DISTRIBUSI PROBABILITAS NORMAL

&
DISTRIBUSI SAMPLING

Distribusi probabilitas normal:

1 𝑋−𝜇 2
−
𝑃 𝑥 = 𝑒 2𝜎 2
𝜎 2𝜋
dengan
𝜋 = 3,1416....
𝑒 = 2,7183....
𝜇 = parameter, yang merupakan rata-rata untuk distribusi
𝜎 = parameter, yang merupakan deviasi standar (simpangan baku) untuk
distribusi

Karakteristik dari distribusi probabilitas normal:

 berbentuk lonceng, yaitu saat mean aritmetika, median, dan modus bernilai sama dan
terletak di tengah kurva distribusi; total luas daerah di bawah kurva adalah 1
 mean-nya bersifat simetris, sehingga luas daerah di bawah kurva ke kiri dari mean
adalah 0,5 dan luas daerah di bawah kurva ke kanan dari mean adalah 0,5
 lokasi dari distribusi normal ditentukan oleh mean (𝜇), sedangkan penyebaran data
ditentukan oleh deviasi standar (𝜎)

Secara grafik, karakteristik dari distribusi probabilitas normal adalah sebagai berikut.

Gambar 1. Karakteristik dari suatu distribusi probabilitas normal

Banyaknya distribusi normal tidak terbatas karena setiap sampel dari populasi bisa jadi akan
memiliki mean yang berbeda dan deviasi standar yang berbeda pula.

Untuk lebih jelasnya, perhatikan contoh gambar berikut dengan:

a. mean-nya sama dan deviasi standarnya berbeda,
b. mean-nya berbeda dan deviasi standarnya sama,
c. mean dan deviasi standarnya berbeda.

Distribusi Probabilitas Normal & Distribusi Sampling - Srava Chrisdes Antoro

1
a.

b.

c.

Gambar 2. Contoh suatu distribusi probabilitas normal dengan beragam nilai 𝝁 dan 𝝈

DISTRIBUSI PROBABILITAS NORMAL STANDAR

Sembarang distribusi probabilitas normal dapat diubah menjadi distribusi probabilitas

normal standar. Distribusi probabilitas normal standar ini disebut juga distribusi 𝒛, karena
hasil standardisasi dari distribusi probabilitas normal menjadi distribusi probabilitas normal
standar disebut dengan nilai-𝑧, yaitu:

Distribusi Probabilitas Normal & Distribusi Sampling - Srava Chrisdes Antoro

2
 𝑋−𝜇
𝑍= ↔ 𝑋 = 𝜇 + 𝑍𝜎
𝜎
dengan 𝑋 = nilai observasi pada data
𝜇 = mean populasi
𝜎 = deviasi standar populasi

Distribusi 𝑧 atau distribusi probabilitas normal standar ini memiliki keunikan, yaitu mean
𝜇 = 0 dan deviasi standar 𝜎 = 1.

Setelah memiliki distribusi probabilitas normal standar yang didapat dari distribusi
probabilitas normal, maka daftar distribusi normal standar (tabel distribusi 𝑧) dapat
digunakan. Dengan daftar ini, bagian-bagian luas dari distribusi normal standar dapat dicari.
Berikut adalah sebagian kecil dari tabel distribusi 𝑧.

Gambar 3. Luas area di bawah kurva normal

Contoh 1
Pendapatan mingguan dari mandor terjadwal di industri kaca mengikuti distribusi probabilitas
normal dengan rata-rata $1000 dan deviasi standar $100. Berapakah 𝑧 hitung pada
pendapatan (sebut saja 𝑋) dari mandor yang menghasilkan $1100 per minggu? Bagaimana
pula 𝑧 hitung dari mandor yang menghasilkan $900 per minggunya?
Jawab:
Diketahui 𝜇 = 1000 dan 𝜎 = 100.
Untuk 𝑋 = $1100:
𝑋−𝜇 1100 − 1000
𝑍= = = 1,00
𝜎 100
Untuk 𝑋 = $900:
𝑋−𝜇 900 − 1000
𝑍= = = −1,00
𝜎 100
Nilai 𝑧 = 1,00 menunjukkan bahwa pendapatan mandor yang $1100 per minggunya adalah
satu deviasi standar di atas rata-rata, dan nilai 𝑧 = −1,00 menunjukkan bahwa pendapatan
mandor yang $900 per minggunya adalah satu deviasi standar di bawah rata-rata.

