Distribusi Normal dan Distribusi Sampling

•Egga Achyar Rahman

•Lestari Safitri
•Fajar Muhammad Nst
•Dandi Pratama Nst
•Farouq Hilmi Harahap
Distribusi Normal

Adalah salah satu distribusi teoritis dari variabel

random kontinu. Distribusi normal ini sering disebut
distribusi Gauss, sesuai nama pengembangnya, yaitu
Karl Gauss.
 t
Ciri-ciri distribusi normal
1. Disusun dari variabel random kontinu
2. Kurva distribusi normal mempunyai satu puncak (uni-modal)
3. Kurva terbentuk simetris dan menyerupailonceng hingga
mean, median dan modus terletak pada satu titik
4. Kurva normal dibentuk dengan N yang tak terhingga
5. Peristiwa yang dimiliki tetap independen
6. Grafik mendekati sumbu X padapenyimpangan 3 SD ke kanan
dan ke kiri dari rata-rata
7. Ekor grafik dapat dikembangkan sampai tak terhingga tanpa
menyentuh sumnuh X (berupa asymptot)
Ciri – ciri di atas dapat terlihat pada grafik atau kurva di bawah ini:
Distribusi Normal Standar

Kurva distribusi normal bukan satu , tetapi

merupakan sekumpulan kurva yang mempunyai
ciri-ciri yang sama. Oleh karena itu harus
ditentukan satu distribusi normal yang standar.
Kurva ini disusun secara teoritis, hingga dalam
kehidupan yang nyata tidaklah tepatlah tepat
demikian, tetapi hanya mendekati atau mirip
bentuk normal.
 Untuk menentukan distribusi normal dikenal 2 cara, yaitu:
a. Cara ordinat
Untuk menentukan distribusi normal dengan cara ordinat digunakan
rumus distribusi normal sebagai berikut:
N(X; ,) = 1 e –1/2 (X- µ) 2
 2 

di mana
 = 3,1416 (bilangan konstan)
e = 2,7183 (bilangan konstan)
µ= rata-rata
= simpangan baku
x= absis dengan batas -<X< 
 Dengan rumus, pada nilai dan yang telah ditetapkan,
setiap harga x akan memperoleh harga Y, hingga bila nilai x
dilaukan dalam jumlah yang tak terhingga akan
menghasilkan bentuk kurva distribusi normal, karena itu
cara ini disebut cara ordinat.
Dari rumus di atas ternyata bahwa setiap pasangan
dan dapat membentuk kurva normal, hingga terdapat
banyak kurva normal dengan bentuk yang berlainan.
Bila besar, kurva yang terbentuk mempunyai puncak
yang rendah , dan begitu sebaliknya. Selain itu dapat pula
dibentuk kurva normal dengan µ yang berbentuk atau
dengan µ dan  yang berbeda.
b. Cara luas
Seluruh luas kurva sama dengan 1 atau 100% dan
rata-rata membagi luas kurva menjadi 2 bagian yang
sama. Ini berarti bahwa luas tiap belahan adalah 50%.
Setiap penyimpangan dari rata-rata dapat ditentukan
persentase terhadap seluruh luas kurva. Untuk distribusi
normal, penyimpangan ke kanan dan ke kiri I standar
Deviasi merupakan 68,2% dari selurh luas,
penyimpangan 2 SD merupakan 95,5% dan
penyimpangan 3 SD merupakan 99,7% dari seluruh luas
kurva.
Gambar tentang penyimpanan-penyimpanan di atas dapat dilihat
pada kurva di bawah ini :
 Semua kurva normal yang terbentuk mempunyai persentase tersebut di atas. Sebagai
contoh dapat dikemukakan 2 distribusi normal di mana distribusi A mempunyai µ= 40 dan 
= 20 dan distribusi B mempunyai µ=100 dan  =15
 Kedua kurva tersebut karena mempunyai
penyimpangan yang sama yaitu ke kanan dan ke kiri 2
SD, mempunyai persetase yang sama pula terhadap
luas seluruh kurva.
Hal ini yang memungkinkan dibentuknya satu
kurva sebagai standar yang disebut “Kurva normal
standar”
Standarisasi ini dilakukan dengan transformasi rumus:
contoh
 Suatu evaluasi dilakukan hasil pengobatan
TB menggunakan rifampicin dengan rata-
rata kesimpulan 200 hari dan standar
deviasinya sebesar 10, berapakah
probabilitas kesembuhan antara 190 dan
210
Hitung z=210
Z=(210-200)/10=1)=>0,3413
Hitung z=190
Z=(190-200)/10=-1)=>-0,3413

