Anda di halaman 1dari 18

Metode Statistika

Bab VI
Variabel Random
Seringkali suatu peristiwa/ titik sampel tidak berbentuk angka atau hanya keterangan
rinci suatu titik sampel
Contoh :
• Pada pelemparan sebuah mata uang logam 3 kali berturut-turut, maka
kemungkinan hasil dari percobaan tersebut adalah :
⎧ MMM MMB MBB BBB ⎫
⎪ ⎪
S=⎨ MBM BMB ⎬
⎪ ⎪
⎩ BMM BBM ⎭
• Dari 100 nasabah yang meminjam uang di sebuah Koperasi ternyata ada
beberapa yang kreditnya macet. Kemungkinan hasilnya adalah kredit macet dan
tidak macet (lancar)

Sedangkan informasi yang lebih berarti dan kita perlukan adalah informasi numeriknya
saja, maka kita perlu mendefinisikannya. Pendefinisian inilah yang disebut variabel
random.

Variabel random adalah cara pemberian nilai atau angka (fungsi real) untuk setiap
elemen pada ruang sampel.
X :S → R  
X disebut variabel random X
Untuk contoh di atas, kita dapat mendefinisikan :
• Misalkan :
X adalah jumlah sisi Belakang (B) yang muncul
maka dapat didefinisikan suatu fungsi real sbb:
⎧0 , Jika sisi B tidak muncul
⎪1 , Jika sisi B muncul sekali

X=⎨
⎪2 , Jika sisi B muncul 2 kali
⎪⎩ 3 , Jika sisi B muncul 3 kali

• Y adalah kredit tidak macet/ lancar


maka dapat didefinisikan suatu fungsi real sbb:
⎧0 , Jika kredit macet
Y= ⎨
⎩1 , Jika kredit lancar

Moh. Farhan Qudratullah, M.Si F SAINTEK UIN Sunan Kalijaga


Metode Statistika
 

Variabel Random ada 2 jenis, yaitu:


1. Variabel Random Diskrit
Î adalah variabel random yang titik sampelnya berhingga/ dapat dihitung (titik
sampelnya diskrit)
Contoh :
- 2 contoh di atas
- X1 : Jumlah mahasiswa perangkatan
- X2 : Jumlah pengunjung toko setiap harinya
- dll

2. Variabel Random Kontinu


Î adalah variabel random yang titik sampelnya tidak berhingga/ tidak dapat
dihitung (titik sampelnya kontinu)
Contoh :
- X : IPK mahasiswa SAINTEK
- Y : Berat badan Balita (Kg) pada sebuah Posyandu
- Z : Diameter sebuah pohon (cm)
- dll

Distribusi Probabilitas :
Î Prinsipnya sama dengan distribusi frekuensi, khususnya distribusi frekuensi relatif
Berdasarkan jenis variabel randomnya. Distribusi probabilitas ada 2, yaitu : distribusi
robabilitas variabel random diskrit dan distribusi variabel random kontinu.

Contoh :
1. Lihat kembali contoh pelemparan sebuah mata uang logam 3 kali berturut-turut.
Dan didefinisikan variabel random X : banyaknya sisi belakang (B) yang
muncul.
Dari data di atas dapat disusun tabel distribusi probabiitas X, sbb:

X P(X) Keterangan
0 1/8 Peluang tidak muncul sisi B
1 3/8 Peluang muncul B sekali
2 3/8 Peluang muncul B 2 kali
3 1/8 Peluang muncul B 3 kali

Dari tabel tersebut dapat dibuat histogramnya Î sumbu Y adalah P(X)

Moh. Farhan Qudratullah, M.Si F SAINTEK UIN Sunan Kalijaga


Metode Statistika
 

Kemudian kita dapat menghitung :


a. Peluang B muncul minimal 2 kali
P ( X ≥ 2 ) = P ( X = 2 ) + P ( X = 3)  
3 1 4 1
                            =
+ = =  
8 8 8 2
Jadi peluang B muncul minimal 2 kali adalah ½

b. Peluang B muncul antara 0 dan 3 kali


P ( 0 < X < 3) = P ( X = 1) + P ( X = 2 )  
3 3 6 3
                                  =
+ = =  
8 8 8 4
Jadi peluang B muncul antara 0 dan 3 kali adalah ¾

