DISTRIBUSI NORMAL

Mayang Sugara Nadia Liaf Putri Tika Mijayanti

Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Negeri Padang
Email: mygsgr0698@gmail.com
nadialiafputri3@gmail.com
tika.mijayanti01@gmail.com

ABSTRAK
Distribusi normal atau distribusi gauss adalah ditribusi peluang yang paling banyak digunakan dalam
statistika. Suatu populasi dikatakan berdistribusi normal jika nilai rataan sama dengan nilai mediannya. Suatu
data dikatakan berdistribusi normal jika memiliki jumlah yang semakin besar. Distribusi normal juga memiliki
distribusi lain yang disebut dengan ditribusi normal baku. Distribusi normal baku adalah distribusi normal yang
memiliki rata-rata 0 dan simpangan baku 1. Distribusi ini juga disebut dengan kurva lonceng (bell curve) karena
grafik fungi kepekatan peluangnya mirip dengan bentuk lonceng. Kurva distribusi normal bergantung pada nilai
mean dan variansinya.

Distribusi normal adalah distribusi yang berhubungan dengan ditribusi peluang lainnya. Contoh distribusi
yang memiliki kaitan dengan distribusi normal adalah distribusi binomial,distribusi chi-square,distribusi t,dan
lainnya. Keterkaitan distribusi normal dengan distribusi lain dapat dilihat pada saat pembuktian dari rumus
distribusi tersebut.

