You are on page 1of 27

MAKALAH STATISTIKA DASAR

PEMAHAMAN TENTANG
DISTRIBUSI NORMAL DAN CONTOH SOAL
BESERTA CARA PENYELESAIANYA





Disusun Oleh :
Nama NIM
Jaman : 10.11.1668
Riawan : 10.11.1669
Wahyu Gugus N : 10.11.1832
Ades Priambodo : 10.11.1707
Alvian : 10.11.1708
Dian : 10.11.1712
Chandra : 10.11.1695
Rizal : 10.11.1700


TEKNIK INFORMATIKA
STMIK AMIKOM PURWOKERTO
2010/2011

KATA PENGANTAR

Distribusi probabilitas pada makalah ini dengan cara mempelajari
probabilitas kontinu yang sangat penting, yaitu Distribusi Probabilitas Normal.
Suatu variable acak kontinu adalah dimana seseorang dapat mengasumsikan nilai
yang tidak terbatas dari kemungkinan nilai-nilai yang terletak dalam jarak
tertentu. Hal tersebut biasanya adalah hasil pengukuran sesuatu, seperti halnya
berat badan seseorang. Berat badan seseorang dapat bernilai 112,0 kilogram,
112,1 kilogram, 112,22 kilogram, dan seterusnya, tergantung dari keakuratan
skala yang digunakan. Variabel acak kontinu lainya adalah umur batu baterai
alkaline, volume sebuah container, dan berat murni sebuah bijih besi.
Distribusi probabilitas umur beberapa produk, seperti batu baterai, ban,
dan bola lampu, cenderung mengikuti suatu pola normal . Demikian pula berat
kotak sereal kellog special K, panjangnya suatu skala yang kontinu
Pada makalah ini, karakteristik utama dari distribusi probabilitas normal dan
kurva normal akan dipelajari terlebih dahulu. Kemudian distribusi normal baru
dan penggunaanya akan disajikan.








BAB I
PENDAHULUAN

Salah satu perangkat untuk membuat suatu keputusan adalah statistika.
Statistika tidak hanya digunakan di bidang bisnis, kita semua juga menerapkan
konsep-konsep statistika dalam kehidupan. Sebagai contoh, ketika pagi hari, kita
menghidupkan shower dan air yang membiarkanya untuk beberapa detik.
Kemudian kita mengulurkan tangan kita menyentuh air yang mengalir di shower
untuk mengetahui temperaturnya dan memutuskan apakah perlu menambah lebih
banyak air panas atau air dingin, atau anda merasa air tersebut sudah cukup bisa di
gunakan untuk mandi. Sebagai contoh kedua anggaplah kita sedang berada di
sebuah toko grosir dan hendak membeli pizza beku. Salah satu dari perusahaan
pembuat pizza membuka gerai di toko tersebut, dan mereka menawarkan Anda
sepotong piza mereka. Setelah mencicipi pizza tersebut, kita memutuskan akan
membeli pizza tersebut atau tidak. Pada kedua contoh tersebut, kita bisa membuat
keputusan dan memilih serangkaian tindakan berdasarkan sampel, yaitu mencoba
temperatur air dan mencicipi pizza.