NB : Bagaimana jika uang logam dilempar 10 atau n kali, nanti kita


pelajari BAB DISTRIBUSI TEORITIS (Binomial)

Latihan :
Pada pelemparan dua buah dadu secara bersamaan, didefinisikan :
Y : Jumlah angka dadu I dan angka dadu II
a. Buatlah tabel dan histogram distribusi frekuensi
b. P ( Y ≥ 5) dan P ( Y < 5)
c. P ( 6 < Y ≤ 9 )

Moh. Farhan Qudratullah, M.Si F SAINTEK UIN Sunan Kalijaga


Metode Statistika
 

2. Dalam suatu persilangan antara 2 tanaman, Mandel mengungkapkan dalam


teorinya bahwa perandingan keturunannya adalah 9 : 3 : 3 : 1
Didefinisikan : X : adalah sifat keturunan

⎧1 , Sifat Bulat dan Merah


⎪2
⎪ , Sifat Bulat dan Putih
X=⎨
⎪3 , Sifat Lonjong dan Merah
⎪⎩ 4 , Sifat Lonjong dan Putih

Berdasarkan informasi diatas, dapat disusun tabel dan histogram distribusi


probabiitas X, sbb:

X P(X)
1 9/16
2 3/16
3 3/16
4 1/16

3. Perhatikan kembali contoh “Distribusi Frekuensi” tentang data nilai UAS


Statistika
Didefinisikan : X adalah titik tengah kelas
Dengan menyamakan/ mengganti frekuensi relatif (bukan dalam bentuk %),
diperoleh distribusi probabilitas dari X
selanjutnya dapat dibuat hisogramnya

NB: bentuk histogramnya tetap sama dengan historam distribusi frekuensi


yang telah kita bahas.

Karena bentuknya sama


Maka distribusi frekuensi dapat menunjukan distribusi probabilitas dari data Î
dalam aplikasi dengan melihat distribusi frekuensi yang ditunjukan oleh
histogram kita dapat menentukan distribusi dari data

Moh. Farhan Qudratullah, M.Si F SAINTEK UIN Sunan Kalijaga


Metode Statistika
 

Sifat distribusi probabilitas :


• Diskrit
a. P ( X = x ) = f ( x ) ≥ 0

b. ∑ P (X = x) = 1
x

• Kontinu
a. f ( x ) ≥ 0

b. ∫ f ( x ) dx = 1
−∞
b
c. P ( a < x < b ) = ∫ f ( x ) dx
a

Distribusi Probabilitas 2 Variabel


Contoh :
Dalam sebuah kantong terdapat 5 buah bola, yaitu 3 bola merah dan 2 bola kuning.
Kemudian dari kantong tersebut diambil 2 bola tanpa pengembalian.
Didefinisikan :
X : banyak bola Merah terambil
Y : banyak bola Kuning terambil
Diperoleh distibusi probabilitasnya
Y
0 1 2 P(X)
0 0 0 3/10 3/10
X 1 0 6/10 0 6/10
2 1/10 0 0 1/10
P(Y) 1/10 6/10 3/10 1

Untuk menentukan distribusi probabilitas diatas, kita dapat mengunakan pohon


keputusan (pohon faktor)

Bagaimana jika permasalahannya kita perluas, misalkan :


• terdapat 8 bola merah dan 10 bola kuning
• Terdapat 5 bola merah, 4 bola kuning, dan 3 bola putih

Î SOLUSI : kita perlu mempelajari distibusi probabilitas teoritis (Hipergeometri)

Moh. Farhan Qudratullah, M.Si F SAINTEK UIN Sunan Kalijaga


Metode Statistika
 

Materi Pengayaan*) :

Nilai Harapan dan Variansi


Jika X adalah variabel random dengan fungsi probabilitas f(x) atau P(x),
maka:
i.) Nilai harapan atau mean dari X (E(X))

⎪ ∑ X f (X) ,bila X diskrit
⎪ x
E (X) = ⎨  
⎪ X f ( X ) dX
⎪⎩ ∫x
,bila X kontinu

Notasi : E ( X ) = μ

ii.) Variansi dari X (Var(X))


