Distribusi probabilitas Kontinu

Distribusi Peluang (Probabilitas)

• Probabiltas sangat dibutuhkan, karena kebenaran dari suatu

kesimpulan yang dibuat dari analisis data sebetulnya tidak
dapat dipastikan benar secara absolut, disebabkan data
berdasarkan dari sampel. Distribusi Probabilitas adalah suatu
distribusi yang mengambarkan peluang dari sekumpulan variat
sebagai pengganti frekuensinya. Probabilitas kumulatif adalah
probalitas dari suatu variabel acak yang mempunyai nilai sama
atau kurang dari suatu nilai tertentu. Fungsi distribusi peluang
pada umumnya dibedakan atas distribusi peluang
diskrit dan distribusi peluang kontinu.
 Distribusi Normal
• Dikenalnya distribusi normal diawali oleh kemajuan yang pesat dalam pengukuran pada
abad ke 19. Pada waktu itu,  para ahli matematika dihadapkan pada suatu tantangan
mengenai fenomena variabilitas pengamat atau interna yang artinya bila seorang
mengadakan pengukuran berulang-ulang maka hasilnya akan berbeda-beda. Yang
menjadi pertanyaan adalah nilai manakah yang dianggap paling tepat dari semua hasil
pengukuran tersebut. Maka kemudian berdasarkan kesepakatan maka nilai rata-rata
dianggap paling tepat dan semua penyimpangan dari rata-rata dianggap suatu kesalahan
atau error. Abraham de Moivre adalah yang pertama kali memperkenalkan distribusi
normal ini dan kemudian dipopulerkan oleh Carl Fredreich Gauss. Sehingga nama lain
distribusi ini adalah distribusi Gauss. Gauss mengamati hasil dari percobaan yang
dlakukan berulang-ulang, dan dia menemukan hasil yang paling sering adalah nilai rata-
rata. Penyimpangan  baik ke kanan atau ke kiri yang jauh dari rata-rata, terjadinya
semakin sedikit. Sehingga bila disusun maka akan terbentuk distribusi yang simetris.
Pentingnya distribusi normal dalam statistika
 
Ada 2 peran yang penting dari distribusi normal :
Memiliki beberapa sifat yang mungkin untuk digunakan sebagai patokan dalam
mengambil suatu kesimpulan  berdasarkan hasil sampel yang diperoleh. Pengukuran
sampel digunakan untuk menafsirkan parameter populasi. Distribusi normal sangat
sesuai dengan distribusi empiris, sehingga dapat dikatakan bahwa semua kejadian
alami akan membentuk distribusi ini. Karena alasan inilah sehingga distribusi ini
dikenal sebagai distribusi normal dan grafiknya dikenal sebagai kurva normal atau
kurva gauss.
Penggunaan Tabel Distribusi Normal
 

Tabel distribusi normal standar terdiri dari kolom dan baris.

