Anda di halaman 1dari 20

Bab 2

Landasan Teori


2.1. Definisi Peluang
Dalam kehidupan sehari-hari sering kali kita temukan kejadian yang
berhubungan erat dengan teori probabilitas (peluang). Mengundi dengan
menggunakan sebuah mata uang logam atau sebuah dadu, membaca
temperatur udara tiap hari dari termometer, menghitung banyak barang
yang rusak yang dihasilkan suatu pabrik setiap hari, mencatat banyak
kendaraan yang melalui sebuah tikungan setiap jam dan masih banyak
lagi contoh lain yang merupakan kejadian (experiment) yang berhubungan
dengan peluang dan kejadian tersebut dapat dilakukan berulang-ulang.

Dari experiment kita dapat mencatat semua hasil yang mungkin terjadi.
Semua bagian yang mungkin didapat dari hasil ini dinamakan peristiwa.
Sebagai contoh, kita ambil sebuah experiment mengenai pengamatan
tentang banyaknya kendaraan yang melalui sebuah tikungan setiap jam.
Hasilnya bisa didapat 0, 1, 2, 3, 4, .. buah kendaraan setiap jam yang
melalui tikungan tersebut.

Dari beberapa peristiwa yang didapat misalnya tidak ada kendaraan yang
melalui tikungan itu selama satu jam, lebih dari tiga kendaraan melalui
tikungan selama satu jam, ada enam kendaraan dalam satu jam yang
melalui tikungan dan sebagainya. Untuk menyatakan peristiwa dapat
digunakan huruf-huruf besar, seperti A, B, C, . Baik disertai indeks
ataupun tidak. Misalnya A berarti tidak ada kendaraan yang melalui
tikungan selama satu jam, B berarti ada 10 kendaraan dalam satu jam
yang melalui tikungan dan sebagainya.


Dua peristiwa atau lebih dinamakan saling eksklusif atau saling asing jika
terjadinya peristiwa yang satu mencegah terjadinya peristiwa lain.
Dengan menggunakan suatu peristiwa, kita dapat menghitung peluang
kejadian dari peristiwa yang ada. Dengan menggunakan definisi klasik,
kita misalkan sebuah peristiwa E dapat terjadi sebanyak n kali di antara N
peristiwa yang saling eksklusif dan masing-masing terjadi dengan
kesempatan yang sama. Maka peluang peristiwa E terjadi adalah n/N dan
ditulis dalam bentuk P(E) = n/N.

Definisi tersebut bersifat samar atau tidak jelas, karena terdapat perkataan
masing-masing terjadi dengan kesempatan yang sama, yang sama dengan
pengertian peluang yang sama. Jadi, definisi klasik di atas bersifat
sirkuler, karena seolah-olah mendefinisikan peluang dengan
menggunakan istilah itu sendiri. Oleh karena itu, untuk mengatasinya
definisi peluang empirik sering digunakan.

Setelah itu kita perhatikan frekuensi relatif tentang terjadinya sebuah
peristiwa untuk sejumlah pengamatan. Maka peluang peristiwa itu adalah
limit dari frekuensi relatif apabila jumlah pengamatan diperbesar sampai
banyaknya tak hingga. Contohnya: Jika kita melakukan undian dengan
sebuah mata uang yang homogen 1.000 kali; misalkan didapat muka G
sebanyak 519 kali. Maka frekuensi relatif muka G = 0,519. Sekarang kita
melakukan 2000 kali di mana didapat muka G sebanyak 1.020 kali.
Frekuensi relatifnya = 0,510. Jika dilakukan 5000 kali di mana didapat
muka G terdapat 2530, maka frekuensi relatifnya = 0,506. Jika proses
demikian diteruskan, nilai frekuensi relatifnya lambat laun makin dekat
kepada sebuah bilangan yang merupakan peluang untuk muka G dalam
hal ini bilangan tersebut adalah 0,5.


Atas dasar definisi di muka dan proses inilah untuk selanjutnya dengan
P(G) = diartikan bahwa dari setiap dua kali undian dengan sebuah mata
uang maka satu kali akan terlihat muka G jika undian itu dilakukan cukup
banyak dalam jangka waktu yang panjang dan kondisi yang sama.