Kata kunci :Distribusi normal, rataan,dan keterkaitan

I. PENDAHULUAN distribusi normal untuk menganalisis galat dari suatu

Distribusi normal diawali dengan kemajuan
dalam pengukuran data di abad ke-18. Pada saat itu
matematikawan dihadapkan dengan suatu tantangan
mengenai fenomena variabilitas pengamat atau
interna. Berdasarkan kesepakatan bahwa nilai rata-
rata dianggap paling tepat dan semua penyimpangan
dari rata-rata dianggap sebagai kesalahan atau error.
Distribusi normal pertama kali diperkenalkan
oleh Abraham de Moivre pada tahun 1733 sebagai
pendekatan distribusi binomial untuk 𝑛 bernilai besar
dan juga beliau menemukan persamaan matematika
untuk kurva normal yang menjadi dasar dalam teori
statistik inferensial (induktif). Karya tersebut
dikembangkan lebih lanjut oleh Pierre Simon de
Laplace, dan dikenal sebagai teorema Moivre-
Laplace. Pada percobaan ini Laplace menggunakan
eksperimen. Pada tahun 1805 Legender
memperkenalkan metode kuadrat terkecil.
Sedangkan istilah kurva lonceng diperkenalkan oleh
Jouffret pada tahun 1872 untuk distribusi bivariat
Sementara itu pada tahun 1875 Charles S. Peirce,
Francis Galton, dan Wilhelm Lexis memperkenalkan
istilah distribusi normal secara terpisah. Pada tahun
1794 Carl Fredreich Gauss mengklaim telah
menggunakan metode yang menggunakan galatnya
memiliki distribusi normal, yang kemudian distribusi
normal disebut juga sebagai distribusi Gauss.
Hasil pengamatan yang diperoleh Gauss dari
percobaan yang berulang-ulang adalah nilai rata-rata.
Penyimpangan kekanan atau kekiri yang jauh dari
rata-rata terjadi semakin sedikit sehingga jika disusun
akan terbentuk distribusi yang simetris.
II. DISTRIBUSI NORMAL
Distribusi normal merupakan distribusi peluang
dengan peubah acak kontinu yang banyak digunakan
dalam statistika. Pada umumnya dalam dunia
pendidikan kondisi populasi akan berdistribusi
normal, tetapi tidak selamanya populasi berdistribusi
normal. Suatu populasi dikatakan berdistribusi
normal jika nilai rataan sama dengan nilai mediannya
dan memiliki jumlah yang semakin besar. Distribusi
normal juga dikenal sebagai kurva lonceng (bell
curve) karena grafik fungsi kepekatan peluangnya
mirip seperti lonceng. Dalam pembuatan kurva
distribusi dibutuhkan penyebaran skor dan rentang
distribusi. Penyebaran skor dan panjang pendeknya
rentangan distribusi berpengaruh besar dalam
menentukan bentuk kurvanya. Jika jumlah responden
sama, maka kurva normal dari distribusi skor tersebut
akan berbeda bentuknya.
Defenisi: sebuah variabel acak X adalah
distribusi normal dan ini merujuk pada variabel acak
normal jika dan hanya jika peluang densitasnya
adalah :
1 1 𝑥−𝜇 2
𝑛(𝑥; 𝜇, 𝜎) = 𝑒 −(2)( 𝜎
)
−∞< 𝑥 < ∞
√2𝜋𝜎
Dimana  0
Dari fungsi densitas dari distribusi normal
diatas dapat digambarkan dengan plot dibawah ini :
Dari plot dapat dilihat bahwa terdapat tiga bentuk
kurva yaitu leptokurtic, mesokurtic, dan platikurtic.
Kurva dengan bentuk Leptokurtic terjadi ketika
bentuk kurva normal yang meruncing tinggi karena
perbedaan frekuensi pada skor yang mendekati rata-
rata sangat kecil. Sedangkan kondisi Mesokurtic
terjadi ketika bentuk antara leptokurtic dan
platykurtic, karena penyebaran skor biasa dan tidak
terjadi kejutan yang berarti. Dan Platikurtic terjadi
ketika kurva normal yang mendatar rendah karena
perbedaan frekuensi pada skor yang mendekati rata-
rata sangat kecil. Dari ketiga bentuk kurva tersebut
diketahui bahwa bentuk kurva dari distribusi normal
adalah Mesocurtic.
Dalam distribusi kontinu terdapat beberapa
distribusi seperti distribusi eksponensial, normal,
weibull, dan lainnya. Untuk mengetahui apakah suatu
distribusi kontinu dikatakan distribusi normal maka
diperlukan suatu ciri-ciri dan sifat dari distribusi
tersebut. Sifat dan ciri distribusi normal yaitu,
disusun dari variable random kontinu, kurva
distribusi normal mempunyai satu puncak (uni-
modal), kurva berbentuk simetris dan menyerupai
lonceng hingga mean, median dan modus terletak
pada satu titik, kurva normal dibentuk dengan 𝑁
yang tak terhingga, peristiwa yang dimiliki tetap
independen, dan ekor kurva mendekati absis pada
penyimpangan 3 SD kekanan dan kekiri dari rata-rata
dan ekor grafik dapat dikembangkan sampai tak
terhingga tanpa menyentuh sumbu absis. Dalam
pembuatan suatu kurva pada distribusi normal maka
digunakan beberapa sifat khusus dari distribusi
normal yaitu : kurvanya berbentuk lonceng dan
simetrik di x = µ, rataan, median, modus dari
distribusi berimpitan, fungsi kepadatan peluang
1
mencapai nilai maksimum di x = µ sebesar ,
√2𝜋𝜎 2
kurvanya berasimtot sumbu datar x, kurvanya
mempunyai titik infleksi (x, f(x), denganx = µ ±
1 1
σ,𝑓(𝑥) = 𝑒 −2 , dan total luasnya = 1.
√2𝜋𝜎 2
Setelah diketahui fungi densitas dan ciri
distribusi normal maka dapat kita peroleh sifat-sifat
statistic dari distribusi normal yang meliputi mean,
variansi, momen, dan fungsi pembangkit momen dari 𝑉𝑎𝑟(𝑋) = 𝜎 2
ditribusi normal. Pembuktian:
Mean 2
𝑉𝑎𝑟 (𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))
Mean merupakan nilai tengah dari suatu ditribusi
Karena nilai𝐸(𝑋)telah diperoleh dari pembuktian
normal. Mean dapat dirumuskan dengan : 2
rataan maka (𝐸(𝑋)) = 𝜇 2 sehingga dapat dicari
𝐸(𝑋) = 𝜇
nilai dari 𝐸(𝑋 2 ), yaitu:
Pembuktian :
∞
∞ 𝐸(𝑋 2 ) = ∫−∞ 𝑥 2 𝑓(𝑥)𝑑𝑥
𝐸(𝑋) = 𝜇 = ∫−∞ 𝑥. 𝑓(𝑥)𝑑𝑥
1 𝑥−𝜇 2
∞ 1
∞ 1 −
(𝑥−𝜋)2 𝐸(𝑋 2 ) = ∫−∞ 𝑥 2 . 2
𝑒 −2( 𝜎
)
𝑑𝑥
𝐸(𝑋) = ∫−∞ 𝑥. 𝑒 2𝜎2 𝑑𝑥 √2𝜋𝜎
√2𝜋𝜎 2
Misalkan
Misalkan 𝑥−𝜇
𝑥−𝜇 =𝑧
𝑧= 𝜎
𝜎
Maka
maka
𝑥 = 𝜎𝑧 + 𝜇
𝑥 = 𝜎𝑧 + 𝜇
𝑑𝑥 = 𝜎 𝑑𝑧
𝑑𝑥 = 𝜎 𝑑𝑧
1 𝑥−𝜇 2
∞ 1
Dan 𝑥 2 = (𝜎𝑧 + 𝜇)2 𝐸(𝑋 2 ) = ∫−∞ 𝑥 2 . 𝑒 −2( 𝜎
)
𝑑𝑥
√2𝜋𝜎 2
𝑥 2 = 𝜎 2 𝑧 2 + 𝜇2 ∞ 1 1 2
𝐸(𝑋 2 ) = ∫−∞(𝜎𝑧 + 𝜇)2 . 𝑒 −2𝑧 𝜎 𝑑𝑧
𝜎√2𝜋
Sehingga :
∞ 1 2
1
∞ 1 − 𝑧2
1 𝐸(𝑋 2 ) = {∫−∞(𝜎 2 𝑧 2 + 2𝜎𝑧𝜇 + 𝜇 2 ) 𝑒 −2𝑧 𝑑𝑧}
𝐸(𝑋) = ∫−∞(𝜎𝑧 + 𝜇). 𝑒 2 𝜎𝑑𝑧 √2𝜋
√2𝜋𝜎 2
∞ 1 2
1
∞ 1 1
− 𝑧2 𝐸(𝑋 2 ) = {∫−∞ 𝜎 2 𝑧 2 𝑒 −2𝑧 𝑑𝑡 +
𝐸(𝑋) = ∫−∞(𝜎𝑧 + 𝜇).
𝜎√2𝜋
𝑒 2 𝜎𝑑𝑧 √2𝜋

