TUGAS MID PEMROGRAMAN KOMPUTER

Nama : Nurul Hijrah Astri

NIM : 105361106517

Kelas : Pendidikan Matematika 2018 C

BAB 7

MENGHITUNG PROBABILITAS NORMAL

Distribusi normal adalah tulang punggung statistik tradisional. Kita belajar sangat

awal dalam pelatihan statistik bahwa distribusi sampel berarti, terlepas dari bentuk

distribusi induk, mendekati distribusi normal ketika ukuran sampel meningkat. Fakta ini

memungkinkan kita untuk menggunakan distribusi dan distribusi normal yang secara

teoritis terkait dengannya, seperti t, F, dan X2 , untuk menguji hipotesis tentang rata-rata

dan fungsi sarana (seperti perbedaan antara dua rata-rata atau lebih rata-rata, atau varian,

yang berasal dari cara). (Pace and Pace 2012)

Namun, ada banyak kegunaan dalam membuat kesimpulan tentang cara

mengetahui bahwa distribusi sampling rata-rata atau perbedaan antara rata-rata mengikuti

distribusi normal dengan ukuran sampel yang cukup. Kita bisa melihat di bab terakhir

bahwa kita dapat menggunakan distribusi normal untuk menyetujui distribusi binomial

ketika jumlah percobaan menjadi besar. Dalam Bab 7, kita belajar cara menggunakan

berbagai fungsi distribusi normal untuk menemukan area di bawah kurva normal, untuk

menemukan nilai kritis z, dan untuk membuat sampel acak dari distribusi normal. Anda

juga belajar lebih banyak tentang s.

 Ingat pada Bab 4 bahwa kita dapat menggunakan fungsi scale () untuk

menghasilkan skor standar, dan bahwa pusat default adalah rata-rata dan nilai penskalaan

default adalah standar deviasi. Dengan demikian fungsi scale () secara default

menghasilkan skor z untuk setiap set data. Skor z adalah statistik "kombinasi", yang

menyediakan informasi tentang lokasi skor mentah relatif terhadap rata-rata dan jumlah

unit standar deviasi skor mentah jauh dari rata-rata. Kita dapat menggunakan skor z baik

sebagai statistik deskriptif maupun statistik inferensial. Ketika kita tahu (atau mau

berasumsi kita tahu) standar deviasi populasi, kita dapat menggunakan distribusi normal

standar untuk membuat kesimpulan tentang rata-rata dan perbedaan antara rata-rata. Kita

juga menggunakan distribusi normal standar untuk membuat kesimpulan dan membuat

interval kepercayaan untuk proporsi, seperti yang telah kita bahas sebelumnya.

Fungsi untuk distribusi normal di R mirip dengan fungsi untuk distribusi

probabilitas binomial dan Poisson yang Anda pelajari di bab sebelumnya. Fungsi-

fungsinya termasuk pnorm, qnorm, dnorm, dan rnorm.amplingdistribusi cara. Akhirnya,

Anda belajar bagaimana melakukan uji z satu sampel.

Karakteristik Distribusi Normal

Distribusi normal kontinu, dan jarang tertarik pada fungsi kerapatan per se, tetapi

lebih pada menemukan area di bawah kurva normal. Secara teknis, batas bawah dari

distribusi normal adalah –∞, dan batas atas adalah + ∞. Meskipun menemukan area di

bawah distribusi kontinu membutuhkan kalkulus, R tidak "melakukan" banyak kalkulus,

meskipun Anda dapat melakukan integrasi dan diferensiasi sederhana. Namun, dengan

menggunakan fungsi R, kita dapat menghindari kesulitan menemukan area di bawah kurva
normal kontinu hanya dengan memanfaatkan sedikit aljabar dasar. (Clewer and

Scarisbrick 2013)

Menemukan Kepadatan Normal Menggunakan Fungsi dnorm

Untuk distribusi normal dengan standar deviasi bukan nol, fungsi densitas

probabilitas adalah :

Untuk distribusi normal standar dengan rata-rata nol dan standar deviasi 1, ini

di sederhanakan menjadi :