Var ( X ) = E ( X 2 ) − ⎡⎣ E ( X ) ⎤⎦  
2


⎪ ∑ X f (X)
2

⎪ x
dimana: E ( X 2 ) = ⎨  
⎪ X f ( X ) dX
⎪⎩ ∫x
2

Notasi : Var ( X ) = σ2
Deviasi standar variabel random X adalah σ = Var ( X )

Sifat-sifat nilai harapan dan variansi :


E ( aX + b ) = a.E ( X ) + b
Var ( aX + b ) = a 2 .Var ( X )
dimana : a, b adalah konstanta

*) Lebih lanjut akan dipelajari sendiri atau di STAT MAT

Moh. Farhan Qudratullah, M.Si F SAINTEK UIN Sunan Kalijaga


Metode Statistika
 

Bab VII
BEBERAPA
DISTRIBUSI PROBABILITAS TEORITIS
(DISKRIT)

Î digunakan sebagai pendekatan untuk menyelesaikan fenomena yang diselidiki.


Distribusi probabilitas teoritis yang akan dibahas adalah distribusi probabilitas uniform,
binomial, hipergeometri, poison, dan normal.
Khusus distribusi normal akan dibahas lebihlanjut dalam bab tersendiri.

1. Distribusi Uniform
Bila setiap elemen dalam variabel random mempunyai peluang yang sama untuk
terpilih.
Fungsi distribusi uniform dapat ditulis:
1
P ( x; k ) =
k
k : banyak anggota dalam variabel random
Contoh :
• Pada pelemparan sebuah koin atau dadu
• Pemilihan seorang mahasiswa secara random
• dll

2. Distribusi Binomial
Syarat :
- percobaan terdiri atas n usaha yang berulang
- tiap usaha memberikan hasil sukses (dengan peluang sebesar p) atau
gagal (dengan peluang sebesar 1-p)
- tiap usaha bersifat independen

Fungsi distribusi probabilitas binomial dapat ditulis:


P ( x; n; p ) = n C x p x (1 − p )  
n−x

dimana :
n : banyak usaha
p : peluang sukses (1-p) : peluang gagal
x : 0,1,2, … , n Î variabel random

Moh. Farhan Qudratullah, M.Si F SAINTEK UIN Sunan Kalijaga


Metode Statistika
 

Contoh :
a. Pelemparan uang logam sebanyak 10 kali
X : Banyaknya sisi muka (M) yang muncul
{0,1,2,3,4,5,6,7,8,9}
karena uang logam diasumsikan seimbang maka p = ½ dan 1-p = ½
sehingga fungsi probabilitasnya :
x 10 − x
⎛ 1⎞ ⎛1⎞ ⎛1⎞
P ⎜ x;10; ⎟ = 10 C x ⎜ ⎟ ⎜ ⎟  
⎝ 2⎠ ⎝2⎠ ⎝2⎠
10
10! ⎛1⎞
 =
(10 − x )!x! ⎜⎝ 2 ⎟⎠
Dengan fungsi probabilitas kita dapat menghitung :
Misalkan :
Peluang muncul M sebanyak 3 kali
10
⎛ 1⎞ 10! ⎛1⎞
P(X = 3) = P ⎜ 3;10; ⎟ = ⎜ ⎟  
⎝ 2 ⎠ (10 − 3) !3! ⎝ 2 ⎠
10
10.9.8.7! ⎛ 1 ⎞
         = ⎜ ⎟ = 0,12
7!3.2.1 ⎝ 2 ⎠
Peluang muncul M minimal 2 kali
P(X ≥ 2) = 1 − P(X < 2) = 1 − {P(X = 0) + P(X = 1)}  
⎧⎪ 10! ⎛1⎞
10
10! ⎛ 1 ⎞
10
⎫⎪
   = 1 − ⎨ ⎜ ⎟ + ⎬ 
⎩⎪ (10 − 0 ) !0! ⎝ 2 ⎠ (10 − 1)!1! ⎜⎝ 2 ⎟⎠ ⎭⎪
   = 1 − {0, 001 + 0, 01}  
   = 1 − 0, 011 = 0,989  

b. Seorang agen asuransi berhasil menjual polis ke-5 orang yang mempunyai
umur dan kondisi kesehatan yang relatif sama. Berdasarkan tabel aktuaria,
probabilitas seseorang pada umur tersebut hidup 30 tahun kedepan adalah
0,8.
Hitunglah :
- Probabilitas ke-5 orang tersebut, semuanya masih hidup
- Probabilitas paling sedikit 1 orang yang masih hidup