∞ 1 2 ∞ 1 2
1 ∞ 1
− 𝑧2 2𝜎𝜋 ∫−∞ 𝑧𝑒 −2𝑧 𝑑𝑡 + 𝜇 2 ∫−∞ 𝑒 −2𝑧 𝑑𝑡}
𝐸(𝑋) = ∫ (𝜎𝑧 + 𝜇)𝑒 2 𝑑𝑧
√2𝜋 −∞ 1
𝜎2 ∞ − 𝑧2
𝜎 ∞ 1
− 𝑧2 𝜇 ∞ −1𝑧 2 𝐸(𝑋 2 ) = ∫−∞ 𝑧 2 𝑒 2 𝑑𝑡 + 0 + 𝜇 2
𝐸(𝑋) = ∫−∞ 𝑧𝑒 2 𝑑𝑧 + ∫−∞ 𝑒 2 𝑑𝑧 √2𝜋
√2𝜋 √2𝜋
2+1
2𝜎 2 Γ( 2 )
𝐸(𝑋) =
𝜎 ∞ 1
− 𝑧2 𝐸(𝑋 2 ) = 1 2+1 + 𝜇2
∫ 𝑡𝑒 2 𝑑𝑡 +𝜇 √2𝜋 2( )( )
√2𝜋 −∞ 2 2

Missalkan 𝜎2 3
𝐸(𝑋 2 ) = Γ ( ) 2√2 + 𝜇 2
√2𝜋 2
1
𝑧2 = 𝑦 𝜎2 √𝜋
2
𝐸(𝑋 2 ) = 2√2 + 𝜇 2
√2𝜋 2
𝑧 𝑑𝑧 = 𝑑𝑦
𝐸(𝑋 2 ) = 𝜎 2 + 𝜇 2
Maka
𝜎 ∞ Sehingga
𝐸(𝑋) = ∫ 𝑒 −𝑦 𝑑𝑦 + 𝜇
√2𝜋 −∞ 2
𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))
𝜎
𝐸(𝑋) = 𝑒 −𝑦 ]∞
−∞ + 𝜇
√2𝜋 𝑉𝑎𝑟(𝑋) = (𝜎 2 + 𝜇 2 ) − 𝜇 2
𝐸(𝑋) = 𝜇 (terbukti) 𝑉𝑎𝑟(𝑋) = 𝜎 2 (terbukti).

Variansi
Variansi adalah ragam suatu peubah acak. Variansi
dapat dirumuskan dengan:
Momen Sehingga:
1 2
Dengan menggunakan metode momen dapat ∞
𝑀𝑥 (𝑡) = ∫−∞ 𝑒 𝑡(𝜎𝑧+𝜇)
1
𝑒 −2𝑧 𝜎𝑑𝑧
𝜎√2𝜋
diperoleh estimasi parameter 𝜇 𝑑𝑎𝑛 𝜎 2 dari distribusi
1∞ 𝑡𝜎𝑧+𝑡𝜇−1𝑧 2
normal. 𝑀𝑥 (𝑡) = ∫−∞ 𝑒 2 𝑑𝑧
√2𝜋

Pembuktian: 𝑒 𝑡𝜇 ∞ 𝜎𝑡𝑧−1𝑧 2
𝑀𝑥 (𝑡) = ∫ 𝑒 2 𝑑𝑧
√2𝜋 −∞
𝑝𝑑𝑓 dari distribusi normal : 1 1 1
𝑒 𝑡𝜇 ∞ − 𝑧 2 +𝜎𝑡𝑧− 𝜎 2 𝑡 2 + 𝜎 2 𝑡 2
1 𝑥−𝜇 2
𝑀𝑥 (𝑡) = ∫−∞ 𝑒 2 2 2 𝑑𝑧
1 − ( ) √2𝜋
𝑓(𝑥) = 𝑒 2 𝜎
1
𝜎√2𝜋 𝑡𝜇+2𝜎2 𝑡2 1
𝑒 ∞ − (𝑧 2 +𝜎𝑡𝑧−𝜎 2 𝑡 2 )
Momen pertama dan 𝑀1 dan momen kedua 𝑀2 dari 𝑀𝑥 (𝑡) = ∫−∞ 𝑒 2 𝑑𝑧
√2𝜋
1
distribusi diatas berturut-turut adalah: 𝑡𝜇+2𝜎2 𝑡2
𝑒 ∞ 2
𝑥
𝑀𝑥 (𝑡) = ∫−∞ 𝑒 (𝑧−𝜎𝑡) 𝑑𝑧
𝑥 1 𝑥−𝜇 2 √2𝜋
𝑀1 = ∫ 𝑒 −2( 𝜎 ) 𝑑𝑥 1
𝑡𝜇+2𝜎2 𝑡2 Γ(1)
−𝑥 𝜎√2𝜋 𝑒 2
𝑀𝑥 (𝑡) = . 1
𝑥 1 𝑥−𝜇 2 √2𝜋
𝑥 1 2
( )
𝑀2 = ∫ 𝑒 −2( 𝜎 ) 𝑑𝑥 2

