Asumsi Kenormalan

(Normalitas/Distribusi
Normal)
Sifat dasar :
Berbentuk genta dengan puncak tunggal
yang dapat digambarkan dengan mudah
Nilai rata-rata distribusi normal terletak di
tengah kurva normal
Median dan modus juga terletak di tengah
kurva normal, sehingga rata-rata hitung,
median dan modus adalah sama
Dua sisi kurva normal tidak pernah
menyentuh garis horisontal
Variabel acak kontinu yang mempunyai
distribusi berbentuk genta, disebut
variabel acak normal.


Bentuk Kurva Distribusi Normal

Regresi normal klasik mengasumsikan
Bahwa setiap
i
didistribusikan secara
normal dengan

Rata-rata : E (
i
) = 0
Varians : E (
i
2
) =
2

Cov (
i
,
j
) : E (
i
,
j
) = 0 i j

Asumsi ini dapat diringkas :

i
~ N(0,
2
),
atau
i
didistribusikan sebagai distribusi
normal dengan rata-rata 0 dan varians

2
,
sedangkan kovarians (korelasi nol)
Berarti dua variabel tersebut independen
(bebas).
Teorema Chebyshev

Sebanyak 68 % pengamatan akan berada
dalam kurang lebih 1 standar deviasi di dalam
area di bawah kurva normal

Sebanyak 95.5 % pengamatan akan berada
dalam kurang lebih 2 standar deviasi di dalam
area di bawah kurva normal

Sebanyak 99.7 % pengamatan akan berada
dalam kurang lebih 3 standar deviasi di dalam
area di bawah kurva normal


Pentingnya asumsi kenormalan dalam regresi
adalah untuk analisis data, yaitu untuk
menghindari kesalahan dalam analisis.

Umumnya,data yang tidak normal terlalu
tinggi atau terlalu rendah dalam distribusi data
harus dikeluarkan sebagai data yang harus
dianalisis (bisa diganti dengan data yang lebih
normal)
Linieritas

Sebuah penduga/[enaksir dikatakan sebagai
penaksir linier, bila merupakan suatu fungsi
linier dari observasi sampel .

Contoh : rata-rata sampel adalah penaksir linier




n
X X X
n n
X
X

......
1
2 1
Linieritas dalam variabel
Pengertian yang umum tentang linieritas adalah
bahwa nilai rata-rata bersyarat dari variabel tak
bebas merupakan fungsi linier dari variabel bebas

E(YXi) = B
1
+ B
2
Xi atau Y
i
= B
1
+ B
2
X
i
+
i


Fungsi non linier : Y = B
1
+ B
2
X
i
2

Y = B
1
+ B
2
(1/Xi)
Penting asumsi asumsi linieritas dalam regresi,
Karena yang dibicarakan dalam regresi adalah
bentuk linier dalam model.

Dalam metode kuadrat terkecil (ordinary least
square/OLS),penaksir parameter harus
mempunyai sifat BLUE (Best Linear Unbiased
Estimator/Penaksir Tak Bias Linier Terbaik)