PEMBAHASAN :

Moh. Farhan Qudratullah, M.Si F SAINTEK UIN Sunan Kalijaga


Metode Statistika
 

Probabilitas ke-5 orang tersebut, semuanya masih hidup


Didefinisikan : X = banyak klien yang masih hidup
{0,1,2,3,4,5}
n=5 p = 0,8
x=5 1-p = 0,2
sehingga fungsi probabilitasnya :
P ( x;5;0,8 ) = 5 C x ( 0,8 ) ( 0, 2 )
x 5− x
 
5!
( 0,8) ( 0, 2 )  
5− x
 =
x
    
( 5 − x )!x!
Jadi probabilitas semua klien masih hidup adalah:
5!
P(X = 5) = P ( 5;5;0,8 ) = ( 0,8) ( 0, 2 )  
5 5−0

( 5 − 5)!5!
5!
         = ( 0,8) ( 0, 2 ) = ( 0,8) = 0,32768
5 0 5

( 0 )!5!

Probabilitas paling sedikit 1 orang yang masih hidup


P(X ≥ 1) = 1 − P(X < 1)
            = 1 − {P(X = 0)}  
5!
( 0,8) ( 0, 2 )  
5− 0
            = 1 −
0

( 5 − 0 )!0!
            = 1 − ( 0, 2 ) = 1 − 0, 00032 = 0,99968
5

3. Distribusi Hipergeometri
Syarat :
- sampel ukuran n diambil dari N benda
- dalam populasi N, sebanyak k dinamakan sukses dan sisanya (N-k)
dinamakan gagal
- cara pemilihan/ pengambilan tanpa pengembalian

Fungsi probabilitas distribusi hipergeometri dapat ditulis:


⎛ k ⎞⎛ N − k ⎞
⎜ ⎟⎜ ⎟
k Cx N −k Cn − x ⎝ x ⎠⎝ n − x ⎠
P ( x; N; n; k ) = =  
N Cn ⎛N⎞
⎜ ⎟
⎝n⎠
dimana : x : 0,1,2, … ,min(n;k) Î variabel random

Moh. Farhan Qudratullah, M.Si F SAINTEK UIN Sunan Kalijaga


Metode Statistika
 

Contoh :
Dalam sekantong kotak terdapat 6 bola merah dan 4 bola putih, kemudian
diambil 3 buah bola secara berturut-turut.
Didefinisikan :
X : Banyak bola merah yang terambil {0,1,2,3}
N = 10 n=3
k=6 dan N-k = 4
sehingga fungsi probabilitasnya :
⎛ 6 ⎞ ⎛10 − 6 ⎞ ⎛ 6 ⎞ ⎛ 4 ⎞
⎜ ⎟⎜ ⎟ ⎜ ⎟⎜ ⎟
⎝ x ⎠⎝ 3− x ⎠ ⎝ x ⎠⎝3− x ⎠
P(X = x) = P ( x;10;3;6 ) = =
⎛10 ⎞ ⎛10 ⎞
⎜ ⎟ ⎜ ⎟
⎝3⎠ ⎝3⎠
Maka dapat dihitung :
Peluang terambil semuanya bola merah {x = 3}
⎛6⎞⎛ 4 ⎞
⎜ ⎟⎜ ⎟
3 3 − 3⎠
P(X = 3) = P ( 3;10;3;6 ) = ⎝ ⎠ ⎝
⎛10 ⎞
⎜ ⎟
⎝3⎠  
⎛6⎞⎛ 4⎞ 6! 4!
⎜ ⎟⎜ ⎟
   = ⎝ ⎠ ⎝ ⎠ =
3 0 ( 6 − 3)!3! ( 4 − 0 )!4!  
⎛10 ⎞ 10!
⎜ ⎟ (10 − 3)!3!
⎝3⎠
6.5.4.3!
1
                        = 3!3! = = 0,167
10.9.8.7! 6
7!3!
Peluang terambil 2 bola putih
Î 2 bola putih sama artinya 1 bola merah {x=1}
⎛ 6 ⎞ ⎛ 4 ⎞ 6.5! 4.3.2!
⎜ ⎟⎜ ⎟
⎝ 1 ⎠ ⎝ 3 − 1⎠ 5!1! 2!2!
P(X = 1) = P (1;10;3;6 ) = = = 0,3
⎛10 ⎞ 10.9.8.7!
⎜ ⎟ 7!3!
⎝3⎠  

