BAHAN PEMBELAJARAN PERTEMUAN 5

Mata Kuliah Biostatistik Deskriptif dan Inferensial

Dosen Linda Suwarni

Topik Distribusi Probabilitas

Sub Topik Pengantar Distribusi Probabilitas (Binomial, Poisson,
dan Normal)
1. Pendahuluan
2. Penggunaan masing-masing distribusi
Materi 3. Sifat-sifat
4. Probabilitas P (a < X < b)
5. Fungsi Distribusi Kumulatif
1. Memahami distribusi binomial, poisson, normal dan
mengoperasikan rumus-rumus
2. Memahami pengertian distribusi Probabilitas
(Binomial, Poisson, dan Normal)
Tujuan 3. Menjelaskan sifat-sifat distribusi Probabilitas
(Binomial, Poisson, dan Normal)
4. Memahami konsep dan probabilitas P(a<x<b)
5. Menjelaskan konsep dan rumus fungsi distribusi
kumulatif
 Modul 5 – Distribusi Frekuensi 2

Distribusi Probabilitas

Dalam kehidupan sehari-hari kerap kali ditemui macam model peluang. Faktor
ketidakpastian banyak memiliki model peluang yang menggambarkan suatu akibat
yang mungkin terjadi bila kondisi tertentu terjadi. Distribusi probabilitas merupakan
suatu model peluang yang memungkinkan untuk mempelajari hasil eksperimen
random yang nyata dan menduga hasil yang akan terjadi. Dengan pengertian lain
peristiwa nyata tersebut menyerupaiperistiwa dalam model dan kondisi dari model
distribusi dapat dipenuhi sebagai kondisi eksperimen.
Distribusi peluang tersebut merupakan distribusi populasi karena berhubungan
dengansemua nilai yang mungkin terjadi dan populasinya merupakan variable
random. Distribusiterbagi menjadi dua berdasarkan jenis variablenya, yakni distribusi
peluang diskrit dandistribusi peluang kontinyu. Distribusi probabilitas adalah sebaran
data dari nilai–nilai peluang yang terjadi pada variable random. Suatu variable yang
nilainya ditentukan oleh terjadinya hasilsuatu percobaan disebut sebagai variable
random. Dalam sampel random, populasi mempunyai kesempatan yang sama untuk
dijadikan sampel. Variable random terdiri dari distribusi diskrit dan distribusi
kontinyu.
Distribusi probabilitas merupakan suatu daftar yang disusun berdasarkan
peluang dari peristiwa yang terjadi melalui perhitungan-perhitungan. Distribusi
probabilitas memiliki beberapa karakterisik, diantaranya yaitu: 1) Probabilitas dari
sebuah hasil berkisar antara 0 sampai dengan 1; 2) Hasil-hasilnya ialah kejadian
yang tidak terikat satu sama lain; 3) Daftar hasilnya lengkap. Jadi jumlah probabilitas
dari berbagai kejadian ialah 1.
Distribusi probabilitas adalah konsep fundamental dalam statistik. Konsep ini
digunakan baik pada tingkat teoretis maupun praktis. Beberapa penggunaan praktis
dari distribusi probabilitas adalah:
1. Untuk menghitung interval kepercayaan pada suatu parameter dan untuk
menghitung daerah kritis pada suatu uji hipotesis.
2. Untuk data univariat, distribusi probabilitas seringkali berguna untuk menentukan
model distribusi yang wajar untuk data tersebut.
3. Interval statistik dan uji hipotesis sering kali didasarkan pada asumsi distribusi
tertentu. Sebelum menghitung interval atau pengujian berdasarkan asumsi
 Modul 5 – Distribusi Frekuensi 3

distribusi, kita perlu memverifikasi bahwa asumsi tersebut dibenarkan untuk

kumpulan data yang diberikan. Dalam hal ini, distribusi tidak perlu menjadi
distribusi data yang paling sesuai, tetapi model yang cukup memadai sehingga
teknik statistik menghasilkan kesimpulan yang valid.
4. Studi simulasi dengan bilangan acak yang dihasilkan dari penggunaan distribusi
probabilitas tertentu seringkali dibutuhkan.
 Modul 5 – Distribusi Frekuensi 4