Distribusi normal standar juga sering disebut distribusi normal “unit” karena

memiliki standar deviasi 1, varian 1, dan seperti semua distribusi probabilitas, seluruh area

di bawah kurva 1. Pemeriksaan fungsi kerapatan menunjukkan bahwa distribusi akan

berada pada titik tertinggi pada rata-rata, bahwa itu akan simetris, dan bahwa probabilitas

akan berkurang di ekor. Inilah yang disebut "kurva berbentuk lonceng" yang dipelajari

siswa di kelas statistik mereka. Fungsi R untuk fungsi kerapatan adalah dnorm, dan kita

dapat menggunakannya untuk menggambar grafik dari distribusi normal. Mari kita

bandingkan dua distribusi normal, keduanya dengan rata-rata 20, dan satu dengan standar

deviasi 3 dan yang lainnya dengan standar deviasi 6. Dalam prosesnya, saya akan

menunjukkan kepada Anda bagaimana menempatkan kedua kurva pada plot yang sama,
yang merupakan sesuatu yang tidak kita bahas dalam Bab 5. Pertama, kita akan

menghasilkan vektor untuk sumbu x dengan urutan dari 0 hingga 40, menggunakan

kenaikan 0,5. Kemudian, kita akan menerapkan fungsi dnorm dengan rata-rata 20 dan

standar deviasi masing-masing 3 dan 6. Kami akan menghasilkan diagram sebaran

kepadatan sebagai sumbu y kami dan skor mentah sebagai sumbu x kami. Akhirnya, kita

akan menambahkan kurva kedua ke grafik yang sama menggunakan fungsi titik. Berikut

adalah kode dalam R. Perhatikan bahwa saya menggunakan atribut type = "l" (untuk garis)

dan menambahkan warna ke kurva kedua untuk penekanan. (Hayek and Buzas 2010)
Mengubah Distribusi Normal ke Distribusi Normal Standar

Seperti yang kita lihat, distribusi normal yang berbeda memiliki jumlah

penyebaran yang berbeda, berdasarkan ukuran standar deviasi. Seringkali membantu untuk

mengubah distribusi normal menjadi distribusi normal standar dan bekerja dengan skor z.

Kita dapat mengonversi distribusi normal apa pun menjadi distribusi normal standar

dengan. (Kokoska and Zwillinger 2000)

Menurut definisi, distribusi normal standar memiliki rata-rata 0 dan standar deviasi 1

(lihat Gambar ).

Menemukan Peluang Menggunakan Fungsi pnorm

Fungsi pnorm menemukan probabilitas ekor kiri. Ingat pada Bab 3 bahwa

nilai kritis z untuk interval kepercayaan 95% adalah z = ± 1,96, dan bahwa area antara

−1,96 dan +1,96 sama dengan 95% dari distribusi normal standar. Fungsi pnorm default ke

rata-rata nol dan standar deviasi 1, yang tentu saja berarti kita akan bekerja dengan

distribusi normal standar secara default. Ketika kita perlu bekerja dengan distribusi normal

dengan mean dan standar deviasi yang berbeda, kita bisa menyediakan nilai-nilai ini
sebagai argumen kedua dan ketiga untuk fungsi tersebut.

Menemukan Probabilitas Area Kiri

Berikut adalah kode R untuk menemukan probabilitas kumulatif di bawah

distribusi normal standar hingga skor z 1,96 :

Seperti yang diharapkan, kita menemukan bahwa area 0,9750 terletak di

sebelah kiri z = 1,96. Ini juga berarti bahwa .0250 dari distribusi normal standar terletak di

sebelah kanan z = 1,96.

Menemukan Probabilitas Area Kanan

Strategi pengurangan juga membantu kita menemukan probabilitas area

kanan di bawah kurva normal standar. Misalnya, area di sebelah kanan z = 1,96 akan

sangat dekat dengan 0,025, seperti yang disiratkan oleh diskusi sebelumnya.