Distribusi Probabilitas Normal & Distribusi Sampling - Srava Chrisdes Antoro

3
Selanjutnya, kita akan mempelajari bagaimana cara mencari luas di bawah kurva normal
(atau juga disebut probabilitas) dengan menggunakan distribusi probabilitas normal standar
(distribusi 𝑧). Perhatikan contoh berikut.

Contoh 2
Tentukan 𝑃{𝑍 ≤ 1,63} !
Jawab:
𝑃{𝑍 ≤ 1,63} berarti bahwa probabilitas ini bergantung pada luas area di bawah kurva ke kiri
dari titik 𝑧 = 1,63.
Jadi, 𝑃{𝑍 ≤ 1,63} = 𝑃{−∞ < 𝑍 < 0} + 𝑃{0 ≤ 𝑍 ≤ 1,63}.
Untuk 𝑃{−∞ < 𝑍 < 0}, nilainya pasti sama dengan 0,5 (ingat kembali karakteristik
„simetris‟ dari distribusi probabilitas normal).
Sementara, untuk 𝑃{0 ≤ 𝑍 ≤ 1,63}, nilainya dapat dilihat dari tabel distribusi 𝑧 (atau
perhatikan kembali Gambar 3), nilainya sama dengan 0,4484.
Maka,
𝑃{𝑍 ≤ 1,63} = 𝑃{−∞ < 𝑍 < 0} + 𝑃{0 ≤ 𝑍 ≤ 1,63} = 0,5 + 0,4484 = 0,9484

Gambar 4. Luas area di bawah kurva normal standar pada Contoh 2

Nilai probabilitas 𝑃{0 ≤ 𝑍 ≤ 1,63} = 0,4484 ini menunjukkan bahwa probabilitas secara
acak terpilihnya suatu objek yang berada antara 𝑧 = 0 hingga 𝑧 = 1,63, atau antara 𝑥 = 𝜇
dan 𝑥 = 𝜇 + 1,63𝜎 adalah sebesar 0,4484.

Contoh 3
PT Work Electric memproduksi bola lampu yang dapat menyala dengan rata-rata selama 900
jam dan deviasi standarnya 50 jam. Hitunglah berapa probabilitas bola lampu yang
diproduksi dapat menyala selama 800 – 1000 jam!
Jawab:
Diketahui 𝜇 = 900 dan 𝜎 = 50.
Lalu, misalkan 𝑋1 = 800 dan 𝑋2 = 1000. Dengan menggunakan transformasi distribusi 𝑧,
didapatlah nilai-nilai 𝑧-nya:
𝑋1 − 𝜇 800 − 900
𝑍1 = = = −2
𝜎 50
𝑋2 − 𝜇 1000 − 900
𝑍2 = = =2
𝜎 50
Jadi, probabilitas produksi bola lampu dapat menyala selama sekitar 800 – 1000 jam adalah:
𝑃{800 < 𝑋 < 1000} = 𝑃{−2 < 𝑍 < 2}
= 𝑃{−2 < 𝑍 < 0} + 𝑃{0 < 𝑍 < 2} (lihat tabel distribusi 𝑧)
= 0,4772 + 0,4772 = 0,9544

Distribusi Probabilitas Normal & Distribusi Sampling - Srava Chrisdes Antoro

4
PENDEKATAN NORMAL TERHADAP BINOMIAL

Ingat kembali, probability mass function (pmf) dari distribusi binomial:

P( x)  Cxn  p x (1  p)n x

dengan
E[ X ]  np
Var ( X )  np(1  p)

Distribusi probabilitas normal dapat digunakan sebagai pengganti distribusi binomial pada
nilai n yang besar, karena jika n bertambah, distribusi binomial menjadi semakin mendekati
distribusi normal. Transformasi 𝑧-nya adalah sebagai berikut:

𝑋−𝜇 𝑋 − 𝐸[𝑋] 𝑋 − 𝑛𝑝
𝑍= ↔ 𝑍= ↔ 𝑍=
𝜎 𝑉𝑎𝑟 𝑥 𝑛𝑝 1 − 𝑝

“Kapan pendekatan normal terhadap binomial dapat dilakukan?”

Distribusi probabilitas normal merupakan pendekatan yang baik untuk distribusi probabilitas
binomial ketika 𝑛𝑝 1 − 𝑝 ≥ 10.

