Pertemuan 4

DISTRIBUSI PELUANG
KONTINYU
ISTRIBUSI NORMAL
 Distribusi Normal
Distribusi Normal (Gaussian) adalah distribusi paling
penting dari semua distribusi peluang. Fungsi kepadatan
peluang (probability density function-PDF) dari variabel
random normal adalah:

Gambar seperti:
Berbentuk Lonceng (bell shaped),
Simetris di sekitar rata-rata, μ
 Distribusi Normal
Hal penting yang perlu dicatat:
Distribusi normal didefinisikan oleh dua parameter:
standar deviasi dan rata-rata

Distribusi normal berbentuk lonceng dan

Simetris di sekitar rata-rata

Batas distribusi normal : minus tak hingga ke plus tak hingga

 Sifat Distribusi Normal
Sifat-Sifat Distribusi Normal:

1. Rata-ratanya (mean) = μ dan standard deviasinya = σ

2. Mode (maximum) terjadi di x = μ
3. Bentuknya simetrik thd x = μ
4. Titik belok tepat di x = μ ± σ
5. Kurva mendekati nol secara asimptotis semakin x
jauh dari x = μ
6. Total luasnya = 1
 Distribusi Normal
Distribusi normal digambarkan oleh dua parameter:
rata-rata μ dan standar deviasi σ. Memperbesar rata-
rata akan menggeser kurva ke kanan.
 Distribusi Normal
Distribusi normal digambarkan oleh dua parameter:
Rata-rata μ dan standar deviasi σ. Memperbesar
standar deviasi “flattens” kurva.
 Distribusi Normal Standar
Distribusi normal dengan rata-rata nol dan standar deviasi satu
dinamakan distribusi normal standar.
0
1
1

Nanti akan bisa dilihat bahwa sembarang distribusi normal dapat

di-converted menjadi distribusi normal standar dengan aljabar
sederhana. Hal ini membuat penghitungan menjadi lebih mudah.
 Menghitung Peluang Normal
Kita dapat menggunakan fungsi berikut untuk meng-
convert sembarang variabel random normal menjadi
variabel random normal standar

Saran: Selalu buatkan

gambarnya!
 Menghitung Peluang Normal
Kita dapat menggunakan fungsi berikut untuk meng-
convert sembarang variabel random normal menjadi
variabel random normal standar

Ini menggesar rata-

rata X menjadi nol…
 Menghitung Peluang Normal
Kita dapat menggunakan fungsi berikut untuk meng-
convert sembarang variabel random normal menjadi
variabel random normal standar

Ini merubah bentuk

dari kurva…
 Menghitung Peluang Normal
Contoh:
Waktu yang dibutuhkan untuk
merakit computer berdistribusi
normal dengan rata-rata
50 menit dan standar
deviasi of 10 minutes:

Berapa peluang bahwa computer dirakit dalam rentang waktu

antara 45 dan 60 menit?

Secara aljabar, berapa P(45 < X < 60) ?

 Menghitung Peluang Normal
P(45 < X < 60) ?
…rata-rata 50 menit dan
standar deviasi 10 menit…
 Menghitung Peluang Normal
OK, kita telah meng-convert P(45 < X < 60) distribusi
normal dengan rata-rata = 50 dan standar deviasi = 10

menjadi

P(–0.5 < Z < 1) [i.e. distribusi normal standar dengan

rata-rata = 0 dan standar deviasi = 1]
Sehingga…

(Selanjutnya bagaimana?!)
 Menghitung Peluang Normal
P(–0.5 < Z < 1) terlihat seperti gambar berikut:

Nilai Peluang adalah luas

di bawah kurva…

Kita akan menjumlahkan

dua bagian:
P(–0.5 < Z < 0) dan
P(0 < Z < 1) 0
–0.5 … 1
 Menghitung Peluang Normal
Kita dapat menggunakan Tabel Normal
(biasa ada pada buku statistik)
untuk mencari peluang P(0 < Z < z)

