Distribusi

Kontinyu Normal
- Hermita Dyah Puspita, S.Si, MT.,IPM-
 Hubungan Beberapa Distribusi

Distribusi Kontinu
 Introduction

 Distribusi normal disebut juga distribusi Gauss, nama ahli

matematika Jerman, Carl Friedrich Gauss
 Adolphe Quatelet dari Belgia adalah orang pertama yang
menggunakan distribusi normal dalam sosiologi. Dia
memaparkan konsepnya tentang “average human being”
(I’ homme moyen)
 Distribusi normal merupakan distribusi terpenting dalam
mempelajari statistika. Kebenarannya tidak hanya karena
banyak data yang berdistribusi normal, tetapi juga karena
banyak estimator yang mendekati distribusi normal
 Distribusi normal mempunyai 2 buah parameter : mean
(μ) dan varians (σ 2)
 Distribusi Normal

1  x 
2

1  
2   
f ( x;  ,  ) 
2
e ;   x  
 2

Notasi : X ~ NOR( μ,σ 2 ) atau X ~ N( μ,σ 2 )

Jika μ = 0 dan σ 2 = 1, maka Z ~ NOR( 0,1 ) atau Z berdistribusi

normal standard (normal baku) dengan pdf :
z2
1 
f ( z)  e 2
;  z 
2
 Sifat-sifat Distribusi Normal

1. Berbentuk seperti lonceng’

2. Bentuknya simetrik terhadap
x=μ
3. Mean = Median = Modus f(X)

4. Grafiknya selalu ada di atas

sumbu datar x
5. Mempunyai satu modus, σ
tercapai pada x = μ X
μ
6. Grafiknya ber-asimtut sumbu
x dari x = μ + 3σ ke kanan
Mean
dan x = μ - 3σ ke kiri = Median
= Mode
7. Luas daerah grafik selalu
sama dengan 1 unit persegi
 Macam Distribusi Normal

Dengan parameters μ dan σ yang bervariasi, menghasilkan

distribusi normal yang berbeda-beda
 Distribusi Normal

f(X) Perubahan μ menyebabkan

pergeseran distribusi ke kiri
atau ke kanan

Perubahan σ meningkatkan
atau menurunkan penyebaran
σ data.

μ X
 Distribusi Normal

 Suatu variabel acak X berdistribusi nomal jika

memiliki probability density function (pdf) :

1  (1/2)[(X μ)/σ]2
f(X)  e
2π

dimana e = konstanta matematik = 2.71828

π = 3.14159
μ = mean dari populasi
σ = standard deviasi dari populasi
X = variabel kontinyu
Distribusi Normal
 Distribusi Normal Standard
 Distribusi Normal dengan mean µ dan
variansi σ² dapat ditransformasi menjadi
distribusi normal standard (Z) dengan µ=0
dan varians=1

 Membutuhkan transformasi dari X unit

menjadi Z unit
Transformasi ke Normal Standard

 Transformasi X ke Z, yaitu dengan formula

sbb:
X μ
Z
σ

Distribusi Z selalu mempunyai mean = 0 dan

standard deviasi = 1
 Pdf Distribusi Normal Sandard

 Probability density function dari distribusi

normal standard adalah:
1 (1/2)Z2
f(Z)  e
2π

dimana e = konstanta matematik = 2.71828

π = 3.14159
μ = mean dari populasi
σ = standard deviasi dari populasi
Z = nilai dari distribusi normal standard
 Distribusi Normal Standard

f(Z)

Z
µ=0

Nilai disebelah kanan mean adalah nilai Z positive,

disebelah kiri mean adalah nilai Z negatif
 Contoh
 Variabel random X berdistribusi normal dengan mean
= 100 dan standard deviasi= 50, nilai Z untuk X = 200
adalah :
X  μ 200  100
Z   2.0
σ 50

Note: distribusinya tetap sama, hanya

skalanya yang berubah. Problem dapat
dinyatakan dalam unit X atau unit Z.

