Distribusi Normal (Distribusi Gaus)

 Distribusi Normal (Distribusi Gauss) → merupakan

distribusi probabilitas yang paling penting baik
dalam teori maupun aplikasi statistik.

 Terminology “normal” → karena memang distribusi

ini adalah yang paling banyak digunakan sebagai
model bagi data riil diberbagai bidang :
- antara lain karakteristik fisik mahluk hidup (berat,
tinggi badan manusia, hewan dll),
- kesalahan-kesalahan pengukuran dalam eksperimen
ilmiah pengukuran-pengukuran intelejensia dan
perilaku,
- nilai skor berbagai pengujian dan berbagai ukuran
dan indikator ekonomi.
Alasan mengapa distribusi normal
menjadi penting:
 Distribusi normal terjadi secara alamiah. Seperti
diuraikan sebelumnya banyak peristiwa di dunia nyata
yang terdistribusi secara normal.
 Beberapa variable acak yang tidak terdistribusi secara
normal dapat dengan mudah ditranformasikan menjadi
suatu distribusi variabel acak yang normal.
 Banyak hasil dan teknik analisis yang berguna dalam
pekerjaan statistik hanya bisa berfungsi dengan benar
jika model distribusinya berupa distribusi normal
 Ada beberapa variabel acak yang tidak menunjukkan
distribusi normal pada populasinya Namun distribusi
rata-rata sampel yang diambil secara random dari
populasi tersebut ternyata menunjukkan distribusi
normal.
Fungsi Kepadatan Probabilitas Fungsi Distribusi
Kumulatif Normal
 Sebuah variabel acak kontinu X dikatakan
memiliki distribusi normal dengan parameter x
dan x dengan - < x <  dan x >0 jika fungsi
kepadatan probabilitas (pdf) dari X adalah :

−
( x −  x )2

f (x;  x ,  x ) =
1
e (2 ) 2
x
−  x  
 x 2
• Distribusi normal kumulatif didefinisikan sebagai
probabilitas variabel acak normal x tertentu.
Fungsi distribusi kumulatif (cdf – cumulative
distribution function) dari distribusi normal ini
dinyatakan sebagai :
F(x; x, x) = P(X  x)
=
x x
2
(t −  x )

 f (t;  , )dt =   e (2 ) dt

1 2
x

2
x x
− − x

• F(x), hanya bisa ditentukan dari integrasi secara

numerik, karena persamaan tersebut tidak bisa
diintegrasi secara analitik.
 Untuk setiap distribusi populasi dari suatu
variabel acak yang mengikut sebuah
distribusi normal, maka

 68,26% dari nilai-nilai variabel berada dalam

± 1 x dari x ,
 95,46% dari nilai-nilai variabel berada dalam
± 2 x dari x ,
 99,73% dari nilai-nilai variabel berada dalam
± 3 x dari x 
Gambar hubungan antara luasan
dan N(, )
2
 Statistik Deskriptif Normal
 Untuk suatu distribusi normal dengan nilai-nilai
parameter mean x dan deviasi standard x akan
diperoleh suatu distribusi yang simetris terhadap nilai
mean x,

 sehingga kemencengan (skewness) = 0 dan dapat

ditunjukkan bahwa keruncingan (kurtosis) kurva
distribusi adalah 3.
Sifat-Sifat Distribusi Normal:
 Bentuk distribusi normal ditentukan oleh μ dan σ.

1 1
2
μ1 = μ2 σ1 > σ2 μ1 < μ2 σ1 = σ2

μ1 < μ2 σ1 < σ2
Distribusi Normal Standard
 Untuk menghitung probabilitas P(a  X  b) dari suatu
variable acak kontinu X yang berdistribusi normal
dengan parameter  dan  maka fungsi kepadatan
probabilitasnya harus diintegralkan mulai dari x=a
sampai x =b.
 Namun, tidak ada satupun dari teknik-teknik
pengintegralan biasa yang bisa digunakan untuk
menentukan integral tersebut.
 Untuk itu diperkenalkan sebuah fungsi kepadatan
probabilitas normal khusus dengan nilai mean = 0 dan
deviasi standart = 1.
 Variabel acak dari distribusi normal standard
ini biasanya dinotasikan dengan Z. Fungsi
kepadatan probabilitas dari distribusi normal
standard variabel acak kontinu Z :
− z2
f N (z;0,1) =
1
e 2
−  z  
2

 Fungsi distribusi kumulatif :

z −t 2
f N ( z;0,1) = P(Z  z ) = ( z ) =
1

− 2
e 2
dt
Menstandardkan distribusi Normal
 Distribusi normal variable acak kontinu X dengan
nilai-nilai parameter  dan  berapapun dapat diubah
menjadi distribusi normal kumulatif standard jika
variable acak X diubah menjadi variable acak standard
Z menurut hubungan :

x−
Z =

 Jika X distribusi normal dengan mean  dan
deviasi standard  maka

 x − x   a − x 
P ( X  a ) = P Z x 
 
 =  
 x   x 
 a − x b − x   b − x   a − x 
P(a  x  b ) = P  Zx   =   −  
 x x   x   x 
 b − x   b − x   a − x 
P ( X  b ) = P Z x 
 
 
= 1 − P Z x  
 = 1 −  
 x   x   x 
Z > 0 jika x > 
Z < 0 jika x < 
Simetri : P(0 ≤ Z ≤ b) = P(-b ≤ Z ≤ 0)
Contoh :
1. Diketahui data berdistribusi normal dengan
mean  = 55 dan deviasi standar = 15
a) P(55≤x≤75) =

=
= P(0≤Z≤1,33)
= 0,4082 (Tabel Z)
Atau

Tabel Z → A = 0,4082
b) P(60≤x≤80) =
= P(0,33≤Z≤1,67)
= P(0≤Z≤1,67) – P(0≤Z≤0,33)
= 0,4525 – 0,1293 = 0,3232

Z1 = = 0,33 → B = 0,1293

Z2 = = 1,67 → A = 0,4525
C = A – B = 0,3232
c) P(40≤x≤60)= A + B

=
= P(-1,00≤Z≤0,33)
= P(-1,00≤Z≤0) + P(0≤Z≤0,33)
= 0,3412 + 0,1293
= 0,4705
Atau : Z1 = = = -1,00
→ A = 0,3412
Z2 = = 0,33
→ B = 0,1293
d) P(x ≤ 40) = 0,5 – A
= 0,5 – 0,3412
= 0,1588
e. P(x ≥ 85)

f. P(x ≤ 85) = 0,5 + A

= 0,5 + 0,4772
= 0,9772
2) Diketahui rata-rata hasil ujian adalah 74 dengan
simpangan baku 7. Jika nilai-nilai peserta ujian
berdistribusi normal dan 12% peserta nilai tertinggi
mendapat nilai A, berapa batas nilai A yang terendah ?
Jawab:
Jika 5% peserta terendah mendapat nilai E,
berapa batas atas nilai E ?
P( ≤ x ≤ 0) = 0,45
P( ≤ Z ≤ 0) = = -1,645 → (x<)

= . + 
= (-1,645)7 + 74
= 62,485