Kita dapat memecah P(–0.5 < Z < 1)

menjadi: P(–0.5 < Z < 0) + P(0 < Z < 1)

Karena distribusi simetris di sekitar nol, maka dengan mengalikan

minus satu kita mempunyai bentuk:
P(–0.5 < Z < 0) = P(0.5 > Z > 0) = P(0 < Z < 0.5)

Sehingga: P(–0.5 < Z < 1) = P(0 < Z < 0.5) + P(0 < Z < 1)
 Menghitung Peluang Normal
Bagaimana menggunakan
Tabel Normal Setengah Luas
Tabel ini menghitung peluang
P(0 < Z < z)
Kolom pertama = integer + desimal pertama
Baris atas = tempat desimal kedua

P(0 < Z < 0.5)

P(0 < Z < 1)

P(–0.5 < Z < 1) = 0.1915 + 0.3414 = 0.5328

 Menghitung Peluang Normal
Recap: Waktu yang dibutuhkan untuk merakit komputer
berdistribusi normal dengan rata-rata 50 menit dan standar deviasi
10 menit
Berapa peluang bahwa komputer dirakit dalam waktu di antara
45 dan 60 menit?

P(45 < X < 60) = P(–0.5 < Z < 1) = 0.5328

“Just over half the time, 53% or so, a computer will have an
assembly time between 45 minutes and 1 hour”
Hanya lebih dari separuh waktu, 53% atau lebih, komputer akan
memiliki waktu perakitan antara 45 menit dan 1 jam
 Menggunakan Tabel Normal
Berapa P(Z > 1.6) ?
P(0 < Z < 1.6) = 0.4452

0 1.6
P(Z > 1.6) = 0.5 – P(0 < Z < 1.6)
= 0.5 – 0.4452
= 0.0548
 Menggunakan Tabel Normal
Berapa P(Z < -2.23) ? P(0 < Z < 2.23)

P(Z < -2.23) P(Z > 2.23)

z
-2.23 0 2.23
P(Z < -2.23) = P(Z > 2.23)
= 0.5 – P(0 < Z < 2.23)
= 0.0129
 Menggunakan Tabel Normal
Berapa P(Z < 1.52) ?
P(Z < 0) = 0.5 P(0 < Z < 1.52)

z
0 1.52
P(Z < 1.52) = 0.5 + P(0 < Z < 1.52)
= 0.5 + .4357
= .9357
 Menggunakan Tabel Normal
Berapa P(0.9 < Z < 1.9) ? P(0 < Z < 0.9)

P(0.9 < Z < 1.9)

z
0 0.9 1.9
P(0.9 < Z < 1.9) = P(0 < Z < 1.9) – P(0 < Z < 0.9)
=0.4713 – 0.3159
= 0.1554
 Menentukan Nilai Z
Seringkali kita diminta untuk mencari nilai Z untuk
suatu peluang tertentu, misal diketahui daerah (A) di
bawah kurva, berapa nilai dari z (zA) pada sumbu
horisontal yang memberi kita daerah ini? Yaitu:
P(Z > zA) = A
 Menentukan Nilai Z
What value of z corresponds to an area under the curve of
2.5%? That is, what is z0.025 ?

Area = 0.025
Area = 0.50

Area = 0.50–0.025 = 0.4750

If you do a “reverse look-up” on Tabel normal for 0.4750,

you will get the corresponding zA = 1.96
Since P(z > 1.96) = 0.025, we say: z0.025 = 1.96
 Menentukan Nilai Z
Other Z values are
Z0.05 = 1.645
Z0.01 = 2.33
 Menggunakan Nilai Z
Because z0.025 = 1.96 and - z0.025= -1.96, it follows
that we can state