Namun, perlu diperhatikan bahwa terdapat perbedaan yang signifikan diantara kedua
probabilitas tersebut. Distribusi probabilitas normal merupakan distribusi probabilitas
kontinu, sementara distribusi probabilitas binomial merupakan distribusi probabilitas diskret.
Oleh sebab itu, terdapat faktor koreksi kontinuitas.

Faktor koreksi kontinuitas adalah nilai 0,5 yang dikurangkan atau dijumlahkan
(bergantung pada pertanyaannya) pada nilai yang terpilih ketika distribusi probabilitas diskret
diperkirakan melalui distribusi probablitas kontinu.

Contoh 4
Sebuah koin dilempar 40 kali. Hitunglah probabilitas munculnya angka sebanyak 20 kali!
Lalu, gunakanlah pendekatan normal untuk menghitung probabilitas munculnya angka
sebanyak 20 kali!
Jawab:
Misalkan X adalah banyaknya angka yang muncul (“berhasil”) pada pelemparan suatu koin
sebanyak 40 kali. X merupakan variabel acak binomial dengan n = 40 dan p = ½. Yang
ditanyakan adalah P{X  20} .
>> Dengan menggunakan distribusi probabilitas binomial:
20 20
40 20 40! 1  1
P{ X  20}  C  p (1  p)
40 20
     1    0,1254
(40  20)! 20!  2   2 
20

>> Dengan menggunakan distribusi probabilitas normal:

Dalam hal ini, np  20 ; np(1  p)  10 ; X1  20  0,5  19,5 ; X 2  20  0,5  20,5 .
Dengan menggunakan transformasi distribusi 𝑧, didapatlah nilai-nilai 𝑧-nya:
X 1  np 19,5  20 X 2  np 20,5  20
Z1    0,16 ; Z 2    0,16
np(1  p) 10 np(1  p) 10

Distribusi Probabilitas Normal & Distribusi Sampling - Srava Chrisdes Antoro

5
P{X  20} = P{19,5  X  20,5}
= P{0,16  Z  0,16}
= P{0,16  Z  0}  P{0  Z  0,16} (lihat tabel distribusi 𝑧)
= 0,0636 + 0,0636
= 0,1272

“KESALAHAN” SAMPLING

Ilustrasi:
Rata-rata sampel diambil untuk mengestimasi rata-rata populasi. Namun, karena sampel
adalah bagian dari populasi, maka tentunya rata-rata sampel tidak akan benar-benar sama
dengan rata-rata populasi. Begitu pula dengan deviasi standar, pasti ada perbedaan atau
selisih antara deviasi standar sampel dengan deviasi standar populasi.

Perbedaan/selisih dari statistik suatu sampel dengan parameter dari populasinya disebut
kesalahan sampling.

Kesalahan sampling yang bernilai positif menunjukkan rata-rata sampel over-estimated untuk
rata-rata populasi, sedangkan kesalahan sampling yang bernilai negatif menunjukkan rata-rata
sampel under-estimated untuk rata-rata populasi.

Contoh 5
Berikut ini adalah daftar nama-nama mahasiswa yang mengambil mata kuliah Aljabar Linier
beserta nilai ujian mid mereka masing-masing.
1  Rian Lie 100 16  Vivi Siddhartha 60
2  Justin Salim 100 17  Mega Velyana 100
3  Bambang Rizky 90 18  Mhd Rizal Srg 85
4  Nikko Haryanto 80 19  Luis Andy Gunawan 85
5  Riandy 85 20  Eddy Johan 100
6  Viyan Sunata 90 21  Maya 90
7  Stephen Lie 90 22  Deby Claudia Dinti 100
8  Ricky Meidianto 80 23  Steven Halim 95
9  Davin Joice Wijaya 100 24  Cinthia Amorita 85
10  Ardi Gus Dwiyono 90 25  Heri Ependy 90
11  Dani Saputra 95 26  Darmawan 75
12  Desfriyanto Taswin 100 27  M. Irvan Syahputra J 100
13  Daniel Leonardo 90 28  Willy 100
14  Rina Ambar Wisni 60 29  Luckyanto Lim 90
15  Febiyani 70 30  Kevin Stevandy 80

a. Tentukan rata-rata nilai Aljabar Linier dari seluruh mahasiswa tersebut!

b. Ambil 3 macam sampel yang masing-masingnya terdiri dari 6 mahasiswa, kemudian
hitunglah rata-rata nilai dari masing-masing sampel! Bandingkanlah rata-rata nilai dari
masing-masing sampel dengan rata-rata nilai Aljabar Linier dari seluruh mahasiswa
dengan menghitung kesalahan samplingnya!