DISTRIBUSI BINOMIAL

PENDEKATAN NORMAL TERHADAP BINOMIAL

Telah dijelaskan sebelumnya bahwa apabila n sangat besar (di luar tabel binomial)
dan p sangat kecil (seperti np  5), maka distribusi binomial dapat didekati oleh
distribusi Poisson. Akan tetapi apabila n di luar nilai tabel dan p bernilai sangat kecil
atau sangat besar, maka distribusi binomial dapat didekati oleh distribusi normal.
Sebagai petunjuk dalam melakukan pendekatan normal dari binomial adalah:

n  30

np dan n(1 – p)  5

Contoh:
Anggota suatu dewan juri berisikan 55% wanita. Berapa peluang terpilihnya 50
anggota juri yang dipilih secara acak akan berisikan anggota wanita sebanyak 30
orang atau lebih. Pemilihan ini jelas merupakan proses binomial dengan n = 50, p =
0,55 dan x  30. Tabel binomial tidak mempunyai nilai untuk n = 50. Pendekatan
Poisson juga tidak dapat dilakukan karena np = 27,5.Demikian pula tehnik
menggunakan 1 – p untuk p tidak dapat dilakukan juga karena n(1 – p) = 23,5. Akan
tetapi kriteria untuk pendekatan normal sudah dipenuhi dimana parameter binomial
untuk mendekati distribusi normal adalah:

 B  np  27,5
 B  np(1  p)  3,52

Sebelum menghitung peluang distribusi normal, terlebih dahulu perlu dihitung suatu
koreksi yang memperkenankan kita melakukan pendekatan dari distribusi diskrit ke
distribusi kontinu. Dalam distribusi kontinu, nilai 29 didefinisikan mengambil nilai
antara “28,5 sampai 29,5”, nilai 30 di antara nilai 29,5 sampai 30,5 dan seterusnya.
Dengan demikian, nilai-nilai diskrit yang sama atau lebih besar dari 30. Akhirnya
persoalan di atas dapat diselesaikan sebagaimana persoalan distribusi normal biasa
yaitu:

29,5  27,5
z  0,57
3,52

Luas area dari 0 sampai 0,57 adalah 0,2157. Jadi :

P ( X  29,5)  0,5  0,2157  0,2843

 Modul 5 – Distribusi Frekuensi 5

Artinya peluang (pendekatan) terpilihnya anggota juri wanita lebih dari 30 orang
adalah 0,2843. (Jika dihitung dengan distribusi binomial diperoleh 0,2862).
z = 0,57

0,2157

0,2843

 29,5  30,5

Gambar 3 Pendekatan normal terhadap binomial
 Modul 5 – Distribusi Frekuensi 6

DISTRIBUSI POISSON

PENDEKATAN NORMAL TERHADAP POISSON

Apabila rata-rata distribusi Poisson lebih dari 10, maka mustahil untuk
menggunakan tabel peluang Poisson (meskipun sebenarnya dapat dilakukan
dengan komputer). Olehkarenanya pendekatan normal kepada binomial dapat
diperluas kepada distribusi Poisson (dalam hal ini l > 10).

Contoh:
Rata-rata jumlah kendaraan yang mengunjungi bengkel pada jam 16.00 – 17.00
di akhir pekan adalah 16. Berapa peluang bahwa kurang dari 20 kendaraan akan
mengunjungi bengkel pada jam yang sama di hari Selasa mendatang.
Rata-rata distribusi Poisson l lebih dari 10, sehingga pendekatan normal dapat
dilakukan. Parameter Poisson yang ekivalen dengan distribusi normal adalah:
 P    16
P    4
Koreksi dari distribusi diskrit ke kontinu perlu dilakukan seperti yang dicontohkan
sebelumnya. Jadi dalam hal ini peluang “kurang dari 20” dapat kita didefinsikan
sebagai “kurang atau sama dengan 19,5”. Luas area di bawah kurva normal lihat
Gambar 7.4) dapat dihitung dengan :
19,5  16
z  0,88
4
Dengan menggunakan tabel diperoleh luas areanya adalah 0,3106. Karena nilai z
positif, maka luas area yang dicari adalah mulai dari z = 0,88 ke arah kiri atau:
P ( X  19,5)  0,5  0,3106  0,8106
Jadi peluang (pendekatan) kendaraan yang mengunjungi bengkel di hari Selasa
kurang dari 20 buah adalah 0,8106 (perhitungan secara eksak dengan
menggunakan distribusi Poisson adalah 0,8122).
 Modul 5 – Distribusi Frekuensi 7

