Distribusi Normal

Armaidi Darmawan, dr, M.Epid

Prodi Keperawatan Unja 2022
 Learning Objective

Mahasiswa mampu menjelaskan

Distribusi Normal

Pengertian Ciri-ciri distribusi Pemakain

distribusi normal normal distribusi normal
 Pendahuluan
Distribusi Probabilitas (distribusi teoritis)
• Setiap karakteristik yang dapat diukur atau dikategorikan disebut
variabel.
• Jika suatu variabel dapat mengasumsikan sejumlah nilai yang
berbeda sehingga setiap hasil tertentu ditentukan secara kebetulan,
itu adalah variabel acak
• Setiap variabel acak memiliki distribusi probabilitas yang sesuai.
Distribusi probabilitas menerapkan teori probabilitas untuk
menggambarkan perilaku variabel acak.
• Dalam kasus diskrit, ini menentukan semua hasil yang mungkin dari
variabel acak bersama dengan probabilitas bahwa masing-masing
akan terjadi.
• Dalam kasus kontinu, ini memungkinkan kita untuk menentukan
probabilitas yang terkait dengan rentang nilai yang ditentukan.
 Ada beberapa macam distribusi
probabilitas
1. Distribusi binomial ( Bernaulli)
2. Distribusi poison
3. Distribsi normal ( Gauss) (dibahas dalam SAP)
4. Distribusi student ( “t” W Gosset )
5. Distribusi Chi Square ( X2 )
6. Distribusi Fisher ( F)
7. dll
Pendahuluan
Dalam suatu distribusi data ada 3 jenis kemiringan,
yaitu miring ke kiri, simetris dan miring ke kanan
seperti gambar berikut :

a. Distribusi b. Distribusi Simetris c. Distribusi

Miring ke Kiri Miring ke Kanan
Med  Mod  X
X  Med Mod
Mod Med  X

Gambar .1 Gambar .2 Gambar .3

 Distribusi Normal
Distibusi normal merupakan distribusi
kontinu yang sangat penting dalam statistik
dan banyak dipakai memecahkan persoalan.

Distribusi normal disebut juga Distribusi

Gauss
 Persamaan Umum Distribusi Normal

1  x 
2

1   
2  
f ( x)  e
 2
Rumus .1
Dimana
 = Rata-rata
 = Simpangan baku
 = 3,14159
e = 2,71828
Distribusi normal f(x) didefinisikan pada interval terbuka - < x < +
 Sifat-sifat Distribusi Normal
• Disusun dari variable random kontinu.
• Kurva distribusi normal mempunyai satu puncak. Ini berarti
bahwa grafik yang disusun dari distribusi normal akan
berbentuk kurva yang simetris dengan satu puncak atau
unimodal.
• Nilai mean,median,modus terletak pada satu titik.
• Kurva normal dibentuk dari jumlah pengamatan yang
sangat banyak.
• Event yang dihasilkan bersifat independent.
• Grafiknya mendekati sumbu X, tetapi tidak akan memotong
sumbu X, sumbu X merupakan garis batas (asimtot)
• Luas daerah di bawah kurva f (x) dan diatas sumbu X sama
dengan 1, yaitu P (- ∞ < x < + ∞)=1
 Probabilitas (a < x < b)
Probabilitas distribusi normal f(x) pada interval a < x < b, ditentukan
dengan memakai luas daerah di bawah kurva f(x) sebagaimana
ditunjukan oleh Gambar berikut:

f(X)

Gambar 12.4

X
a µ b
Probabilitas P (a < x < b) ditunjukan oleh luas daerah yang diarsir, yang
dibatasi oleh kurva f(x), sumbu X, garis tegak X=a dan X=b
Probabilitas P (a < x < b) dihitung dengan memakai integral dari fungsi f(x)
yang dibatasi oleh X = a dan X = b, yaitu dengan rumus :
1  x 
2

 1 
a a   
Rumus P(a  x  b)   f ( x)dx    e 2  
dx
b b   2 

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

x xx
Rumus
Z Z
 s
Dengan transformasi tersebut kita memperoleh normal Z yang
mempunyai nilai rata-rata  = 0 dan simpangan baku  = 1 atau
ditulis N(0,1). Distribusi normal Z seperti ini disebut distribusi
normal standar. Dengan demikian fungsi distriusi f (x) berubah
menjadi fungsi distribusi f (Z), yaitu dengan rumus

