Distribusi normal dikenal juga sebagai distribusi Gaussian, merupakan salah satu distribusi

peluang kontinu dengan grafik berbentuk bel/genta. Distribusi normal paling banyak
digunakan dalam berbagai analisis statistika. Banyak sekali kejadian ataupun fenomena baik
dalam ilmu sosial maupun ilmu alam yang dapat dihitung melalui pendekatan dengan
mengikuti distribusi normal. Distribusi normal banyak digunakan dalam berbagai distribusi
dalam statistika, dan kebanyakan pengujian hipotesis mengasumsikan normalitas suatu data.
Variabel acak X
berdistribusi normal dengan rata-rata dan varians 2
jika mempunyai fungsi kepadatan

f(x)=n(x;,)=12e12(x)2
, <x<

Sifat-sifat kurva normal :

Kurvanya mempunyai puncak yang tunggal

Modus terjadi pada x=

(bisa juga dikatakan rata-rata

tepat ditengah kurva tertinggi)
Kurva simetris terhadap x=
Kedua ujung kurva semakin mendekati sumbu mendatar bila nilai x
bergerak menjauhi rata-rata

 (sumbu mendatar di sebut asimtot dari kurva normal)

Seluruh luas kurva normal di atas sumbu mendatar adalah 1
.
Simpangan baku
menentukan bentuk kurva, semakin kecil

akan semakin runcing juga kurvanya .

Fungsi kepadatan peluangnya adalah f(x)=n(x;,)=12e12(x)2

, <x<
Rumus fungsi kepadatan f(x)
akan sulit diselesaikan integralnya :
Sebagai ilustrasinya , perhatikan contoh di bawah ini :
Dari hasil penelitian , kandungan garam pada air di muara sungai Kapuas didapatkan rataratanya adalah 215
mg/liter, dan simpangan bakunya 45 mg/liter. Jika diambil satu liter secara acak, tentukan
peluang kad ar garamnya kurang dari 200

mg/liter
Jawab :
Fungsi kepadatan peluangnya adalah f(x)=n(x;,)=12e12(x)2
, <x<

P(x<200)=2001452e12(x21545)2dx
Integral ini sulit di selesaikan
Sebenarnya yang kita cari luas daerah yang diarsir
Seperti pada gambar dibawah ini

Untuk menyelesaikan persoalan dalam menyelesaikan integral fungsi kepadatan peluangnya ,

maka dapat diatasi dengan mentransformasikan variabel acak normal X
menjadi variabel acak Z
.
Dimana z=x
Sehingga X~N(,2)
sama artinya dengan Z~N(0,1)
Keterangan : Z~N(0,1)
dibaca Z terdistribusi normal dengan rata-rata 0 dan varians 1

Dan fungsi kepadatannya f(z)=12e12z2

<x<
dengan =0
dan =1
Nilai probabilitas Z
seperti P(z1<Z<z2) dapat ditentukan dengan menggunakan table distribusi normal Z
.
The Normal Distribution Function
If Z
has a normal distribution with mean 0 and Variance 1 then, for each value of z
, the table
Gives the value of (z)
, where (z)=P(Zz) , For negative value of z use (z)=1(z)

Distribusi Poisson

Salah satu sebaran atau distribusi diskrit yang sangat bermanfaat adalah sebaran
poisson. Sebaran ini dapat dipandang sebagai penghampir sebaran binomial atau bentuk batas
dari sebaran binomial. Poisson dapat juga didekati sesuai dengan sebaran itu sendiri dengan
pertimbangan proses poisson.
Distribusi poisson merupakan distribusi diskrit yang mengestimasi probabilitas
munculnya suatu keluaran dalam suatu standar unit tertentu sebanyak x kali. Rata-rata
kemunculan keluaran tersebut per unitnya konstan sebesar standar unit ini dapat berupa
interval waktu (menit, detik, hari, dan bulan) atau luas daerah tertentu (walpole, 1982).
Contoh penerapannya adalah jumlah deringan telepon per jam di suatu kantor, jumlah
goresan atau cacat dari suatu permukaan produk, jumlah bakteri dalam suatu kultur, dan
kesalahan sambung pada nomor telepon.
Karakteristik distribusi poisson yaitu terdiri dari n buah percobaan yang saling bebas.
Ukuran n yang sangat besar dalam setiap percobaan hanya satu hasil saja yang dijadikan titik
pengamatan, probabilitas terjadinya suatu hasil sukses konstan untuk setiap percobaan dan
besarnya proposional terhadap selang waktu atau luas daerahnya, dan probabilitas terjadinya
keluaran lebih dari satu dalam suatu selang waktu atau interval yang sangat sempit dapat
diabaikan.
Distribusi poisson disebut juga distribusi peristiwa yang jarang terjadi, distribusi
poisson diberi nama sesuai dengan penemunya yaitu Siemon D. Poisson (1781-1841),
seorang ahli matematika bangsa Perancis. Distribusi poisson termasuk distribusi teoritis yang
memakai
variabel
random
(variabel
acak)
diskret.
Distibusi poisson merupakan distribusi probabilitas untuk variabel diskret acak yang
mempunyai nilai 0,1, 2, 3 dan seterusnya. Distribusi poisson adalah distribusi nilai-nilai bagi
suatu variabel random X (X diskret), yaitu banyaknya hasil percobaan yang terjadi dalam
suatu interval waktu tertentu atau disuatu daerah tertentu. Fungsi probabilitas diskret yang

