DISTRIBUSI NORMAL

Andi Julian Prakoso (161810101036)

Catrin Nela Betistiyan (161810101037)

Diah Ayu Pujiwati (161810101038)

Sabrina Shena Sarasvati (161810101039)

Abstrak

Distribusi normal, disebut pula distribusi Gauss, adalah distribusi probabilitas yang
paling banyak digunakan dalam berbagai analisis statistika. Distribusi normal baku adalah
distribusi normal yang memiliki rata-rata nol dan simpangan baku satu. Distribusi ini juga
dijuluki kurva lonceng (bell curve) karena grafik fungsi kepekatan probabilitasnya mirip
dengan bentuk lonceng. Distribusi normal memodelkan fenomena kuantitatif pada ilmu alam
maupun ilmu sosial. Beragam skor pengujian psikologi dan fenomena fisika seperti jumlah
foton dapat dihitung melalui pendekatan dengan mengikuti distribusi normal. Distribusi
normal banyak digunakan dalam berbagai bidang statistika, misalnya distribusi sampling rata-
rata akan mendekati normal, meski distribusi populasi yang diambil tidak berdistribusi
normal. Distribusi normal juga banyak digunakan dalam berbagai distribusi dalam statistika,
dan kebanyakan pengujian hipotesis mengasumsikan normalitas suatu data.
1. PENDAHULUAN

1.1 Latar Belakang Masalah

Dikenalnya distribusi normal diawali oleh kemajuan yang pesat dalam pengukuran pada
oabad ke 19. Para ahli matematika dihadapkan pada suatu tantangan mengenai fenomena
variabilitas pengamat atau interna yang artinya bila seorang mengadakan pengukuran
berulang-ulang maka hasilnya akan berbeda-beda. Nilai manakah yang dianggap paling tepat
dari semua hasil pengukuran tersebut merupakan hal yang menjadi pertanyaan. Berdasarkan
kesepakatan maka nilai rata-rata dianggap paling tepat dan semua penyimpangan dari rata-rata
dianggap suatu kesalahan atau error.

Satu-satunya distribusi probabilitas dengan variabel random kontinu adalah distribusi

normal. Ada dua peran yang penting dari distribusi normal. Pertama, distribusi normal
memiliki beberapa sifat yang mungkin untuk digunakan sebagai patokan dalam mengambil
suatu kesimpulan berdasarkan hasil sampel yang diperoleh. Pengukuran sampel digunakan
untuk menafsirkan parameter populasi. Kedua, distribusi normal sangat sesuai dengan
dristribusi empiris, sehingga dapat dikatakan bahwa semua kejadian alami akan membentuk
distribusi ini, sehingga distribusi ini dikenal sebagai distribusi normal dan grafiknya dikenal
sebagai kurva normal atau kurva gauss. Ketepatan dalam pengambilan kesimpulan suatu
pengukuran atau percobaan begitu penting.

1.2 Tujuan dan Signifikasi (Masalah)

a. Mengetahui pengertian distribusi normal
b. Mengetahui kurva distribusi normal
c. Mengetahui syarat suatu data dikatakan normal

2. KAJIAN TEORI TERKAIT

2.1 Teori Statistika Terkait
Distribusi normal, disebut pula distribusi Gauss, adalah distribusi probabilitas yang
paling banyak digunakan dalam berbagai analisis statistika. Distribusi normal baku adalah
distribusi normal yang memiliki rata-rata nol dan simpangan baku satu. Distribusi ini juga
dijuluki kurva lonceng (bell curve) karena grafik fungsi kepekatan probabilitasnya mirip
dengan bentuk lonceng. Distribusi normal memodelkan fenomena kuantitatif pada ilmu alam
maupun ilmu sosial. Beragam skor pengujian psikologi dan fenomena fisika seperti jumlah
foton dapat dihitung melalui pendekatan dengan mengikuti distribusi normal. Distribusi
normal banyak digunakan dalam berbagai bidang , misalnya distribusi sampilng rata-rata
akan mendekati normal, meski distribusi populasi yang diambil statistika, tidak berdistribusi
normal. Distribusi normal juga banyak digunakan dalam berbagai distribusi dalam statistika,
dan kebanyakan pengujian hipotesis mengasumsikan normalitas suatu data.
Grafik dari distribusi normal yang berbentuk seperti genta (lonceng) setangkup yang
simetris disebut kurva normal. Kurva normal adalah bila X merupakan suatu peubah acak
normal dengan nilai tengah µ dan ragam 𝜎 2 , maka persamaannya adalah
1 (𝑥−µ)2
−
𝑛(𝑥; µ; 𝜎) = 𝑒 2𝜎 2
√2𝜋 𝜎 2