Rumus 12.4

1  12 Z 2
f (Z )  e , dimana    Z  
2
Berdasarkan fungsi distribusi Z tersebut, probabilitas nilai-nilai Z
pada interval z1 < Z < z2 ditunjukan oleh luas daerah yang diarsir
pada gambar berikut :

f(Z)
Gambar 12.5

Z
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
z1 z2
Selanjutnya probabilitas P(z1 < Z < z2) dihitung dengan
rumus berikut:
Rumus

 1 
z2 z2 1
 z2
P( z1  Z  z2 )   f ( z )dz    e 2
dz
z1 z1  2 

Berdasarkan integral dari fungsi didistribusikan normal

standar tersebut, probabilitas P(z1 < Z < z2) dihitung
dengan memakai tabel Distribusi Normal Standar
Fungsi Distribusi Kumulatif
Seringkali perhitungan probabilitas variabel random
Z yang berdistribusi normal standar lebih mudah
dilakukan dengan memakai fungsi distribusi
kumulatif.

Bila variabel Z berdistribusi normal standar dengan

fungsi padat probabilitas f (z), maka fungsi distribusi
kumulatif dari z yang ditulis F(z) dirumuskan sebagai
berikut:

 1 
z z 1
 z2
Rumus F ( z )  P( Z  z )   f ( z )dz    e 2
dz
  2 
Daerah diarsir pada gambar berikut ini menunjukan fungsi
distribusi kumulatif F(z) = P(z < Z).

Z
0 z
Grafik dari fungsi distribusi kumulatif F(z) ditunjukan
pada gambar berikut ini.

f(z)

Z
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
Gambar 12.7
Sifat-sifat Fungsi Distribusi Kumulatif F(z)

• F(z) monoton naik

• 0 < F(z) < 1
• 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 F(z) = 1. Oleh
karena itu, sumbu Z dan garis F(z) = 1 merupakan
garis batas (asimtot) dari grafik F(z)
Dengan memakai fungsi distribusi kumulatif F(z),
maka probabilitas P(z1 < Z < z2) dihitung dengan
memakai rumus berikut.

Rumus 12.7

Pz1  Z  z2   PZ  z2   PZ  z1 

 F z2   F z1 
 Penggunaan distribusi normal
• Kurva sebagai penanda distribusi ini akan memuncak
pada bagian tengah hingga melandai pada kedua sisi
dengan persamaan nilai yang bersifat setara
• Penilaian berat sebelah atau tidak seimbang kemudian
dapat dihindarkan. Hal ini juga membantu dalam
penentuan tingkat normalitas serta kecenderungan
sentral
• Penerapannya mampu meningkatkan objektivitas
penilaian. Hal ini sangat membantu dalam
menempatkan data dengan tepat, khususnya dalam
suatu kelompok tertentu.
• Banyak uji hipotesis yang mensyaratkan distribusi harus
normal, baru bisa dianalisis.
Diagram alur uji hipotesis variabel numerik
Metoda untuk mengetahui suatu set data berdistribusu normal atau tidak
Contoh:
• Suatu penelitian terhadap 150 orang lalki laki
berumur 40-60 tahun didapatkan rata rata kadar
kolesterol mereka 215 mg% dan simpangan baku Sd
= 45 mg%
• Hitunglah peluang kita untuk mendapatkan
seseorang yang kadar kolesteronya
1. > 250 mg%
2. < 200 mg%
3. Antara 200 -275 mg%
 xx
Penyelesaian: Z 
s

1. Z = (250-215) / 45 = 0,76  nilai tabel 0,776 (p=0,776)

2. Z = (200-215) / 45 = - 0,33  tabel 0,370 (p=0,370)

3. Z1 = (275-215) / 45 = 1,33  nilai tabel 0,908 (p=0,776)

Z2 = (200-215) / 45 = - 0,33  nilai tabel 0,370 (p=0,370) -
p= 0,406
Latihan
• 1. hasil analisis pengukuran kadar GDS dari 100
orang didapat rata rata 152mg% dan Sd=55 mg%.
Cari probabilitas a. Antara 80 dan 120 mg%; b.
Kurang dari 80 mg%; c. Lebih dari 200 mg%
• 2. Rata rata kadar kolesterol dari 49 org adalah 217
mg% hitunglah probabilitas seseorang yang diambil
secara acak akan mempunyai kadar kolesterol a.
Anatar 150 dan 250 mg%; b. Lebih besar dari 250
mg%; c. Kurang dari 150 mg%
Latihan uji normalitas dengan spss
• Set data
• Analyze  klik descriptive statistic  klik explorer
 klik plot