BAB II
PENGERTIAN UMUM

Definisi statistika, statistika adalah ilmu mengumpulkan, menata,
menyajikan, menganalisa dan mengeinterpretasikan data angka dengan tujuan
membantu pengambilan keputusan yang efektif.
Apakah anda sedang mendengarkan radio local sekukaan Anda, menonton
pertandingan sepak bola PSMS melawan Persib di telivisi, atau membaca harian
KOMPAS, Bisnis Indonesia, atau tabloid BOLA, Anda telah menjadi sasaran
bermacam- macam angka yang biasa disebut dengan Statistik. Statistik-
statistik tersebut mungkin menyinggung tentang olahraga, bursa saham, informasi
ketenagakerjaan, hasil-hasil pertanian, kesehatan, agama, perdagangan eceran atau
besar dan seterusnya.
Suatu kumpulan yang disusun lebih dari satu angka disebut statistic.
Contohnya kumpulan data dari 55.200 orang pemesan bunga untuk Hari Ayah,
30.000 agen perjalanan di USA, 2,2 persen angkatan kerja bekerja di sector
pertanian dan harga sebuah fly rod $10.000, umumnya mengacu pada statistik
1.1 Beberapa pengertian umum tentang distribusi Normal
Fungsi kepekatan normal umum dan standar
Distribusi normal merupakan distribusi teoritis dari variable random yang
kontinu. Pengalaman telah membuktikan bahwa sebagian besar dari variable
random yang kontinu di pelbagai nidang aplikasi yang beraneka ragam umumnya
memiliki distribusi yang didekati dengan distribusi normal atau dapat
menggunakan sebagai model teoritisnya.
Distribusi normal yang demikian merupakan distribusi yang simetris, berbentuk
genta dan kontinu serta memiliki fungsi frekuensi.

F(x)=
2 2
) )(
2
1
(
2
1
X X

X
o
t o
x
e


Fungsi f(x) di atas juga dinamakan fungsi kepekatan normal ( normal density
function)
Rumus diatas, distribusi normal tergantung pada 2 parameter yaitu rata-rata
X

dan varians
2
X
. Dengan kata lain, distribusi normal umum merupakan sekeluarga
kurva yang berparameter dua buah dan agar kita memperoleh suatu gambaran
tentang distribusi normal yang khusus, kedua parameter diatas harus diberi harga
yang tertentu pula.
Hasilnya, fungsi kepekatan normal seringkali dinyatakan sebagai berikut :



dengan sendirinya, suatu distribusi normal dapat dibedakan dari distribusi normal
yang lain atas dasar perbedaan rata-ratanya atau variansinya atau kedua-duanya.
Jika
X
sudah tertentu tanpa menentukan
2
X
, maka kita akan memperoleh
serangkaian keluarga distribusi normal yang memiliki rata-rata yang sama dengan
varians seperti pada diagram 1
Sebaliknya, jika
2
X
sudah tertentu sedangkan
X
tidak ditentukan, kita akan
peroleh serangkaian keluarga kurva normal yang memiliki bentuk yang sama
dengan lokasi yang berbeda sepanjag sumbu X seperti dalam diagram 2



Diagram 1
n(x|
X
,
2
X
) = F(x) =
2 2
) )(
2
1
(
2
1
X
x
e
o
t o

X
X




Diagram 2


Karena distribusinya kontinu, cara menghitung probablitasnya dilakukan
dengan jalan menetukan luas di bawah kurvanya. Sayangnya, fungsi frekuensi
normal tidak memiliki integral yang sederhana sehingga probabilitas umumnya
dihitung dengan menggunakan distribusi normal standar dimana variabel
randomnya ialah Z dengan
Z
= 0 dan
2
Z
= 1. Tabel bagi variable normal standar
Z =
X
X
X
o

sedemikain itu dapat dilihat pada bab akhir makalah ini.
25 , 0
2
=
X
o
1
2
=
X
o
5
2
=
X
o
X

F(x)
0 =
X

2 + =
X
2 =
X

Definisi dari diagram 1 bila Z merupakan variabel random yang kemungkinan
harga-harganya menyatakan bilangan-bilangan riil antara - dan + , maka Z
dinamakan variabel normal standar bila dan hanya bila probabilitas interval dari a
ke b menyatakan luas dari a ke b antara sumbu Z dan kurva normalnya dan
persamaanya diberikan sebagai berikut :


Fungi yang dirumuskan dengan 10.1.3 diatas dinamakan fungsi kepekatan normal
standart ( standar normal density function). Grafiknya dapat dilihat pada diagram
10.1.3
Diagram 10.1.3. fungsi kepekatan normal standar
f(z) =
t 2
1
e
2
)
2
1
( Z


pada diagram 10.1.3 di atas, skala f(z) dapat berubah. Agar
}
+

f(z) = 1, maka
f(z) naik, mencapai titik maksimal ~ 0,399 dan turun pula. Harus selalu diingat
bahwa probabilitas pada sembarang titik-titik ialah nol karena bagi variabel
kontinu, probabilitas selalu dinyatakan dalam interval. Dengan kata lain,
probabilitas Z yang merupakan nilai pada interval antara Z = a hingga Z = b
f(x)
-3 -2 -1 0 1 2 3
0,4

