Pertemuan 14.

EKSPEKTASI DAN VARIANSI

A. EKSPEKTASI

Definisi 15.1.

Misalkan 𝑥 variabel random dengan fungsi peluang 𝑓(𝑥) . Ekspektasi 𝑋

ditulis 𝐸(𝑋) didefinisikan sebagai

∑ 𝑥 ∙ 𝑓(𝑥) , untuk X diskrit

𝑥
𝐸(𝑋) =

∫ 𝑥𝑓(𝑥) 𝑑𝑥, jika X kontinu

{

Catatan :

Ekspektasi juga disebut sebagai nilai harapan atau harapan matematis.

Contoh 16.1.

Pada percobaan melempar 2 uang logam sebanyak satu kali, jika 𝑋

menyatakan banyaknya angka yang muncul, tentukan Ekspektasi 𝑋.

Penyelesaian:

Fungsi distribusi peluang 𝑋:

𝑥 0 1 2
𝑓(𝑥) 1 2 1
4 4 4

106
𝐸(𝑋) = ∑ 𝑥𝑓(𝑥)
𝑥

1 2 1
= 0( ) + 1( ) + 2( )
4 4 4

=1

Contoh 15.2.

Misalkan X menyatakan umur sejenis bola lampu (dalam ukuran jam)

dengan fungsi peluang

20.000
3
, 𝑗𝑖𝑘𝑎 𝑥 > 100
𝑓(𝑥) = { 𝑥
0, 𝑗𝑖𝑘𝑎 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛

Hitung harapan umur jenis lampu tersebut.

Penyelesaian:

∞
20.000
𝐸(𝑋) = ∫ 𝑥 𝑑𝑥 = 200
100 𝑥3

Jadi bola lampu tersebut dapat diharapkan rata-rata berumur 200 jam.

Contoh 15.3.

Tentukan harapan banyaknya matematikawan dalam suatu kepanitiaan

yaitu 3 orang yang dipilih secara acak dari 4 matematikawan dan 3
fisikawan.

107
Penyelesaian:

Misalkan 𝑋 menyatakan banyaknya matematikawan dalam kepanitiaan,

maka distribusi peluang 𝑋 dicari sebagai berikut:

𝑛(𝑆) = 𝐶37 = 35

𝐶04 𝐶33 1
𝑋 = 0 ⇒ 𝑓(0) = =
𝑛(𝑆) 35

𝐶14 𝐶23 12
𝑋 = 1 ⇒ 𝑓(1) = =
𝑛(𝑆) 35

𝐶24 𝐶13 18
𝑋 = 2 ⇒ 𝑓(2) = =
𝑛(𝑆) 35

𝐶34 𝐶03 4
𝑋 = 3 ⇒ 𝑓(3) = =
𝑛(𝑆) 35

𝒙 0 1 2 3
𝑓(𝑥) 1 12 18 4
35 35 35 35
Maka

𝐸(𝑋) = ∑ 𝑥𝑓(𝑥)
𝑥

1 12 18 4
= 0( ) +1( ) + 2( ) + 3( )
35 35 35 35

12 36 12
= 0+ + +
35 35 35

60 12
= =
35 7

108
 12
Jadi harapan matematikawan dalam kepanitian adalah .
7

Teorema 15.1.

Misalkan 𝑋 variabel random dengan fungsi distribusi peluang 𝑓(𝑥) .

Ekspektasi fungsi 𝑔(𝑥) adalah

𝐸[𝑔(𝑥)] = ∑ 𝑔(𝑥)𝑓(𝑥) , jika X diskrit

𝑥

∞
𝐸[𝑔(𝑥)] = ∫ 𝑔(𝑥)𝑓(𝑥) , jika X kontinu
−∞

Contoh 15.4

Misalkan 𝑋 menyatakan jumlah mata dadu yang muncul dalam

pelemparan sebuah dadu sebanyak satu kali. Tentukan Ekspektasi 𝑔(𝑥) =
2𝑋 − 1.

Distribusi peluang X

𝑥 0 1 2 3 4 5 6
𝑓(𝑥) 1/6 1/6 1/6 1/6 1/6 1/6 1/6

𝐸[𝑔(𝑥)] = ∑ 𝑔(𝑥)𝑓(𝑥)
𝑥

= ∑ (2𝑥 − 1)𝑓(𝑥)
𝑥

1 1 1 1
= (2 ∙ 0 − 1) + (2 ∙ 1 − 1) + (2 ∙ 2 − 1) + (2 ∙ 3 − 1) +
6 6 6 6

1 1 1
(2 ∙ 4 − 1) + (2 ∙ 5 − 1) + (2 ∙ 6 − 1)
6 6 6

109
 = 6.