sangat penting dalam beberapa aplikasi praktis. Poisson memperhatikan bahwa distribusi
binomial sangat bermanfaat dan dapat menjelaskan dengan sangat memuaskan terhadap
probabilitas binomial b(Xn.p) untuk X= 1,2,3 n. Suatu kejadian dimana n sangat besar
(lebih besar dari 50) sedangkan probabilitas sukses (p) sangat kecil seperti 0,1 atau kurang,
maka nilai binomialnya sangat sulit dicari. Suatu bentuk dari distribusi ini adalah rumus
pendekatan distribusi poisson untuk peluang binomial yang dapat digunakan untuk
pendekatan probabilitas binomial dalam situasi tertentu.
Ciri-ciri percobaan poisson adalah sebagai berikut.
1) Banyaknya hasil percobaan yang terjadi dalam suatu selang waktu atau suatu daerah
tertentu, tidak bergantung pada banyaknya hasil percobaan yang terjadi pada selang
waktu atau daerah lain yang terpisah.
2) Peluang terjadinya satu hasil percobaan selama suatu selang waktu yang singkat sekali
atau dalam suatu daerah yang kecil, sebanding dengan panjang selang waktu tersebut atau
besarnya daerah tersebut, dan tidak bergantung pada banyaknya hasil percobaan yang
terjadi di luar selang waktu atau daerah tersebut.
3) Peluang bahwa lebih dari satu hasil percobaan akan terjadi dalam selang waktu yang
singkat tersebut atau dalam daerah kecil tersebut, dapat diabaikan.
Distribusi poisson banyak digunakan dalam hal sebagai berikut.
1) Menghitung probabilitas terjadinya peristiwa menurut satuan waktu, ruang atau isi, luas,
panjang tertentu, saeperti menghitung probabilitas dari kemungkinan kesalahan
pemasukan data atau kemungkinan cek ditolak oleh bank. Jumlah pelanggan yang harus
antri pada pelayanan rumah sakit, restaurant cepat saji atau antrian yang panjang bila ke
ancol. Semua contoh ini merupakan beberapa hal yang menggambarkan tentang suatu
distribusi poisson.
2) Menghitung distribusi binomial apabila nilai n besar (n 30) dan p kecil (p<0,1). Jika
kita menghitung sejumlah benda acak dalam suatu daerah tertentu T, maka proses
penghitungan ini dilakukan sebagai berikut.
a. Jumlah rata-rata benda di daerah S T adalah sebanding terhadap ukuran S, yaitu
ECount(S)= S, di sini melambangkan ukuran S, yaitu panjang, luas, volume, dan
lain-lain. Parameter > 0 menggambarkankan intensitas proses.
b. Menghitung di daerah terpisah adalah bebas.
c. Kesempatan untuk mengamati lebih dari satu benda di dalam suatu daerah kecil
adalah sangat kecil, yaitu P(Count(S)2) menjadi kecil ketika ukuran menjadi kecil.
Distribusi poisson sebagai pendekatan dari distribusi binomial.
Uraian ini akan diarahkan pada pembuktian bahwa distribusi poisson sebagai pendekatan dari
distribusi binomial. Distribusi poisson kumulatif adalah probabilitas dari peristiwa poisson
lebih dari satu.

Menggunakan tabel untuk distribusi poisson yaitu untuk membantu memperoleh

dengan cepat nilai probabilitas distribusi poisson, tabel hasil distribusi poisson akan sangat
membantu. Penggunaan tabel distribusi poisson menghendaki pengetahuan nilai tengah ratarata hitung (= n.p) dan jumlah sukses X. Pada baris dapat dilihat nilai dan pada kolom
dapat dilihat nilai X. Nilai rata-rata harapan (expected value) dan varian dari suatu fungsi
distribusi poisson adalah sama, yaitu.
............................................(2.12)