0,3

0,2

0,1

Z
f(z) =
t 2
1
e
2
)
2
1
( Z

adalah sama dengan luas yang dibatasi oleh kurva normalnya, sumbu Z dan garis
vertical Z = a dan Z = b. hal demikian dapat dilihat pada diagram 10.1.4
diagram 10.1.14 Kurva normal standar

seperti yang telah penulis katakan, pencarian luas kurva normal diatas dapat
dilakukan dengan bantuan tabel luas normal A(z).
contoh 10.1.1 Berapakah probabilitas variabel random normal yang standar
merupakan nilai 0 dan 1 ?
Per Table luas kurva normal, maka p(0 < Z < 1) = 0,3413.
Contoh 10.1.2 berapakah probabilitas variabel random normal yang standar
merupakan nilai antara -2 dan +2 ?
Per Tabel luas kurva normal, maka p(-2 < Z < +2) = 2(0,4772) = 0,9544.
Hal tersebut berarti bahwa 95,44 persen dari seluruh luas kurva normal standar
terletak antara -2 dan +2.
Contoh 10.1.3 Berapakah probabilitas variabel random normal yang standar
merupakan nilai antara 0,1 dan 2,8 ?
f(x)
A(Z)
0 a
Z
b
Per Tabel luas kurva normal, maka p(0,1 < Z < 2,8 ) = p(0 < Z < 2,8 ) p(0 < Z <
0,1 ) = 0,4974 0,0398 = 0,4576.
Luas kurvanya dapat dilihat pada diagram 10.1.5
Diagram 10.1.5 Kurva normal standar, p(0,10 < Z < 2,8 ).

Contoh 10.1.4 carilah p( Z > - 0,20 )
Diagram 10.1.6 Kurva normal standar, p( Z > - 0,20 )

f(z)
p(0,10 < Z < 2,8 ) = 0,4576
f(z)
p(Z>-0, 20 ) = 0,5793
Z
Z
Dari diagram 10.1.6, kita ketahui bahwa
p( Z > -0,20 ) = 0,5000 + p(-0,20 < Z < 0 )
= 0,5000 + 0,0793
= 0,5793
10.1.2 Fungsi distribusi kumulatif
Secara umum, fungsi distribusi kumulatif dari distribusi normal yang kontinu
dengan
X
dan
2
X
o dirumuskan sebagai berikut :



Fungsi distribusi normal kumulatif yang standar ( standardized normal cumulative
distribution function ) dirumuskan sebagai berikut :


Dan grafiknya dapat dilihat pada diagram 10.1.7
Diagram 10.1.7 Fungsi distribusi normal kumulatif yang standar






F(x) =
2 2
2
1
) )( (
2
1
X X

X

X
}
o
t o
x
e
dx

F(z) =
2
2
1
) (
2
1
Z
Z

}
e
t
dz



Contoh 10.1.4
Carilah p(0 < Z < 1 ) dalam soal contoh 10.1.1
Per Tabel distribusi normal kumulatif f(1) = 0,8413 dan f(0) = 0,5000 sehingga
p(0 < Z < 1 ) = f(1) f(0) = 0,8413 0,5000 = 0,3413 ( referensi diagram 10.1.7 )
Contoh 10.1.5
Carilah p(0,10 < Z < 2,80 ) dalam soal contoh 10.1.3
Per Tabel distribusi normal kumulatif, f(2,8) = 0,9974 dan f(0,10) = 0,5398
sehingga p(0,10 < Z < 2,8 ) = f(2,8) f(0,10) = 0,9974 0,5398 = 0,4576
10.1.3 Beberapa contoh tentang penggunaan tabel luas kurva normal dan
distribusi normal kumulatif
Pada hakekatnya, kurva normal merupakan keluarga kurva normal yang dapat
memiliki rata-rata
X
dan varians
2
X
o yang berbeda dan tidak usah
X
= 0 dan
2
X
o = 1 seperti dengan halnya kurva normal standar.
1,00