Contoh 15.5.

Misalkan X variabel random dengan fungsi densitas peluang

𝑥2
, −1 < 𝑥 < 2
𝑓(𝑥) = 3

{0, 𝑢𝑛𝑡𝑢𝑘 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛

Tentukan ekspektasi 𝑔(𝑥) = 3𝑥 + 1

Penyelesaian:

2
𝑥2 1 2
𝐸[𝑔(𝑥)] = ∫ (3𝑥 + 1) 𝑑𝑥 = ∫ (3𝑥 3 + 𝑥 2 ) 𝑑𝑥
−1 3 3 −1

1 3 4 1 3 2
= [ 𝑥 + 𝑥 ]
3 4 3 −1

1 8 3 1
= [(12 + ) − ( − )]
3 3 4 3

57
=
12

Sifat-sifat Ekspektasi

1. Jika a dan b konstan maka 𝐸(𝑎𝑋 + 𝑏) = 𝑎𝐸(𝑋) + 𝑏

2. Akibat 1, 𝐸(𝑏) = 𝑏 dan 𝐸(𝑎𝑋) = 𝑎𝐸(𝑋)
3. 𝐸[𝑔(𝑋) ± ℎ(𝑋)] = 𝐸[𝑔(𝑋)] ± 𝐸[ℎ(𝑋)]

Bukti sebagai latihan.

110
B. VARIANSI

Definisi 15.2.

Misalkan 𝑋 variabel random dengan rata-rata 𝜇 , maka variansi 𝑋

dituliskan 𝜎 2 atau 𝑉𝐴𝑅(𝑋) didefinisikan 𝑉𝐴𝑅(𝑋) = 𝐸(𝑋 − 𝜇)2.

Teorema

𝑉𝐴𝑅(𝑋) = 𝐸[𝑋 2 ] − 𝜇 2

Bukti:

𝑉𝐴𝑅(𝑋) = 𝐸(𝑋 − 𝜇)2

= 𝐸[𝑋 2 − 2𝑋𝜇 + 𝜇 2 ]

= 𝐸(𝑋 2 ) − 𝐸(2𝑋𝜇) + 𝜇 2

= 𝐸(𝑋 2 ) − 2𝜇𝜇 + 𝜇 2

= 𝐸(𝑋 2 ) − 𝜇 2 ∎

Catatan : 𝜇 juga dapat ditulis sebagai 𝐸[𝑋] dengan mengambil X dari

populasi. Sehingga teorema di atas dapat ditulis 𝑉𝐴𝑅(𝑋) = 𝐸(𝑋 2 ) −
𝐸[𝑋]2

Sifat-sifat Variansi

2
1. 𝑉𝐴𝑅[𝑔(𝑥)] = 𝐸[𝑔(𝑥) − 𝐸[𝑔(𝑥)]]
2. Jika a dan b konstan 𝑉𝐴𝑅 (𝑎𝑋 + 𝑏) = 𝑎2 𝑉𝐴𝑅(𝑋)
3. Akibat 2. 𝑉𝐴𝑅(𝑏) = 0; 𝑉𝐴𝑅(𝑎𝑋) = 𝑎2 𝑉𝐴𝑅(𝑋)

111
Bukti

Akan dibuktikan akibat 2, lainnya sebagai latihan

𝑉𝐴𝑅(𝑏) = 𝐸[𝑏 − 𝐸(𝑏)]2 = 𝐸[𝑏 − 𝑏]2 = 0

𝑉𝑅(𝑎𝑋) = 𝐸[𝑎𝑋 − 𝐸(𝑎𝑋)]2

= 𝐸[𝑎𝑋 − 𝑎𝐸(𝑋)]2

= 𝐸[𝑎2 [𝑋 − 𝐸(𝑋)]]2

= 𝑎2 𝐸[𝑋 − 𝐸(𝑋)]2

= 𝑎2 𝑉𝐴𝑅(𝑋)

Contoh 15.6.

Pada percobaan melempar 2 buah uang logam sebanyak satu kali, jika 𝑋
menyatakan banyaknya angka yang muncul, tentukan variansi 𝑋.

Penyelesaian:

Fungsi distribusi peluang X

𝒙 0 1 2
𝑓(𝑥) 1/4 2/4 1/4

𝐸(𝑋) = ∑ 𝑥𝑓(𝑥)
𝑥

1 2 1
= 0( ) + 1( ) +2( ) = 1
4 4 4

112
𝐸(𝑋 2 ) = ∑ 𝑥 2 𝑓(𝑥)
𝑥

1 2 1 3
= 0 ( ) + 12 ( ) + 22 ( ) =
4 4 4 2

3 1
Jadi 𝑉𝐴𝑅(𝑋) = 2 − 1 = 2

Contoh 15.7.