Moh. Farhan Qudratullah, M.Si F SAINTEK UIN Sunan Kalijaga


Metode Statistika
 

Fungsi probabilitas distribusi hipergeometri dapat digunakan untuk


menyelesaikan masalah probabilitas untuk 2 variabel, ditulis:
⎛ k x ⎞ ⎛ k y ⎞⎛ N − k x − k y ⎞
⎜ ⎟ ⎜ ⎟⎜ ⎟
k x Cx k y Cx N −kx −k y Cn − x − y x ⎠ ⎝ y ⎠⎝ n − x − y ⎠
P ( x; y; N; n; k x ; k y ) = = ⎝
N Cn ⎛N⎞
⎜ ⎟
⎝n⎠
Contoh :
Dalam sebuah kantong terdapat 3 bola biru, 2 bola merah, dan 3 bola hijau.
Kemudian diambil 2 bola merah tanpa pengembalian.
Didefinisikan :
X : Kejadian terambil bola biru {0,1,2}
Y : Kejadian terambil bola merah {0,1,2}
kx = 3 ky = 2 N=8 n=2
Jadi fungsi probabilitasnya :
⎛ 3⎞⎛ 2⎞⎛ N − 3− 2⎞ ⎛ 3 ⎞⎛ 2⎞⎛ 8 − 5 ⎞
⎜ ⎟⎜ ⎟⎜ ⎟ ⎜ ⎟⎜ ⎟⎜ ⎟
x y 2 − x − y ⎠ ⎝ x ⎠⎝ y⎠⎝ 2 − x − y⎠
P ( x; y;8; 2;3; 2 ) = ⎝ ⎠ ⎝ ⎠ ⎝ =
⎛8⎞ ⎛8⎞
⎜ ⎟ ⎜ ⎟
⎝ 2⎠ ⎝ 2⎠
Peluang terambil 1 bola biru dan 1 bola merah : x = 1, y =1
⎛ 3⎞ ⎛ 2 ⎞ ⎛ 3 ⎞
⎜ ⎟⎜ ⎟⎜ ⎟
⎝ 1 ⎠ ⎝ 1 ⎠ ⎝ 2 − 1 − 1⎠
P ( x = 1; y = 1) =
⎛8⎞
⎜ ⎟
⎝ 2⎠  
3.2! 2.1!
6.2
              = 2!1! 1!1! = = 0, 214
8.7.6! 8.7
6!2!

Selanjutnya dapat disusun tabel distribusi probabilitas sbb:

Y
0 1 2 P(X)
0
X 1 0,214
2
P(Y)

Moh. Farhan Qudratullah, M.Si F SAINTEK UIN Sunan Kalijaga


Metode Statistika
 

CATATAN :
Jika n cukup kecil di banding N (n/N << 5%)
Distribusi hipergeometri dapat didekati dengan distribusi Binomial, dengan
k
p=
N