0,80


0,60


0,40


0,20
-3 -2 -0,67 0 0,67 2 3
Z
f(z)
Bila demikian halnya, apakah tabel yang berbeda harus dibuat untuk pencarian
luas kurva normal dengan
X
dan
2
X
o yang berbeda ? Hal yang sedemikian itu
tidak perlu. Luas kurva normal dengan
X
dan
2
X
o yang berbeda tetap dapat dicari
dengan jalan mengubah variabel random X yang normal kedalam variabel random
Z yang standar dan dirumuskan sebagai berikut :


Serta kemudian mencari nilai Z-nya dengan bantuan tabel F(z) atau A(z).
Pengubahan X ke Z sedemikian itu dapat dilihat dalam diagram 10.1.8 dan 10.1.9
Diagram 10.1.8 Kurva normal umum standar.




X
o
5 , 0

X
o
1 , 0

X
o
2 , 0

X
o
4 , 0

X
o
3 , 0

0
-3 -2 -1 0 1 2 3
X X
o 3
X X
o 2
X X
o
X

X X
+o
X X
+ o 2
X X
+ o 3
X
Z
Z =
X
X
X
o



Diagram 10.1.9


Contoh 10.1.6
Bila X merupakan variabel random yang memiliki distribusi normal dengan rata-
rata
X
= 24 dan deviasi standar
X
o = 12, berapakah probabilitas 17,4 < X < 58,8
?
Pengubahan variabel normal 17,4 dan 58,8 masing-masing kedalam variabel
standar memperoleh
Z
1
=
12
24 4 , 17
= - 0,55 dan
Z
2
=
12
24 8 , 58
= 2,90
Alhasil, p(17,4 < X < 58,8 ) = p(-0,55 < Z < 2,90 )
= 0,2088 + 0,4981
-3 -2 -1 0 1 2 3
1,0

0,8

0,6

0,4

0,2

0,0
X X
o 3
X X
o 2
X X
o
X

X X
+o
X X
+ o 2
X X
+ o 3
X
Z
= 0,7069
Jika probabilitas diatas dihitung dengan bantuan table distribusi normal kumulatif,
maka diperoleh hasil
p(17,4 ) < X < 58,8 ) = p(-0,55 < Z < 2,90)
= F(2,90) F(-0,55)
= 0,9981 0,2912
= 0,7069
Contoh 10.1.7
Dari pengiriman sebanyak 1.000 riem kertas koran berat 60 gram diketahui bahwa
rata-rata tiap riemnya terisi dengan 450 lembar dengan deviasi standar sebesar 10
lembar. Jika distribusi jumlah kertas per riem tersebut dapat didekati dengan
kurva normal, berapa persen dari riem kertas diatas terisi dengan 455 lembar atau
lebih ?
Dalam soal diatas,
X
= 450 dan
X
o = 10 sedangkan yang kita ingin ketahui ialah
p(X 455). Pengubah variabel normal 455 kedalam variabel standar memperoleh
Z =
10
450 455
= 0,50
Karena f(0,50) = 0,6915, maka p(Z 0,50) = 1 0,6915 = 0,3085 atau 30,85
persen. Jelas bahwa 30,85 persen dari riem kertas diatas terisi dengan 455 lembar
atau lebih.
Contoh 10.1.8
Angka ujian statistik sebagian besar mahasiswa memiliki
X
= 34 dan
X
o = 4.
Jika distribusi angka-angka ujian tersebut kurang kurang lebih menyerupai
distribusi normal, dibawah angka berapa kita akan memperoleh 10 persen
terendah dari seluruh distribusi angka-angka tersebut ?
Dalam hal diatas,
X
= 34 dan
X
o = 4 sedangkan per table distribusi normal
kumulatif, nilai Z yang sesuai dengan luas kumulatif 0,10 ialah 1,28 sehingga
- 1,28 =
4
34 X