Hitunglah VARIANSI 𝑋 yang mempunyai fungsi peluang

2(𝑥 − 1), 𝑗𝑖𝑘𝑎 1 < 𝑥 < 2

𝑓(𝑥) = {
0, 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛

Penyelesaian:

Sebagai latihan.

LATIHAN 16.1.

1. Buktikan sifat Ekspektasi dan sifat Variansi

2. Misalkan X variabel random dengan fungsi distribusi peluang

𝑥
, 𝑥 = 1,2,3
6
𝑓(𝑥) = {
0, 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛

Tentukan:

a. E(X)
b. VAR(X)

113
 3. Misalkan X variabel random dengan fungsi peluang

2(1 − 𝑥), 0 < 𝑥 < 1

𝑓(𝑥) = {
0, 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛

Tentukan:

c. E(X)
d. VAR(X)

4. Tentukan 𝐸(𝑋) dan VAR(X) dari distribusi seragam, Geometri,

Hipergeometri, Binomial dan Poisson.
5. Sebuah mata uang logam dilempar 4 kali, tentukan harapan munculnya
Angka.
6. Dalam sebuah kotak terdapat 2 kelereng merah, 3 kelereng putih, dan 1
kelereng hijau, diambil secara acak 2 kelereng dari dalam kotak tersebut.
Tentukan harapan terambilnya kelereng brwarna merah.
7. Suatu variabel random mempunyai Ekspektasi 5 dan Simpangan Baku 2.
Jika 𝑌 = 6𝑋 − 5, tentukan

a. 𝐸(𝑌)
b. 𝑉𝐴𝑅(𝑌)

1
8. Misalkan X variabel random berdistribusi seragam dengan 𝑓(𝑥) = 10 , 𝑥 =

1, 2, 3, … , 10. Tentukan Ekspektasi dan Variansi X.

9. Misalkan X variabel random berdistribusi binomial yang menyatakan
banyaknya sukses dalam n usaha bebas. Misalkan usahanya ada 4, maka
distribusi peluangnya 𝑓(𝑥) = 𝐶𝑥4 𝑝 𝑥 (1 − 𝑝)4−𝑥 , 𝑥 = 0,1,2,3,4 . Tentukan
Ekspektasi dan Variansi X

114
 Pertemuan ke15-16

DISTRIBUSI PELUANG KONTINU

15.1. Distribusi Normal

15.2. Luas di bawah kurva normal

15.3. Hampiran normal terhadap binomial

15. 1. Distribusi Normal

Distribusi peluang kontinu yang sangat penting dalam seluruh bidang statistika.
Grafiknya disebut kurva normal, berbentuk lonceng seperti pada gambar 15.1. Distribusi
normal juga biasa disebut dengan distribusi Gauss.
𝑓(𝑥)

−𝜎 𝜎

𝑋
𝜇
15.1.Kurva Distribusi Normal

Persamaan matematika distribusi peluang peubah acak normal kontinu

bergantung pada dua parameter 𝜇 dan 𝜎, yaitu rata-rata dan simpangan baku. Jadi fungsi
kepadatan peluang 𝑋 akan dinyatakan dengan 𝑛(𝑥; 𝜇; 𝜎).

Definisi 15.1.
Distribusi Normal. Fungsi kepadatan peubah acak normal 𝑋, dengan rata-rata 𝜇
dan variansi 𝜎 2 adalah
1 1 𝑥−𝜇 2
− ( )
𝑛(𝑥; 𝜇; 𝜎) = 𝑒 2 𝜎 ; −∞ < 𝑥 < ∞
√2𝜋𝜎
dengan 𝜋 = 3,14159 … ; 𝑒 = 2,71828 …
Begitu 𝜇 dan 𝜎 diketahui maka seluruh kurva normal bisa diketahui.
Contoh 15.1.

115
 Apabila 𝜇 = 50; 𝜎 = 5 maka ordinat 𝑛(𝑥; 50; 5) dapat dengan mudah dihitung
untuk berbagai nilai 𝑥 dan kurvanya dapat digambarkan.
Perhatikan gambar 15.2. dilukiskan dua buah kurva normal yang mempunyai simpangan
baku yang sama namun rata-rata nya berbeda.

𝜎1 𝜎2

𝜇1 𝜇2 𝑥

Gambar 15.2. Kurva Normal dengan 𝜇1 < 𝜇2 dan 𝜎1 = 𝜎2

Pada gambar 15.3. terlukis dua kurva normal dengan rata-rata sama namun berbeda
simpangan bakunya.