Suatu fungsi acak yang dimisalkan X yang bernilai riil dimana nilai-
nilainya ditentukan oleh titik sampel-titik sampel S disebut variabel acak,
dengan S merupakan ruang sampel dari suatu hasil percobaan statistik.
Nilai-nilai dari variabel acak X dituliskan dengan huruf kecil x1, x2, x3, ,
xn.

Variabel acak X ada dua jenis yaitu variabel acak diskrit dan variabel acak
kontinyu. Variabel acak diskrit ialah variabel acak yang mempunyai nilai-
nilai terhingga atau tak terhingga tetapi terbilang. Jadi variabel acak X
dapat bernilai x1, x2, x3, , xn ; xi c R. Sedangkan variabel acak kontinyu
adalah variabel acak yang nilai-nilainya tak terhingga dan tak terbilang.
Jadi, nilai-nilai variabel acak kontinyu X dapat merupakan semua nilai
dalam satu interval yang terhingga, yaitu (- ~,~), dimana banyaknya
bilangan yang terkandung pada interval tersebut adalah tak terhingga dan
tak terbilang.

Kumpulan pasangan nilai-nilai dari variabel acak X dengan probabilitas
nilai-nilai variabel acak X, yaitu P(X=x) disebut distribusi probabilitas X
atau disingkat distribusi X. distribusi ini dapat disingkat dan dituliskan
dalam bentuk tabel atau dalam bentuk pasangan terurut.

Jika X adalah variabel acak dan P(X=x) adalah distribusi probabilitas dari
X, maka fungsi f(x) = P(X=x) disebut fungsi probabilitas X atau fungsi
frekuensi X atau fungsi padat peluang X.


0 [ P(E) ] 1
Jika variabel acak X mempunyai fungsi padat peluang X, maka fungsi
distribusi kumulatif dari X dirumuskan sebagai berikut:

) X ( f ) x X ( P ) x ( F
x X

s
= s = Bila X data diskrit
}

x
dx ) x ( f Bila X data kontinue

Hasil-hasil yang muncul dalam suatu percobaan statistik dapat kita
bedakan menjadi dua jenis yaitu kejadian sukses dan kejadian gagal,
dimana probabilitas kejadian sukses dan probabilitas kejadian gagal
adalah tetap, selain itu juga ada yang saling bebas.

2.2. Macam-Macam Kejadian Peluang
Dari definisi klasik, didapat bahwa peluang untuk suatu peristiwa E
adalah P(E) = n/N. Maka nilai terkecil atau peluang terkecil dari kejadian
tersebut adalah n = 0, artinya tidak ada peristiwa E yang terjadi. Dan
peluang terbesar dari kejadian tersebut adalah n = N, artinya adalah
semua yang terjadi merupakan peristiwa E. Sehingga, peluang paling
kecil terjadinya peristiwa E berharga nol dan peluang terbesar terjadinya
peristiwa E adalah satu. Jadi didapat batas-batas peluang:



Jika P(E) = 0, maka dapat diartikan bahwa peristiwa E pasti tidak terjadi,
sedangkan jika P(E) = 1, maka dapat diartikan bahwa peristiwa E pasti
terjadi. Yang sering terjadi pada kenyataannya ialah harga-harga P(E)
berada diantara 0 dan 1. Jika P(E) mendekati nilai 0, sering diartikan
bahwa peristiwa E praktis tidak terjadi dan jika harga P(E) mendekati 1,
maka dapat dikatakan bahwa peristiwa E praktis terjadi.


Dari definisi P(E) = n/N, jika terdapat yang menyatakan bukan bagian
dari peristiwa E, maka didapat:

P() = 1 P(E)

atau berlaku hubungan:

P(E) + P() = 1

Peristiwa-peristiwa E dan dikatakan peristiwa saling berkomplemen.
Contohnya : Dalam undian dengan sebuah dadu, misalkan E = mendapat
muka 6 di sebelah atas. Maka P(E) = 1/6. Jelas bahwa = bukan mata 6
yang nampak di sebelah atas. Dalam hal ini yang nampak mata 1 atau
mata 2 atau. Mata 5. Tentulah P() = 5/6.