z = 0,88

0,3106

0,5000

 19,5 20,5



Gambar 7.4. Pendekatan normal terhadap Poisson

 Modul 5 – Distribusi Frekuensi 8

DISTRIBUSI NORMAL

8.1 Pendahuluan

Pada uraian sebelumnya telah dibahas bagaimana cara menentukan

probabilitas peristiwa dari suatu percobaan yang menggunakan variabel acak diskret
dan dengan nilai yang terbatas. Apabila suatu percobaan menggunakan variabel
acak yang kontinu dan nilai yang tidak terbatas, diperlukan distribusi probabilitas
kontinu untuk menentukan probabilitas suatu peristiwa yang akan dihasilkan dari
percobaan tersebut. Satu hal yang sangat penting dalam distribusi probabilitas
kontinu adalah distribusi normal. Sekumpulan nilai data akan terdistribusi secara
normal (membentuk kurva yang simetris) apabila rata-rata nilai variabel sama
dengan median dan sama dengan modus nilai data tersebut. Distribusi probabilitas
normal membentuk suatu kurva normal yang juga sering disebut kurva genta (bell-
shaped curve) karena bentuknya yang menyerupai sebuah genta (Haryono, 2008).

Ada dua alasan mengapa distribusi normal sering digunakan dalam analisa
statistik, yaitu :
1. Distribusi normal memiliki kemampuan yang dapat diterapkan pada banyak
situasi, terutama untuk membuat kesimpulan dari sampel yang digunakan.
2. Distribusi normal sangat baik digunakan dalam analisis tentang fenomena yang
menggunakan data kontinu, seperti ukuran berat, tinggi rendahnya skor IQ,
panjang, jumlah curah hujan, banyaknya botol dalam satu kerat dan lain
sebagainya.

Kita telah mengetahui bahwa ada 3 jenis kemiringan, yaitu :

1. Distribusi miring ke kiri (x < med < mod)

Gambar 8.1
 Modul 5 – Distribusi Frekuensi 9

Gambar 8.1 menunjukkan distribusi data miring ke kiri, dimana nilai rata-rata
hitung lebih kecil dari median dan median lebih kecil dari modus. Kurva tidak
simetris sebab puncaknya ada di bagian kanan, tetapi ada sedikit data yang
menyebar ke kiri.

2. Distribusi simetri (med = mod = x)

Gambar 8.2

Gambar 8.2, dimana nilai rata-rata sama atau mendekati median dan modus.
Kurvanya simetris dengan puncak distribusi ada dibagian tengah. Distribusi ini
disebut dengan distribusi normal.

3. Distribusi miring ke kanan (med < mod < x)

Gambar 8.3

Gambar 8.3 menunjukkan keadaan terbalik dari gambar 8.1, yaitu distribusi data
miring ke kanan, dimana nilai modus lebih kecil dari median dan median lebih
kecil dari nilai rata-rata hitung. Kurva juga tidak simetris sebab puncaknya ada
dibagian kiri, sementara ada sedikit data yang menyebar ke kanan.
 Modul 5 – Distribusi Frekuensi 10

8.2 Distribusi Normal

Pada pembahasan sebelumnya telah diuraikan empat bentuk distribusi

probabilitas variabel diskret, yaitu distribusi binomial, poisson, multinomial, dan
hipergeometrik. Variabel diskret adalah variabel yang nilainya bilangan bulat (0, 1, 2,
3,...). Nilai variabel diskret tidak dapat minus dan juga tidak berupa pecahan.
Pembahasan berikutnya adalah probabilitas peristiwa untuk variabel acak kontinu
yang berbentuk simetris dan memiliki poros di tengah-tengah distribusi. Probabilitas
suatu peristiwa yang berdistribusi normal dari variabel acak kontinu ditunjukkan oleh
daerah di bawah kurva normal. Pada suatu observasi, berapapun nilai rata-rata dan
nilai standar deviasinya, luas seluruh daerah di bawah kurva normal adalah 1. Hal ini
sesuai dengan ketentuan nilai probabilitas semua kemungkinan peristiwa yang akan
terjadi dalam suatu percobaan adalah 1. Poros kurva normal terdapat pada rata-rata
dan populasi (µ).