- 5,12 = X 34
28,88 = X
Jelas sudah bahwa 10 persen dari seluruh mahasiswa memperoleh nilai ujian
28,88 atau kurang.
1.2 Penerapan kurva normal terhadap data empiris
Sampel yang diperoleh dari pengukuran empiris acapkali memiliki bentuk
distribusi kumulatif yang dapat didekati secara memuaskan dengan distribusi
normal. Hal tersebut dapat dilakukan dengan jalan mempersamakan
X
dengan X
bar dengan
X
o dengan s. Agar lebih jelas, kita akan memberikan sebuah contoh
yang berhubungan dengan persoalan di atas.
Table 10.2.1 menyajikan distribusi frekuensi dari sebuah sampel yang terdiri dari
75 pengukuran berat barang X.
Tabel 1 Distribusi frekuensi sampel n = 75
X
i
titik
tengah
f
i

frekuensi
frekuensi
relatif
F
i

frekuensi
kumulatif
frekuensi
relatif
kumulatif
1,25 0 0
1,30 1 0,013 1 0,013
1,35 5 0,067 6 0,080
1,40 6 0,080 12 0,160
1,45 13 0,173 25 0,333
1,50 8 0,107 33 0,440
1,55 17 0,227 50 0,667
1,60 14 0,187 64 0,854
1,65 7 0,093 71 0,947
1,70 1 0,013 72 0,960
1,75 3 0,040 75 1,000
1,80 0 75
Sumber : Data fiktif


= 114,55/75 = 1,527
s = 527 , 1 = 0,101
karena hubungan variabel standar Z dan variable X maka dapat dinyatakan
sebagai berikut :
Z =
0101 , 0
527 , 1 X

Maka penerapan distribusi normal kumulatifnya dapat dilakukan dengan jalan
mencari nilai-nilai X sesuai dengan nilai-nilai Z = -3, -2, -1, 0, 1, 2, 3.
Hal tersebut dapat dilakukan sebagai berikut,
-3 =
101 , 0
527 , 1 X

-3(0,101) = X 1,527
-3,03 = X 1,527
-3,03 = X 1,527
1,224 = X
Distribusi normal kumulatif F(x) bagi data Tabel 1 dapat diikuti dalam Tabel 2
Z X F(x)
- 3 1,224 0,0013
- 2 1,325 0,0227
X =

=
k
i 1
n
f
i i
X


- 1 1,426 0,1587
0 1,527 0,5000
1 1,628 0,8413
2 1,729 0,9773
3 1,830 0,9987
Sumber : Data Tabel 1
Sudah tentu, nilai F(x) dapat secara langsung dicari dari table F(x), Bila kita ingin
memperoleh penerapan yang lebih merata, kita harus menghitung nilai-nilai X
yang sesuai dengan nilai-nilai Z = -3, -2,90, -2,80, -2,70, dan seterusnya.
1.3 Hubungan antara distribusi Normal dan Distribusi Binomial
Bila n besar sekali, distribusi binomial dapat disesuaiakan sedemikan rupa
sehingga dapat didekati dengan distribusi normal standar. Pada makalh ini akan di
bahas betapa penyesuaian tersebut dapat dilakukan sehingga menghasilkan sebuah
pendekatan yang sangat tepat sekali. Seperti telah kita ketahui, variable random X
atau jumlah sukses dalam n percobaan binomial merupakan penjumlahan dari
variable random n dimana tiap peubah acak (variate) dimaksudkan bagi setiap
percobaan binomial dan tiap percobaan menghasilkan nilai 0 atau 1.
Dalam keadaan yang biasa, jumlah dari beberapa variable random selalu
mendekati distribusi normal, sehingga distribusi jmlah variable diatas dapat
didekati dengan distribusi normal bila n makin menjadi besar.
Batas distribusi binomial dapat di fahami secara berangsur-angsur dengan
memperhatikan tiga hal pokok sebagai berikut :
1. Distribusi binomial merupakan sebua distribusi yang diskrit sedangkan
distribusi normal merupakan sebuah distribusi yang kontinu, sehingga
probabilitas yang dinyatakan dengan ordinat binomial perlu diganti dengan
luas binomial karena luas selalu dipakai untuk menyatakan probabilitas
dalam distribusi yang kontinu.
2. Skala X perlu diganti dengan skala Z agar tidak terjadi proses bergerak
dan mendatar bila n berangsur-angsur menjadi besar.
3. Pendekatan secara normal terhadap probabilitas binomial dapat dilakukan
dengan menghitung luas yang terdapat dibawah kurva normal.
Jumlah probabilitas atau luas yang terdapat diantara kurva dan sumbu X adalah
sama dengan 1. Hal demikian da[at dilihat pada diagram dibawah ini :