Distribusi Probabilitas Normal & Distribusi Sampling - Srava Chrisdes Antoro

6
Jawab:
total seluruh nilai 2655
a. Rata-rata populasi:    88,5
banyak mahasiswa 30
b. Berikut adalah 3 (contoh) macam sampel yang terdiri dari 6 mahasiswa beserta dengan
kesalahan sampling dari masing-masing sampel:

SAMPEL 1 SAMPEL 2 SAMPEL 3

Nama Nilai Nama Nilai Nama Nilai
Justin Salm 100 Nikko Haryanto 80 Viyan Sunata 90
Stephen Lie 90 Davin Joice Wijaya 100 Dani Saputra 95
Desfriyanto Taswin 100 Rina Ambar Wisni 60 Vivi Siddharta 60
Mega Velyana 100 Luis Andy Gunawan 85 Maya 90
Deby Claudia Dinti 100 Cinthia Amorita 85 Darmawan 75
M. Irvan Syahputra 100 Luckyanto Lim 90 Rian Life 100
RATA-RATA 98,33 RATA-RATA 83,33 RATA-RATA 85
Kes. Sampling 9,83 Kes. Sampling -5,17 Kes. Sampling -3,5

Dari Contoh 5 di atas, jika sampel yang diambil terdiri dari 6 mahasiswa, maka banyaknya
macam sampel yang mungkin terjadi ada sebanyak:
30! 30!
6 
C 30   593.775 macam sampel
(30  6)! 6! 24! 6!

DISTRIBUSI SAMPLING RATA-RATA SAMPEL

Perhatikan bahwa rata-rata sampel pada Contoh 1 berbeda-beda dari satu sampel ke sampel
selanjutnya. Rata-rata sampel pertama dari 6 mahasiswa adalah 98,33; rata-rata sampel kedua
adalah 83,33; rata-rata sampel ketiga adalah 85; sementara rata-rata populasinya adalah 88,5.

Jika kita menyusun rata-rata seluruh kemungkinan sampel dari 6 mahasiswa menjadi bentuk
distribusi probabilitas, hasilnya disebut dengan distribusi sampling rata-rata sampel.

Distribusi sampling rata-rata sampel merupakan suatu distribusi dari seluruh

kemungkinan rata-rata sampel dari ukuran sampel yang diketahui.

Contoh 6
Pabrik Tartus memiliki tujuh karyawan produksi. Pendapatan tiap jam dari setiap
karyawannya adalah sebagai berikut:
Pendapatan per
Karyawan
Jam ($)
Joe 7
Sam 7
Sue 8
Bob 8
Jan 7
Art 8
Ted 9

Distribusi Probabilitas Normal & Distribusi Sampling - Srava Chrisdes Antoro

7
a. Berapa rata-rata populasinya?
b. Buatlah distribusi sampling rata-rata sampel pada sampel berukuran 2?
c. Berapa rata-rata dari distribusi sampling?

Jawab:
total seluruh pendapatan 54
a.    7, 71
banyak karyawan 7
b. Banyaknya macam sampel yang dapat dibentuk jika masing-masing sampel terdiri dari
2 karyawan adalah:
7! 7!
C 72    21 macam sampel
(7  2)! 2! 5! 2!

Maka, distribusi sampling rata-rata sampel pada sampel berukuran 2 adalah:

Rata-Rata Sampel Nomor Rata-Rata Probabilitas
7 3 3/21
7,5 9 9/21
8 6 6/21
8,5 3 3/21
21 1
c. Rata-rata distribusi sampling rata-rata sampel   X  diperoleh dengan menjumlahkan
beberapa rata-rata sampel dan membagi jumlahnya dengan banyaknya sampel.
7  7,5  7,5  7  ...  7,5  8  8,5 162
X    7, 71
21 21
P
R
O
B
A
B
I
L
I
T
A
S
Gambar 5. Kurva distribusi sampling rata-rata sampel pada Contoh 6

Distribusi Probabilitas Normal & Distribusi Sampling - Srava Chrisdes Antoro

8
Contoh 6 di atas mengilustrasikan hubungan erat antara distribusi populasi dengan distribusi
sampling rata-rata sampel:
1) Rata-rata dari rataan sampel sama persis dengan rata-rata populasi.
2) Sebaran distribusi sampling rata-rata sampel lebih kecil daripada distribusi populasi.
[Pada Contoh 6, sebaran nilai untuk distribusi populasi adalah 7 – 9, sedangkan
sebaran nilai untuk distribusi sampling rata-rata sampel adalah 7 – 8,5.]
3) Distribusi sampling rata-rata sampel cenderung berbentuk lonceng dan mendekati
distribusi probabilitas normal.