Distribusi normal disebut juga distribusi Gauss, lihat kembali kurva distribusi
normal berikut :

Gambar 8.4 kurva distribusi normal

Rata-rata populasi membagi dua data sama banyaknya sehingga luas daerah di
sebelah kiri rata-rata adalah 0.5 dan di sebelah kanan rata-rata juga 0.5.
karakteristik kurva normal yang dihubungkan dengan nilai rata-rata dan nilai standar
deviasi data adalah sebagai berikut :
 Modul 5 – Distribusi Frekuensi 11

1. Sekitar 68% nilai data observasi yang terdistribusi secara normal berada di dalam
interval µ ± 1 standar deviasi

2. Sekitar 95% nilai data observasi yang terdistribusi secara normal berada di dalam
interval µ ± 2 standar deviasi

Distribusi probabilitas normal untuk setiap nilai x yang membentuk kurva

normal mempunyai persamaan umum :

Rumus 8.1

f(x) = 1 e -1/2 (x - µ)2

δ
δ√2π

Keterangan :
µ = rata-rata populasi
δ = simpangan baku populasi
π = konstanta yang nilainya mendekati 3.14159
e = konstanta yang nilainya mendekati 2,7182
x = setiap nilai variabel acak kontinu yang besarnya -∞ sampai dengan +∞

Distribusi normal f(x) didefinisikan pada internal terbuka -∞ < x < +∞. Distribusi
normal dengan parameter µ dan δ2 biasanya ditulis N (µ,δ2). Dengan memperhatikan
persamaan umum dan grafik distribusi normal f(x), tampak bahwa bentuk kurva
normal ditentukan oleh dua parameter, yaitu rata-rata (µ) dan simpangan baku (δ).
Bila nilai δ mengecil, bentuk kurva akan lebih rapat dan semakin runcing, dan
sebagian besar nilai x akan berkumpul atau mendekati nilai rata-rata µ. Sebaliknya,
jika nilai δ semakin besar, bentuk kurva akan lebih renggang dan tumpul, dimana
sebagian besar nilai x akan menjauhi nilai rata-rata µ. Perhatikan gambar 8.5 yang
menunjukkan uraian tiga distribusi data yang mempunyai simpangan baku serta
rata-rata.
 Modul 5 – Distribusi Frekuensi 12

δ1 < δ2 < δ3
µ1 = µ2 = µ3

Gambar 8.5 Distribusi data yang mempunyai simpangan baku berbeda

8.3 Sifat-sifat Distribusi Normal

Ada beberapa sifat penting dari distribusi normal, diantaranya :
1. Grafik simetri terhadap garis tegak x = µ
2. Grafik selalu berada diatas sumbu x atau f(x) > 0
3. Mempunyai satu nilai modus
4. Luas daerah di bawah kurva f(x) dan di atas sumbu x = 1, yaitu P(-∞< x < +∞) = 1

8.4 Probabilitas P(A < x < B)

Probabilitas distribusi normal f(x) pada interval a < x < b ditentukan dengan
memakai luas daerah di bawah kurva f(x), sebagaimana ditunjukkan oleh gambar
8.6

f(x)

x
a µ b
Gambar 8.6 Luas daerah di bawah kurva
 Modul 5 – Distribusi Frekuensi 13

Pada gambar 8.6 probabilitas P(a<x<b) ditunjukkan oleh luas daerah yang diarsir,
yang dibatasi oleh kurva f(x), sumbu x, garis tegak x=a dan x=b. Oleh karena f(x)
merupakan fungsi kontinu, probabilitas P(a<x<b) dihitung dengan menggunakan
integral dari fungsi f(x) yang dibatasi oleh x=a dan x=b, yaitu :

Rumus 8.2
P(a<x<b) = ∫ f(x) dx = ∫ 1 e -1/2 (x - µ)2 dx
δ
δ√2π

Rumus integral tersebut sangat berguna untuk menghitung daerah di bawah kurva
distribusi normal standar. Akan tetapi, secara matematis bentuk integral dari fungsi
f(x) tersebut sulit dipecahkan secara langsung dengan teknik integral. Oleh karena
itu, penyelesaiannya dilakukan dengan memakai transformasi nilai-nilai X menjadi
nilai-nilai baku Z, yaitu :

Rumus 8.3
Z=x-µ
δ

Dengan transformasi tersebut, kita memperoleh distribusi normal Z yang mempunyai

rata-rata µ = 0 dan simpangan baku δ = 1, atau ditulis N(0,1). Distribusi normal Z
seperti ini disebut distribusi normal standar. Dengan demikian, fungsi distribusi f(x)
berubah menjadi fungsi distribusi f(z).