Untuk – ∞ < 𝑥 < ∞ . Dalam hal ini π = 3.14159… dan e = 2.71828…

Bentuk kurva normal itu sendiri berbeda tergantung dari nilai µ dan 𝜎 2 nya. Jika nilai µ
berharga positif maka kurva akan bergeser ke kanan dan jika bernilai negatif maka kurva
akan bergeser ke kiri dari titik X = 0. Jika nilai 𝜎 2 bernilai semakin besar maka kurva

normal akan semakin landai dan jika nilai 𝜎 2 bernilai semakin kecil maka kurva normal akan
semakin curam. Berikut perbandingan kurvanya

Dari gambar di atas maka dapat diperoleh sifat-sifat kurva normal, yaitu :
1. Modusnya yaitu titik pada sumbu mendatar yang membuat fungsi mencapai maksimum
yang terjadi pada x = µ
2. Kurvanya setangkup terhadapa suatu garis tegak yang melalui nilai tengah µ
3. Kurva ini mendekati sumbu mendatar secara asimtotik dalam kedua arah bila kita
semakin menjauhi nilai tengahnya.
4. Luasan daerah yang terletak di bawah kurva tetapi di atas sumbu mendatar = 1
Fungsi densitas distribusi normal diperoleh dengan persamaan sebagai berikut
1 1 𝑥−µ 2
− ( )
𝑓(𝑥) = 𝑒 2 𝜎
𝜎√2𝜋
Dimana : π = 3,1416
e = 2,7183
µ = rata-rata
σ = simpangan baku
Persamaan di atas apabila dihitung dan diplot pada grafik akan terlihat seperti pada
gambar berikut

Sifat-sifat penting distribusi normal adalah sebagai berikut:

1. Grafiknya selalu berada di atas sumbu x
2. Bentuknya simetris pada x = µ
3. Mempunyai satu buah modus, yaitu pada x = µ
4. Luas grafiknya sama dengan satu unit persegi, dengan rincian
a. Kira-kira 68% luasnya berada di antara daerah µ – σ dan µ + σ
b. Kira-kira 95% luasnya berada di antara daerah µ – 2σ dan µ + 2σ
c. Kira-kira 99% luasnya berada di antara daerah µ – 3σ dan µ + 3σ
Membuat kurva normal umum bukanlah suatu pekerjaan yang mudah. Rumus untuk
mencari fungsi densitasnya (nilai pada sumbu Y) begitu rumit. Oleh karena itu, tidak banyak
digunakan oleh masyarakat luas. Kurva distribusi normal yang lebih banyak digunakan
adalah distribusi normal baku. Kurva distribusi normal baku diperoleh dari distribusi normal
umum dengan cara transformasi nilai x menjadi nilai z, dengan formula sebagai berikut :
𝑥−µ
𝑧=
σ
Kurva distribusi normal baku disajikan pada gambar berikut