Peristiwa E dan juga merupakan dua peristiwa yang saling asing atau
saling eksklusif, karena terjadinya E menghindarkan terjadinya peristiwa
dan sebaliknya. Peristiwa-peristiwa yang saling eksklusif, dihubungkan
dengan kata atau. Untuk ini berlaku aturan sebagai berikut:
Jika k buah peristiwa E1, E2, .. Ek, saling eksklusif atau saling asing
maka peluang terjadinya E1 atau E2 atau . atau Ek sama dengan
jumlah peluang tiap peristiwa. Dalam rumus dituliskan sebagai
berikut:

P(E1, atau E2, atau atau Ek)
= P(E1) + P(E1) + .. + P(Ek)

Hubungan kedua antara peristiwa yang terjadi ialah hubungan
bersyarat. Dua peristiwa dikatakan mempunyai hubungan bersyarat

jika peristiwa yang satu menjadi syarat terjadinya peristiwa yang lain.
Kita misalkan A | B untuk menyatakan peristiwa A terjadi dengan
didahului terjadinya peristiwa B. Peluangnya ditulis P(A | B) dan
disebut peluang bersyarat untuk terjadinya peristiwa A dengan
syaratnya adalah B.

Jika terjadinya atau tidak terjadinya peristiwa B tidak mempengaruhi
terjadinya peristiwa A, maka A dan B disebut peristiwa bebas atau
independent. Jika kita tulis A dan B untuk menyatakan peristiwa-
peristiwa A dan B kedua-duanya terjadi, maka peluangnya
dinyatakan dalam peluang bersyarat diperoleh:

P(A dan B) = P(B) . P(A | B)

Jika A dan B independent, maka:

P(A | B) = P(A)

2.3. Distribusi Peluang
Ketika melakukan undian dengan sebuah mata uang yang homogen kita
dapatkan P (muka G) = P (muka H) = 1/2. Jika dihitung banyaknya muka
G yang nampak, maka muka H = 0G dan muka G = 1G. Jika banyak muka
G kita beri simbol X, maka untuk muka H berlaku X = 0 dan untuk muka
G berlaku X = 1. Maka didapat notasi baru untuk peluang, yaitu P(X = 0) =
dan P(X = 1) = .

Simbol X di atas, yang memiliki peluang, bersifat variabel dan hanya
memiliki harga-harga 0, 1, 2, 3, . Variabel berharga demikian, dimana
untuk tiap harga variabel terdapat nilai peluangnya, disebut variabel acak
diskrit.

Jadi, variabel acak diskrit X menentukan distribusi peluang apabila untuk
nilai-nilai X = X1, X2, ., Xn terdapat peluang p(Xi) = P(X = Xi),
sehingga:
E p(xi) = 1

p(x) disebut fungsi peluang untuk variabel acak X pada harga X = X.

Variabel acak yang tidak diskrit disebut variabel acak kontinyu. Beberapa
diantaranya misalnya untuk menyatakan waktu dan hasil pengukuran.
Variabel ini dapat mempunyai setiap harga. Jadi, jika X = variabel acak
kontinyu, maka harga X = X dibatasi oleh - ~ < x < ~ atau batas-batas lain.

Jika X sebuah variabel acak kontinyu, maka kita mempunyai fungsi
densitas f(x) yang dapat menghasilkan peluang untuk harga-harga x.

2.4. Distribusi Binomial
Suatu percobaan statistik disebut percobaan Binomial jika percobaan
statistik tersebut mempunyai ciri-ciri sebagai berikut:
1. Percobaan diulang sebanyak n kali.
2. Setiap kali percobaan dibedakan menjadi dua yaitu kejadian sukses
dan kejadian gagal.
3. Peluang terjadinya kejadian sukses yaitu P (sukses) = p dan peluang
gagalnya ialah q =1 p adalah tetap tiap kali percobaan diulang.
4. semua hasil yang muncul saling bebas satu sama lain.

Perhatikan sebuah experiment yang hanya menghasilkan dua peristiwa A
dan bukan A (), dengan P(A) = = peluang terjadinya peristiwa A.