Rumus 8.4
f(z) = 1 e – ½ Z2
√2π
Selanjutnya probabilitas P(z1 < Z < z2) dihitung dengan rumus berikut :

Rumus 8.5
P(z1 < Z < z2) = ∫ f(z) dz = ∫ 1 e – ½ Z2 dz
√2π
 Modul 5 – Distribusi Frekuensi 14

Berdasarkan integral dari distribusi normal standar tersebut, probabilitas P(z1

< Z < z2) dihitung dengan memakai tabel distribusi normal standar. Perhatikan
bahwa nilai-nilai yang ada dalam tabel tersebut menunjukkan probabilitas dari nilai-
nilai Z mulai dari z = 0 sampai dengan z = Z0 (positif) yaitu P(0 < Z < Z0).
Cara melihat tabel Normal Baku.
Berikut adalah contoh tabel normal baku yang diambil sebahagian dari tabel
yang sesungguhnya (lihat lampiran untuk tabel yang sesungguhnya). Nilai-nilai z
dimulai dari 0,00 sampai 3,09.

z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09

0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0763
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224

0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621

. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .

Angka-angka yang dicetak tebal adalah nilai-nilai z, sedangkan angka di dalam

tubuh tabel menunjukkan luas area di bawah kurva normal baku atau nilai peluang
mulai dari titik nol hingga z. Perlu diketahui bahwa nilai z yang tercetak dalam tabel,
semuanya untuk nilai z yang positif atau luas area disebelah kanan kurva,
sedangkan yang negatif tidak dicetak karena nilainya adalah sama. Contohnya, luas
area untuk z = 0,65 sama dengan z = -0,65 yaitu 0,2422.
Untuk mempermudah pemahaman tentang distribusi normal serta
penggunannya kita lihat contoh berikut ini.

Contoh 1. Sebuah perusahaan ayam potong mendapatkan bahwa berat rata-rata

ayam yang sudah bersih adalah 2,5 kg dengan simpangan baku 0,8 kg. Jika seekor
ayam potong diambil secara acak, tentukanlah:
a. Peluang berat ayam kurang dari 3,0 kg
b. Peluang berat ayam lebih dari 3,5 kg
c. Peluang berat ayam antara 2,0 hingga 2,7 kg
d. Peluang berat ayam antara 2,7 hingga 3,0
 Modul 5 – Distribusi Frekuensi 15

a. Peluang berat ayam kurang dari 3,0 kg atau P ( X  3,0)

Gunakan transformasi Z :

X  3,0  2,5
z   0,625
 0,8

Yang akan kita cari dari persoalan di atas adalah peluang ayam potong yang
beratnya kurang dari 3,0 kg (daerah yang di arsir dalam gambar berikut). Berarti
yang kita cari adalah luas area mulai dari bagian sebelah kiri kurva (0,5) hingga z =
0,63 (dibulatkan hingga dua desimal untuk mengakomodasikan tabel z).

z = 0,63

0,5 0,2357

 3,0

Gambar di atas menunjukkan bagaimana kurva normal ditumpangtindihkan dengan

kurva normal baku di mana nilai X = 3,0 adalah sama dengan nilai z = 0,63.