Kurva distribusi normal baku lebih sederhana dibanding kurva normal umum. Pada kurva
distribusi normal baku, nilai µ = 0 dan nilai σ=1, sehingga terlihat lebih menyenangkan. Sifat
yang dimiliki sama dengan sifat-sifat distribusi normal umum. Para ahli statistika telah
menyusun tabel distribusi normal baku dan tabel tersebut dapat ditemukan hampir di semua
buku teks Statistika. Tabel distribusi normal baku disebut juga dengan Tabel Z dan dapat
digunakan untuk mencari peluang di bawah kurva normal secara umum, dengan syarat nilai µ
dan σ diketahui. Sebagai catatan nilai µ dan σ dapat diganti masing-masing dengan nilai 𝑥̅ dan
S.
Luas daerah di bawah kurva normal, bila x menyatakan peubah acak distribusi maka
𝑃(𝑥1 < 𝑥 < 𝑥2 ) diberikan oleh daerah yang berwarna abu-abu

𝑃(𝑥1 < 𝑥 < 𝑥2 )= probabilitas variabel random x memiliki nilai antara 𝑥1 dan 𝑥2
𝑃(𝑥1 < 𝑥 < 𝑥2 )= luas di bawah kurva normal antara 𝑥 = 𝑥1 dan 𝑥 = 𝑥2
2.2 Uraian Ringkas Tentang Distribusi Normal
Berdasarkan latar belakang di atas, kelompok kami akan menjelaskan tentang distribusi
normal. Kami mendapatkan materi dari website http://statslab-
rshiny.fmipa.unej.ac.id/RDoc/dkon/#norm, dimana website ini dapat memudahkan
mahasiswa untuk mendefinisikan distribusi normal/gaussian, menentukan mean dan variansi
distribusi normal/gaussian, mendefinisikan distribusi normal/gaussian baku, dan lain
sebagainya. Serta dapat menghitung suatu data statistika dengan cara memasukkan sebuah
tabel berformat csv.

3. METODE
3.1 Data dan Sumbernya
3.2 Hipotesis
3.3 Analisis Data
3.4 Langkah dan Prosedur

4. Hasil dan Pembahasan

4.1 Hasil
4.2 Pembahasan

5. Kesimpulan
6. Daftar Pustaka

1. Kajian Teori Terkait.

Teor statistika terkait

Uraian ringkas tentang R

Article I. BAB II PEMBAHASAN

2.1 Distribusi Normal
Distribusi peluang kontinu yang terpenting dalam seluruh bidang statistika adalah
distribusi normal. Distribusi normal merupakan suatu alat statistik yang sangat penting
untuk menaksir dan meramalkan peristiwa-peristiwa yang lebih luas. Grafiknya disebut
kurva normal, terbentuk lonceng seperti pada gambar 2.1. yang menggambarkan dengan
cukup baik banyak gejala yang muncul di alam, industri, dan penelitian. Pengukuran fisik
di bidang seperti percobaan meteorologi, penelitian curah hujan, dan pengukuran suku
cadang yang diproduksi sering dengan baik dapat diterangkan menggunakan distribusi
normal.
Di samping itu, galat dalam pengukuran ilmiah dapat dihampiri dengan sangat
baik oleh distribusi normal. Pada tahun 1733, Abraham de Moivre menemukan persamaan
matematika kurva normal. Ini merupakan dasar bagi banyak teori statistika induktif.
Distribusi normal sering pula disebut distribusi Gauss untuk menghormati Karl Friedrich
Gauss (1777-1855) yang juga menemukan persamaannya waktu meneliti galat dalam
pengukuran yang berulang- ulang mengenai bahan yang sama.

Gambar 2.1
Suatu peubah acak kontinu X yang distribusinya berbentuk lonceng seperti pada
gambar 2.1 disebut peubah acak normal. Persamaan matematika distribusi peluang peubah
normal kontinu bergantung pada dua parameter 𝜇 dan 𝜎 yaitu rataan dan simpangan
bakunya. Jadi fungsi padat X akan dinyatakan dengan n (x, 𝜇, 𝜎) .