−𝑥 𝜎√2𝜋 1
𝑡𝜇+2𝜎2 𝑡2
𝑒
Dengan menggunakan transformasi 𝑧=
𝑥−𝜇
, 𝑀𝑥 (𝑡) = √𝜋√2
√2𝜋
𝜎
1 2 2
kemudian mengintegralkannya maka diperoleh nilai- 𝑀𝑥 (𝑡) = 𝑒 𝑡𝜇+2𝜎 𝑡
(terbukti).
nilai 𝑀1 dan 𝑀2 sebagai berikut: Maximum likelihood
1 1
𝑀1 = 𝜇 = ∑𝑛𝑖=1 𝑥𝑖 dan 𝑀2 = 𝜇 2 + 𝜎 2 = ∑𝑛𝑖=1 𝑥𝑖2 Jika diketahui suatu peubah acak berdistribusi
𝑛 𝑛

Jadi estimasi untuk parameter 𝜇 dan 𝜎 2 adalah normal dengan parameter 𝜇 dan 𝜎 makakita dapat
1 menemukan nilai dari maximum likelihood dengan
𝜇̂ = ∑𝑛𝑖=1 𝑥𝑖
𝑛
berpedoman terhadap parameter 𝜇 dan 𝜎. Nilai
Dan
penduga maximum likelihood akan sama dengan
1 1 2
2
𝜎 = ∑𝑛 𝑥 2 − ( ∑𝑛𝑖=1 𝑥𝑖 ) nilai penduga dengan menggunakan metode momen.
𝑛 𝑖=1 𝑖 𝑛
1 Pembuktian :
𝜎 2 = ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
𝑛
𝑝𝑑𝑓 dari pengamatan 𝑥 dari suatu distribusi normal
Fungsi Pembangkit Momen
dengan mean 𝜇 dan variansi 𝜎 2 yang tidak diketahui
Berdasarkan theorem yang mengatakan bahwa
:
Fungsi pembangkit momen dari distribusi normal
1 1 𝑥−𝜇 2
dapat dirumuskan dengan: 𝑓(𝑥) = 𝑒 − 2( 𝜎
)

1 2 2
𝜎√2𝜋
𝑀𝑥 (𝑡) = 𝑒 𝜇𝑡+2𝜎 𝑡
Fungsi likelihood untuk 𝑛 pengamatan 𝑥1 , 𝑥2 , … , 𝑥𝑛
Pembuktian : adalah
𝑡𝑥
𝑀𝑥 (𝑡) = 𝐸(𝑒 ) 𝑛
1 𝑛 1 𝑥1 −𝜇 2
∞ 1 1 𝑥−𝜇
− ( )
𝑙(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = ( ) ∏ 𝑒 −2( 𝜎 )
𝑀𝑥 (𝑡) = ∫−∞ 𝑒 𝑡𝑥 𝑒 2 𝜎 𝑑𝑥 𝜎√2𝜋 𝑖=1
√2𝜋𝜎 2

Misalkan : Logaritma dari fungsi likelihood:

𝑥−𝜇
𝑧=
𝜎 𝑛
1 1 𝑥−𝜇 2
𝑥 = 𝜎𝑧 + 𝜇 𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑛 𝑙𝑜𝑔 − ∑( )
𝜎√2𝜋 2 𝑖=1 𝜎
𝑑𝑥 = 𝜎𝑑𝑧
Turunan dari 𝐿(𝑥1 , 𝑥2 , … . , 𝑥𝑛 ; 𝜇, 𝜎) terhadap 𝜇 terhadap 217 orang diperoleh hasil persentase yang
menderita Osteoartritis yang dapat dilihat pada
adalah
diagram berikut:
𝑛
𝜕𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛 ; 𝜇, 𝜎) 1
= 2 (∑ 𝑥𝑖 − 𝑛𝜇 ) = 0
𝜕𝜇 𝜎
𝑖=1
𝑛
1
𝜇̂ = ∑ 𝑥𝑖
𝑛
𝑖=1

Sedangkan turunan dari 𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛 ; 𝜇, 𝜎)