Contoh :
Sebuah kotak berisi 4000 bola merah dan 6000 bola putih, diambil secara
random 5 buah bola. Bila X menyatakan banyak boala merah yang terambil,
maka peluang terambil 3 bola merah adalah :
Kasus di atas dapat diselesaikan dengan distribusi probabilitas Hipergeometri
yang fungsi probabiltasnya :
⎛ 4000 ⎞ ⎛ 6000 ⎞
⎜ ⎟⎜ ⎟
⎝ x ⎠⎝ 5 − x ⎠
P(X = x) = P ( x;10000;5; 4000 ) =
⎛ 10000 ⎞
⎜ ⎟
⎝ 5 ⎠
Peluang terambil 3 bola merah adalah :
⎛ 4000 ⎞ ⎛ 6000 ⎞ 4000.3999.3998.3997! 6000.5999.5998!
⎜ ⎟⎜ ⎟
3 ⎠⎝ 5 − 3 ⎠
P(X = 3) = ⎝ = 3997!3! 5998!2! = ....
⎛ 10000 ⎞ 10000.9999.9998.9997.9996.9995!
⎜ ⎟ 9995!5!
⎝ 5 ⎠

Karena n/N = 5/ 10000 = 0,05% <<<< 5%, maka kita dapat menghitungnya
mengunakan pendekatan distribusi Binomial.
k = 4000 ⎫ k
⎬ ⇒ p = = 0, 4
N = 10000 ⎭ N

Sehingga fungsi probabilitasnya :


P ( x;5;0, 4 ) = 5 C x ( 0, 4 ) ( 0, 6 )
x 5− x

Jadi peluang terambil 3 bola merah adalah


5.4.3!
P ( X = 3; ) = ( 0, 4 ) ( 0, 6 ) = 0, 2304  
3 5− 2

2!3!
 
 
 

Moh. Farhan Qudratullah, M.Si F SAINTEK UIN Sunan Kalijaga


Metode Statistika
 

4. Distribusi Poison
Syarat :
- Banyak sukses (mean) terjadi dalam selang waktu/ daerah tertentu, dimana
antara selang waktu/ daerah yang satu dengan yang lainnya saling
independen
- Peluang sukses sebanding dengan panjang selang/ besar daerah dan tidak
tergantung pada banyak sukses diluar selang waktu/ daerah tersebut.
- Peluang terjadinya lebih dari satu sukses dalam selang waktu/ daerah yang
pendek dapat diabaikan

Secara umum, fungsi distribusi Poison ditulis:


e −λ λ x
P(x, λ ) = x = 0,1, 2,...
x!    
Contoh :
Antara jam 10 dan 11 pagi, rata-rata banyaknya telepon yang masuk pada sebuah
kantor tiap menit adalah 2 kali.
Probabilitas bahwa dalam satu menit pada jam tersebut akan terdapat :
- 3 telepon masuk
fungsi probailitasnya adalah :
e −3 3 x
P(X = x) = P(x, 3) =
x!
Jadi probabilitas telepon masuk 3 kali adalah :
e −3 33
P(X = 3) = = 0, 224
3!
- telepon masuk lebih dari sekali
P(X > 1) = 1 − P(X ≤ 1) = 1 − {P(X = 0) + P(X = 1)}
⎧ e −3 30 e −3 31 ⎫
= 1− ⎨ + ⎬ = 1 − {0, 05 + 0,149} = 1 − 0,199 = 0,801
⎩ 0! 1! ⎭

CATATAN :
Pada distribusi Binomial
Jika p cukup kecil sedangkan n cukup besar, distribusi binomial dapat didekati
dengan distribusi Poison, dengan λ = np

Moh. Farhan Qudratullah, M.Si F SAINTEK UIN Sunan Kalijaga


Metode Statistika
 

Contoh :
Suatu proses produksi diketahui mempunyai kemungkinan 2% menghasilkan
produk yang cacat. Jika 100 produk yang diperiksa, maka probabilitas
mendapatkan 2 produk yang cacat adalah :
X : adalah kejadian mendapatkan produk cacat
Distribusi Binomial
p = 2% = 0,02
n = 100
x=2
Fungsi probabilitas Binomialnya:
P ( x;100;0, 02 ) = 100 C x ( 0, 02 ) ( 0,98 )
x 100 − x

P(X = 2) = P ( 2;100;0, 02 ) = 100 C 2 ( 0, 02 ) ( 0,98 )


2 100 − 2

100!
= ( 0, 02 ) ( 0,98) = ...
2 98

(100 − 2 )!2!
Untuk menyelesaikannya akan lebih mudah dengan pendekatan distribusi Poison.
λ = np = 100*0, 02 = 2
Fungsi probabilitas Poisonnya:
e −2 2 x
P(X = x) = P(x, 2) =
x!
Jadi probabilitas mendapatkan 2 produk cacat adalah :
e −2 2 2
P(X = 2) = = 0, 271
2!