Distribusi Normal
Fungsi padat peubak acak normal X, dengan rataan 𝜇 dan variansi 𝜎 , ialah
 1  x   
2

1  
 
n( x;  ,  )  e  2 
2   x  
Dengan 𝜋= 3,14159 ... dan e = 2,71828
 Fungsi densitas distribusi normal diperoleh dengan persamaan sebagai berikut

x 2
1 1 ( )
f ( x)  e 2 
 2
Keterangan:
π = 3,1416
e = 2,7183
µ = rata-rata
σ = simpangan baku
Begitu 𝜇 dan 𝜎 diketahui maka seluruh kurva normal diketahui. Sebagai contoh,
bila 𝜇 = 50 dan 𝜎 = 5 , maka ordinat n(x; 50, 5) dapat dengan mudah dihitung untuk
berbagai nilai x dan kurvanya dapat digambarkan. Pada ambar 2.2 telah dilukiskan dua
kurva normal yang mempunyai simpangan baku yang sama tapi rataanya berbeda. Kedua
kurva bentuknya persis sama tapi titik tengahnya terletak di tempat yang berbeda di
sepanjang sumbu datar.

Gambar 2.2

Pada gambar 2.3 terlukis dua kurva normal denga rataan yang sama tapi
simpangan bakunya berlainan. Terlihat kedua kurva mempunyai titik tengah yang sama
pada sumbu datar, tapi kurva dengan simpangan baku yang lebih besar tampak lebih
rendah dan lebih melebar. Perhatikan bahwa luas di bawah kurva peluang harus sama
dengan 1 sehingga baik kumpulan data makin berbeda maka makin rendah dan melebar
pula kurvanya.
 Gambar 2.3
Gambar 2.4 memperlihatkan lukisan dua kurva normal yang baik rataan maupun
simpangan bakunya berlainan. Jelas keduanya mempunyai letak titik tengah yang berlainan
pada sumbu datar dan bentuknya mencerminkan dua nilai 𝜎 yang berlainan.

Gambar 2.4

Beberapa sifat dari kurva fungsi kepadatan peluang (densitas) distribusi normal
umum:
1. Kurvanya berbentuk lonceng dan simetrik di x = µ.
2. Rataan, median, modus dari distribusi berimpitan.
1
3. Fungsi kepadatan peluang mencapai nilai maksimum di x = µ sebesar 2 2 .

4. Kurvanya berasimtot sumbu datar x.

1
1 
f ( x)  e 2

5. Kurvanya mempunyai titik infleksi (x, f(x), dengan x = µ ± σ, 2 2

2.2 Mean , Variansi dan Fungsi Pembangkit Momen
Mean, variansi dari fungsi pembangkit momen dari distribusi normal umum
adalah:

Mean E ( X )  

Variansi Var ( X )  
2

 t  2 t 2 
 

Pembangkit momen Mx(t )  e

 2 

Pr oof .

E ( X )     x. f ( x)dx

  ( x   )2
1
  x.
 2 2
e 2 2
dx

(x  )
Misal z  , maka x   z dan dx  dz

Batas-batasnya x  0 maka z  0, dan x   maka z  .
  z2
1
E( X )   ( z   ).
 2 2
e 2
z dz

  z2   z2
 

2 ze

2
dx 
2


e 2
dx

  z2
z2 
karena f  x   z e merupakan fungsi ganjil, maka  ze 2
dz  0
2 2 
  z2

sehingga kita mencari dulu
2 

e 2
dx

(x  )
Misal z  , maka x   z   dan dx   dz

Batas-batasnya x  0 maka z  0, dan x   maka z  
   z2

2 

e 2
dx

  ( x   )2
1 1
 
2 2
e dx
 2 
  ( x   )2
1
 
2 2
e dx
 2 2
  .(1)

Sehingga

  z
   z2
2

E( X )  
2 
z e 2 dx 
2 

e 2
dx

0 

Pr oof .
Var ( X )  E ( X   ) 2

 

( z   ) 2 f ( x)dx


 

