudian cari selisih area ini dengan 1. Diperoleh
362 − 300
𝑧= = 1.24
50
Sehingga
𝑃 (𝑋 > 362) = 𝑃 (𝑍 > 1.24) = 1 − 𝑃(𝑍 < 1.24) = 1 − 0.8925 = 0.1075 ∎
 18
RANGKUMAN

Kontinu
Fungsi 𝑃 (𝑎 < 𝑋 ≤ 𝑏 ) = 𝑃 (𝑎 ≤ 𝑋 ≤ 𝑏 ) = 𝑃 ( 𝑎 < 𝑋 < 𝑏 ) = 𝑃 (𝑎 ≤ 𝑋 < 𝑏 )
Kerapatan 𝑏

Peluang = ∫ 𝑓(𝑥 )𝑑𝑥

𝑎

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→∞

3. 𝐹(𝑥) adalah fungsi tak-turun dan kontinu.

∞
Nilai Harapan
𝐸 (𝑋) = ∫ 𝑥 𝑓(𝑥) 𝑑𝑥
(Mean) dari
−∞
Variabel Acak ∞

𝐸 (𝑋2 ) = ∫ 𝑥 2 𝑓(𝑥) 𝑑𝑥
−∞
∞

𝐸 [𝑔(𝑋)] = ∫ 𝑔(𝑥) 𝑓(𝑥) 𝑑𝑥

−∞
∞
Variansi dari
var(𝑋) = 𝐸 (𝑋 − 𝜇 )2 = ∫ (𝑥 − 𝜇 )2 𝑓(𝑥) 𝑑𝑥
Variabel Acak
−∞

∞ ∞ 2

var(𝑋) = 𝐸 (𝑋2 ) − [𝐸 (𝑋)]2 = ∫ 𝑥2 𝑓(𝑥) 𝑑𝑥 − [ ∫ 𝑥 𝑓(𝑥) 𝑑𝑥]

−∞ −∞

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

1. Diberikan fungsi distribusi variabel acak kontinu 𝑋 sebagai berikut

0 untuk 𝑥 ≤ −1
3
𝐹 (𝑥 ) = {(𝑥 + 1)/9 untuk − 1 < 𝑥 < 2
1 untuk 𝑥 ≥ 2
a. Tentukan fungsi kerapatan 𝑓 (𝑥 ) yang sesuai,
b. Gambarkanlah grafik fungsi distribusi 𝐹 (𝑥 ) dan fungsi kerapatan 𝑓 (𝑥 ),
c. Hitunglah 𝑃 (0 < 𝑋 ≤ 1).
2. Diberikan fungsi kerapatan variabel acak kontinu 𝑋 sebagai berikut
−3𝑥
𝑓 (𝑥 ) = { 3𝑒 untuk 𝑥 > 0
0 untuk 𝑥 ≤ 0
a. Tentukan fungsi distribusi 𝐹(𝑥) yang sesuai,
b. Hitunglah 𝑃(𝑋 ≤ 1/3).
3. Permintaan mingguan Coca Cola, dalam ribuan liter, pada suatu jaringan
pemasaran daerah, merupakan variabel acak kontinu 𝑋 dengan fungsi
kerapatan peluang sebagai berikut
2(𝑥 − 1) untuk 1 < 𝑥 < 2
𝑓 (𝑥 ) = {
0 untuk 𝑥 lainnya
a. Tentukan 𝐸(𝑋),
b. Tentukan var(𝑋),
c. Tentukan simpangan baku dari 𝑋.
4. Misalkan 𝑋 menjadi variabel acak kontinu dengan fungsi kerapatan
peluang
𝑥2
𝑓 (𝑥 ) = { 3 untuk − 1 < 𝑥 < 2
0 untuk 𝑥 lainnya
a. Tentukan nilai harapan dari 𝑔(𝑥 ) = 4𝑋 + 3,
b. Tentukan variansi dari 𝑔(𝑥 ) = 4𝑋 + 3.
5. Misalkan 𝑋 terdistribusi normal dengan mean 3 dan simpangan baku 2.
Tentukan
a. 𝑃 (𝑋 ≤ 4),
b. 𝑃 (2 ≤ 𝑋 ≤ 4),
c. 𝑃 (𝑋 > 5),
d. 𝑃 (𝑋 ≤ 0).
 21
6. Suatu jenis baterai mobil rata-rata (mean) berumur 3.0 tahun dengan
simpangan baku 0.5 tahun. Jika dianggap umur baterai berdistribusi
normal, tentukan peluang suatu baterai tertentu akan berumur kurang dari
2.3 tahun?
7. Suatu perusahaan listrik menghasilkan bila lampu yang umurnya
berdistribusi normal dengan rata-rata (mean) 800 jam dan simpangan baku
40 jam. Hitunglah peluang suatu bola lampu dapat menyala antara 778
dan 834 jam.
8. Suatu mesin membuat alat tahanan listrik dengan rata-rata (mean)
tahanan 40 ohm dan simpangan baku 2 ohm. Misalkan bahwa tahanan
berdistribusi normal dan dapat diukur sampai derajat ketelitian yang
diinginkan. Berapa persentase alat yang mempunyai tahanan melebihi 43
ohm?
 22
1 2 /2𝜎 2
Lampiran Tabel Distribusi Normal 𝑛(𝑥; 𝜇, 𝜎 ) = 𝜎 𝑒 −(𝑥−𝜇)
√ 2𝜋
 23
DAFTAR PUSTAKA

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.