P(-1.96 < Z < 1.96) = 0.95

Similarly
P(-1.645 < Z < 1.645) = 0.90
 PENDEKATAN NORMAL UNTUK BINOMIAL

Distribusi Binomial :

Exp : Pendekatan normal untuk binomial dengan n = 15, p

= 0,4
Menurut Teorema Limit Pusat :
Jika x suatu variable random binomial dengan
mean & variansi .
Jika n cukup besar (n>30) dan p tidak terlalu
dekat dengan 0 atau 1, maka :
 Teori Limit Pusat
Dalam teori probabilitas, teorema
batas pusat, central limit theorem
(CLT) menyatakan bahwa distribusi
variabel sampel mendekati
distribusi normal (yaitu, “kurva
lonceng”) ketika ukuran sampel
menjadi lebih besar, dengan asumsi
bahwa semua sampel memiliki
ukuran yang identik, dan terlepas
dari itu, bentuk distribusi populasi
yang sebenarnya.
 Teori Limit Pusat

Teorema limit pusat sering digunakan bersamaan dengan

hukum bilangan besar, yang menyatakan bahwa rata-rata
mean sampel dan deviasi standar akan semakin mendekati
menyamai mean populasi dan deviasi standar seiring
bertambahnya ukuran sampel, yang sangat berguna dalam
memprediksi secara akurat karakteristik populasi.
 Teori Limit Pusat

Teorema limit pusat berguna ketika menganalisis

kumpulan data yang besar karena memungkinkan
seseorang untuk berasumsi bahwa distribusi sampling
dari mean akan terdistribusi normal dalam banyak
kasus. Hal ini memungkinkan analisis dan inferensi
statistik lebih mudah.
 Teori Limit Pusat
Sifat-sifat Teorema Limit Pusat :

1. Bentuk distribusi dari rata-rata sampel akan mendekati distribusi

normal meskipun distribusi populasi tidak normal
2. Rata-rata dari rata-rata sampel sama dengan rata-rata populasi (µ)
3. Standar deviasi dari rata-rata sampel sama dengan standar deviasi
populasi (σ) dibagi dengan akar jumlah sampel. Dikenal dengan
istilah Standar Error (SE) = σx / √n
 Normalitas Data
Normalitas data merujuk pada sejauh mana
distribusi data sesuai dengan distribusi normal
(distribusi Gauss) atau kurva lonceng. Distribusi
normal adalah salah satu distribusi statistik yang
paling umum digunakan dan paling dipahami.
Dalam distribusi normal, data terdistribusi simetris
dengan rata-rata (mean), median, dan modus yang
berada di titik tengah distribusi, dan memiliki kurva
lonceng dengan tingkat kemiringan yang lebih
rendah.
 Normalitas Data

Normalitas data adalah konsep penting dalam statistika

karena banyak metode statistik yang bergantung pada
asumsi bahwa data mengikuti distribusi normal. Beberapa
metode statistik yang memerlukan normalitas data termasuk
uji hipotesis parametrik, analisis varians (ANOVA), dan
regresi linear.
 Normalitas Data
Cara untuk menguji normalitas data:
1.Histogram: Anda dapat membuat histogram data dan
memeriksa apakah bentuknya menyerupai kurva lonceng.

2.Q-Q Plot (Quantile-Quantile Plot): Q-Q plot adalah grafik

yang membandingkan distribusi data dengan distribusi normal.
Jika data mengikuti distribusi normal, poin dalam Q-Q plot
akan mengikuti garis lurus.