Jika pada tiap percobaan dalam experiment itu, = P(A) tetap harganya,
maka percobaan yang berulang-ulang dari eksperimen itu dinamakan

percobaan Bernoulli. Sekarang lakukan percobaan Bernoulli sebanyak N
kali secara independent, X diantaranya menghasilkan peristiwa A dan
sisanya (N X) peristiwa A. Jika = P(A) untuk tiap percobaan, jadi 1
= P(A), maka peluang terjadinya peristiwa A sebanyak X = x kali diantara
N, dihitung dengan menggunakan rumus:

|
.
|

\
|
t t = =
x N x
) 1 (
n
N
) x X ( P ) x ( p
dengan x = 0, 1, 2, .., N, 0 < < 1, dan


)! x N ( ! x
! N
x
N

=
|
|
.
|

\
|

dengan N! = 1 x 2 x 3 x x (N 1) x N dan 0! = 1! = 1

Hubungan yang dinyatakan dalam rumus pertama di atas merupakan
distribusi dengan variabel acak diskrit dan dinamakan distribusi binom
dengan rumus kedua di atas merupakan koefisien binomial.

Distribusi binom ini memiliki parameter, diantaranya yang dapat
digunakan ialah rata-rata dan simpangan baku . Sehingga kita dapat
menggunakan rumus:



dengan pengertian bahwa parameter ini ditinjau dari peristiwa A.
Untuk lebih jelasnya akan dikemukakan dengan contoh soal berikut:
Peluang untuk mendapatkan 6 muka G ketika melakukan undian dengan
sebuah mata uang homogen sebanyak 10 kali adalah:


x n x
q p
x
n
) p , n , x ( b

|
|
.
|

\
|
=


2050 . 0 ) 2 / 1 ( ) 2 / 1 (
6
10
) 6 X ( P
4 6
=
|
|
.
|

\
|
= =

dengan X = jumlah muka G yang nampak.

Misalkan populasi diketahui berukuran N yang di dalamnya terdapat
peristiwa A sebanyak Y diantara N. Maka didapat parameter proporsi
peristiwa A sebesar = (Y/n).

Dari populasi ini diambil sampel acak berukuran n dan dimisalkan
didalamnya ada peristiwa a sebanyak x. Sampel ini memberikan statistik
proporsi peristiwa A = x/n.

Jika semua sampel yang mungkin diambil dari populasi itu maka didapat
sekumpulan harga-harga statistik proporsi. Dari kumpulan ini kita dapat
menghitung rata-ratanya, diberi simbol x/n dan simpangan bakunya
diberi simbol x/n.

Untuk distribusi proporsi kita dapat menggunakan rumus:


f
x
P

=
k
P
P

=



Selain itu, kita juga dapat menggunakan rumus frekuensi relatif untuk
menentukan frekuensi relatif dari suatu distribusi frekuensi:

f
f
Fr
i
i

=


2.5. Distribusi Multinomial
Perluasan dari distribusi binomial adalah distribusi multinomial. Misalkan
sebuah experiment menghasilkan peristiwa-peristiwa E1, E2, , Ek
dengan peluang 1 = P(E1), 2 = P(E2), .., k = P(Ek) dengan 1 + 2 + +
k = 1.

Terhadap experiment ini kita lakukan percobaan sebanyak N kali. Maka
peluang akan terdapat x1 peristiwa E1, x2 peristiwa E2, .., xk peristiwa Ek
diantara N, ditentukan oleh distribusi multinomial berikut:


k 2 1
x
k
x
2
X
1
k 2 1
k 2 1
,...,
! x !... x ! x
! N
) x ,..., x , x ( p t t t =

dengan x1 + x2 + + xk = N dan 1 + 2 + + k = 1, sedang 0 < 1 < 1, i =
1, 2, k.

Ekspektasi terjadinya tiap peristiwa E1, E2, , Ek dalam peristiwa
multinom, berturut-turut adalah N1, N2 , Nk sedangkan varians
masing-masing:
N1 (1 - 1), N2 (1 2),, Nk(1 k).

Untuk lebih jelasnya akan kita kemukakan dengan contoh berikut:
Sebuah kotak berisi 3 barang yang dihasilkan oleh mesin A, 4 oleh mesin B
dan 5 oleh mesin C. Kecuali dikategorikan berdasarkan mesin, identitas
lainnya mengenai barang tersebut adalah sama. Sebuah barang diambil
secara acak dari kotak itu, identitas mesinnya dilihat, lalu disimpan
kembali ke dalam kotak. Tentukan peluang di antara 6 barang yang
diambil dengan jalan demikian didapat 1 dari mesin A, 2 dari mesin B dan
3 dari mesin C.


