7.

5 Perkiraan normal untuk distribusi binomial

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.

Misalkan 𝑌 memiliki distribusi binomial dengan 𝑛 percobaan dan probabilitas sukses

pada salah satu percobaan yang dilambangkan dengan 𝑝. Jika kita ingin mencari 𝑃 (𝑌 ≤ 𝑏),
kita bisa menggunakan binomial fungsi probabilitas untuk menghitung 𝑃 (𝑌 = 𝑦) untuk
setiap tidak ada 𝑛 bilangan bulat negatif kurang dari atau sama dengan 𝑏 dan kemudian
menjumlahkan probabilitas ini. Tabel tersedia untuk beberapa nilai ukuran sampel 𝑛, tetapi
perhitungan langsung tidak praktis untuk nilai besar 𝑛 yang tabelnya mungkin tidak tersedia.
Alternatifnya, kita dapat melihat 𝑌, jumlah keberhasilan dalam percobaan 𝑛, sebagai jumlah
dari sampel yang terdiri dari 0𝑠 dan 1𝑠; itu adalah,

𝑌 = ∑ 𝑋𝑖
𝑖=1

Dimana

1, jika uji coba ke i membuahkan hasil,

𝑋𝑖 = {
0, lainnya

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:

Misalkan Y menunjukkan jumlah pemilih di kantor polisi 1 yang memilih calon 𝐴.

Kita harus memperkirakan 𝑃 (𝑌 / 𝑛 ≥ .55) jika p adalah probabilitas bahwa pemilih yang
dipilih secara acak dari kantor polisi 1 mendukung calon 𝐴. Jika kita memikirkan tentang
𝑛 = 100 pemilih di kantor polisi 1 sebagai sampel acak dari kota, maka 𝑌 berdistribusi
binomial dengan 𝑛 = 100 dan 𝑝 = 0,5. Kita telah melihat bahwa sebagian kecil pemilih
yang mendukung calon 𝐴.
𝑛
𝑌 1
= ∑ 𝑋𝑖 = 𝑋̅
𝑛 𝑛
𝑖=1

dimana 𝑋𝑖 = 1 jika pemilih memilih kandidat 𝐴 dan 𝑋𝑖 = 0 jika tidak.

Karena itu wajar untuk menganggap bahwa 𝑋𝑖 , 𝑖 = 1,2, . . . , 𝑛 independen, batas

tengah teorema menyiratkan bahwa 𝑋 = 𝑌 / 𝑛 distribusi yang mendekati normal dengan
mean 𝑝 = 0,5 dan varians 𝑝𝑞 / 𝑛 = (.5) (. 5) /100 = .0025. Karena

𝑌 𝑌/𝑛 − .5 . 55 − .50
𝑃 ( ≥ .55) = 𝑃 ( ≥ ) ≈ 𝑃 (𝑍 ≥ 1) = .1587
𝑛 √. 0025 0.5

Dari Table 4, Appendix 3.

 Perkiraan normal untuk probabilitas binomial bekerja dengan baik bahkan untuk 𝑛
yang cukup besar selama 𝑝 tidak mendekati nol atau satu. Aturan praktis yang berguna adalah
bahwa perkiraan normal untuk distribusi binomial adalah tepat jika 𝑝 ± 3√𝑝𝑞/𝑛 terletak
pada interval (0, 1) yaitu, jika

0 < 𝑝 − 3√𝑝𝑞/𝑛 dan 𝑝 + 3√𝑝𝑞/𝑛 < 1

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.

Jika kita ingin mencari 𝑃 (𝑌 ≤ 3) dengan menggunakan distribusi binomial, kita

dapat mencari luas total pada empat persegi panjang (di atas 0, 1, 2, dan 3) yang
diilustrasikan dalam histogram binomial (Gambar 𝟕. 𝟖). Perhatikan bahwa luas total dalam
persegi panjang dapat didekati dengan luas di bawah kurva normal. Area di bawah kurva
mencakup beberapa area yang tidak ada dalam histogram dan tidak termasuk bagian
histogram yang terletak di atas kurva. Jika kita ingin memperkirakan 𝑃 (𝑌 ≤ 3) dengan
menghitung luas di bawah fungsi kepadatan, luas di bawah fungsi kepadatan di sebelah kiri
3,5 memberikan perkiraan yang lebih baik daripada luas di sebelah kiri 3.0. Contoh berikut
menggambarkan seberapa dekat perkiraan normal untuk kasus di mana beberapa probabilitas
binomial yang tepat dapat ditemukan.
 Gambar 𝟕. 𝟖

Perkiraan normal untuk distribusi binomial: 𝑛 =

10 dan 𝑝 = 0,5

Contoh 7.1.1

Misalkan 𝑌 memiliki distribusi binomial dengan 𝑛 = 25 dan 𝑝 = .4. Temukan probabilitas

yang tepat bahwa 𝑌 ≤ 8 dan 𝑌 = 8 dan bandingkan ini dengan nilai-nilai terkait yang
ditemukan dengan menggunakan pendekatan normal.

Jawab:

Dari Table 1, Appendix 3. Kita dapatkan

𝑃(𝑌 ≤ 8) = .274

Dan

𝑃(𝑌 = 8) = 𝑃(𝑌 ≤ 8) − 𝑃(𝑌 ≤ 7) = .274 − .154 = .120

Seperti yang dinyatakan sebelumnya, kita dapat menganggap 𝑌 memiliki distribusi

2
yang kira-kira sama dengan 𝑊, di mana 𝑊 terdistribusi normal dengan 𝜇𝑊 = 𝑛𝑝 dan 𝜎𝑊 =
𝑛𝑝 (1 − 𝑝). Karena kita menginginkan 𝑃 (𝑌 ≤ 8), kita lihat di area kurva normal di sebelah
kiri 8.5. Jadi,

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).

Karena Y memiliki distribusi yang kira-kira sama dengan W, di mana W berdistribusi

2
normal dengan 𝜇𝑊 = 𝑛𝑝 = 25 (.4) = 10 dan 𝜎𝑊 = 𝑛𝑝 (1 − 𝑝) = 25 (.4) (. 6) = 6,
itu berikut bahwa.

𝑃(𝑌 = 8) ≈ 𝑃(7.5 ≤ 𝑊 ≤ 8.5)

 7.5 − 10 𝑊 − 10 8.5 − 10
= 𝑃( ≤ ≤
)
√6 √6 √6
= 𝑃(−1.02 ≤ 𝑍 ≤ −.61) = .2709 − .1539 = .1170

Gambar 7.9

𝑃 (𝑌 = 8) untuk distribusi binomial

Contoh 7.11

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).