Anda di halaman 1dari 11

Modul 9 : Distribusi Peluang : Kontinu

STATISTIKA

UNIVERSITAS KOMPUTER INDONESIA

0
JURUSAN MANAJEMEN INFORMATIKA

Distribusi Normal

Apa yang dibahas dalam materi sebelumnya adalah suatu situasi yang
melibatkan klasifikasi (dalam hal ini bersifat dikotomi). Pengamatannya
diperoleh dari hasil pencacahan atau perhitungan banyaknya peritiwa yang
terjadi. Namun dalam kenyataannya seringkali kita dihadapkan oleh variabel
yang nilainya merupakan hasil pengukuran atau pengamatan yang berisikan nilai-
nilai yang dihasilkan oleh alat ukurnya. Hasil pengukuran ini bisa mengambil
sebuah nilai di antara dua nilai katakanlah antara 1 dan 2. Jadi hasilnya bisa
berbentuk pecahan. Tidak seperti distribusi dengan variabel diskrit yang
peluangnya dihitung hanya untuk nilai-nilai variabel yang bukan pecahan.
Misalnya peluang terjadinya sukses sebanyak 3 kali dari 50 percobaan,
peluangnya seorang ibu melahirkan 1 anak laki-laki atau peluang 3 orang
karyawan yang tidak setuju terhadap kebijakan perusahaan.
Untuk variabel acak yang mengambil nilai pecahan atau desimal seperti
berat, tinggi, panjang, jarak atau pengukuran kontinu lainnya, biasanya akan
mengikuti distribusi yang dikenal sebagai distribusi normal. Dalam distribusi
peluang kontinu ini, nilai-nilai peluang dihitung berdasarkan luas dari suatu
area. Jadi dalam hal ini kita dapat menghitung peluang variabel acak lebih kecil
atau sama dengan () suatu nilai, lebih besar atau sama dengan () suatu nilai
atau sama dengan (=) suatu nilai, bahkan di antara dua nilai yang dinyatakan
dalam luas area.
Distribusi normal merupakan salah satu distribusi peluang yang populer dan
banyak digunakan dalam berbagai keperluan baik dalam ilmu sosial, ilmu alam
atau teknik. Pada dasarnya distribusi ini dapat dijelaskan dari distribusi
frekuensi relatif (lihat bab 3). Penjelasannya adalah sebagai berikut. Apabila
dalam sebuah distribusi frekuensi kita memperbanyak jumlah kelas intervalnya
atau panjang kelasnya dipersempit, maka kita akan memperoleh titik tengah
yang lebih banyak dan akhirnya akan diperoleh sebuah kurva frekuensi yang lebih
halus yang dapat dianggap sebagai gambaran atau model populasi yang sedang di
amati. Dengan memanfaatkan distribusi normal maka kita dapat menghitung
berapa peluang variabel acak diantara nilai-nilai yang kita tetapkan. Misalnya
saja ingin diketahui berapa peluang seorang karyawan yang dipilih secara acak
memiliki berat badan antara 56 dan 60 kilogram atau tingginya lebih kecil dari
170 cm.

PARAMETER DISTRIBUSI NORMAL


Parameter dari distribusi normal adalah rata-ratanya  dan simpangan baku
. Secara matematis distribusi normal mempunyai bentuk :

( x  )2
1 
 x 
f ( x)  e 2 2 ; … (4)
 2

di mana e = 2,71828,  = 3,1416

1
Hubungan antara peluang area pengukuran dalam distribusi normal dengan
kedua parameternya dapat dilihat dalam Gambar 1. Distribusi normal bersifat
simetris di sekitar nilai rata-ratanya. Luas area di bawah kurva adalah 1 yaitu
sama dengan jumlah peluang dalam distribusi peluang. Dengan demikian peluang
bahwa variabel acak lebih besar atau sama dengan rata-ratanya ( ) adalah
0,5000. Simpangan baku pertama () baik sebelah kiri atau kanan berisikan
34,13% dari unsur-unsur dalam distribusi. Oleh karenanya, peluang variabel acak
terletak di antara satu simpangan baku adalah sebesar 2  0,3414 = 0,6826.
Demikian pula peluang variabel acak terletak di antara dua simpangan baku
adalah 2  (0,3414 + 0,1359) = 0,9544 dan di antara tiga simpangan baku adalah
2  (0,3414 + 0,1359 + 0,0215) = 0,9974.