3.Uji Statistik: Ada beberapa uji statistik yang digunakan

untuk menguji normalitas data, seperti uji Kolmogorov-
Smirnov, uji Shapiro-Wilk, dan uji Anderson-Darling. Uji ini
memeriksa sejauh mana data Anda cocok dengan distribusi
normal.
Normalitas Data
Latihan
 Soal 1
Diketahui suatu distribusi normal baku, carilah
luas di bawah kurva normal yang terletak
a. di sebelah kiri z = 1,43
b. di sebelah kanan z = –0,89
c. di antara z = –2,16 dan z = –0,65
d. di sebelah kiri z = –1,39
e. di sebelah kanan z = 1,96
f. di antara z = –0,48 dan z = 1,74
 Soal 2
Diketahui suatu distribusi normal dengan  = 30 dan  = 6,
carilah
a. luas di bawah kurva normal ke sebelah kanan x = 17
b. luas di bawah kurva normal ke sebelah kiri x = 22
c. luas di bawah kurva normal ke sebelah antara x = 32 dan
x = 41
d. nilai x sehingga luas di bawah kurva normal ke sebelah
kirinya 80%
e. kedua nilai x yang mengapit bagian tengah 75% dari luas
di bawah kurva normal
 Soal 3
Suatu mesin minum diatur sedemikian rupa sehingga
mengeluarkan rata-rata 200 mililiter per cangkir. Bila isi minum
itu berdistribui normal dengan simpangan baku 15 mililiter.
a. Berapa proporsi cangkir yang akan terisi lebih dari 224
mililiter?
b. Berapa peluang suatu cangkir berisi antara 191 dan 209
mililiter?
c. Berapa cangkir yang akan kepenuhan (sehingga tumpah) bila
digunakan 1000 cangkir berukuran 230 mililiter?
d. Dibawah nilai berapakah terdapat 25% dari jumlah cangkir
dengan isi terkecil?
 Soal 4
Rataan dari nilai ujian mata kuliah Teori Peluang adalah
70.
a. Lima belas persen dari peserta ujian mata kuliah
tersebut memperoleh nilai lebih dari 72. Jika nilai
ujian mata kuliah Teori Peluang berdistribusi Normal,
hitung simpangan bakunya.
b. Semua mahasiswa yang mendapat nilai antara 69
dan 73 mendapat B. Jika ada 9 mahasiswa yang
mendapat B, maka ada berapa orang yang mengikuti
ujian?
 Soal 5
Seorang pengacara tiap hari berkendara ke kantornya.
Rata-rata waktu perjalanan satu arah adalah 24 menit
dengan standar deviasi 3,8 menit. Misalkan waktu
perjalanan ini berdistribusi normal.
a. Berapa peluangnya perjalanan tersebut memakan
waktu paling tidak 1/2 jam?
b. Bila kantornya buka jam 9.00 dan dia berangkat ke
kantor jam 8.45 tiap hari, berapa persen dari waktu
dia akan terlambat?
 Soal 5
c. Bila dia berangkat jam 8.35 dan di kantor minuman
kopi disajikan antara 8.50 dan 9.00, berapa
peluangnya dia tidak kebagian kopi?
d. Cari lamanya perjalanan yang di atasnya merupakan
waktu 15% terlama
e. Cari peluangnya bahwa 2 dari 3 perjalanan
berikutnya akan ditempuh paling tidak dalam 1/2
jam.
 Soal 6
Menurut statistik yang dikeluarkan national highway
traffic safety administration dan national safety council
di AS pada malam minggu rata-rata 1 dari setiap 10
pengemudi di jalan dalam keadaan mabuk. Bila 400
pengemudi diperiksa secara acak, berapa peluang
bahwa pengemudi yang mabuk
a. Kurang dari 32?
b. Lebih dari 49?
c. Paling sedikit 35 tapi kurang dari 47?
 Soal 7
Tinggi 1000 mahasiswa berdistribusi normal dengan
rataan 174,5 cm dan simpangan baku 6,9 cm. Bila
pengukuran dibulatkan ke setengah cm terdekat,
berapa banyak mahasiswa dapat diharapkan , tingginya
a. Kurang dari 160 cm?
b. Antara dan termasuk 171,5 dan 182,0 cm?
c. Sama dengan 175,0 cm?
d. Lebih besar atau sama dengan 188,0 cm?