𝜎1

𝜎2

𝜇1 = 𝜇2
Gambar 15.3. Kurva Normal dengan 𝜇1 = 𝜇2 dan𝜎1 < 𝜎2

Gambar 15.4. memperlihatkan kurva normal baik rata-rata maupun simpangan bakunya
berbeda.

𝜎1

𝜎2

𝜇1 𝜇2
Gambar 15.4. Kurva Norma dengan 𝜇1 < 𝜇2 dan 𝜎1 < 𝜎2

Dengan mengamati grafik dan memeriksa turunan pertama dan kedua dari
𝑛(𝑥; 𝜇; 𝜎) dapat diperoleh lima sifat distribusi normal berikut:

116
 1. Modus, titik pada sumbu datar yang memberikan maksimum kurva, terdapat
pada 𝑥 = 𝜇.
2. Kurva setangkup (lonceng simetris) terhadap garis tegak yang melalui rata-
rata 𝜇.
3. Kurva mempunyai titik belok pada 𝑥 = 𝜇 ± 𝜎, cekung dari bawah apabila 𝜇 −
𝜎 < 𝑋 < 𝜇 + 𝜎, dan cekung ke atas untuk harga 𝑥 yang lainnya.
4. Kedua ujung kurva normal mendekati asimtot sumbu datar apabla harga 𝑥
bergerak menjauhi 𝜇 baik ke kiri maupun ke kanan.
5. Seluruh luas di bawah kurva dan di atas sumbu datar sama dengan 1.

Sekarang akan diperlihatkan bahwa parameter 𝜇 dan 𝜎 2 adalah betul rata-rata

dan variansi distribusi normal. Untuk menghitung rata-rata tulislah nilai harapannya
dengan,

∞
1 1 𝑥−𝜇 2
− ( )
𝐸(𝑋) = ∫ 𝑥𝑒 2 𝜎 𝑑𝑥
√2𝜋𝜎
−∞

𝑥−𝜇
dengan mengganti 𝑧 = 𝜎
dan 𝑑𝑥 = 𝜎𝑑𝑧, diperoleh

∞
1 −𝑧2
𝐸(𝑋) = ∫ (𝑥 + 𝜎𝑧)𝑒 2 𝑑𝑧
√2𝜋𝜎
−∞

∞ ∞
1 −𝑧2 𝜎 −𝑧2
=𝜇 ∫𝑒 2 𝑑𝑧 + ∫ 𝑧𝑒 2 𝑑𝑧
√2𝜋 √2𝜋
−∞ −∞

Integral pertama adalah 𝜇 kali luas di bawah kurva normal dengan rata-rata 0 dan
variansi 1, jadi sama dengan 𝜇. Dengan mencari integralnya langsung ataupun dengan
menggunakan fakta bahwa integrannya (fungsi dibelakang tanda integral) adalah fungsi
ganjil, integral keduanya adalah nol. Jadi

𝐸(𝑋) = 𝜇

Variansi distribusi normal diberikan oleh,

117
 ∞
1 1 𝑥−𝜇 2
− ( )
𝐸[(𝑋 − 𝜇)2 ] = ∫ (𝑥 − 𝜇)2 𝑒 2 𝜎 𝑑𝑥
√2𝜋𝜎
−∞

𝑥−𝜇
Sekali lagi ganti 𝑧 = 𝜎
dan 𝑑𝑥 = 𝜎𝑑𝑧, diperoleh

∞
2]
𝜎2 −𝑧2
𝐸[(𝑋 − 𝜇) = ∫ 𝑧2𝑒 2 𝑑𝑧
√2𝜋𝜎
−∞

𝑧2 𝑧2
Integralkan bagian menurut 𝑢 = 𝑧 dan 𝑑𝑣 = 𝑧𝑒 − 2 , sehingga 𝑑𝑢 = 𝑑𝑧 dan 𝑦 = −𝑒 − 2 ,
diperoleh

∞ ∞
𝜎2 −
𝑧2 𝑧2
𝐸[(𝑋 − 𝜇) 2]
= (−𝑧𝑒 2 | + ∫ 𝑒 − 2 ) 𝑑𝑥
√2𝜋𝜎 −∞
−∞

= 𝜎 2 (0 + 1)