Jadi probabilitas kesembuhan 190 – 210=

0,3413-(-0,3413)=0,6826=68,26%
Soal latihan
 Suatu evaluasi dilakukan hasil pengobatan
TB menggunakan rifampicin dengan rata-
rata kesimpulan 200 hari dan standar
deviasinya sebesar 9, berapakah
probabilitas kesembuhan antara 175 dan
218
jawaban
Hitung z=218
Z=(218-200)/9=2)=>0,4772
Hitung z=175
Z=(175-200)/9=-2,77)=>-0,4972

Jadi probabilitas kesembuhan 175 – 218=

0,4772-(-0,4972)=0,9744=97,44%
 Distribusi Sampling

Adalah distribusi dari mean-mean sampel yang

diambil secara berulang kali dari suatu populasi.

 Populasi : totalitas dari semua objek/ individu yg

memiliki karakteristik tertentu, jelas dan lengkap yang
akan diteliti
 Sampel : bagian dari populasi yang diambil melalui cara-
cara tertentu yg juga memiliki karakteristik tertentu,
jelas dan lengkap yg dianggap bisa mewakili populasi
 Ukuran –ukuran untuk sampel dan
populasi
Nilai (karakteristik) Lambang Statistik Lambang Parameter
(Sampel) (Populasi)
Mean (rata-rata hitung) X μ
Standar deviasi jumlah s σ
unit n N

Misalnya kita punya suatu populasi yang mempunyai mean = μ dengan N elemen dan
standar deviasi = σ
1. Dilakukan pengambilan sammpel random
besarnya n(x1,x2,………xn ), dihitung rata-
rata x dan simpangan baku s. Sampel yang
diambil berulang kali ini akan menghasilkan
bermacam-macam nilai rata – rata. Dari
sampel satu sampai sampel ke n didapatkan
rata-rata hitung XI……………Xn.
2. Mean atau rata-rata dari sampel-sampel ini
(XI………….Xn) kalau disusun akan
membentuk suatu distribusi. Distribusi dari
nilai mean-mean sampel inilah yang disebut
sampling harga mean.
 POPULASI
Sta X1,X2,…………Xn
Mean=μ Standar deviasi = σ

Sampel 1 Sampel 2 Sampel 3 Sampel 4

Xi…….Xn Xi…….Xn Xi…….Xn Xi…….Xn

X1 X2 X3 X4

Distribusi Sampling
Sifat-sifat distribusi sampling
Sifat distribusi sampling ini disebut “central Limit
Theorem” (teorema limit pusat). Sifat inilah yang
mendasari teori inferens.
a. Apabila sampel-sampel random dengan n elemen
masing-masing diambil dari suatu populasi normal ,
yang mempunyai mean=µ varian =σ 2 , maka distribusi
sampling harga mean akan mempunyai mean sama
dengan µ dan varian atau standar deviasi = σ/akarn .
Standar deviasi distribusi sampling harga mean ini
dikenal sebagai “Standar Error”(SE)
b. Apabila populasi berdistribusi normal maka
distribusi sampling harga mean akan juga
berdistribusi normal. Sehingga berlaku sifat
seperti persamaan dibawah ini ( z score adalah
nilai devasi relatif antara nilai sampel dan
populasi = nilai distribusi normal standar)
Z= X - µ
SE
c. Walaupun populasi berdistribusi sembarang
kalau diambil sampel-sampel berulang kali
secara random maka distribusi harga meannya
akan membentuk distribusi normal
 Contoh : dipunyai populasi 5 orang penderita
penyakit”D” yang masa inkubasinya sebagai berikut .
No. pasien Masa Inkubasi (hari)
1 2
2 3
3 6
4 8
5 11

=6 hari berasal dari 2+3+6+8+11/5

=10,8 hari berasal dari σ (x- µ)2 /n-1
=akar10,8
=3,29 hari
Diambil sampel dengan besar n=2
dari populasi di atas kemungkinan sampel yang terjadi 52=25
sampel-sampel tersebut adalah sebagai tertera di dalam tabel dibawah ini:
Sampel Pasien yang terpilih Masa inkubasi Mean
1 1;1 2;2 2
2 1;2 2;3 2,5
3 1;3 2;6 4
4 1;4 2;8 5
5 1;5 2;11 6,5
6 2;1 3;2 2,5
7 2;2 3;3 3
8 2;3 3;6 4,5
9 2;4 3;8 5,5
10 2;5 3;11 7
Dst sampai sampel ke 25, dari distribusi sampling data pada kolom 4 didapatkan?
Soal