TEOREMA LIMIT TENGAH

Jika seluruh sampel suatu ukuran dari populasi apapun dipilih, maka distribusi sampling rata-
rata sampel mendekati distribusi normal. Pendekatan ini semakin baik jika sampel yang
dipilih semakin banyak.

Gambar 6. Hasil dari Teorema Limit Tengah pada beberapa populasi

Jika  adalah rataan populasi dan  adalah deviasi standar populasi, maka rataan dan
deviasi standar dari distribusi sampling rata-rata sampel adalah sebagai berikut:

X   ; X 
n
dengan n adalah banyaknya pengamatan dari setiap sampel.

Distribusi Probabilitas Normal & Distribusi Sampling - Srava Chrisdes Antoro

9
 LATIHAN SOAL

1. Hitunglah:
a. P{1,86  Z  0} c. P{1, 4  Z  2,65}
b. P{1,5  Z  1,82} d. P{Z  1,96}

2. Keluarga Kamp memiliki anak kembar, Rob dan Rachel. Rob dan Rachel keduanya
lulus dari universitas 2 tahun yang lalu, dan masing-masingnya sekarang memperoleh
$50000 per tahun. Rachel bekerja di industri eceran, di mana rata-rata gaji untuk
eksekutif dengan pengalaman kurang dari 5 tahun adalah $35000 dengan deviasi
standar $8000. Rob adalah seorang insinyur. Rata-rata gaji insinyur dengan pengalaman
kurang dari 5 tahun adalah $60000 dengan deviasi standar $5000. Hitunglah nilai 𝑧
untuk Rob dan Rachel, kemudian jelaskan maksudnya !
3. Suatu data yang berdistribusi normal memiliki rata-rata 50 dan deviasi standar 4.
a. Hitunglah probabilitas dari nilai antara 44 dan 55 !
b. Hitunglah probabilitas dari nilai yang lebih besar dari 55 !
c. Hitunglah probabilitas dari nilai antara 52 dan 55 !
4. Rata-rata berat bayi yang baru lahir 3750 gram dengan deviasi standar 325 gram. Jika
berat bayi diasumsikan berdistribusi normal, maka tentukan:
a. berapa probabilitas bayi yang beratnya lebih dari 4500 gram ?
b. berapa banyak bayi yang beratnya antara 3500 – 4500 gram jika total bayinya ada
10000 ?
c. berapa banyak bayi yang beratnya lebih kecil atau sama dengan 4000 gram jika
total bayinya ada 10000 ?
d. berapa banyak bayi yang beratnya 4250 gram jika total bayinya ada 5000 ?
5. Studi yang diadakan oleh Taurus Health Club menyatakan bahwa 30% dari anggotanya
mengalami kegemukan. Jika anggota keseluruhan berjumlah 500 orang, maka:
a. berapa probabilitas bahwa 175 anggota atau lebih mengalami kegemukan ?
b. berapa probabilitas bahwa 140 anggota atau lebih mengalami kegemukan ?
6. Pada badan hukum Tybo dan Associates, terdapat enam orang partner. Berikut
merupakan rekanan dan jumlah kasus yang ditangani masing-masing di pengadilan
pada bulan lalu.
Rekanan Banyak Kasus
Ruud 3
Wu 6
Sass 3
Flores 3
Wilhelms 0
Schueller 1
a. Berapa banyak kemungkinan sampel berbeda yang berukuran 3 ?
b. Tulislah seluruh kemungkinan sampel berukuran 3, dan hitung rata-rata populasi
setiap sampel !
c. Hitunglah rata-rata dan deviasi standar dari distribusi sampling rata-rata sampel
yang berukuran 3 !

Distribusi Probabilitas Normal & Distribusi Sampling - Srava Chrisdes Antoro

10