100 200 X (μ = 100, σ = 50)

0 2.0 Z (μ = 0, σ = 1)
 Menentukan Peluang Distribusi Normal

Probability is the
Peluang diukur dari luas area di bawah
area under the
curve!
kurva
f(X)
P (a ≤ X ≤ b)
= P (a < X < b)

X
a b
 Peluang di bawah kurva normal

Jumlah area di bawah kurva normal mempunyai peluang 1, karena

distribusi normal mempunyai kurva yang simetris, maka peluang 0,5 di
atas mean dan 0,5 di bawah mean

f(X)
P(   X  μ)  0.5 P(μ  X   )  0.5

0.5 0.5

μ X

P(   X   )  1.0
 Aturan Empiris
f(X)

μ ± 1σ mengandung 68%
of X’s
σ σ

μ+1σ X
μ-1σ μ

68.26%

2σ 2σ 3σ 3σ

μ x μ x

 μ ± 2σ mengandung sekitar 95,44% data

 μ ± 3σ mengandung 99.73% data
 Tabel Normal Standard
(lanjutan)
0.9772
kolum memberikan nilai Z sampai dua
digit di belakang koma

0 2.00
Z 0.00 0.01 0.02 …
0.0
0.1
baris memberikan nilai
Z sampai satu digit di .
. Nilai peluang nilai Z
belakang koma .
dari   s/d 2
2.0 .9772
P(  < Z < 2) =0.9772

P(Z < 2.00) = 0.9772

2.0
 Menentukan peluang distribusi Normal (lanjutan)

 Andaikan X berdistribusi normal dengan mean

8.0 dan standard deviasi 5.0.
 Tentukan P(X < 8.6)
X  μ 8.6  8.0
Z   0.12
σ 5.0

μ=8 μ=0
σ = 10 σ=1

8 8.6 X 0 0.12 Z

P(X < 8.6) P(Z < 0.12)

 Solusi: P(Z < 0.12)

Standardized Normal Probability P(X < 8.6)

Table (Portion)
= P(Z < 0.12)

Z .00 .01 .02 0.5478

0.0 .5000 .5040 .5080

0.1 .5398 .5438 .5478

0.2 .5793 .5832 .5871
Z
0.00
0.3 .6179 .6217 .6255
0.12
 Upper Tail Probabilities
 TentukanP(X > 8.6) ! (lanjutan)

P(X > 8.6) = P(Z > 0.12) = 1.0 - P(Z ≤ 0.12)

= 1.0 - 0.5478 = 0.4522

0.5478
1.000 = 1.0 - 0.5478
= 0.4522

Z Z
0 0
0.12 0.12
 Peluang antara dua nilai
 Andaikan berditribusi normal dengan mean
8.0 dan standard deviasi 5.0.
 Tentukan P(8 < X < 8.6)

Menghitung nilai Z:

X μ 88
Z  0
σ 5
8 8.6 X
X  μ 8.6  8 0 0.12 Z
Z   0.12
σ 5 P(8 < X < 8.6)
= P(0 < Z < 0.12)
 Solusi: P(0 < Z < 0.12)

P(8 < X < 8.6)

Tabel peluang distribusi normal standard
(Portion) = P(0 < Z < 0.12)
= P(Z < 0.12) – P(Z ≤ 0)
Z .00 .01 .02 = 0.5478 - .5000 = 0.0478

0.0 .5000 .5040 .5080 0.0478

0.5000

0.1 .5398 .5438 .5478

0.2 .5793 .5832 .5871

0.3 .6179 .6217 .6255 Z

0.00
0.12
 Probabilities in the Lower Tail

(lanjutan)
P(7.4 < X < 8) ??