0,0215 0,0215
0,1359 0,3413 0,3413 0,1359
0,0013 0,0013

- - -      


Gambar 1 Area di bawah kurva distribusi normal

DISTRIBUSI NORMAL BAKU


Suatu distribusi dikatakan normal apabila sesuai dengan karakteristik
distribusi yang secara teoritis diturunkan dari apa yang disebut sebagai distribusi
normal baku. Distribusi ini mempunyai nilai rata-rata 0 dan varians 1. Luas area
untuk distribusi normal baku telah disusun dalam sebuah tabel yang dikenal
sebagai tabel normal baku (lihat lampiran). Dengan adanya tabel ini maka kita
dapat menghitung peluang variabel acak dari data yang berdistribusi normal
hanya dengan menggunakan transformasi Z yang rumusnya adalah :

Xi  
Zi 

… (5)

Jika data berasal dari sampel maka digunakan :

Xi  X
Zi 
s
… (6)

Jadi, Z di atas merupakan variabel acak yang berdistribusi normal dengan


rata-rata 0 dan varians 1 dan merupakan nilai-nilai baku dari kurva normal.

2
Distribisi normal baku dapat pula digambarkan seperti halnya distribusi
normal. Perbedaannya adalah rata-rata  digantikan oleh 0. Sedangkan luas di
bawah kurva normal baku ini sama saja dengan kurva normal yaitu 1 atau 100%
yang merupakan jumlah peluang semua peristiwa yang bisa terjadi. Untuk
jelasnya lihat Gambar 2. berikut.

- -     
Gambar 7.2. Distribusi normal baku

Cara melihat tabel Normal Baku.

Berikut adalah contoh tabel normal baku yang diambil sebahagian dari tabel
yang sesungguhnya (lihat lampiran untuk tabel yang sesungguhnya). Nilai-nilai z
dimulai dari 0,00 sampai 3,09.

z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09

0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0763
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224

0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621

. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .

Angka-angka yang dicetak tebal adalah nilai-nilai z, sedangkan angka di


dalam tubuh tabel menunjukkan luas area di bawah kurva normal baku atau nilai
peluang mulai dari titik nol hingga z. Perlu diketahui bahwa nilai z yang tercetak
dalam tabel, semuanya untuk nilai z yang positif atau luas area disebelah kanan
kurva, sedangkan yang negatif tidak dicetak karena nilainya adalah sama.
Contohnya, luas area untuk z = 0,65 sama dengan z = -0,65 yaitu 0,2422.

3
Untuk mempermudah pemahaman tentang distribusi normal serta
penggunannya kita lihat contoh berikut ini.

Contoh 7.5. Sebuah perusahaan ayam potong mendapatkan bahwa berat rata-
rata ayam yang sudah bersih adalah 2,5 kg dengan simpangan baku 0,8 kg. Jika
seekor ayam potong diambil secara acak, tentukanlah :

a. Peluang berat ayam kurang dari 3,0 kg


b. Peluang berat ayam lebih dari 3,5 kg
c. Peluang berat ayam antara 2,0 hingga 2,7 kg
d. Peluang berat ayam antara 2,7 hingga 3,0

a. Peluang berat ayam kurang dari 3,0 kg atau P ( X  3,0)

Gunakan transformasi Z :

X   3,0  2,5
z   0,625
 0,8

Yang akan kita cari dari persoalan di atas adalah peluang ayam potong yang
beratnya kurang dari 3,0 kg (daerah yang di arsir dalam gambar berikut). Berarti
yang kita cari adalah luas area mulai dari bagian sebelah kiri kurva (0,5) hingga z
= 0,63 (dibulatkan hingga dua desimal untuk mengakomodasikan tabel z).

z = 0,63

0,5 0,2357

 3,0

Gambar di atas menunjukkan bagaimana kurva normal ditumpangtindihkan


dengan kurva normal baku di mana nilai X = 3,0 adalah sama dengan nilai z =
0,63.
Luas area mulai dari titik 0 hingga nilai z = 0,63 adalah 0,2357. Dengan
demikian, peluang berat ayam yang kurang dari 3,0 kg adalah 0,5 + 0,2357 =
0.7357 atau secara notasi :

P ( X  3,00)  0,5  0,2357  0,7357

Artinya peluang terambilnya ayam potong dengan berat kurang dari 3,0 kg
adalah 73,57%

4
b. Peluang berat ayam lebih dari 3,5 kg atau P ( X  3,5)

3,5  2,5
z  1,25
0,8

Luas area yang akan dicari adalah daerah yang diarsir hitam dalam gambar
berikut. Dari tabel kita dapatkan bahwa luas area untuk z = 1,25 adalah 0,3944.
Jadi luas area yang di arsir hitam adalah 0,5 – 0,3944 = 0,1056 atau secara notasi
:

P ( X  3,50)  0,5  0,3944  0,1056 atau 10,56%

z = 1,25

0,5 0,3944

 3,5

c. Peluang berat ayam antara 2,0 hingga 2,7 kg atau P (2,0  X  2,7)

Dalam persoalan ini pemecahan dilakukan dalam dua langkah. Pertama,


menghitung area antara rata-rata dengan X = 2,0 dan kemudian area antara rata-
rata dengan X = 2,7. Dengan demikian kita akan memperoleh dua nilai z yaitu :

2,0  2,5
z1   0,63 ; Luas area = 0,2357 (sama dengan luas z = 0,63)
0,8

2,7  2,5
z2   0,25 ; Luas area = 0,0987
0,8

z2=0,25
z1=0,63

0,2357 0,0987

  

Jadi P (2,0  X  2,7) = luas z1 + luas z2 = 0,2357 + 0,0987 = 0,3344 atau 33,44%

5
d. Peluang berat ayam antara 2,7 hingga 3,0 atau P (2,7  X  3,0)

Peluang yang dicari adalah luas yang di arsir dari gambar di bawah ini.
Perhitungan sama dengan soal c) yaitu mencari dua nilai z.

2,7  2,5
z1   0,25 ; luas area dari 0 sampai z1 = 0,0987
0,8

3,0  2,5
z2   0,63 ; luas area dari 0 sampai z2 = 0,2357
0,8

P (2,7  X  3,0) = 0,2357 – 0,0987 = 0,137

z1=0,25

z2 = 0,63

 2,7 3,0

APLIKASI DISTRIBUSI NORMAL


Dengan sedikit imajinasi, berat ayam potong seperti yang dicontohkan di atas
bisa dianalogikan dengan pengukuran lainnya yang berkaitan dengan keputusan
manajerial seperti hasil penjualan bulanan, pengukurann daya rentang suatu
material, volume minuman dalam kemasan dan lain sebagainya. Jika data ini
berdistribusi normal, maka dapat diketahui peluang setiap unsur data apakah
termasuk ke dalam suatu nilai-nilai tertentu.
Distribusi normal dapat dikatakan sebagai distribusi yang paling banyak
digunakan dalam analisis statistika lanjutan. Banyak analisis statistika lanjutan
untuk keperluan penaksiran parameter maupun pengujian hipotesis yang
mensyaratlkan bahwa data yang dikumpulkan harus berdistribusi normal.
Olehkarena itu, pemahaman yang mendalam tentang distribusi ini perlu dimiliki
oleh seorang manajer agar informasi yang dihasilkan dari analisis data statistika
dapat digunakan secara benar dalam proses pengambilan keputusan.

PENDEKATAN NORMAL TERHADAP BINOMIAL


Telah dijelaskan sebelumnya bahwa apabila n sangat besar (di luar tabel
binomial) dan p sangat kecil (seperti np  5), maka distribusi binomial dapat
didekati oleh distribusi Poisson. Akan tetapi apabila n di luar nilai tabel dan p
bernilai sangat kecil atau sangat besar, maka distribusi binomial dapat didekati
oleh distribusi normal. Sebagai petunjuk dalam melakukan pendekatan normal
dari binomial adalah :
6
n  30
np dan n(1 – p)  5

Contoh 7.6 :
Anggota suatu dewan juri berisikan 55% wanita. Berapa peluang terpilihnya 50
anggota juri yang dipilih secara acak akan berisikan anggota wanita sebanyak 30
orang atau lebih. Pemilihan ini jelas merupakan proses binomial dengan n = 50,
p = 0,55 dan x  30. Tabel binomial tidak mempunyai nilai untuk n = 50.
Pendekatan Poisson juga tidak dapat dilakukan karena np = 27,5.Demikian pula
tehnik menggunakan 1 – p untuk p tidak dapat dilakukan juga karena n(1 – p) =
23,5. Akan tetapi kriteria untuk pendekatan normal sudah dipenuhi dimana
parameter binomial untuk mendekati distribusi normal adalah :

 B  np  27,5
B  np (1  p )  3,52

Sebelum menghitung peluang distribusi normal, terlebih dahulu perlu dihitung


suatu koreksi yang memperkenankan kita melakukan pendekatan dari distribusi
diskrit ke distribusi kontinu. Dalam distribusi kontinu, nilai 29 didefinisikan
mengambil nilai antara “28,5 sampai 29,5”, nilai 30 di antara nilai 29,5 sampai
30,5 dan seterusnya. Dengan demikian, nilai-nilai diskrit yang sama atau lebih
besar dari 30 dapat diperlihatkan dalam Gambar 7.3. Akhirnya persoalan di atas
dapat diselesaikan sebagaimana persoalan distribusi normal biasa yaitu :