terhadap 𝜎 adalah
𝜕𝐿(𝑥1 ,𝑥2 ,…,𝑥𝑛 ;𝜇,𝜎) 𝜕 1
= [𝑛 log
𝜕𝜎 𝜕𝜎 𝜎√2𝜋
1 𝑥−𝜇 2
∑𝑛𝑖=1 ( ) ]
2 𝜎
𝑛 (𝑥𝑖 −𝜇)2 1 (𝑥𝑖 −𝜇)2
=− ∑ (−2) = [−𝑛 + ∑𝑛𝑖=1
𝜎 2𝜎 3 𝜎 𝜎2
1 1
𝜎 2 = ∑𝑛𝑖=1(𝑥𝑖 − 𝜇)2 𝑎𝑡𝑎𝑢 𝜎̂ 2 = ∑𝑛𝑖=1(𝑥𝑖 − 𝜇)2 .
𝑛 𝑛
Distribusi normal juga dapat digunakan dalam
kasus kehidupan sehari-hari seperti contohnya
dalam dunia kedokteran. Dalam dunia kedokteran
distribusi normal digunakan untuk melakukan study
pada suatu penyakit. Sebagai contoh dalam
menentukan pola distribusi Osteoartritis
berdasarkan jenis kelamin. Osteoartritis adalah
suatu kelainan sendi kronis dimana terjadi proses
pelemahan dan disintegrasi dari tulang rawan sendi
yang disertai dengan pertumbuhan tulang dan tulang
rawan baru pada sendi. Kelainan ini merupakan
suatu proses degeneratif pada sendi yang dapat
mengenai satu atau lebih sendi. Penyakit ini
biasanya menyerang seorang yang telah berusia
lanjut, baik perempuan maupun laki-laki tetapi
dominan diderita oleh perempuan. Osteoartritis
dapat menyerang semua sendi, namun predileksi
yang tersering adalah pada sendi-sendi yang
menanggung beban berat badan seperti panggul,
lutut, dan sendi tulang belakang bagian lumbal
bawah.
Pada kasus ini penelitian dilakukan di RSU
dr.Soedarso yang dimulai dari periode 1 Januari
2008 - 31 Desember 2009 dengan populasi sebanyak
217 orang. Setelah dilakukan uji normalitas data
dengan menggunakan uji Skewness dan Kurtosis,
didapatkan nilai 0,165 dan 0,329. Karena nilai hasil
uji normalitas tersebut antara -2 sampai dengan 2,
maka dapat diambil kesimpulan bahwa data sudah
terdistribusi normal. Setelah pengujian dilakukan
− 𝑛 log 𝜎 −
Dari diagram diatas dikeahui bahwa angka kejadian
osteoartritis berdasarkan jenis kelamin didapatkan
lebih tinggi pada perempuan dengan nilai persentase
68, 67% yaitu sebanyak 149 pasien dibandingkan
]=0 dengan laki-laki yang memiliki nilai persentase
sebesar 31, 33% yaitu sebanyak 68 pasien.
Secara statistik perempuan memiliki body mass
Terbukti.
index (BMI) diatas rata-rata dimana kategori BMI
pada perenmpuan Asia menurut jurnal American
Clinical Nutrition adalah antara 24 sampai dengan
26,9kg/m2 dan mempunyai nilai lebih kecil jika
dibandingkan dengan perempuan Amerika. Pada
perempuan menopause hormon estrogen akan
berkurang sehingga akan terjadi penumpukan
lemak terutama pada sendi bagian bawah dan
menyebabkan peningkatan beban pada sendi.
Sedangkan pada laki-laki penumpukan lemak lebih
kecil karena adanya hormon testosterone yang
berfungsi untuk menurunkan lemak dalam tubuh
dan menghambat osteoklas sehingga tulang
terproteksi.
Hal ini sesuai dengan penelitian Dr. O’Connor
pada tahun 2007 dengan teori bahwa jenis kelamin
perempuan merupakan faktor resiko terjadinya
osteoartritis. Pada studi tersebut prevalensi dan
insidensi osteoartritis meningkat sebanyak tiga kali
lipat pada perempuan jika dibandingkan dengan
laki-laki. Hal yang sama juga ditemukan dalam
penelitian Zhang Fu-qiang et al., pada tahun 2009 di
Fuzhou yang menunjukkan peningkatan prevalensi
lebih tinggi pada perempuan jika dibandingkan
dengan laki-laki yaitu sebesar 35,87%.
Distribusi Normal Standar/Baku
Distribusi mormal standar atau baku adalah
distribusi yang memiliki rataan nol (0) dan
simpangan baku satu (1). Suatu peubah acak dikatan
berdistribusi normal baku jika memenuhi defenisi Pendekatan distribusi binomial oleh distribusi
sebagai berikut: normal sangat bermanfaat untuk mempermudah
Perhitungan. Pendekatan ini akan semakin baik
Defenisi : jika 𝑥 adalah suatu distribusi normal seiring dengan bertambahnya 𝑛. Dalam praktiknya,
dengan mean 𝜇 dan standar defiasi 𝜎, maka : pendekatannya akan sangat bagus jika 𝑛𝑝 dan 𝑛𝑞
𝑥−𝜇 keduanya lebih besar dari 5.
𝑍=
𝜎
Untuk menerapkan fungsi kontinu pada
Memiliki distribusi normal standar. distribusi binomial dapat digunakan luas untuk
menyatakan probabilitas yang biasa disebut dengan
Bukti :Karena hubungan antara nilai dari 𝑋 dan 𝑍 ordinat. Tiap ordinat dari distribusi binomial diganti
𝑥 −𝜇
adalah linear, ambil nilai 𝑍 antara 𝑍1 = 1 dan dengan luas empat persegipanjang yang berpusat
𝜎
𝑥2 −𝜇
𝑍2 = maka nilai dari 𝑋antara 𝑥1 dan 𝑥2 , oleh pada X dan yang mempunyai lebar sama dengan
𝜎
sebab itu dapat ditulis dengan : satu unit serta mempunyai tinggi sama dengan
ordinat binomial yang asal, untuk lebih jelasnya
𝑥2
1 1 𝑥−𝜇 dapat dilihat pada diagram dibawah ini:
𝑃(𝑥1 < 𝑋 < 𝑥2 ) = ∫ 𝑒 − 2( 𝜎
)
𝑑𝑥
√2𝜋 𝑥1

