Beberapa Pengertian Umum Tentang Distribusi Normal
Distribusi
normal merupakan distribusi teoritis dari variable random yang kontinu.
Pengalaman telah membuktikan bahwa sebagian besar dari variable random
yang kontinu di berbagai bidang aplikasi yang beraneka ragam umumnya
memiliki distribusi yang didekati dengan distribusi normal atau dapat
menggunakan sebagai model teoritisnya. Distribusi normal yang demikian merupakan distribusi yang simetris, berbentuk genta dan kontinu serta memiliki fungsi frekuensi.
Fungsi f(x) di atas juga dinamakan fungsi kepekatan normal ( normal density function)
Rumus diatas, distribusi normal tergantung pada 2 parameter yaitu rata-rata Ux dan varians σ kuadrat x.
Dengan kata lain, distribusi normal umum merupakan sekeluarga kurva
yang berparameter dua buah dan agar kita memperoleh suatu gambaran
tentang distribusi normal yang khusus, kedua parameter diatas harus
diberi harga yang tertentu pula.
Hasilnya, fungsi kepekatan normal seringkali dinyatakan sebagai berikut :
dengan
sendirinya, suatu distribusi normal dapat dibedakan dari distribusi
normal yang lain atas dasar perbedaan rata-ratanya atau variansinya atau
kedua-duanya.
Jika Ux sudah tertentu tanpa menentukan σ kuadrat x,
maka kita akan memperoleh serangkaian keluarga distribusi normal yang
memiliki rata-rata yang sama dengan varians seperti pada diagram 1
Sebaliknya, jika σ kuadrat x sudah tertentu sedangkan Ux tidak
ditentukan, kita akan peroleh serangkaian keluarga kurva normal yang
memiliki bentuk yang sama dengan lokasi yang berbeda sepanjag sumbu X
seperti dalam diagram 2
Karena
distribusinya kontinu, cara menghitung probablitasnya dilakukan dengan
jalan menetukan luas di bawah kurvanya. Sayangnya, fungsi frekuensi
normal tidak memiliki integral yang sederhana sehingga probabilitas
umumnya dihitung dengan menggunakan distribusi normal standar dimana
variabel randomnya
Definisi
dari diagram 1 bila Z merupakan variabel random yang kemungkinan
harga-harganya menyatakan bilangan-bilangan riil antara - ∞ dan + ∞,
maka Z dinamakan variabel normal standar bila dan hanya bila
probabilitas interval dari a ke b menyatakan luas dari a ke b antara
sumbu Z dan kurva normalnya dan persamaanya diberikan sebagai berikut :
Fungi
yangdirumuskan dengan 10.1.3 diatas dinamakan fungsi kepekatan normal
standart ( standar normal density function). Grafiknya dapat dilihat
pada diagram 10.1.3
Diagram 10.1.3.fungsi kepekatan normal standar
bahwa
probabilitas pada sembarang titik-titik ialah nol karena bagi variabel
kontinu, probabilitas selalu dinyatakan dalam interval. Dengan kata
lain, probabilitas Z yang merupakan nilai pada interval antara Z = a
hingga Z = b adalah sama dengan luas yang dibatasi oleh kurva normalnya,
sumbu Z dan garis vertical Z = a dan Z = b. hal demikian dapat dilihat
pada diagram 10.1.4
diagram 10.1.14 Kurva normal standar
seperti yang telah penulis katakan, pencarian luas kurva normal diatas dapat dilakukan dengan bantuan tabel luas normal A(z).
contoh 10.1.1 Berapakah probabilitas variabel random normal yang standar merupakan nilai 0 dan 1 ?
Per Table luas kurva normal, maka p(0<Z<1) = 0,3413.
Contoh 10.1.2 berapakah probabilitas variabel random normal yang standar merupakan nilai antara -2 dan +2 ?
Per Tabel luas kurva normal, maka p(-2<Z<+2) = 2(0,4772) = 0,9544.
Hal tersebut berarti bahwa 95,44 persen dari seluruh luas kurva normal standar terletak antara -2 dan +2.
Contoh 10.1.3 Berapakah probabilitas variabel random normal yang standar merupakan nilai antara 0,1 dan 2,8 ?
Per Tabel luas kurva normal, maka p(0,1 < Z < 2,8 ) = p(0 < Z < 2,8 ) – p(0 < Z < 0,1 ) = 0,4974 – 0,0398 = 0,4576.
Luas kurvanya dapat dilihat pada diagram 10.1.5
Diagram 10.1.5 Kurva normal standar, p(0,10 < Z < 2,8 ).