Penyelesaian:
Jelas bahwa P(dari mesin A) = 3/12, P(dari mesin B) = 4/12, dan P(dari
mesin C) = 5/12.
Maka P(1 dari mesin a dan 2 dari mesin B dan 3 dari mesin C) adalah:
1206 , 0
12
5
12
4
12
3
! 3 ! 2 ! 1
! 6
3 2 1
=
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|


2.6. Distribusi Hypergeometrik
Misalkan ada sebuah populasi berukuran N diantaranya terdapat k buah
yang termasuk kategori tertentu. Dari populasi ini sebuah sampel acak
diambil berukuran n.

Maka dari pernyataan yang ada tersebut, kita dapat menentukan peluang
dalam sampel jika terdapat x buah yang termasuk ke dalam kategori
tersebut, dengan menggunakan distribusi hypergeometrik yang dinyatakan
dalam rumus:

(

= = =
n
N
x n
k N
x
k
) k , n , N , x ( h ) 0 x ( P

dengan x = 0, 1, 2, ..,n

Contoh:
Sekelompok manusia terdiri atas 50 orang dan 3 diantaranya lahir pada
tanggal 1 Januari. Secara acak diambil 5 orang. Berapa peluangnya
diantaranya 5 orang tadi:
a. Tidak terdapat yang lahir tanggal 1 Januari
b. Terdapat tidak lebih dari seorang yang lahir pada tanggal 1 Januari?

Penyelesaian:
a. Ambil x = banyak orang diantara n = 5 yang lahir pada tanggal 1
Januari. Maka dengan N = 50, k = 3, maka dapat dihitung P(0) sebagai
berikut:
724 . 0
5
50
5
47
0
3
) 0 x ( P =
(

= =
b. Tidak lebih dari seorang yang lahir pada 1 Januari, berarti x = 0 dan x =
1. P(0) sudah dihitung di atas.
253 . 0
5
50
4
47
1
3
) 1 x ( P =
(

= =
Sehingga, peluang paling banyak seorang diantara 5 orang itu yang
lahir pada 1 Januari adalah 0,724 + 0,253 = 0,977.

Dalam distribusi hypergeometrik ini, kita dapat menentukan jumlah
sampel sukses dalam populasi (N), dengan menggunakan rumus:

=
P
M
N
'

dengan M = jumlah sukses dalam populasi.

2.7. Distribusi Poisson dan Distribusi Eksponensial
Variabel acak diskrit X dikatakan mempunyai distribusi poisson jika fungsi
peluangnya berbentuk:

! x
e
P ); i x ( P
x .

= =




dengan x = 0, 1, 2, 3, ., sedangkan e = sebuah bilangan konstan yang jika
dihitung hingga 4 desimal e = 2,7183 dan = sebuah bilangan tetap.

Distribusi poisson memiliki parameter, yaitu:
=
= \

Distribusi poisson sering digunakan untuk menentukan peluang sebuah
peristiwa yang dalam area kesempatan tertentu diharapkan terjadinya
sangat jarang.

Peluang dalam distribusi poisson dapat ditentukan dengan menggunakan
rumus:

! x
e
P ); i x ( P
x .

= =



dengan: e = bilangan konstan (2,7183)
= rata-rata persatuan waktu

Untuk lebih jelasnya kita akan tinjau beberapa contoh berikut:
1. Banyak orang yang lewat melalui muka pasar setiap hari, tetapi
sangat jarang terjadi seseorang yang menemukan barang hilang dan
mengembalikannya kepada si pemilik atau melaporkannya pada
polisi.
2. Dalam tempo setiap 5 menit, operator telepon banyak menerima
permintaan nomor untuk disambungkan, diharapkan jarang sekali
terjadi salah sambung.


3. Misalkan rata-rata ada 1,4 orang buat huruf untuk setiap 100 orang.
Sebuah sampel berukuran 200 telah diambil. Jika x = banyak buta
huruf per 200 orang, maka untuk kita sekarang = 2,8. Peluangnya
tidak terdapat yang buta huruf itu adalah :
0608 . 0
! 0
8 . 2 e
P ); 0 x ( P
0 8 . 2
= = =


Sedangkan peluang terdapatnya yang buta huruf sama dengan
0,9392.