Luas area mulai dari titik 0 hingga nilai z = 0,63 adalah 0,2357. Dengan demikian,
peluang berat ayam yang kurang dari 3,0 kg adalah 0,5 + 0,2357 = 0.7357 atau
secara notasi :

P ( X  3,00)  0,5  0,2357  0,7357

Artinya peluang terambilnya ayam potong dengan berat kurang dari 3,0 kg adalah
73,57%.

b. Peluang berat ayam lebih dari 3,5 kg atau P ( X  3,5)

3,5  2,5
z  1,25
0,8
 Modul 5 – Distribusi Frekuensi 16

Luas area yang akan dicari adalah daerah yang diarsir hitam dalam gambar berikut.
Dari tabel kita dapatkan bahwa luas area untuk z = 1,25 adalah 0,3944. Jadi luas
area yang di arsir hitam adalah 0,5 – 0,3944 = 0,1056 atau secara notasi:

P ( X  3,50)  0,5  0,3944  0,1056 atau 10,56%

z = 1,25

0,5 0,3944

 3,5

c. Peluang berat ayam antara 2,0 hingga 2,7 kg atau P ( 2,0  X  2,7)

Dalam persoalan ini pemecahan dilakukan dalam dua langkah. Pertama,

menghitung area antara rata-rata dengan X = 2,0 dan kemudian area antara rata-
rata dengan X = 2,7. Dengan demikian kita akan memperoleh dua nilai z yaitu :
2,0  2,5
z1   0,63 ; Luas area = 0,2357 (sama dengan luas z = 0,63)
0,8
2,7  2,5
z2   0,25 ; Luas area = 0,0987
0,8
z2=0,25
z1=0,63

0,2357 0,0987

  

Jadi P ( 2,0  X  2,7) = luas z1 + luas z2 = 0,2357 + 0,0987 = 0,3344 atau

33,44%
 Modul 5 – Distribusi Frekuensi 17

d. Peluang berat ayam antara 2,7 hingga 3,0 atau P ( 2,7  X  3,0)

Peluang yang dicari adalah luas yang di arsir dari gambar di bawah ini. Perhitungan
sama dengan soal c) yaitu mencari dua nilai z.

2,7  2,5
z1   0,25 ; luas area dari 0 sampai z1 = 0,0987
0,8

3,0  2,5
z2   0,63 ; luas area dari 0 sampai z2 = 0,2357
0,8

P ( 2,7  X  3,0) = 0,2357 – 0,0987 = 0,137

z1=0,25

z2 = 0,63

 2,7 3,0

APLIKASI DISTRIBUSI NORMAL

Dengan sedikit imajinasi, berat ayam potong seperti yang dicontohkan di atas
bisa dianalogikan dengan pengukuran lainnya yang berkaitan dengan keputusan
manajerial seperti hasil penjualan bulanan, pengukurann daya rentang suatu
material, volume minuman dalam kemasan dan lain sebagainya. Jika data ini
berdistribusi normal, maka dapat diketahui peluang setiap unsur data apakah
termasuk ke dalam suatu nilai-nilai tertentu.
Distribusi normal dapat dikatakan sebagai distribusi yang paling banyak
digunakan dalam analisis statistika lanjutan. Banyak analisis statistika lanjutan untuk
keperluan penaksiran parameter maupun pengujian hipotesis yang mensyaratlkan
bahwa data yang dikumpulkan harus berdistribusi normal. Olehkarena itu,
pemahaman yang mendalam tentang distribusi ini perlu dimiliki oleh seorang
manajer agar informasi yang dihasilkan dari analisis data statistika dapat digunakan
secara benar dalam proses pengambilan keputusan.
 Modul 5 – Distribusi Frekuensi 18

Contoh 2:
Tentukan probabilitas dari nilai Z berikut (gunakan tabel distribusi normal standar)
1) P(0 < Z ≤ 1.54) = 0.4382
2) P(- 2.53 ≤ Z < 0)
Karena fungsi distribusi normal standar simetri terhadap Z = 0, maka probabilitas
P(- 2.53 ≤ Z < 0) = P(0 < Z < 2.53) = 0.4943

3) P(- 1.62 ≤ Z ≤ 1.62)