Ingat !

Jika p cukup kecil dan n


cukup besar

Distibusi Distibusi Distibusi


Hipergeometri Binomial Poison

Jika n cukup kecil di


banding N (n/N << 5%)

Moh. Farhan Qudratullah, M.Si F SAINTEK UIN Sunan Kalijaga


Metode Statistika
 

Bab VIII
DISTRIBUSI NORMAL
Distribusi normal termasuk dalam distribusi peluang variabel random kontinu yang
paling sering digunakan dalam baik secara teoritis maupun terapan dalam analisis
statistik. Banyak data dalam analisisnya memerlukan asumsi normalitas sehingga sangat
perlu untuk kita memahami distribusi normal.
Fungsi probabilitas distribusi normal suatu variabel random X mean μ   dan variansi σ 2 :
1
( X −μ )2
f ( X | μ, σ )= 1 −
2 2 σ2
e
2πσ 2
dimana: −∞ < X < ∞ −∞ < μ < ∞ σ2 > 0
π = 3,14     e = 2, 718  
Fungsi probabilitas dengan mean μ     dan variansi σ 2   atau biasa ditulis X ~ N(μ, σ 2 )
dapat disajikan dalam grafik, sbb :

Pada kenyataan nilai mean μ    dan variansi σ 2 sangat beragam, untuk keseragaman dan
kemudahan kita dapat mentranformasi distribusi normal tersebut kedalam distribusi
normal standar (distribusi normal dengan mean 0  dan variansi 1  atau ditulis X ~ N(0,1) :
Bentuk transformasinya adalah :
X −μ
Z= ~ N(0,1)
σ
Dan dalam menyelesaikan soal, kita dapat langsung mengunakan tabel distribusi normal
standar.

Latihan 1: Membaca Tabel Normal


1. P(0 ≤ Z ≤ 1, 25) = 4. P(Z ≥ 1, 25) =
2. P(−1, 25 ≤ Z ≤ 0) = 5. P(Z ≤ −1, 25) =
3. P(−0, 25 ≤ Z ≤ 1, 25) = 6. P(0,5 ≤ Z ≤ 1, 25) =

Moh. Farhan Qudratullah, M.Si F SAINTEK UIN Sunan Kalijaga


Metode Statistika
 

Pembahasan :
(Siapkan Tabel Normal Standar)

Moh. Farhan Qudratullah, M.Si F SAINTEK UIN Sunan Kalijaga


Metode Statistika
 

Ingat :
Jika ada soal dan yang diketahui nilai mean μ   dan variansi σ 2 dengan nilai tertentu, maka
untuk menyelesaikan Î transormasikan kebentuk normal standar
X−μ
Z=
σ
Latihan 2 :
Sebuah perusahaan melakukan penelitian terhadap accu mobil yang diproduksi nya.
Diperoleh data bahwa rata-rata umur accu yang diproduksinya adalah 60 bulan dengan
standar deviasi 12 bulan.
Berapakah peluang accu produksi perusahaan tersebut:
a. berumur 60 sampai 76 bulan
b. berumur 68 sampai 84 bulan
c. berumur 37 sampai 60 bulan
d. berumur 29 sampai 95 bulan
e. berumur lebih dari 90 bulan
f. berumur kurang dari 77 bulan

Pembahasan :
Didefinisikan : X = umur accu
jadi :
a. P(60 ≤ X ≤ 76) =

b. P(68 ≤ X ≤ 84) =

Moh. Farhan Qudratullah, M.Si F SAINTEK UIN Sunan Kalijaga


Metode Statistika
 

c. P(37 ≤ X ≤ 60) =

d. P(29 ≤ X ≤ 95) =

e. P(X > 90) =

f. P(X < 77) =

Moh. Farhan Qudratullah, M.Si F SAINTEK UIN Sunan Kalijaga