𝑥2
1 1 2
𝑃(𝑥1 < 𝑋 < 𝑥2 ) = ∫ 𝑒 −2𝑧 𝑑𝑧
√2𝜋 𝑥1

𝑥2
𝑃(𝑥1 < 𝑋 < 𝑥2 ) = ∫ 𝑛(𝑧; 0,1)𝑑𝑧
𝑥1

𝑃(𝑥1 < 𝑋 < 𝑥2 ) = 𝑃(𝑧1 < 𝑍 < 𝑧2 )

Ketika Z adalah variabel acak yang memiliki

distribusi normal standar. Hubungan Distribusi 𝒕 Dengan Distribusi
Normal
Pendekatan Distribusi Normal dan Distribusi
Binomial Distribusi penting lainnya yang berhubungan
dengan distribusi normal adalah distribusi t.
Variabel random X atau jumlah sukses dalam n
distribusi t digunakan sebagai hampiran untuk
percobaan binomial merupakan penjumlahan dari
distribusi normal dengan ukuran sampel kecil
variable random n dimana tiap peubah acak (variate)
(biasanya ≤ 30) dan standar deviasi populasi (𝜎)
dimaksudkan bagi setiap percobaan binomial dan
tidak diketahui. Diberikan xi sebanyak n yang saling
tiap percobaan menghasilkan nilai 0 atau 1.Untuk
bebas, dan
distribusi binomial berlaku : Terpenuhinya
persyaratan dari distribusi binomial, n cukup besar, 𝑥̅ − 𝜇
maka bentuk dari kurvanya akan mendekati 𝑡=
𝑆/√𝑛
distribusi normal, Peluang mendekati 0,5, dan
Terdapat factor koreksi dari distribusi diskrit Misalkan Z adalah variabel acak normal baku
menjadi distribusi kontinu dengan menambah atau dan V adalah variable acak khi-kuadrat dengan
mengurangkan dengan 0,5. derajat bebas v. Jika Z dan V independen,maka
distribusi variable acak t bila
Distribusi binomial dapat didekati oleh distribusi
normal dengan rata-rata μ = np dan simpangan baku 𝑍
𝑡=
σ = √𝑛𝑝𝑞 , untuk q=1-p, persamaan pendekatan √𝑉/𝑣
distribusi normal terhadap distribusi binomial
adalah : Diberikan oleh (dengan derajat bebas 𝜈):
v+1 𝑣+1
𝑋 − 𝑛𝑝 Γ[ 2 ] 𝑡2
𝑍= 𝑓(𝑡) = v (1 + )− 2 , −∞ < 1 < ∞
Γ[ ]√πv 𝑣
√𝑛𝑝𝑞 2
 Berdasarakan teorema yang menyatakan Jika 𝑌 dan 1 0
1 1 1
=| |
𝑍 adalah peubah acak saling bebas. 𝑌 mempunyai 𝑇 (𝜈 −2 ) (𝑤 2 ) (𝜈)−2
distribusi 𝑡 dengan derajat bebas 𝜈 dan 𝑍
1
mempunyai distribusi normal standar, maka : 𝑤2 𝑤
= 1 =√
𝜈
(𝜈)2

𝜈 𝑦
1
𝑌(𝑡|𝜈) = −
𝜈
𝜈
𝑡 2−1 𝑒 −2 ,𝑡 > 0
2 2 Γ( )
2

1
Oleh 1
𝑍~𝑁(0,1) = 𝑒 −𝑧 2
2√𝜋

𝜈 𝜈 𝑧2
1 1
𝑓(𝑦, 𝑧) = 𝜈
𝜈
𝑦 2−1 𝑒 −2 ( ) 𝑒− 2
22 Γ( ) √2𝜋
2

Disebut dengan distribusi 𝑡 dengan derajat bebas 𝜈. 𝜈 𝑦 𝑧2

1 − +(− )
= 𝜈
ν
𝑦 2−1 𝑒 2 2
Bukti : 22 Γ( )√2π
2

𝑌~𝜒𝜈2 𝑍 𝜈−2 𝑦 𝑧2
} → 𝑇 = 𝑌 ~𝑡 =
1
𝑦 2
− −
2 2𝑒 , 𝑦 > 0, −∞ < 𝑍 < ∞
𝑍~𝑁(0,1) √
𝜈
𝜈
𝜈 22 Γ( )√2𝜋
2

𝑌dan 𝑍 bebas dengan fungsi pembangkit peluang: Sehingga

1 1 2 𝑤
−𝜈+ 𝑤 (𝑧 ( 𝜈 )
Γ(ν+2) 𝑡2 2 −( + )
𝑓(𝑡) = 𝜈 . (1 + ) , −∞ < 𝑡 < ∞ 1 𝜈
−1 2 2
√𝜋𝜈Γ(2) 𝜈 𝑓(𝑤, 𝑡) = 𝜈 𝜈
Γ(2)√2𝜋
𝑤 2 𝑒
22
𝑓(𝑦, 𝑧)=? ∞
𝑓(𝑧) = ∫0 𝑓(𝑤, 𝑡)𝑑𝑤
Misal
2 𝑤
𝑤 (𝑧 ( 𝜈 )
𝑍 𝜈 −( + ) 1
∞ 1 −1 2 2 1
𝑇= →𝑍=⋯ = ∫0 𝜈Γ(𝜈)√2𝜋 𝑤 2 𝑒 . 𝑤 2 𝑑𝑤
√𝑌/𝜈 2 2 √𝜈
2