Distribusi poisson dapat pula dianggap sebagai pendekatan kepada
distribusi binomial. Jika dalam hal distribusi binomial, N cukup besar
sedangkan = peluang terjadinya peristiwa A, sangat dekat kepada nol
sedemikian sehingga = Np tetap, maka distribusi binomial sangat baik
didekati oleh distribusi poisson. Untuk penggunaannya, sering dilakukan
pendekatan ini jika N/ 50 sedangkan Np < 5.

Untuk lebih jelasnya kita akan meninjau sebuah contoh berikut ini:
Peluang seseorang akan mendapat reaksi buruk setelah disuntik besarnya
0,0005. dari 4000 orang yang disuntik, tentukan peluang yang mendapat
reaksi buruk:
a. Tidak ada
b. Ada 2 orang
c. Lebih dari 2 orang
d. Tentukan ada berapa orang diharapkan yang akan mendapat reaksi
buruk!

Penyelesaian:
a. Dengan menggunakan pendekatan distribusi poisson kepada
distribusi binomial, maka = Np = 4000 x 0,0005 = 2.

Jika X = banyak orang yang mendapat reaksi buruk akibat suntikan
itu, maka:
1353 . 0
! 0
2 e
P ); 0 x ( P
0 2
= = =


b. Dalam hal ini X = 2, sehingga:
2706 . 0
! 2
2 e
P ); 2 x ( P
2 2
= = =


Peluang ada dua orang mendapat reaksi buruk ialah 0,2706.
c. Yang menderita reaksi buruk lebih dari 2 orang, ini berarti X = 3, 4, 5,
.. Tetapi p(0) + p(1) + p(3) + = 1, maka p(3) + p(4) + = 1 p(0)
p(1) p(2). Harga-harga p(0) dan p(2) sudah dihitung di atas.
2706 . 0
! 1
8 . 2 e
P ); 1 x ( P
1 2
= = =


Peluang yang dicari adalah 1 (0,1353 + 0,2706 + 0,2706) = 0,3235.
d. Dengan kata lain pertanyaan ini ditujukan menentukan rata-rata . Di
atas sudah dihitung = 2.

Sedangkan untuk distribusi eksponensial, mempunyai parameter untuk
rata-rata persatuan waktu. Dari rata-rata yang telah diketahui, kita
dapat menentukan nilai peluang distribusi eksponensial dengan
menggunakan rumus:

|

|
=
x
e
1
P

2.8. Distribusi Normal
Macam-macam distribusi yang dibicarakan di atas, semua variabel
acaknya bersifat diskrit. Sedangkan distribusi normal yang akan kita bahas
sekarang adalah merupakan distribusi dengan variabel acak kontinue.
Distribusi normal (distribusi Gauss) ini merupakan salah satu yang paling
penting dan banyak digunakan.

Jika variabel acak kontinue X mempunyai fungsi densitas pada X = x
dengan persamaan:

2
x
2 / 1
e
2
1
) x ( f
|
.
|

\
|
o

t o
=

dengan: = nilai konstan (3,1416),
e = bilangan konstan (2,7183),
= parameter, merupakan rata-rata untuk distribusi,
= parameter, simpangan baku untuk distribusi.
dan nilai x mempunyai batas - ~ < x < ~, maka dikatakan bahwa
variabel acak X berdistribusi normal.

Sifat-sifat penting distribusi normal:
1. grafiknya selalu ada di atas sumbu datar x.
2. bentuknya simetrik terhadap x = .
3. mempunyai satu modus, jadi kurva tercapai pada x = sebesar
0,3989/.
4. grafiknya mendekati (berasimtutkan) sumbu datar x dimulai dari x =
+ 3 ke kanan dan x = - 3 ke kiri.
5. luas daerah grafik selalu sama dengan satu unit persegi.

Untuk tiap pasang dan , sifat-sifat di atas selalu dipenuhi, hanya
bentuk kurvanya saja yang berlainan. Jika makin besar, kurvanya makin
rendah (platikurtik) dan untuk makin kecil, kurvanya makin tinggi
(leptokurtik).