= 𝜎2

15. 2. Luas di bawah Kurva Normal

Kurva setiap distribusi peluang kontinu atau fungsi kepadatan dibuat sedemikian
rupa sehingga luas dibawah kurva di antara kedua ordinat 𝑥 = 𝑥1 dan 𝑥 = 𝑥2 , sama
dengan peluang peubah acak 𝑋 mendapat harga Antara 𝑥 = 𝑥1 dan 𝑥 = 𝑥2 . Jadi untuk
kurva normal pada gambar 15.5 dinyatakan dengan luas daerah yang berwarna merah,
dengan
∞ 𝑥2
1 𝑥−𝜇 2
− ( )
𝑃(𝑥1 < 𝑋 < 𝑥2 ) = ∫ 𝑛(𝑥; 𝜇; 𝜎) 𝑑𝑥 = ∫ (𝑥 − 𝜇)2 𝑒 2 𝜎 𝑑𝑥
−∞ −𝑥1

𝑥1 𝜇 𝑥2

Gambar 15.5. 𝑃(𝑥1 < 𝑋 < 𝑥2 ) = luas daerah yang berwarna merah

118
 Pada gambar 15.2, 15.3, dan 15.4. telah ditunjukkan bahwa kurva normal
bergantung pada rata-rata dan simpangan baku. Luas di bawah kurva Antara dua ordinat
sembarang tentu pula bergantung pada harga 𝜇 dan 𝜎. Hal ini jelas terlihat pada gambar
15.6, di sini daerah yang berpadanan dengan 𝑝(𝑥1 < 𝑋 < 𝑥1 ) untuk kedua kurva dengan
rata-rata dan variansi yang berbeda telah diberi warna merah. 𝑝(𝑥1 < 𝑋 < 𝑥1 ), dengan
𝑋 peubah acak yang menyatakan distribusi 𝐼 , dinyatakan dengan daerah yang diarsir
dengan warna hijau. 𝐼𝐼
𝜎2

𝐼 𝜎1

𝜇1 𝑥1 𝑥2 𝜇2
Gambar 15.6. 𝑃(𝑥1 < 𝑋 < 𝑥2 ) untuk kurva normal yang berbeda
Bila 𝑋 menyatakan peubah acak berdistribusi 𝐼𝐼, maka 𝑃(𝑥1 < 𝑋 < 𝑥2 ) diberikan
oleh daerah yang berwarna merah. Jelas bahwa daerah yang diarsir berbeda luasnya, jadi
peluang yang berpadanan dengan masing-masing distribusi tentu akan berbeda pula.

Untuk mengatasi kesulitan dalam menghitung integral fungsi kepadatan distribusi

normal, dibuat tabel luas kurva normal, sehingga memudahkan penggunaannya. Akan
tetapi, tidak akan mungkin membuat tabel yang berlainan dengan setiap harga 𝜇 dan 𝜎.
Untunglah, setiap pengamatan dengan setiap peubah acak normal 𝑋 dapat
ditransformasikan menjadi himpunan pengamatan baru suatu peubah acak normal 𝑍
dengan rata-rata 0 dan variansi 1. Hal ini dapat dikerjakan dengan transformasi

𝑋−𝜇
𝑍=
𝜎

Bilamana 𝑋 mendapat suatu harga 𝑥, harga 𝑍 padanannya diberikan oleh 𝑧 =

𝑥−𝜇
𝜎
. Jadi, bila 𝑋 berharga Antara 𝑥 = 𝑥1 dan 𝑥 = 𝑥2 , maka peubah acak 𝑍 akan berharga

𝑥1 − 𝜇
𝑧1 =
𝜎

dan

𝑥2 − 𝜇
𝑧2 =
𝜎

119
Karena itu dapat ditulis sebagai

𝑥2
1 1 𝑥−𝜇 2
− ( )
𝑃(𝑥1 < 𝑋 < 𝑥2 ) = ∫𝑒 2 𝜎 𝑑𝑥
√2𝜋𝜎
𝑥1

𝑧2
1 𝑧2
= ∫ 𝑒 − 2 𝑑𝑧
√2𝜋𝜎
𝑧1

𝑧2
1
= ∫ 𝑛(𝑧: 0; 1) 𝑑𝑧
√2𝜋𝜎
𝑧1

= 𝑃(𝑧1 < 𝑋 < 𝑧2 )

Dengan 𝑍 terlihat merupakan suatu peubah acak normal dengan rata-rata nol
dan variansi 1.

Definisi 15.2

Distribusi peubah acak normal denga rata-rata nol dan variansi 1 disebut
dengan distribusi normal baku.

Distribusi asli sesudah ditransformasikan pada gambar 15.7. Karena semua harga
𝑋 antara 𝑥1 dan 𝑥2 mempunyai harga 𝑍 yang sama antara 𝑧1 dan 𝑧2 , luas di bawah kurva
𝑋 antara ordinat 𝑥 = 𝑥1 dan 𝑥 = 𝑥2 pada gambar 15.7 sama dengan luas di bawah kurva
𝑍 antara odinat yang telah ditransformasikan menjadi 𝑧 = 𝑧1 dan 𝑧 = 𝑧2 .