Karena P(- 1.62 ≤ Z ≤ 0) = P(0 ≤ Z ≤ 1.62), P(- 1.62 ≤ Z ≤ 1.62)
= 2P (0 ≤ Z ≤ 1.62)
= 2 (0.4474)
= 0.8948
4) P(- 2.75 < Z < - 1.52)
Perhatikan bahwa P(- 2.75 < Z < - 1.52) = P(1.52 < Z < 2.75)
= P(0 < Z < 2.75) – P(0 < Z < 1.52)
= 0.4970 – 0.4357
= 0.0613
5) P(1.42 < Z < 2.54)
Perhatikan bahwa P(1.42 < Z < 2.54) = P(0 < Z < 2.54) – P(0 < Z < 1.42)
= 0.495 – 0.4222
= 0.0723
6) Bila X adalah variabel acak berdistribusi normal dengan rata-rata µ = 25 dan
simpangan baku δ = 10, tentukanlah probabilitas P(20 < X < 38)
Jawab :
Z = x - µ = X - 25
δ 10
maka diperoleh
Z1 = (20 – 25) / 10 = - 0.5 dan Z2 = (38 – 25)/10 = 1.3
Dengan demikian probabilitas P(20 < X < 38) = P(- 0.5 < Z < 1.3)
= P(- 0.5 < Z < 0) + P(0 < Z < 1.3)
= P(0 < Z < 0.5) + P(0 < Z < 1.3)
= 0.1915 + 0.4032
= 0.5947
 Modul 5 – Distribusi Frekuensi 19

8.5 Fungsi Distribusi Kumulatif

Sering kali perhitungan probabilitas variabel acak Z yang berdistribusi normal
standar lebih mudah dilakukan dengan memakai fungsi distribusi kumulatif. Bila
variabel acak Z berdistribusi normal standar dengan fungsi padat probabilitas f(z),
fungsi distribusi kumulatif dari Z yang ditulis F(z) dirumuskan sebagai berikut
(Gunawan, 2007)
Rumus 8.6
F(z) = P(Z < z) = ∫ f(z) dz = ∫ 1 e – ½ Z2 dz
√2π
Sifat-sifat fungsi distribusi kumulatif F(z) adalah sebagai berikut ;
1. F(z) monoton naik
2. 0 ≤ F(z) ≤ 1
3. F (-∞) = Lim F(x) = 0 dan F (+∞) = Lim F(x) = 1
X -> ∞ X -> ∞

Perhatikan bahwa grafik F(z) tidak memotong sumbu Z dan juga tidak
memotong garis F9z) = 1. Oleh karena itu, sumbu Z dan garis F9z) merupakan garis
batas dari grafik F(z). Dengan memakai fungsi distribusi kumulatif F(z), probabilitas
P(z1 < Z < z2) dihitung dengan menggunakan rumus berikut :

Rumus 8.7
P(z1 < Z < z2) = P(Z < z2) – P(Z < z1) = F(z2) – F(z1)

Nilai-nilai probabilitas fungsi distribusi kumulatif dari distribusi normal standar

terdapat dalam tabel distribusi kumulatif normal standar.
Contoh :
a. P(-1.43 < Z < 2.53) = F(2.53) – F(-1.43)
= F(2.50) – F(-1.40)
= 0.9938 – 0.0808
= 0.9130

b. P(-0.5 < Z < 1.3) = F(1.3) – F(-0.5)

= 0.9032 – 0.3085
= 0.5947
 Modul 5 – Distribusi Frekuensi 20

LATIHAN
1. Pengukuran tinggi yang dilakukan oleh lembaga pendidikan tentara terhadap
sejumlah besar calon prajurit ternyata berdistribusi normal. Anggaplah rata-rata
tinggi yang diperoleh adalah 168 cm dengan simpangan baku 4 cm. Berapakah
peluang seseorang yang diambil secara acak tingginya:
a. Kurang dari 165 cm
b. Lebih dari 170 cm

2. Jika rata-rata daya tahan lampu pijar adalah 3 tahun dengan simpangan baku
satu tahun. Gunakanlah metode kurva normal untuk menghitung peluang satu
bola lampu yang dipilih secara acak memiliki daya tahan 4 tahun atau lebih.

3. Peluang mahasiswa merokok 0,2. Bisa diambil sampel terbanyak 8 mahasiswa.

Hitung Peluang:
a. Tidak ada mahasiswa yang merokok
b. 2 mahasiswa merokok
c. Kurang dari 3 mahasiswa merokok
d. Paling banyak 3 mahasiswa merokok

4. Diketahui peluang balita menderita gizi buruk di Depok 2% (0.02). Bila diambil
sampel 150 balita. Hitung peluang:
a. Ada 3 balita menderita gizi buruk
b. Ada < 6 balita menderita gizi buruk
c. Ada > 4 balita menderita gizi buruk
d. Paling banyak 5 balita menderita gizi buruk