29,5  27,5
z  0,57
3,52

Luas area dari 0 sampai 0,57 adalah 0,2157. Jadi :

P ( X  29,5)  0,5  0,2157  0,2843

Artinya peluang (pendekatan) terpilihnya anggota juri wanita lebih dari 30 orang
adalah 0,2843.(Jika dihitung dengan distribusi binomial diperoleh 0,2862).
z = 0,57

0,2157

0,2843

 29,5  30,5

7
Gambar 3 Pendekatan normal terhadap binomial

PENDEKATAN NORMAL TERHADAP POISSON

Apabila rata-rata distribusi Poisson lebih dari 10, maka mustahil untuk
menggunakan tabel peluang Poisson (meskipun sebenarnya dapat dilakukan
dengan komputer). Olehkarenanya pendekatan normal kepada binomial dapat
diperluas kepada distribusi Poisson (dalam hal ini  > 10).

Contoh 7.6 :
Rata-rata jumlah kendaraan yang mengunjungi bengkel pada jam 16.00 –
17.00 di akhir pekan adalah 16. Berapa peluang bahwa kurang dari 20 kendaraan
akan mengunjungi bengkel pada jam yang sama di hari Selasa mendatang.
Rata-rata distribusi Poisson  lebih dari 10, sehingga pendekatan normal
dapat dilakukan. Parameter Poisson yang ekivalen dengan distribusi normal
adalah :

 P    16
P    4

Koreksi dari distribusi diskrit ke kontinu perlu dilakukan seperti yang


dicontohkan sebelumnya. Jadi dalam hal ini peluang “kurang dari 20” dapat kita
didefinsikan sebagai “kurang atau sama dengan 19,5”. Luas area di bawah kurva
normal lihat Gambar 7.4) dapat dihitung dengan :

19,5  16
z  0,88
4

Dengan menggunakan tabel diperoleh luas areanya adalah 0,3106. Karena nilai z
positif, maka luas area yang dicari adalah mulai dari z = 0,88 ke arah kiri atau :

P ( X  19,5)  0,5  0,3106  0,8106

Jadi peluang (pendekatan) kendaraan yang mengunjungi bengkel di hari


Selasa kurang dari 20 buah adalah 0,8106 (perhitungan secara eksak dengan
menggunakan distribusi Poisson adalah 0,8122).

8
z = 0,88

0,3106

0,5000

19,5 20,5



Gambar 7.4. Pendekatan normal terhadap Poisson

LATIHAN

1. Pengukuran tinggi yang dilakukan oleh lembaga pendidikan tentara terhadap


sejumlah besar calon prajurit ternyata berdistribusi normal. Anggaplah rata-

9
rata tinggi yang diperoleh adalah 168 cm dengan simpangan baku 4 cm.
Berapakah peluang seseorang yang diambil secara acak tingginya :

a. Kurang dari 165 cm


b. Lebih dari 170 cm

2. Jika rata-rata daya tahan lampu pijar adalah 3 tahun dengan simpangan baku
satu tahun. Gunakanlah metode kurva normal untuk menghitung peluang satu
bola lampu yang dipilih secara acak memiliki daya tahan 4 tahun atau lebih.

3. Berikut ini adalah nilai statistika dari 200 bagi mahasiswa non-eksakta :

Nilai Jml. Nila Jml. Nilai Jml. Nilai Jml.


Mhs i Mhs Mhs Mhs
99 1 87 2 75 14 64 2
98 1 85 3 74 12 63 3
97 1 84 4 73 11 62 4
96 2 83 5 72 10 61 2
95 1 82 6 71 6 60 2
94 1 81 5 70 9 59 1
93 1 80 6 69 7 57 1
92 2 79 8 68 5 55 2
90 2 78 8 67 3 54 2
89 2 77 10 66 5 53 1
88 3 76 16 65 3 52 2
50 3

Jika seorang profesor menganggap bahwa nilai ujiannya berdistribusi normal


dan menetapkan bahwa pembagian skor mutu adalah A = 5%, B = 20%, C =
50%, D = 20% dan E = 5% (biasanya disebut penetapan nilai dengan basis 5-20-
50-20-5). Tentukanlah berapa mahasiswa yang mendapat nilai A, B, C, D dan
E.

10