𝐼𝐼 𝜎1
𝐼
𝜎1

𝑥1 𝑥2 𝑥 𝑧1 𝑧2 𝜇 𝑧
𝜇

Gambar 15.7. Kurva normal semula dan sesudah ditransformasikan

120
 Sekarang banyaknya tabel kurva normal yang diperlukan telah diperkecil menjadi
satu, yaitu distribusi normal baku yang berpadanan dengan 𝑃(𝑍 < 𝑧) untuk harga 𝑧 dari
−3,4 sampai 3,4. Untuk menjelaskan penggunaan tabel (tabel 4) misalkan akan dicari
peluang bahwa 𝑍 lebih kecil dari 1,74. Pertama sekali lihat pada kolom sebelah kiri 𝑧 yang
sama dengan 1,7, kemudian bergeraklah mendatar sampai kolom di bawah 0,04 dan
menemukan bilangan 0,9591. Jadi 𝑃(𝑍 < 1,74) = 0,9591.

Contoh 15.2.

Apabila diketahui suatu distribusi normal dengan 𝜇 = 50; 𝜎 = 10 , carilah

peluang bahwa 𝑋 diantara 45 dan 62.

Penyelesaian

Nilai 𝑧 yang sama dengan 𝑥1 = 45 dan 𝑥2 = 62 adalah

𝑥1 − 𝜇 45 − 50 −5
𝑧1 = = = = −0,5
𝜎 10 10

𝑥2 − 𝜇 62 − 50 12
𝑧1 = = = = 1,2
𝜎 10 10

Jadi

𝑃(𝑥1 < 𝑋 < 𝑥2 ) = 𝑃(𝑧1 < 𝑍 < 𝑧2 )

= 𝑃(−0,5 < 𝑍 < 1,2)

= 𝑃(𝑍 < 1,2)

− 𝑃(𝑍 < −0,5); dengan menggunakan tabel 4 diperoleh

= 0,8849 − 0,3085

= 0,5765

121
 -0,5 0 1,2

Contoh 15.3.

Suatu jenis baterai mobil rata-rata berumur 3,0 tahun dengan simpangan baku
0,5 tahun. Apabila dianggap umur baterai berdistribusi normal, carilah peluang
suatu baterai tertentu akan berumur kurang dari 2,3 tahun.

Penyelesaian:

Diketahui: 𝜇 = 3,0; 𝜎 = 0,5

Ditanya: 𝑃(𝑋 < 2,3)

Jawab :

𝑥 − 𝜇 2,3 − 3,0 0,7

𝑧= = = = −1,4
𝜎 0,5 0,5

𝑃(𝑋 < 2,3) = 𝑃(𝑍 < −1,4)

= 0,0808

-1,4 0

Contoh 15.4.

122
 Suatu mesin membuat alat tahanan listrik dengan rata-rata tahan 50 ohm dan
simpangan baku 2 ohm. Misalkan bahwa tahanan berdistribusi normal dan dapat
diukur sampai derajad ketelitian yang diinginkan.

15. 3. Hampiran Normal terhadap Binomial

Peluang yang berkaitan dengan percobaan binomial dengan langsung dapat

diperoleh dari rumus distribusi binomial 𝑏(𝑥: 𝑛: 𝑝) atau tabel 2 bila 𝑛 kecil. Bila 𝑛 tidak
terdapat dalam tabel 2, maka peluang binomial akan dihitung dengan cara hampiran.

Berikut akan diberikan suatu teorema yang dimungkinkan penggunaan luas di

bawah kurva normal untuk menghampiri peluang binomial distribusi normal apabila 𝑛
cukup besar.

Teorema 15.1.

Bila 𝑋 peubah acak binomial dengan rata-rata 𝜇 = 𝑛𝑝 dan variansi 𝜎 2 = 𝑛𝑝𝑞

maka bentuk limit distribusi
𝑋 − 𝑛𝑝
𝑍=
√𝑛𝑝𝑞
Bila 𝑛 → ∞ adalah distribusi normal baku 𝑛(𝑧; 0; 1)

Ternyata distribusi normal memberikan hampiran yang amat baik terhadap

1
distribusi binomial bila 𝑛 besar dan 𝑝 dekat dengan . Apabila 𝑛 kecil tapi 𝑝 tidak amat
2

dekat dengan 0 atau 1, hampiran masih cukup baik.