Asumsikan jika anda mengikuti tes standar dengan rata-rata 500 dan deviasi

standar 100. Skor anda adalah 720, mari kita gunakan skala dan fungsi pnorm untuk

menemukan skor z anda dan kemudian untuk menemukan perkiraan persentil anda pada

tes.
 Anda melakukannya dengan sangat baik pada tes standar, dan persentil anda

sekitar 98,6.

Menemukan area di antara Dua Skor z

Kita dapat dengan mudah menemukan area di antara dua skor z dengan

strategi pengurangan sederhana. Misalnya, untuk menemukan area antara z = −1.96 dan z =

1.96, kita dapat menghitung berikut ini:

Kita mengkonfirmasi bahwa dua nilai kritis ini memisahkan 95% tengah dari

distribusi normal standar dari 5% ekstrim. Kita dapat menggunakan pendekatan yang

ditunjukkan di sini untuk menemukan area antara dua skor z, ingatlah untuk mengurangi

area di sebelah kiri skor z yang lebih rendah dari area di sebelah kiri skor z yang lebih

tinggi. Jika tidak, kita akan berakhir dengan probabilitas negatif yang secara teoritis tidak

mungkin.

Menemukan Nilai-Nilai Kritis Menggunakan Fungsi qnorm

Fungsi qnorm menemukan skor z yang terkait dengan probabilitas yang diberikan

(kuantil), dan dengan demikian dapat digunakan untuk menemukan nilai kritis z.

Penggunaan fungsi pnorm dan qnorm menjadikan penggunaan nilai tabel z, untuk menjadi

contoh, mari kita temukan skor z yang terkait dengan area 0,975 kumulatif dari kurva

normal (dari ekor kiri). Tentu saja, jawabannya akan sangat dekat dengan z = 1,96, seperti

yang telah kita tunjukkan di atas.

 Untuk menemukan nilai kritis satu sisi cukup berikan 1 - alpha sebagai argumen

ke fungsi qnorm. Untuk tes are kiri, ubah tanda skor z, kita akan menemukan nilai kritis

satu sisi dari z untuk pengujian dengan alpha sama dengan 0,05 sebagai berikut:

Menggunakan rnorm untuk Menghasilkan Sampel Acak

Fungsi rnorm menghasilkan n sampel acak dari distribusi normal dengan

mean dan standar deviasi yang ditentukan. Jika argumen ini dihilangkan, mereka default ke

distribusi normal standar, menghasilkan 50 sampel acak dari distribusi normal dengan rata-

rata 100 dan standar deviasi 15.

Distribusi Sampling Berarti

Seperti yang disebutkan di awal bab ini, distribusi sampling berarti mendekati

distribusi normal ketika ukuran sampel meningkat. Ini memungkinkan kita untuk

menggunakan distribusi normal untuk membuat kesimpulan tentang mean sampel bahkan

ketika distribusi induk tidak normal, dengan menggunakan fakta statistik ini ketika kita
membuat kesimpulan tentang cara atau tentang perbedaan cara. Secara khusus, distribusi

pengambilan sampel rata-rata untuk sampel dengan ukuran n memiliki rata-rata sama

dengan rata-rata populasi, μ, dan varian serta standar deviasi sama dengan.

And

Deviasi standar dari distribusi sampling rata-rata dikenal sebagai “standard

error of the mean.” Dengan tidak adanya parameter populasi, kita menggunakan statistik

sampel sebagai penaksir yang masuk akal, dan kmenghitung kesalahan standar rata-rata

dari standar deviasi sampel sebagai berikut:

 DAFTAR PUSTAKA

Clewer, Alan G. and David H. Scarisbrick. 2013. Practical Statistics and Experimental Design

for Plant and Crop Science. John Wiley & Sons.

Hayek, Lee-Ann C. and Martin A. Buzas. 2010. Surveying Natural Populations: Quantitative

Tools for Assessing Biodiversity. Columbia University Press.

Kokoska, Stephen and Daniel Zwillinger. 2000. “Standard Normal Distribution.” in CRC

Standard Probability and Statistics Tables and Formulae, Student Edition.

Pace, Larry and Larry Pace. 2012. “Computing Normal Probabilities.” in Beginning R.