Dan grafiknya dapat dilihat pada diagram 10.1.7
Diagram 10.1.7 Fungsi distribusi normal kumulatif yang standar
Per Tabel distribusi normal kumulatif f(1) = 0,8413 dan f(0) = 0,5000 sehingga p(0 < Z < 1 ) = f(1) – f(0) = 0,8413 – 0,5000 = 0,3413 ( referensi diagram 10.1.7 )
Contoh 10.1.5
Carilah p(0,10 < Z < 2,80 ) dalam soal contoh 10.1.3
Per Tabel distribusi normal kumulatif, f(2,8) = 0,9974 dan f(0,10) = 0,5398 sehingga p(0,10 < Z < 2,8 ) = f(2,8) – f(0,10) = 0,9974 – 0,5398 = 0,4576
10.1.3 Beberapa contoh tentang penggunaan tabel luas kurva normal dan distribusi normal kumulatif
Pada
hakekatnya, kurva normal merupakan keluarga kurva normal yang dapat
memiliki rata-rata Ux dan varians O kuadrat x yang berbeda dan tidak
usah Ux = 0 dan O kuadrat x = 1 seperti dengan halnya kurva normal
standar.
Bila
demikian halnya, apakah tabel yang berbeda harus dibuat untuk pencarian
luas kurva normal dengan Ux dan O kuadrat x yang berbeda ?Hal yang
sedemikian itu tidak perlu. Luas kurva normal dengan Ux dan O kuadrat
x yang berbeda tetap dapat dicari dengan jalan mengubah variabel random X
yang normal kedalam variabel random Z yang standar dan dirumuskan
sebagaiberikut :
Serta kemudian mencari nilai Z-nya dengan bantuan tabel F(z) atau A(z).
Pengubahan X ke Z sedemikian itu dapat dilihat dalam diagram 10.1.8 dan 10.1.9
Diagram 10.1.8 Kurva normal umum standar.
contoh :
Bila
X merupakan variabel random yang memiliki distribusi normal dengan
rata-rata Ux = 24 dan deviasi standar Ox = 12, berapakah probabilitas
17,4< X < 58,8 ?
Pengubahan variabel normal 17,4 dan 58,8 masing-masing kedalam variabel standar memperoleh
= 0,7069
Jika probabilitas diatas dihitung dengan bantuan table distribusi normal kumulatif, maka diperoleh hasil
p(17,4 ) < X < 58,8 ) = p(-0,55 < Z < 2,90)
= F(2,90) – F(-0,55)
= 0,9981 – 0,2912
= 0,7069
Contoh 10.1.7
Dari
pengiriman sebanyak 1.000 riem kertas koran berat 60 gram diketahui
bahwa rata-rata tiap riemnya terisi dengan 450 lembar dengan deviasi
standar sebesar 10 lembar. Jika distribusi jumlah kertas per
riemtersebut dapat didekati dengan kurva normal, berapa persen dari riem
kertas diatas terisi dengan 455 lembar atau lebih ?
Dalam soal diatas, Ux = 450 dan Ox = 10 sedangkan yang kita ingin ketahui ialah p(X ≥ 455). Pengubah variabel normal 455 kedalam variabel standar memperoleh
Karena f(0,50) = 0,6915, maka p(Z
≥ 0,50) = 1 – 0,6915 = 0,3085 atau 30,85 persen. Jelas bahwa 30,85
persen dari riem kertas diatas terisi dengan 455 lembar atau lebih.
Contoh 10.1.8
Angka
ujian statistik sebagian besar mahasiswa memiliki Ux = 34 dan Ox = 4.
Jika distribusi angka-angka ujian tersebut kurang kurang lebih
menyerupai distribusi normal, dibawah angka berapa kita akan memperoleh
10 persen terendah dari seluruh distribusi angka-angka tersebut ?
1.2 Penerapan kurva normal terhadap data empiris
Sampel
yang diperoleh dari pengukuran empiris acapkali memiliki bentuk
distribusi kumulatif yang dapat didekati secara memuaskan dengan
distribusi normal. Hal tersebut dapat dilakukan dengan jalan
mempersamakan Ux dengan X bar dengan Ox dengan s. Agar lebih jelas, kita
akan memberikan sebuah contoh yang berhubungan dengan persoalan di
atas.
Table 10.2.1 menyajikan distribusi frekuensi dari sebuah sampel yang terdiri dari 75 pengukuran berat barangX.
Sudah
tentu, nilai F(x) dapat secara langsung dicari dari table F(x), Bila
kita ingin memperoleh penerapan yang lebih merata, kita harus menghitung
nilai-nilai X yang sesuai dengan nilai-nilai Z = -3, -2,90, -2,80,
-2,70,… dan seterusnya.