Untuk melihat hampiran normal terhadap distribusi binomial, mula-mula

dilukiskan histogram 𝑏(𝑥; 15; 0,4) dan kemudian meletakkan kurva normal dengan rata-
rata dan variansi yang saran dengan peubah binomial 𝑋 sehingga keduanya saling
tumpang tindih. Untuk itu lukiskan kurva normal dengan

𝜇 = 𝑛𝑝 = (15)(0,4) = 6

123
dan

𝜎 2 = 𝑛𝑝𝑞 = (15)(0,4)(0,6) = 3,6

Histogram 𝑏(𝑥; 15; 0,4) dan kurva normal padanannya, yang seluruhnya telah ditentukan
oleh rata-rata dan variansinya dapat dilihat pada gambar 15.8.

𝜎 = 0,4

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 𝑥

Gambar 15.8. Hampiran kurva normal terhadap 𝑏(𝑥; 15; 0,4)

Peluang yang tepat dari peubah acak binomial 𝑋 mendapatkan suatu nilai 𝑥 tertentu
dengan luas persegi panjang yang dasarnya mempunyai titik tengah 𝑥.

Contoh 15.5

Peluang 𝑋 berharga 4 sama dengan luas persegi panjang dengan dasar yang titik
tengahnya 𝑥 = 4. Dengan menggunakan rumus distribusi binomial, diperoleh
luasnya (berdasar tabel 2)

𝑏(4; 15; 0,4) = 0,1268

Luas ini secara hampiran sama dengan luas daerah yang diberi warna kuning di
bawah kurva normal antara ordinat 𝑥1 = 3,5 dan 𝑥2 = 4,5 pada gambar 15.9.
Jika diubah ke harga 𝑧 maka diperoleh

𝑥1 − 𝜇 3,5 − 6
𝑧1 = = = −1,316
𝜎 1,9

𝑥2 − 𝜇 4,5 − 6
𝑧2 = = = −0,789
𝜎 1,9

124
 Bila 𝑋 peubah acak binomial dan 𝑍 peubah normal baku, berarti

𝑃(𝑋 = 4) = 𝑏(4; 15; 0,4)

≃ 𝑃(−1,316 < 𝑍 < −0,789)

= 𝑃(𝑍 < −0,789) − 𝑃(𝑍 < −1,316)

= 0,2151 − 0,0941

= 0,1210

Hasil ini cukup dekat dengan nilai sesungguhnya sebesar 0,1268.

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 𝑥

Gambar 15.10. Hampiran normal terhadap 𝑏(4; 15; 0,4) dan ∑9𝑥=7 𝑏(𝑥; 15; 0,4)

Hampiran normal paling berguna dalam menghitung jumlah binomial untuk

harga 𝑛 besar, yang akan erupakan pekerjaan yang amat berat apabila tabel jumlah
binomial tidak tersedia.

Kembali pada gambar 15.10., misalkan ingin diketahui peluang bahwa 𝑋

mendapatkan nilai diantara dan termasuk 7 dan 9. Peluang tepat diberikan oleh

𝑃(7 ≤ 𝑋 ≤ 9) = ∑ 𝑏(𝑥15; 0,4)

𝑥=7

9 6

= ∑ 𝑏(𝑥; 15; 0,4) − ∑ 𝑏(𝑥; 15; 0,4)

𝑥=0 𝑥=0

125
 = 0,9662 − 0,6098

= 0,3564

Yang sama dengan luas persegi panjang, masing-masing dengan dasar yang berpusat di
𝑥 = 7, 8 dan 9. Untuk hampiran normal luas tersebut adalah luas daerah yang dihitami
Antara ordinat 𝑥1 = 6,5 dan 𝑥2 = 9,5 pada gambar 15.10. nilai 𝑧 padanannya adalah

6,5 − 6
𝑧1 = = 0,263
1,9

9,5 − 6
𝑧2 = = 1,842
1,9

Gambsr 15.11. Histogram 𝑏(𝑥; 𝑛; 𝑝)

Sekarang

𝑃(7 ≤ 𝑋 ≤ 9) = 𝑃(0,263 < 𝑍 < 1,842)

= 𝑃(𝑍 < 1,842) − 𝑃(𝑍 < 0,263)

= 0,9673 − 0,6037

= 0,3635

Sekali lagi terlihat bahwa kurva normal memberikan hampiran yang cukup dekat dengan
nilai sesungguhnya yaitu 0,3564. Derajad ketelitian yang tergantung pada kecocokan
kurva dengan histogram, akan bertambah bila 𝑛 membesar. Hal ini khususnya benar bila
1
𝑝 tidak terlalu dekat dengan 2
dan histogram tidak lagi berbentuk lonceng simetris.