( z   ) 2 f ( x)dx

  ( x   )2
1
  (z  ) 2 2
2
e dx
 2 2

x
Misakan p  , maka x     p, dx   dp

Batas-batasnya x  0 maka p  0, dan x   maka p  
  p2
2
Var ( X )  p  dp
2 2 2
e
2 2 0
2.3 MGF Distribusi Normal
Penjelasan singkat mengenai distribusi normal dapat dilihat di artikel “Distribusi
Normal”. Artikel ini akan membahas tentang fungsi pembangkit momen atau moment
generating function (MGF) dari distribusi normal.
Pembahasan awal dari bagian ini adalah menurunkan persamaan MGF-nya.
Selanjutnya menurunkan momen pertama dan momen kedua berdasarkan persamaan MGF
yang telah diperoleh sebelumnya. Dari momen pertama dan kedua dapat diketahui rata-rata
(mean) dan varian.
p2 dt
misalkan t  maka p 2  2t , 2 p dp  2 dt maka
2 2t

2 2 1
 2t.e
t
Var ( X )  . dt
2 0 2t
2  1
2
 
2 0
t .e t dt
2

2 2
3
  
 2
2 2 1  1 
  
 2 2
2
 

2

Mx (t )  E (etx )

Mx (t )  e
tx
f ( x ) dx

1  x 
2
  
1  
Mx (t )  e e 2
tx
dx
 2 
1  x 
2
  
1 
e
2  
Mx (t )  tx
e dx
2  

Misalkan , maka

Selanjutnya , sehingga
  1 2
1 

z
Mx (t )  et ( t z   ) e 2
 dz
2  
 1
 z2
1  t ( t z   )

e
2
Mx (t )  dz
2 

e t
1
 z2

e

 tz
2
Mx (t )  dz
2 
1
 z2

e t 2  1
 tz   2t 2 
1 2 2
 t
Mx (t ) 
2 e

2 2
dz
1
 z2
e t
 2

z 2  2  tz   2t 2  1
 2t 2
Mx (t ) 
2


e e2 dz

1 2 2
t   t 1
 z2
e 2  2

z 2 2  tz   2t 2 
Mx (t ) 
2 

e dz

1
 t   2t 2  1
 z2
2
e z t 2
e
2
Mx (t )  dz
2 

1
t 
1 2 2
 t  
Mx (t ) 
e 2
2
2
1
 1 2
 
2
1 2 2
t   t
2
e
Mx (t )   2
2
1 2 2
t   t
Mx (t )  e 2

Nilai Harapan X
 Nilai Harapan X2

Nilai Harapan (X – E(X))2

Sebagai catatan, nilai harapan X merupakan rata-rata (mean) dan nilai harapan (X – E(X))2
merupakan varian.

2.4 Cara Membaca Tabel Distribusi Normal

Berikut adalah tabel distribusi normal standar, untuk P (X < x), atau dapat
diilustrasikan dengan luas kurva normal standar dari X = minus takhingga sampai dengan
X = x.
Contoh penggunaan tabel:
Hitung P (X<1,25)
Penyelesaian:
 Pada tabel, carilah angka 1,2 pada kolom paling kiri. Selanjutnya, carilah
angka 0,05 pada baris paling atas. Sel para pertemuan kolom dan baris tersebut
adalah 0,8944.

Dengan demikian, P (X<1,25) adalah 0,8944.

2. Metode

Data dan sumbernya

Hipotesis

Analisis Data

Lamgkhan dan prosedure

Memanfaatkan analisis data online

http://statslab-rshiny.fmipa.unej.ac.id/RDoc/GenStat/
dan
http://statslab-rshiny.fmipa.unej.ac.id/RProg/BasicStat/

3. Hasil dan Pembahasan

Hasil

Pembahasan

4. Kesimpulan dan Saran

5. Daftar Pustaka

http://nasmtk.blogspot.co.id/2013/08/makalah-statistik-distribusi-peluang_6612.html