1.3 Hubungan antara distribusi Normal dan Distribusi Binomial
Bila
n besar sekali, distribusi binomial dapat disesuaiakan sedemikan rupa
sehingga dapat didekati dengan distribusi normal standar. Pada makalh
ini akan di bahas betapa penyesuaian tersebut dapat dilakukan sehingga
menghasilkan sebuah pendekatan yang sangat tepat sekali. Seperti telah
kita ketahui, variable random X atau jumlah sukses dalam n percobaan
binomial merupakan penjumlahan dari variable random n dimana tiap peubah
acak (variate) dimaksudkan bagi setiap percobaan binomial dan tiap
percobaan menghasilkan nilai 0 atau 1.
Dalam
keadaan yang biasa, jumlah dari beberapa variable random selalu
mendekati distribusi normal, sehingga distribusi jmlah variable diatas
dapat didekati dengan distribusi normal bila n makin menjadi besar.
Batas distribusi binomial dapat di fahami secara berangsur-angsur dengan memperhatikan tiga hal pokok sebagai berikut :
1. Distribusi
binomial merupakan sebua distribusi yang diskrit sedangkan distribusi
normal merupakan sebuah distribusi yang kontinu, sehingga probabilitas
yang dinyatakan dengan ordinat binomial perlu diganti dengan luas
binomial karena luas selalu dipakai untuk menyatakan probabilitas dalam
distribusi yang kontinu.
2. Skala X perlu diganti dengan skala Z agar tidak terjadi proses “bergerak” dan “mendatar” bila n berangsur-angsur menjadi besar.
3. Pendekatan
secara normal terhadap probabilitas binomial dapat dilakukan dengan
menghitung luas yang terdapat dibawah kurva normal.
Jumlah
probabilitas atau luas yang terdapat diantara kurva dan sumbu X adalah
sama dengan 1. Hal demikian da[at dilihat pada diagram dibawah ini :
Probabilitas
variable random X merupakannilai antara a dan b dan dapat dinyatakan
sebagai daerah bergaris dari kurva diagram 10.3.1 diatas. Pada gambar
diatas, p(X = a ) = 0 karena luas a dianggap sama dengan garis f(a) yang
memiliki lebar sama dengan 0. Hal tersebut berbeda sekali dengan
probabilitas yang dinyatakan dengan ordinat distribusi yang diskrit
sebab p(X = a) dimana a = 5 tidak usah sama dengan 0.
Penerapan
fungsi kontinu terhadap distribusi binomial dapat dilakukan dengan
penggunaan luas untuk menyatakan probabilitas yang biasanya dinyatakan
dengan ordinat. Tiap ordinat dari distribusi binomial diganti dengan
luas empat persegi panjang yang berpusat pada X dan yang memiliki lebar
sama dengan satu unit serta memiliki tinggi sama dengan ordinat binomial
yang asal, untuk lebih jelasnya dapat dilihat pada diagram dibawah ini
Setiap
perubahan pada variable random X akan mengakibatkan proses “bergerak”.
Satu cara untuk membendung “gerakan” tersebut ialah dengan menciptakan
sebuah variable baru, yaitu Y = X – np.
Distribusi
variable baru Y memiliki np = 0 dan cara pemusatanya tidak berbeda dari
distribusi normal yang standar. Selain daripada itu, distribusi
variable Y tersebut memiliki Oy = akar dari npq . Kita telah mengetahui
bahwa distribusi normal yang standar memiliki Uz = 0 dan Oz = 1,
sehingga variable random Y yang
memiliki µz= np = 0 dan σy =√npq masih perlu disesuaika agar σy nya sama dengan 1.
Bila npq > 0, maka Y/ √npq akan menghasilkan variable random baru Z yang memiliki σy = 1seperti dalam halnya distribusi normal yang standar.
1 sedangkan nilai-nilai tersebut masing-masing akan sama dengan µx dan σz dari
distribusi normal yang standa. Bila n menjadi besar, ordinat-ordinat
sentra (tinggai ordinat-ordinat) dari luas grafik probabilitas Z tidak
akan mendatar. Karena µz = 0, maka proses “bergerak” tidak terjadi dank arena σz= 1, maka “perluasan” pun tidak terjadi .
Pendekatan probabilitas binomial dengan luas yang terdapat dibawah kurva normal dapat dilakukan dengan bantuan Tabel normal.
Contoh 10.3.1 Diketahui distribusi binomial memiliki n = 8 dan p = 1/2, sedangkan grafiknya dinyatakan seperti dalam diagram dibawah ini
Pendekatan distribusi binomial dngan distribusi normal dapat dilakukan sebagai berikut :
np = 10 x 1/2= 5
Sesuai dengan rumus 10.3.1, kita peroleh persamaan hubungan antara X dan Z sebagai berikut :
Tidak ada komentar:
Posting Komentar