Untuk luas daerah di bawah kurva normal (Z) dapat menggunakan
rumus:

o

=
X
Z

dengan: X = rata-rata sampel
= rata-rata populasi
= simpangan baku (untuk populasi)

Setelah kita memiliki distribusi normal baku yang didapat dari distribusi
normal umum, maka daftar distribusi normal baku dapat digunakan.
Dengan daftar ini, bagian-bagian luas dari distribusi normal baku dapat
dicari. Caranya adalah:
1. Hitung z sampai dua desimal.
2. Gambarkan kurva normalnya.
3. Letakkan harga z pada sumbu datar, lalu tarik garis vertikal hingga
memotong kurva.
4. Luas yang tertera dalam daftar adalah luas daerah antara garis ini
dengan garis tegak di titik nol.
5. Dalam daftar tabel distribusi normal, cari tempat harga z pada kolom
paling kiri hanya hingga satu desimal dan desimal keduanya dicari
pada baris paling atas.

6. Dari z kolom kiri maju ke kanan dan dari z dibaris atas turun ke
bawah, maka didapat bilangan yang merupakan luas yang dicari.
Bilangan yang didapat harus ditulis dalam bentuk 0,xxxx (bentuk 4
desimal).



Karena seluruh luas = 1 dan kurva simetrik terhadap = 0, maka luas dari
garis tegak pada titik nol ke kiri ataupun ke kanan adalah 0,5.

Untuk mencari kembali z apabila luasnya diketahui, maka dilakukan
langkah sebaliknya. Misalnya jika luas = 0,4931, maka dalam badan daftar
dicari 4931 lalu menuju ke pinggir sampai pada kolom z, didapat 2,4 dan
menuju ke atas sampai batas z didapat 6. Harga z = 2,46.

Beberapa bagian luas untuk distribusi normal umum dengan rata-rata
dan simpangan baku tertentu dengan mudah dapat ditentukan.
Tepatnya, jika sebuah fenomena berdistribusi normal, maka dari
fenomena itu:
1. Kira-kira 68,27% dari kasus ada dalam daerah satu simpangan baku
sekitar rata-rata, yaitu antara dan + .
2. Ada 95,45% dari kasus terletak dalam daerah dua simpangan baku
sekitar rata-rata, yaitu antara 2 dan + 2.
3. Hampir 99,73% dari kasus ada dalam daerah tiga simpangan baku
sekitar rata-rata, yaitu antara 3 dan + 3.

2.9. Pengecekan Distribusi Normal
Untuk keperluan analisis selanjutnya, dalam statistika induktif, ternyata
model dari distribusi harus selalu diketahui bentuknya. Teori-teori
menaksir dan menguji hipotesis misalnya, dianut berdasarkan kepada
asumsi bahwa populasi yang sedang diselidiki berdistribusi normal. Jika
asumsi ini tidak dipenuhi, artinya ternyata populasinya tidak
berdistribusi normal, maka kesimpulan berdasarkan teori itu tidak
berlaku.



Karenanya, sebelum teori lebih lanjut digunakan dan kesimpulan diambil
berdasarkan teori di mana berdasarkan teori di mana asumsi normalitas
dipakai, terlebih dahulu perlu diselidiki apakah asumsi itu dipenuhi
tidak.

Data sampel yang telah diambil dari sebuah populasi perlu disusun dalam
sebuah daftar distribusi frekuensi. Dari sini kemudian dibentuk daftar
distribusi frekuensi kumulatif relatifnya kurang dari. Lalu lakukan
pembentukan daftar untuk diambil batas-batas kelas intervalnya.
Selanjutnya, frekuensi kumulatif relatif ini digambar.

Pada sumbu datar digambarkan skala untuk batas-batas atas sedangkan
sumbu tegak melukiskan persen kumulatifnya. Selanjutnya, titik-titik
yang ditentukan oleh batas atas dan frekuensi kumulatif relatif
digambarkan. Perhatikan baik-baik letak titik-titik yang didapat.

Jika letak titik-titik pada garis lurus atau hampir pada garis lurus, maka
disimpulkan:
a. Mengenai data itu sendiri.
Dikatakan bahwa data itu berdistribusi normal atau hampir
berdistribusi normal (atau dapat didekati oleh distribusi normal).
b. Mengenai populasi dari mana data sampel diambil.
Dikatakan bahwa populasi dari mana sampel diambil ternyata
berdistribusi normal atau hampir berdistribusi normal (atau dapat
didekati oleh distribusi normal).




Jika letak titik-titik itu menyimpang jauh terhadap garis lurus, maka dapat
disimpulkan bahwa data itu atau populasi dari mana sampel diambil
tidak berdistribusi normal.

Anda mungkin juga menyukai