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.
distribusi normal dan ini merujuk pada variabel acak yang tak terhingga, peristiwa yang dimiliki tetap
normal jika dan hanya jika peluang densitasnya independen, dan ekor kurva mendekati absis pada
perbedaan frekuensi pada skor yang mendekati rata- distribusi normal maka dapat kita peroleh sifat-sifat
rata sangat kecil. Sedangkan kondisi Mesokurtic 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
𝑥2
1 1 2
𝑃(𝑥1 < 𝑋 < 𝑥2 ) = ∫ 𝑒 −2𝑧 𝑑𝑧
√2𝜋 𝑥1
𝑥2
𝑃(𝑥1 < 𝑋 < 𝑥2 ) = ∫ 𝑛(𝑧; 0,1)𝑑𝑧
𝑥1
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
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
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).
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
secara simbolis :
Jika 𝑋~𝑁(0,1)
2
𝑍 2 = 𝜒(1)
Maka 𝑋 2 ~𝜒𝜐=1
2
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