Kolom paling kiri menunjukkan nilai Z, tertera angka 0 sampai 3 dengan satu desimal
dibelakangnya. Desimal berikutnya terletak pada baris paling atas dengan angka dari 0 sampai 9.
Misalnya dari hasil perhitungan diperoleh nilai Z = 1,96 Maka di kolom kiri kita cari nilai1,9 dan
baris atas kita cari angka 6 Dari kolom 6 bergarak ke bawah, hingga pertemuan titik yang
menunjukkan angka 0,4750. Berarti luas daerah di dalam kurva normal antara rata-rata dengan 1,96
SD ke kanan adalah 0,475. Karena luas kurva ke kanan dan ke kiri sama, maka luas penyimpangan
1,96 ke kanan dan ke kiri dari rata-rata adalah 0,95 (95%).
 PENGUJIAN NORMALITAS
Pengujian normalitas dimaksudkan untuk mendeteksi apakah data yang akan digunakan sebagai pangkal tolak pengujian hipotesis meru-pakan
data empirik yang memenuhi hakikat naturalistik. Hakikat naturalistik menganut faham bahwa penomena (gejala) yang terjadi di alam ini berlangsung
secara wajar dan dengan kecenderungan berpola. Statistika berupaya memelihara kewajaran tersebut dengan proses randomisasi pengambilan sampel,
dengan harapan bahwa data yang diperoleh merupakan cerminan dari kondisi yang wajar dari pada penomena alami aspek yang diukur. Melalui proses
pengambilan sampel yang memenuhi tabiat random, respon dari sampel penelitian sebagai wakil populasi, diasumsikan wajar. Kecenderungan
penomena alami yang berpola seragam dan respon yang wajar tersebut memberikan data yang tidak jauh menyimpang dari kecenderungannya, yaitu
kecenderungan terpola/terpusat. Untuk menguji hal itu, perlu ditempuh suatu pengujian normalitas populasi.
Dalam pendekatan statistika parametrik, setidak-tidaknya ada dua teknik statistika yang dapat digunakan untuk pengujian normalitas, yaitu Uji
Liliefors dan chi kuadrat. Teknik Liliefors menggunakan pendekatan pemeriksaan data individu dalam keseluruhan (kelompok). Prosedurnya akan jadi
rumit apabila jumlah data cukup banyak. Karena itu, teknik Liliefors biasanya digunakan untuk rentang data yang relatif sedikit. Sedangkan untuk
rentangan yang lebih besar digunakan teknik chi kuadrat, dengan menguji data berkelompok. Karena asumsinya normal, maka pengujian didasarkan
pada pendekatan Stanine.
Dalam tulisan ini teknik pengujian normalitas yang dicontohkan adalah teknik Liliefors dengan hipotesis pengujian sebagai berikut:
•Ho            : Sampel berasal dari populasi berdistribusi normal.
•H1             : Sampel berasal dari populasi berdistribusi tidak normal.
•Kriteria Pengujian: Tolak Ho, jika Lo > L kritis, selain itu Ho diterima.
Contoh Pehitungan
 

•Dalam menguji kenormalan data, ada dua pendekatan yang dapat dilakukan. Bila konstalasi penelitian
dalam bentuk korelasi (hubungan) dan pengaruh antar variable, maka kenormalan yang diuji yaitu kenormalan
galat data taksiran. Galat taksiran merupakan selisih skor amatan dengan skor idel (teoretis) variabel terikan
(endogenus) dari setiap persamaan regresi yang dibentuk. Sedangkan untuk konstalasi penelitian komparasi
(perbandingan), maka kenormalan yang diuji yaitu kenormalan data amatan.
•Berikut merupakan contoh perhitungan kenormalan galat data yang dibentuk oleh variabel Y atas X1.
Dalam hal ini data yang diuji kenormalannya yaitu galat taksiran. Untuk itu perlu dihitung terlebih dahulu
persamaan regresi yang dibentuk Y atas X1, dengan mencari koefisien a dan b. Dalam hal ini terlebih dahulu
dicari persamaan regresi sederhana antara kinerja pegawai (Y) atas budaya organisasi (X1), yaitu: Y = a + bX1
Ket : Y = Variabel terikat. (endegonus) X1 = Variabel bebas (eksegonus) a = Konstanta intersep b = Koefisien
regresi Y atas X1.
 Distribusi Student
Distribusi Student atau distribusi t, ialah Distribusi dengan variabel acak kontinu lainnya, selain daripada distribusi normal dengan fungsi
densitasnya adalah :
Untuk harga-harga n yang besar, biasanya n ≥ 30, distribusi t mendekati distribusi normal baku.
Distribusi probabilitas t-Student diturunkan dari distribusi probabilitas normal baku, dalam bentuk yang berkaitan dengan distribusi probabilitas
khi-kuadrat, yakni :
Dengan z1, z2, z3, . . . sebagai distribusi probabilitas normal baku dan c2n= z21 + z22 + z23 + . . . + z2n dari distribusi probabilitas khi-kuadrat.
Distribusi dengan variabel acak kontinu lainnya selain dari distribusi normal ialah 
DISTRIBUSI STUDENT ATAU DISTRIBUSI - t. Fungsi densitasnya adalah:
Berlaku untuk harga-harga t yang memenuhi - ∞ < t < ∞
K merupakan bilangan tetap yang besarnya bergantung pada n sedemikian sehingga luas daerah di bawah kurva sama dengan satu unit.  Pada distribusi t
ini terdapat bilangan (n-1) yang dinamakan derajat kebebasan, akan disingkat dengan dk. Bentuk kurva-t identik dengan bentuk kurva normal, tetapi
kurtosisnya ditentukan oleh besar kecilnya derajat kebebasan df.
Beberapa contoh penggunaan daftar distribusi-t
 Untuk n = 13, jadi dk = (n-1) = 13 - 1 = 12, dan p = 0,95 maka t = 1,782 ini didapat (lihat tabel distruibusi-t) dengan jalan maju ke kanan dari 12
dan menurun 0,95.
 Tentukan t sehingga luas dari t ke kiri = 0,05 dengan dk = 9. Untuk ini p yang digunakan = 0,95. Dengan dk = 9 didapat t = 1,83. karena yang
diminta kurang dari 0,5, maka t harus bertanda negatif. Jadi t = - 1,83
•Distribusi F
 