P(7.4 < X < 8)

= P(-0.12 < Z < 0)
= P(Z < 0) – P(Z ≤ -0.12)
0.0478
= 0.5000 - 0.4522 = 0.0478

0.4522

Karena distribusi normal bentuknya simetris,

maka P(-0.12 < Z < 0)=P(0 < Z < 0.12)
7.4 8.0 X
-0.12 0 Z
 Menentukan nilai X jika peluang diketahui

 Langkah untuk menentukan nilai X dimana

peluang diketahui:
1. Tentukan nilai Z dengan peluang yang sudah
diketahui
2. Rubah X unit dengan rumus:

X  μ  Zσ
 Contoh soal

(lanjutan)

 Andaikan berdistribusi normal dengan mean

8.0 dan standard deviasi 5.0.
 Tentukan nilai X dimana 20% nya di bawah
nilai X

0.2000

? 8.0 X
? 0 Z
 Menemukan nilai Z untuk 20% di Lower Tail

1. Menentukan nilai Z jika peluang diketahui

Tabel Normal Standard (Portion)  20% area di lower tail

nilai Z = -0.84
Z … .03 .04 .05

-0.9 … .1762 .1736 .1711

0.2000
-0.8 … .2033 .2005 .1977
-0.7 … .2327 .2296 .2266
? 8.0 X
-0.84 0 Z
 Menentukan nilai X

2. Merubah unit X dengan rumus sbb:

X  μ  Zσ

 8.0  ( 0.84)5.0

 3.80

Jadi 20% nilai dari distribusi dengan mean 8.0 dan

standard deviatsi 5.0 kurang dari 3.80
 Menguji kenormalan distribusi

 Tidak semua variabel random kontinyu

berdistribusi normal.

 Sangat penting untuk mengetahui suatu data

apakah berdistribusi normal atau tidak
 Mengevaluasi Normalitas

(lanjutan)
 Susun grafik
 Jika jumlah data sedikit , buat stem-and-leaf dan
box-and-whisker plot untuk melihat apakah distribusi
data simetris?
 Jika jumlah data besar, buat histogram atau polygon
apakah terlihat bentuknya seperti lonceng?
 Hitung ukuran-ukuran statistik deskriptif
 Hitung mean, median dan modus,apakah nilainya
sama?
 Apakah interquartile range mendekati 1.33 σ?
 Apakah range mendekati 6 σ?
 Assesmen Normalitas

(lanjutan)

 Observasi distribusi data

 Do approximately 2/3 of the observations lie within
mean  1 standard deviation?
 Do approximately 80% of the observations lie within
mean  1.28 standard deviations?
 Do approximately 95% of the observations lie within
mean  2 standard deviations?
 Menguji dengan normal probability plot
 Apakah plot peluang normal membentuk garis linier
dengan slope positif?
 The Normal Probability Plot

 Normal probability plot

 Susun data dari kecil ke besar
 Tentukan nilai normal standard quantile
 Plot pasangan titik dengan nilai data observasi pada
sumbu vertikal dan normal standard pkuantileada
sumbu horisontal
 Evaluasi apakah plot linier atau tidak
 Plot Peluang Normal

Plot peluang normal dari data yang (lanjutan)

berdistribusi normal akan

membentuk garis linier

X 90

60

30

-2 -1 0 1 2 Z
 Normal Probability Plot

(lanjutan)

Miring Kiri Miring Kanan

X 90 X 90
60 60
30 30
-2 -1 0 1 2 Z -2 -1 0 1 2 Z

Rectangular
Plot yang tidak membentuk
X 90 garis linier (Nonlinear plots)
60 menunjukkan data tidak
berdistribusi normal
30
-2 -1 0 1 2 Z
Hubungan Distribusi Binomial dan Distribusi Normal

 Dalam kasus perubahan variabel acak diskit diubah menjadi

variabel acak kontinu, maka nilai variabel acak tersebut perlu
mendapat penyesuaian dengan memberikan koreksi kontinuitas

No. Dari Distribusi Menjadi Distribusi Normal

Binomial
1. P( X = x ) P( x – ½ < X < x + ½ )
2. P( X < x ) P( X < x + ½ )
3. P( X < x ) = P( X < (x – 1) + ½ )
P( X < x-1 )
4. P( a < x < b ) P( a – ½ < X < b + ½ )
 Pendekatan Normal
(lanjutan)
 Jika p mendekati 0.5, dan n cukup besar, maka
pendekatan distribusi normal dapat diterapkan
untuk distribusi binomial