Percobaan distribusi poisson adalah percobaan yang menghasilkan peubah acak X

yang bernilai numerik, yaitu banyaknya sukses selama selang waktu tertentu atau dalam
daerah tertentu. Selang waktu tertentu dapat berupa sedetik, semenit, sejam, sehari, seminggu
maupun sebulan. Daerah tertentu dapat berupa satu meter, satu kilometer persegi dan lainlain.
Distribusi peluang peubah acak poisson X yang menyatakan banyaknya sukses yang
terjadi dalam suatu selang waktu atau daerah tertentu, diberikan oleh x = 0,1,2,
menyatakan rata-rata banyaknya sukses yang terjadi dalam selang waktu atau daerah tertentu
tersebut dan e = 2,71828
Persoalan menyelesaikan distribusi poisson kita dapat menggunakan tabel statistik
dengan jumlah peluang poisson untuk beberapa nilai tertentu dengan dari 0, 1 sampai 18.
1) Rataan dan variansi distribusi poisson p(x; ) keduanya sama dengan .
2) Bila n besar dan p dekat dengan nol, distribusi poisson dapat digunakan, dengan = np,
untuk menghampiri peluang binomial.
3) Bila p dekat dengan 1, distribusi poisson masih dapat dipakai untuk menghampiri peluang
binomial dengan mempertukarkan apa uang telah dinamai dengan sukses dan gagal, jadi
dengan mengganti p dengan suatu nilai yang dekat dengan nol.
Pendekatan Peluang poisson untuk peluang binomial, dilakukan jika n besar (n > 20)
dan p sangat kecil (p < 0.01) dengan terlebih dahulu menetapkan p dan kemudian
menetapkan = n * p. Distribusi poisson juga untuk menghitung probabilitas timbulnya
gejala yang diharapkan (gejala sukses) dari sejumlah n kejadian atau sampel, tetapi untuk
kasus yang n-nya besar dan -nya sangat kecil.
Perhitungan distribusi binomial dapat didekati dengan menggunakan distribusi
poisson. Distribusi binomial dengan populasi yang cutup besar (N) dan peluang terjadinya
suatu kejadian yang dimaksud p cukup kecil, sehingga q = 1-p mendekati 1, maka kejadian
itu disebut suatu kejadian langka ( rare event ).

Distribusi Gauss (Normal)

Sifat acak suatu pengukuran selalu mengikuti suatu distribusi tertentu,

sebagai contoh eksperimen uang logam dan dadu di atas mengikuti
distribusi binomial. Bila distribusi binomial tersebut mempunyai
probabilitas sangat kecil maka akan berubah menjadi distribusi Poisson,
sedangkan bila distribusi Poisson tersebut menghasilkan nilai ukur yang
besar (beberapa literatur menuliskan > 40) maka berubah menjadi
distribusi Gauss (Normal). Tiga jenis distribusi tersebut memang tidak
dibahas pada tulisan ini, bagi yang berminat untuk mempelajari lebih
lanjut silahkan membaca literatur statistik.
Zat radioaktif mempunyai konstanta peluruhan ( ) yang sangat kecil,
misalnya U-238 adalah 4.88 10-18 dan aktivitas sumber biasanya bernilai
sangat besar dalam orde Bq (peluruhan per detik), misalnya aktivitas 1
Ci setara dengan 3.7 104 peluruhan per detik. Oleh karena itu pancaran
radiasi mengikuti distribusi Gauss (Normal).

Gambar di atas menunjukkan probabilitas nilai ukur yang mungkin

dihasilkan oleh pengukuran berulang terhadap suatu besaran yang

mengikuti distribusi Gauss. Terlihat bahwa nilai ukur yang dihasilkannya

dapat bermacam-macam, dengan probabilitas terbesar adalah terletak pada
nilai rata-ratanya.

Oleh karena aktivitas zat radioaktif bersifat acak mengikuti distribusi

Gauss (Normal) maka intensitas radiasi yang terukurpun akan bersifat
acak sehingga data hasil pengukurannya juga akan mengikuti distribusi
Gauss. Pengukuran intensitas radiasi yang dilakukan secara berulang pasti
akan memperoleh hasil pengukuran yang berbeda-beda. Yang menjadi
pertanyaan adalah berapakah nilai ukur yang sebenarnya.
Dengan fenomena tersebut di atas maka pengukuran intensitas radiasi
harus dilakukan secara berulang, baik beberapa kali atau dalam selang
waktu cukup panjang, yang berarti akumulasi nilai dari pengulangan
waktu beberapa detik. Nilai ukur sebenarnya diduga berada di dalam
rentang nilai rata-rata nilai simpangannya.
Sebagaimana perhitungan matematika biasa, nilai rata-rata dapat dihitung
dengan persamaan berikut

Sedangkan nilai simpangan ( ) dari pengukuran tunggal suatu besaran

yang mengikuti distribusi Gauss adalah akar dari nilai ukurnya.