Probabilitas variable random X merupakannilai antara a dan b dan dapat
dinyatakan sebagai daerah bergaris dari kurva diagram 10.3.1 diatas. Pada gambar
diatas, p(X = a ) = 0 karena luas a dianggap sama dengan garis f(a) yang memiliki
lebar sama dengan 0. Hal tersebut berbeda sekali dengan probabilitas yang
dinyatakan dengan ordinat distribusi yang diskrit sebab p(X = a) dimana a = 5
tidak usah sama dengan 0.
Penerapan fungsi kontinu terhadap distribusi binomial dapat dilakukan dengan
penggunaan luas untuk menyatakan probabilitas yang biasanya dinyatakan dengan
ordinat. Tiap ordinat dari distribusi binomial diganti dengan luas empat persegi
panjang yang berpusat pada X dan yang memiliki lebar sama dengan satu unit
serta memiliki tinggi sama dengan ordinat binomial yang asal, untuk lebih
jelasnya dapat dilihat pada diagram dibawah ini


f(x)
X
b a
Diagram 10.3.2. Hubungan antara probabilitas luas dengan ordinat.





Setiap perubahan pada variable random X akan mengakibatkan proses bergerak.
Satu cara untuk membendung gerakan tersebut ialah dengan menciptakan
sebuah variable baru, yaitu Y = X np.
Distribusi variable baru Y memiliki np = 0 dan cara pemusatanya tidak berbeda
dari distribusi normal yang standar. Selain daripada itu, distribusi variable Y
tersebut memiliki
Y
o = npq . Kita telah mengetahui bahwa distribusi normal
yang standar memiliki
Z
= 0 dan
Z
o = 1, sehingga variable random Y yang
memiliki
Z
= np = 0 dan
Y
o = npq

masih perlu disesuaika agar
Y
o nya sama
dengan 1.
Bila npq > 0, maka Y/ npq akan menghasilkan variable random baru Z yang
memiliki
Y
o = 1seperti dalam halnya distribusi normal yang standar.
Pembuktian :
X-1 X X1 X+1 X X+1
X -
2
1

X +
2
1

X -
2
1

X +
2
1

f(x-1)
f(x)
f(x+1)
Probabilitas dinyatakan dengan ordinat Probabilitas dinyatakan dengan luas
Z =
npq
Y
=
npq
np Y


Rumus 10.3.1, sebenarnya sama dengan rumus 10.1.6 jka np =
X
dan
X
o =
npq .
Sebagai konskuwensi perumusan 10.3.1 diatas
2
Z
o = Var
|
|
.
|