126
Gambar 15.11 dan 15.12 masing-masing memberikan histogram 𝑏(𝑥; 6; 0,2) dan
𝑏(𝑥; 15; 0,2).

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 𝑥

Gambar 15.12. Histogram 𝑏(𝑥; 15; 0,2)

Terlihat bahwa kecocokan kurva normal dengan histogram akan lebih baik bila = 15
daripada 𝑛 = 6.

Sebagai ringkasan, hampiran normal dipakai untuk menghitung peluang binomial

bila 𝑝 tidak dekat dengan nol atau 1. Hampiran tersebut akan menjadi baik sekali apabila
1
𝑛 besar dan cukup baik untuk 𝑛 yang kecil asal saja 𝑝 cukup dekat dengan 2 . Satu

pegangan lain adalah untuk menentukan apakah hampiran normal masih baik dipakai
diberikan oleh 𝑚𝑝 atau 𝑛𝑞. Bila baik 𝑛𝑝 maupun 𝑛𝑞 lebih besar dari 5 maka hampiran
akan baik.

Contoh 15.6.

Suatu proses menghasilkan sejumlah barang yang 10% cacat. Bila 100 barang
diambil secara acak dari proses tersebut, berapakah peluang bahwa banyaknya
yang cacat melebihi 13?

Penyelesaian:

Banyaknya yang cacat berdistribusi binomial dengan parameter 𝑛 = 10; 𝑝 = 0,1.

Karena ukuran sampel besar maka akan dihampiri dengan menggunakan
distribusi normal untuk memberikan hasil yang cukup teliti.

127
 𝜇 = 𝑛𝑝 = (100)(0,1) = 10

𝜎 = √𝑛𝑝𝑞 = √(100)(0,1)(0,9) = 3,0

Untuk memperoleh peluang yang ditanyakan, haruslah dicari luas sebelah kanan
𝑥 = 13,5. Harga 𝑧 yang berpadanan dengan 13,5 adalah

13,5 − 10
𝑧= = 1,167
3

Dengan peluang bahwa banyaknya yang cacat melebihi 13 diberikan oleh daerah
yang dihitami pada gambar 15.13. Jadi, bila 𝑋 menyatakan banyaknya yang cacat
maka

100

𝑃(𝑋 > 13) = ∑ 𝑏(𝑥; 100; 0,1)

𝑥=14

≃ 𝑃(𝑍 > 1,167)

= 1 − 𝑃(𝑍 < 1,167)

= 1 − 0,8784

= 0,1216

0 1,167
Gambar 15.13. Luas contoh 15.6.

Latihan 15.1

1. Bila diketahui distribusi normal dengan 𝜇 = 40 dan 𝜎 = 6 maka carilah

a. Luas di bawah (lebih kecil dari) 32

128
 b. Luas di atas (lebih besar dari) 27
c. Luas diantara 42 dan 51
d. Luas daerah kurang dari 33 dan diantara 40 dan 45.
2. Diketahui distribusi normal dengan 𝜇 = 200 dan 𝜎 2 = 100 hitunglah
a. Luas di bawah 214
b. Luas di atas 179
c. Luas diantara 188 dan 206
3. Diketahui peubah acak X berdistribusi normal dengan rata-rata 18 dan simpangan
baku 2,5. Hitunglah
a. 𝑃(𝑋 < 15)
b. Nilai 𝑘 sehingga 𝑃(𝑋 < 𝑘) = 0,2578
c. 𝑃(17 < 𝑋 < 21)
d. Nilai 𝑘 sehingga 𝑃(𝑋 > 𝑘) − 0,1539
4. Sebuah perusahaan menggaji pegawainya rata-rata Rp.52.500 per jam dengan
simpangan baku Rp.600. bila gaji beristribusi hampiran normal
a. Berapa persen karyawan yang bergaji Antara, dan termasuk Rp.47.500 dan
Rp.56.500 per jam
b. Di atas berapa rupiah 5% gaji per jam tertinggi?
5. Bila nilai ujian statistika suatu kelas berdistribusi menghampiri normal dengan
rata-rata 74 dan simpangan baku 7,9. Hitunglah
a. Nilai lulus terendah bila mahasiswa dengan 10% terendah mendapatkan nilai
gagal (50)
b. Nilai diantara 80 sampai 90.
6. Sebuah uang logam dilemparkan sebanyak 400 kali. Gunakan hampiran kurva
normal untuk menentukan peluang mendapatkan
a. Antara dan termasuk 185 dan 210 muka
b. Tepat 205 muka
c. Kurang dari 176 atau lebih dari 227 muka
7. Dua buah dadu dilemprkan sebanyak 180 kali. Berapakah peluang mendapatkan
jumlah 7
a. Paling sedikit 15 kali
b. Antara dan termasuk 33 dan 41 kali?

129
c. Tepat 30 kali

130