 Aturan Umum:
 Distribusi normal dapat digunakan mendekati
distribusi binomial jika :

np ≥ 5
dan
n(1 – p) ≥ 5
 Pendekatan distribusi normal untuk distribusi
binomial
(lanjutan)

 Mean dan standard deviasi dari distribusi

binomial
μ = np
σ  np(1 p)

 Transformasi dari distribusi binomial ke

distribusi normal sbb:
X μ X  np
Z 
σ np(1  p)
 Contoh
to the Binomial Distribution
 Diketahui n = 1000 dan p = 0.2, berapa P(X ≤ 180)??
 P(X ≤ 180)  setelah melakukan penyesuaian dengan
faktor koreksi menjadi :
P(X ≤ 180.5)
 Transformasi ke normal standard:
X  np 180.5  (1000)(0.2)
Z   1.54
np(1  p) (1000)(0.2)(1  0.2)

 sehingga P(Z ≤ -1.54) = 0.0618

180.5 200 X
-1.54 0 Z
 Contoh

Contoh :
Peluang seorang marketing berhasil melakukan transaksi adalah
60%. Bila terdapat 100 orang marketing yang mengunjungi
pelanggan, hitunglah peluang lebih dari setengahnya berhasil
melakukan transaksi.

Jawab :
p = P(berhasil melakukan transaksi) = 0.6 ; n = 100
μ = np = 100(0.6) = 60 σ2 = np(1-p) = 100(0.6)(0.4) = 24

P( X  50)  P( X  51)  P( X  50.5)

 X   50.5  60 
 P    P( Z  1.94)  1  P( Z  1.94)
  24 
 1  0.0262  0.9738
 Dalil Limit Pusat

Jika X1, X2, …, Xn saling bebas dan masing-masing berdistribusi

normal ( Xi ~ NOR (μi,σi2), maka

X = X1 + X2 + … + Xn juga berdistribusi normal

X ~ NOR (nμ, nσ2)  X ~ NOR (  , n )
2
 Dalil Limit Pusat

Contoh Soal :

1. Catatan dalam log-book maskapai penerbangan B747 diperoleh data

sebagai berikut :
a). Rata-rata berat bagasi per penumpang 17.3 kg dengan simpangan
baku 3,1 kg.
b). Rata-rata berat penumpang 70 kg dengan simpangan baku 8 kg

Pertanyaan :
1). Tentukan peluang bahwa rata-rata berat bagasi perpenumpang
dalam antrian 25 bagasi di check in counter kurang dari 16 kg
2). Tentukan peluang dari total berat 400 penumpang yang
menumpangi pesawat B747 atau melebihi 28.480 kg
3). Tentukan peluang dari 400 penumpang beserta bagasinya akan
melebihi dari maksimum beban totalnya, yaitu 35.450 kg
 Dalil Limit Pusat

Pemecahan :

1. Misal X variabel acak yang menyatakan “berat bagasi”, maka

 X  17.3  X  3.1
a. Jika X menyatakan rata-rata berat bagasi untuk 25
penumpang, maka P( X  16)  ?
 X   16  17.3 
P( X  16)  P  

  / n 3. 1 25 
 P( Z  2.097 )  P( Z  2.10)
 0.5  P( Z  2.10)  0.5  0.4821
 0.0179
 Dalil Limit Pusat

Pemecahan :

b. Jika Wi menyatakan berat penumpang ( i = 1, …, 400)

W  70 W  8
400
P(Wi  28480 )  ?
i 1

 400    Wi 28480 
P  Wi  28480   P    P(W  71.2)

 i 1   400 400 
 W   71.2  70 
 P    P( Z  3)

  / n 8 400 
 1  0.9987
 0.0013
Tim Dosen Statistika