\
|
Y
npq
= Var
|
|
.
|

\
|
Y
npq
1

=
npq
1
Var Y =
npq
npq
= 1
Sehingga

Karena
2
Z
o merupakan konstanta, dengan sendirinya
2
Z
o

tidak tergantung pada n
sehingga penggunaan variable Z selalu dapat mengatasi persoaaln gerakan
variable X itu sendiri.
Dengan demikian dapat disimpulkan bahwa random standar Z =
npq
np X
memiliki
X
= 0, dan
Z
o = 1 sedangkan nilai-nilai tersebut masing-masing akan sama
dengan
X
dan
Z
o dari distribusi normal yang standa. Bila n menjadi besar,
ordinat-ordinat sentra (tinggai ordinat-ordinat) dari luas grafik probabilitas Z tidak
akan mendatar. Karena
Z
= 0, maka proses bergerak tidak terjadi dank arena
Z
o = 1, maka perluasan pun tidak terjadi .
Pendekatan probabilitas binomial dengan luas yang terdapat dibawah kurva
normal dapat dilakukan dengan bantuan Tabel normal.
Contoh 10.3.1 Diketahui distribusi binomial memiliki n = 8 dan p =
2
1
,
sedangkan grafiknya dinyatakan seperti dalam diagram dibawah ini
X
= np = 8(
2
1
) = 4
Z
o =
2
Z
o = 1 = 1

X
o = npq = ) )( ( 8
2
1
2
1

= 2 ~ 1,41
Diagram 10.3.3 Grafik luas distribusi binomial dengan n = 8 dan p =
2
1



Bila kita ingin mencari probabilitas 3 sukses atau lebih ( 3 ), maka kita harus
mengikut sertakan sejumlah luas dari kesemua empat persegi panjang yang
terletak di sisi kana X = 2
2
1

Bila kita hanya mengikut sertakan luas yang terdapat di sisi kanan X = 3, maka
kita akan meninggalkan
2
1
daripada p(3) tidak terhitung. Karena hal tersebut,
maka luas batas sisi kiri dari pada X haruslah 2
2
1
bukan 3
Sesuai dengan 10.3.1, maka p(X 2
2
1
) yang kita ingin cari harus diubah kedalam
persamaan yang standar sebagai berikut :


=
2
4 2
2
1

= - 1,06
Sehingga
x
2
1 0 1 2 3 4 5 6 7 8 8
2
1
0
0,1
0,2
0,3
Z =
npq
np X

p(X 2) = p(Z > - 1,06)
Dari table luas kurva normal, kita memperoleh hasil 0,3554 + 0,5000 = 0,8554
Bila kita cari hasil

=
8
3 x
b(3|8,
2
1
) dengan table distribusi binomial kumulatif ,
maka diperoleh hasil sebesar 0,855 dan hasil tersebut ternyata sesuai benar dengan
hasil yang di peroleh dai pendekatan distribusi binomial dengan menggunakan
distribusi normal diatas
Bagaimanakah soal pencarian ordinat ekstrimnya ( extreme ordinate )? Bila
distribusi binomial memiliki n = 8 dan p =
2
1
, berapakah p (8)? Batas sisi kiri
dari empat persegi panjang yang dipusatkan pada X = 8 ialah 7
2
1
maka
Z =
2
4 7
2
1

= 2,47
Sesuai dengan kurva table normal, maka
0,5000 0,4932 = 0,0068
Bila kita hitung p(8), maka kita akan memperoleh hasil sebagai berikut :
(
2
1
)
8
=
256
1
~ 0,0039
Pada asasnya, luas sisi kanan p(8) akan dan luas yang tiada seberapa besar
ini dapat dianggap sebagai sebagian daripada p(8).
Jelas sudah bahwa beda absolute dari hasil kedua hitungan di atas tidaklah besar.
Tetapi berbeda secara persen dari kedua hasil hitungan diatas hamper mendekati
75 persen.
Bagaimanakah dengan penghitungan ordinat sentralnya ? Bila distribusi binomial
memiliki n = 8 dan p =
2
1
, berapakah p(4)? Batas empat persegi panjang bagi
p(4) ialah X = 3
2
1
dan X = 4
2
1
sehinga,
Z = ~

2
4 3
2
1
- 0,35 dan
Z = ~

2
4 4
2
1
+ 0,35
Sesuai dengan table luas kurva normal, maka luas Z = 0,35 ialah 0,1368 sehingga
p(4) = 2(0,1368) = 0,2736
penghitungan binomialnya akan menghasilkan p(4) =
|
|
.
|

