A. EKSPEKTASI
Definisi 15.1.
Catatan :
Contoh 16.1.
Penyelesaian:
106
𝐸(𝑋) = ∑ 𝑥𝑓(𝑥)
𝑥
1 2 1
= 0( ) + 1( ) + 2( )
4 4 4
=1
Contoh 15.2.
20.000
3
, 𝑗𝑖𝑘𝑎 𝑥 > 100
𝑓(𝑥) = { 𝑥
0, 𝑗𝑖𝑘𝑎 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛
Penyelesaian:
∞
20.000
𝐸(𝑋) = ∫ 𝑥 𝑑𝑥 = 200
100 𝑥3
Jadi bola lampu tersebut dapat diharapkan rata-rata berumur 200 jam.
Contoh 15.3.
107
Penyelesaian:
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.
∞
𝐸[𝑔(𝑥)] = ∫ 𝑔(𝑥)𝑓(𝑥) , jika X kontinu
−∞
Contoh 15.4
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.
𝑥2
, −1 < 𝑥 < 2
𝑓(𝑥) = 3
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
110
B. VARIANSI
Definisi 15.2.
Teorema
𝑉𝐴𝑅(𝑋) = 𝐸[𝑋 2 ] − 𝜇 2
Bukti:
= 𝐸[𝑋 2 − 2𝑋𝜇 + 𝜇 2 ]
= 𝐸(𝑋 2 ) − 𝐸(2𝑋𝜇) + 𝜇 2
= 𝐸(𝑋 2 ) − 2𝜇𝜇 + 𝜇 2
= 𝐸(𝑋 2 ) − 𝜇 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
= 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:
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.
Penyelesaian:
Sebagai latihan.
LATIHAN 16.1.
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
Tentukan:
c. E(X)
d. VAR(X)
a. 𝐸(𝑌)
b. 𝑉𝐴𝑅(𝑌)
1
8. Misalkan X variabel random berdistribusi seragam dengan 𝑓(𝑥) = 10 , 𝑥 =
114
Pertemuan ke15-16
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
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
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.
∞
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
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
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.
𝑋−𝜇
𝑍=
𝜎
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
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
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.
Penyelesaian
𝑥1 − 𝜇 45 − 50 −5
𝑧1 = = = = −0,5
𝜎 10 10
𝑥2 − 𝜇 62 − 50 12
𝑧1 = = = = 1,2
𝜎 10 10
Jadi
= 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:
Jawab :
= 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.
Teorema 15.1.
𝜇 = 𝑛𝑝 = (15)(0,4) = 6
123
dan
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
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)
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
= 0,2151 − 0,0941
= 0,1210
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)
9 6
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
Sekarang
= 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
Terlihat bahwa kecocokan kurva normal dengan histogram akan lebih baik bila = 15
daripada 𝑛 = 6.
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:
127
𝜇 = 𝑛𝑝 = (100)(0,1) = 10
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
= 1 − 0,8784
= 0,1216
0 1,167
Gambar 15.13. Luas contoh 15.6.
Latihan 15.1
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