Dalam teori probabilitas dan statistika, distribusi F merupakan distribusi probabilitas kontinyu. [1][2][3][4]
Distribusi F juga dikenal dengan sebutan distribusi F Snedecor atau distribusi Fisher-Snedecor (setelah 
R.A. Fisher dan George W. Snedecor). Distribusi F seringkali digunakan dalam pengujian statistika, antara lain
analisis varians dan analisis regresi,distribusi ini juga mempunyai variabel acak yang kontinu.
    Fungsi identiatasnya mempunyai persamaan:Dengan variabel acak F memenuhi batas F > 0, K = bilangan
yang tetap harganya bergantung pada v1 dan v2 . sedemikian sehingga luas dibawah kurva sama dengan satu,
v1= dk pembilang dan v2= dk penyebut. Jadi distribusi F ini mempunyai dua buah derajat kebebasan. Grafik
distribusi F tidak simetrik dan umumnya sedikit positif seperti juga distribusi lainya, untuk keperluan
penghitungan dengan distribusi F, daftar distribusi F telah disediakan seperti dapat ditemukan dalam lampiran ,
daftar 1. Daftar tersebut berisikan nilai-nilai F untuk peluang 0,01 dan 0,05 dengan derajat kebebasan v1 dan v2.
Peluang ini sama dengan luas daerah ujung kanan yang diarsir, sedangkan dk=v1 ada pada baris paling atas dan
dk=v2 pada kolom paling kiri. 
Untuk tiap dk= v2, daftar terdiri atas dua baris,
yang atas untuk peluang p=0,05 dan yang bawah untukp=0,01.
Contoh: untuk pasangan derajat kebebasan v1 = 24 dan v2 = 8,
ditulis juga (v1,v2) = (24,8), maka untuk p =0,05 didapat F = 3,12
sedangkan untuk p = 0,01 didapat F=5,28.
Ini didapat dengan jalan mencari 24 pada baris atas dan 8 pada kolom kiri.
Jika dari 24 turun dan dari 8 ke kanan, maka didapat bilangan bilangat tersebut.
Yang atas untuk p=0,05 dan yang bawahnya untuk p=0,01.
Notasi lengkap untuk nilai-nilai F dari daftar distribusi F
dengan peluang p dan dk=(v1,v2) adalah Fp(v1,v2)
Demikian untuk contoh kita didapat
F0,05(24,8)=3,12 dan F0,01(24,8)=5,28
Meskipun daftar yang diberikan hanya untuk peluang p=0,01 dan p=0,05,
tetapi sebenarnya masih bisa didapat nilai-nilai F dengan peluang 0,99 dan 0,95.
Contoh: telah didapat F0,05(24,8)=3,12
makaF 0,95(8,24)= 0,321.