\
|
4
8
(
2
1
)
8
= 0,2734
sudah jelas bahwa beda hasil kedua hitungan diatas, baik secara absolute maupun
secara persentasi tidaklah besar dan jauh lebih kecil dibandingkan dengan beda
mengenai kedua perhitungan ordinat ekstrim
contoh 10.3.2 Bila 12 keping uang logam dilempar sekali, berapakah probabilitas
timbulnya 5 sisi 0 ? pada persoalan diatas, kita memperoleh n = 12, X = 5 dan p =
2
1
.
Sesuai dengan perumusan binomial, kita memperoleh
b(5|12,
2
1
) =
|
|
.
|

\
|
5
12
x (
2
1
)
5
(
2
1
)
7

= 792/4096 ~ 0,1934
Bila kita ingin melakukan pendekatan terhadap distribusi binomial diatas dengan
kurva normal, maka sebenarnya kita harus menghitung luas sementara X = 4
2
1

dan X = 5
2
1
.
np = 12(
2
1
) = 6 dan
X
o = ) )( ( 12
2
1
2
1
= 1,732
Sehingga
Z =
732 , 1
6 5 , 4
= 0,87 dan Z =
732 , 1
6 5 , 5
= - 0,29
Sesuai dengan table luas kurva normal maka
Z(-0,87) = 0,3078
Table 10.3.1 Distribusi binomial dengan n = 10 dan p =
2
1

Z=(-0,29) = 0,1141
Sehingga
0,3078 0,1141 = 0,1937
Contoh 10.3.3 Terapkanlah sebuah distribusi normal kumulatif bagi distribusi
binomial kumulatif bila diketahui bahwa n = 10 p =
2
1
.
Sesuai dengan rumus 8.2.1, kita dapat menghitung hasil X = 0,1,2,..,10 dimana n
=10 dan p =
2
1
. Hasil penghitungan f(x) dan F(x)nya dapat diikuti dalam table
10.3.1
Pendekatan distribusi binomial dngan distribusi normal dapat dilakukan sebagai
berikut :
np = 10 x
2
1
= 5
X
o = npq = 10 ) )( (
2
1
2
1
= 1,581
X f(x) F(x)
0 0,001 0,002
1 0,10 0,022
2 0,044 0,055
3 0,117 0,273
4 0,205 0,377
5 0,246 0,623
6 0,205 0,828
7 0,117 0,945
8 0,044 0,989
9 0,010 0,999
10 0,001 1,000
Sumber : contoh 10.3.3
Sesuai dengan rumus 10.3.1, kita peroleh persamaan hubungan antara X dan Z
sebagai berikut :
Z =
581 , 1
5 X

Nilai-nilai bagi Z,X dan F(x) dapat diikuti dalam table 10.3.2
Table 10.3.2 hasil pendekatan distribusi binomial n = 10 dan p =
2
1
dengan
distribusi normal
Z X F(x)
-3,0 0,257 0,0013
-2,5 1,048 0,0062
-2,0 1,838 0,0227
-1,5 2,628 0,0668
-1,0 3,419 0,1587
-0,5 4,210 0,3085
0 5,000 0,5000
0,5 5,791 0,6915
1,0 6,581 0,8413
1,5 7,372 0,9332
2,0 8,162 0,9773
2,5 8,953 0,9938
3,0 9,743 0,9987





























DAFTAR PUSTAKA

Lind . Marchal . Wathen, 2007. Teknik teknik STATISTIKA dalam BISNIS
DAN EKONOMI Edisi 13, Penerbit Salemba Empat, Jakarta
Anto Dajan. 1974. Pengantar Metode Statistik Jilid II. LP3ES, Jakarta.
Robert D. Mason . Douglas A. Lind. Ellen Gunawan Sitompul dkk. 1996.
Teknik Statistika untuk Bisnis & Ekonomi. Edisi 9 Jilid 1. Erlangga, Jakarta.
Ronald E. Walpole,1995. Pengatar Statistika. Edisi ke 3. PT Gramedia
Pustaka utama, Jakarta
Drs. Rinduwan,M.B.A,2003. Dasar-dasar Statistika. Alfabeta, Bandung