Teorema limit sentral juga dapat digunakan untuk memperkirakan probabilitas untuk
beberapa variabel acak diskrit ketika probabilitas yang tepat membosankan untuk dihitung.
Salah satu contoh yang berguna melibatkan distribusi binomial untuk nilai-nilai besar dari
jumlah percobaan 𝑛.
𝑌 = ∑ 𝑋𝑖
𝑖=1
Dimana
Variabel acak 𝑋𝑖 untuk 𝑖 = 1,2, . . . , 𝑛 tidak tergantung (karena uji coba tidak
bergantung), dan mudah untuk menunjukkan bahwa 𝐸 (𝑋𝑖 ) = 𝑝 dan 𝑉 (𝑋𝑖 ) = 𝑝 (1 − 𝑝 )
untuk 𝑖 = 1,2, . . . , 𝑛. Akibatnya, jika 𝑛 besar, fraksi sampel sukses,
𝑛
𝑌 1
= ∑ 𝑋𝑖 = 𝑋̅
𝑛 𝑛
𝑖=1
memiliki distribusi sampling yang mendekati normal dengan mean 𝐸 (𝑋𝑖 ) = 𝑝 dan
varians 𝑉 (𝑋𝑖 ) / 𝑛 = 𝑝 (1 − 𝑝) / 𝑛.
Jadi, kami telah menggunakan Teorema 𝟕. 𝟒 (teorema batas pusat) untuk menetapkan
bahwa jika 𝑌 adalah variabel acak binomial dengan parameter 𝑛 dan 𝑝 dan jika 𝑛 besar, maka
𝑌 / 𝑛 memiliki distribusi yang kira-kira sama dengan 𝑈, di mana 𝑈 berdistribusi normal
dengan mean 𝜇𝑈 = 𝑝 dan varians 𝜎𝑈2 = 𝑝 (1 − 𝑝) / 𝑛. Dengan kata lain, untuk 𝑛 besar,
kita dapat menganggap 𝑌 memiliki distribusi yang kira-kira sama dengan 𝑊, di mana 𝑊
2
terdistribusi normal dengan mean 𝜇𝑊 = 𝑛𝑝 dan varians 𝜎𝑊 = 𝑛𝑝 (1 − 𝑝)
Contoh 7.10
Kandidat 𝐴 percaya bahwa dia dapat memenangkan pemilihan kota jika dia dapat
memperoleh setidaknya 55% suara di area 1. Dia juga percaya bahwa sekitar 50% pemilih
kota mendukungnya. Jika 𝑛 = 100 pemilih muncul untuk memberikan suara di kantor polisi
1, Berapa probabilitas kandidat 𝐴 akan menerima setidaknya 55% suara mereka?
Jawab:
𝑌 𝑌/𝑛 − .5 . 55 − .50
𝑃 ( ≥ .55) = 𝑃 ( ≥ ) ≈ 𝑃 (𝑍 ≥ 1) = .1587
𝑛 √. 0025 0.5
dalam Exercise 𝟕. 𝟕𝟎, Anda akan menunjukkan bahwa kriteria yang lebih sesuai
tetapi ekivalen adalah bahwa perkiraan normal memadai jika
𝑙𝑎𝑟𝑔𝑒 𝑜𝑓 𝑝 𝑎𝑛𝑑 𝑞
𝑛 > 9( )
𝑠𝑚𝑎𝑙𝑙𝑒𝑟 𝑜𝑓 𝑝 𝑎𝑛𝑑 𝑞
Seperti yang akan Anda lihat pada Exercise 7.71, untuk beberapa nilai 𝑝, kriteria ini
terkadang dipenuhi untuk nilai 𝑛 yang moderat. Khusus untuk nilai 𝑛 moderat, peningkatan
substansial dalam pendekatan dapat dilakukan dengan sedikit penyesuaian pada batas-batas
yang digunakan dalam perhitungan. Jika kita melihat pada segmen distribusi binomial yang
digambarkan pada Gambar 𝟕. 𝟖, kita dapat melihat apa yang terjadi ketika kita mencoba
untuk mendekati distribusi diskrit yang diwakili oleh histogram dengan fungsi kerapatan
kontinu.
Contoh 7.1.1
Jawab:
𝑃(𝑌 ≤ 8) = .274
Dan
𝑊 − 𝑛𝑝 8.5 − 10
𝑃 (𝑌 ≤ 8) ≈ 𝑃(𝑊 ≤ 8.5) = 𝑃 [ ≤ ]
√𝑛𝑝(1 − 𝑝) √25(. 4)(. 6)
= 𝑃 (𝑍 ≤ −.61) = .2709
Dari Table 1, Appendix 3.Nilai perkiraan ini mendekati nilai eksak untuk 𝑃 (𝑌 ≤
8) = .274, yang diperoleh dari tabel binomial.
Untuk mencari pendekatan normal terhadap probabilitas binomial 𝑝 (8), kita akan
menemukan area di bawah kurva normal antara titik 7.5 dan 8.5 karena ini adalah interval
yang termasuk dalam batang histogram overy = 8 (lihat Gambar 𝟕. 𝟗).
Gambar 7.9
Sekali lagi, kita melihat bahwa nilai perkiraan ini sangat dekat dengan nilai
sebenarnya, 𝑃 (𝑌 = 8) =. 120, dihitung sebelumnya.
Pada contoh di atas, kami menggunakan area di bawah kurva normal untuk mendekati
𝑃 (𝑌 ≤ 8) dan 𝑃 (𝑌 = 8) ketika Y memiliki distribusi binomial dengan 𝑛 = 25 dan 𝑝 =
.4. Untuk meningkatkan pendekatan, 0,5 ditambahkan ke nilai bunga terbesar (8) saat kami
menggunakan pendekatan 𝑃 (𝑌 ≤ 8) ≈ 𝑃 (𝑊 ≤ 8,5) dan W memiliki distribusi normal
yang sesuai. Seandainya kami tertarik untuk mendekati 𝑃 (𝑌 ≥ 6), kami akan menggunakan
𝑃 (𝑌 ≥ 6) ≈ 𝑃 (𝑊 ≥ 5.5); yaitu, kita akan mengurangi 0,5 dari nilai bunga terkecil (6). 0,5
yang kita tambahkan ke nilai bunga terbesar (membuatnya sedikit lebih besar) dan
dikurangkan dari nilai bunga terkecil (membuatnya sedikit lebih kecil) biasanya disebut
koreksi kontinuitas yang terkait dengan perkiraan normal. Satu-satunya saat koreksi
kontinuitas ini digunakan dalam teks ini adalah saat kita memperkirakan distribusi binomial
(diskrit) dengan distribusi normal (kontinu).