𝑤 = 𝑌~𝑦2 2 𝑤
𝑤 𝑡 (𝜈)
𝜈−1 −( + )
∞ 1 2 2
𝑌~𝑋𝜈2 = ∫0 𝜈Γ(𝜈)√2𝜋𝜈 𝑤 2 𝑒 𝑑𝑤
22 2
𝜈 𝑦
1
𝑌(𝑡, 𝜈) = 𝜈 ν 𝑦 2−1 𝑒 −2 ,𝑡 > 0 ∞ 1 𝜈−1 − (1+ )𝑤 1 𝑡2
2 Γ( )
2 2 = ∫0 𝜈+1 𝜈 𝑤 2 𝑒 2 𝜈 𝑑𝑤
2 2 Γ( )√𝜋𝜈
2
𝑧2
1
𝑧~𝑁(0,1) = 𝑒− 2 , −∞ < 𝑡 < ∞ Misal
√2𝜋

𝜈 𝑦 𝑧2
1 1 1 𝑡2 𝑢
𝑓(𝑦, 𝑧) = 𝜈 𝑦 2−1 𝑒 −2 . 𝑒− 2 𝑢 = (1 + ( )) 𝑤=1
𝜈
22 Γ( ) √2𝜋 2 𝜈 𝑡2
2 (1+( ))
2 𝜈

Misal 1 (𝑡 2 ) 𝑑𝑢
𝑑𝑢 = (1 + ) 𝑑𝑤 𝑑𝑤 = 1 𝑡2
2 𝜈 (1+ )
𝑦 𝑤 2 𝜈
𝑧 = 𝑇 (√ ) = 𝑇 (√ )
𝜈 𝜈 𝜈−1
2
𝑤=𝑌→𝑌=𝑤 =
1 ∞ 𝑢
𝑒 −𝑢 1
𝑑𝑢
𝜈+1
𝜈 0
∫ [1 𝑡2
] 𝑡2
2 2 Γ( )√𝜋𝜈 (1+( )) (1+ )
𝜕𝑦 𝜕𝑦 2 2 𝜈 2 𝜈

|𝑗| = |𝜕𝑤
𝜕𝑧
𝜕𝑇
𝜕𝑧
|
𝜕𝑤 𝜕𝑇
 𝜈−1
2
dapat menunjukkan jumlah kuadrat dari Z
1 ∞ 2𝑢 2
= 𝜈+1
𝜈
∫0 [ (𝑡2)] 𝑒 −𝑢 𝑡2
𝑑𝑢 berdistribusi chi-square dengan derajat kebebasan
2 2 Γ( )√𝜋𝜈 1+ (1+ )
2 𝜈 𝜈
sebanyak n. dalam hal ini,
𝜈−1
1 2 2 ∞ 𝜈−1
= 𝜈+1
𝜈
[
(1+𝑡 2
] ∫0 𝑢 2 𝑒 −𝑢 𝑑𝑢
2 2 Γ( )√𝜋𝜈
2 ∑ 𝑍𝑖2 = 𝑍12 + 𝑍22 + ⋯ + 𝑍𝑘2 ~ 𝜒𝑘2
∞
Γ(𝛼) = ∫0 𝑦 𝛼−1 𝑒 −𝑦 𝑑𝑦
perhatika bahwa sekarang derajat kebebasannya
Sehingga sebanyak n karena observasi independen sebanyak n
𝜈+1
𝜈+1
−
2 𝜈+1
dalam jumlah kuadrat yang ditunjukkan pada
1 𝑡2 ∞ −𝑢
= 𝜈+1 2 2 (1 + ( )) ∫0 𝑢 2 𝑒 𝑑𝑢 persamaan, secara geometri, distribusi chi-square
𝜈 𝜈
2 2 Γ( )√𝜋𝜈
2
akan tampak seperti gambar berikut :
𝜈+1
−
2
1 𝑡2 𝜈+1
= 𝜈 (1 + ( )) [Γ ( )]
Γ( )√𝜋𝜈 𝜈 2
2

𝜈+1 −
𝜈+1
Γ( ) 𝑡2 2
= 2 (1 + ) , −∞ < 𝑡 < ∞
𝜈 𝜈
√𝜋𝜈Γ (2)

(Terbukti).

Keterkaitan distribusi normal dengan chi-square.

Distribusi khi-kuadrat adalah distribusi jumlah

kuadrat peubah acak normal baku yang saling bebas
dan nilai variabel tidak bernilai negatif. Jika sebuah Dari teorema yang menyatakan Jika 𝑋 mempunyai

variabel acak X berdistribusi normal dengan rata-rata distribusi normal standar maka 𝑋 2 mempunyai

𝜇𝑥 dan variansi 𝜎𝑥2 , atau X ~ 𝑁(𝜇𝑥 , 𝜎𝑥2 ), maka distribusi chi-square maka
𝑋−𝜇𝑥
variabel acak 𝑍 = merupakan variabel normal 𝑛
𝑌 = 𝜋Σ𝑖=1 𝑋𝑖 2
𝜎𝑥

standar, atau 𝑍~ 𝑁(0,1). Teori statistik

Mempunyai distribusi chi-square dengan 𝜐 = 𝑛
menunjukkan bahwa kuadrat dari variabel normal
sebagai derajat bebas.
standar didistribusikan sebagai distribusi probabilitas
chi-square dengan derajat kebebasan sebesar 1, Bukti :

secara simbolis :
Jika 𝑋~𝑁(0,1)
2
𝑍 2 = 𝜒(1)
Maka 𝑋 2 ~𝜒𝜐=1
2

dimana indeks bawah (1) merupakan derajat 1 1 2

𝑓(𝑥) = 𝑒 −(2𝑥 )
, −∞ < 𝑥 < ∞
kebebasan, dalam kasus ini besarnya 1. √2𝜋

Misalkan Z1, Z2, … , Zn adalah variabel normal 𝑌 = 𝑋2

standar yang independen sebanyak n (Z merupakan

𝑥 , −∞ < 𝑥 < ∞ → 𝑦 > 0, 𝑥 = √𝑦
variabel acak normal standar). Jika kita 𝑦 = 𝑥2 ⟨
−𝑥, 0 < 𝑥 < ∞ → 𝑦 > 0, 𝑥 = −√𝑦
mengkuadratkan masing – masing nilai Z ini, kita
 1 1
1
𝑗1 = 𝑦 −2 𝑗2 = − 𝑦 −2
1 fungsi pembangkit momen, dan maximum
2 2
likelihood.
1 1
𝑔(𝑦) = 𝑓𝑥 (𝑦 2 ) |𝑗1 | + 𝑓𝑥(−𝑦 2 )|𝑗2 |
IV. Referensi
Ali Hanafiah,Kemas.2006.Dasar-Dasar
1 1 Statistika.Jakarta:PT.Raja Grafindo
= 𝑓𝑥(√𝑦) + 𝑓𝑥(−√𝑦) |− |
2√𝑦 2√𝑦 Persada

1 1 1 1 1 1 E.Freund’s,John.2004.Mathematical Statistic
= 𝑒 −2𝑦 + 𝑒 −2𝑦
√2𝜋 2√ 𝑦 √2𝜋 2√𝑦 With Applications (Seventh
Edition).Hongkong:SITY PRESS
2 1 1
= 1 𝑒 −2𝑦 𝑦 −2 Fanani Rusyda,Izzah.2009.”Estimator Tak Bias
2.22√𝜋 Terbaik Pada Fungsi Distribusi Kontinu
Dengan Teorema Batas Bawah Rao
1 1 1
− 𝑦 Cramer”.Fakultas Sains dan
= 1 𝑦 2𝑒 2
Teknologi.Universitas Islam Negeri
1
22 Γ ( ) Maulana Malik Ibrahim: Malang.
2

Jadi 𝑌~ 𝑐ℎ𝑖 − 𝑠𝑞𝑢𝑎𝑟𝑡 (𝜈 = 1) Irianto,Agus.2004.Statistik.Jakarta: Prenada

Media Group.

III. KESIMPULAN Isabella Arissa,Maria.2013.”Pola Distribusi

1. Distribusi normal merupakan distribusi Kasus Osreoartritis Di RSU Dr.Soedarso
Pontianak Periode 1 Januari 2008-31
dalam statistik yang sangat penting untuk
Desember 2009”.Volume 1 No.01.
menaksir peristiwa – peristiwa yang lebih http://jurnal.untan.ac.id/index.php/jfk/articl
luas. e/view/1772. Diakses tanggal 23 Desember
2. Nama lain dari distribusi normal adalah 2019.
distribusi gauss.
3. Fungsi densitas dari distribusi normal dapat Supranto,J.2000.Teori Dan Aplikasi Edisi
dirumukan dengan : Keenam.Jakarta:Erlangga
1 𝑥−𝜇 2
1
𝑛(𝑥; 𝜇, 𝜎) = 𝑒 −(2)( 𝜎
)
−∞<𝑥 < Supranto,Johanes.dkk.2017.Pengantar Statistika
√2𝜋𝜎
untuk Berbagai Bidang Ilmu.Jakarta:PT
∞ Raja Grafindo Persada
4. Grafiknya disebut kurva normal yang
berbentuk longceng, dimana grafiknya akan Usman,Husaini.dkk.2012.Pengantar Statistika.
selalu berada diatas sumbu 𝑥. PT Bumi Aksara: Jakarta
5. Distribusi normal terjadi secara alamiah,
banyak peristiwa di dunia nyata yang
terdistribusi secara normal.
6. Distribusi normal baku merupakan solusi
dari adanya masalah dalam penyusunan
table distribusi normal.
7. Suatu data dikatakan normal apabila
probabilitas kenormalannya berada di dalam
daerah kurva distribusi normal dengan batas
𝑥1 dan 𝑥2 .
8. Distribusi normal memiliki parameter 𝜇 dan
𝜎
9. Distribusi normal memiliki sifat statistik
yang meliputi mean, variansi, momen,