DISTRIBUSI NORMAL

DISTRIBUSI NORMAL

Distribusi normal merupakan suatu alat statistik yang sangat penting untuk menaksir dan meramalkan peristiwa-peristiwa yang lebih luas. Distribusi normal disebut juga dengan distribusi Gauss untuk menghormati Gauss sebagai penemu persamaannya (1777-1855). Menurut pandangan ahli statistik, distribusi variabel pada populasi mengikuti distribusi normal. 

Distribusi normal pertama kali diperkenalkan oleh Abraham DeMoivre (1733) sebagai pendekatan distribusi binomial untuk n besar. Selanjutnya dikembangkan oleh Pierre Simon de Laplace dan dikenal dengan Teorema Moivre - Laplace. Laplace menggunakan distribusi normal untuk analisis galat suatu eksperimen. 

Distribusi normal merupakan salah satu distribusi probabilitas yang penting dalam analisis statistika. Distribusi ini memiliki parameter berupa mean dan simpangan baku. Distribusi normal dengan mean = 0 dan simpangan baku = 1 disebut dengan distribusi normal standar. Apabila digambarkan dalam grafik, kurva distribusi normal berbentuk seperti genta (bell-shaped) yang simetris.

Suatu data membentuk distribusi normal jika jumlah data di atas dan di bawah mean adalah sama.

Distribusi normal berupa kurva berbentuk lonceng setangkup yang melebar tak berhingga pada kedua arah positif dan negatifnya.

Ciri-ciri kurva normal :

1. Bentuk kurva normal
1. Menyerupai lonceng (genta/bel).
2. Merupakan suatu poligon yang dilicinkan yang mana ordinat (sumbu tegak) merupakan frekuensi dan absisnya (sumbu alas) memuat nilai variabel.
3. Simetris.
4. Luas daerah merupakan nilai rata-rata (mean).
5. Luas daerah sebelah kiri dan kanan mendekati 50%.
6. Memiliki satu modus (disebut juga bimodal).
2. Daerah kurva normal
1. Merupakan ruangan yang dibatasi daerah kurva dengan absisnya (sumbu alas).
2. Luas daerah biasanya dinyatakan dalam persen atau proporsi.

Distribusi normal dipengaruhi oleh dua parameter, yaitu mean dan standar deviasi.

Mean menentukan lokasi pusat statistik dan standar deviasi menentukan lebar dari kurva normal.

Rumus umum distribusi normal :

dengan 

Kurva normal menggambarkan daerah penerimaan dan penolakan Ho. 

Jika pengujian dua arah / sisi, maka gambarnya sebagai berikut :

Jika pengujian satu arah, maka gambarnya sebagai berikut :

 

Uji satu arah biasanya untuk uji F dan uji t satu arah.

 

Perhatikan kurva distribusi normal normal standar berikut:

 

Sumbu X (horizontal) memiliki range (rentang) dari minus takhingga (‒∞) hingga positif takhingga (+∞). Kurva normal memiliki puncak pada X = 0. Perlu diketahui bahwa luas kurva normal adalah satu (sebagaimana konsep probabilitas). Dengan demikian, luas kurva normal pada sisi kiri = 0,5; demikian pula luas kurva normal pada sisi kanan = 0,5.



Dalam analisis statistika, seringkali kita menentukan probabilitas kumulatif yang dilambangkan dengan notasi P (X<x). Sebagai contoh, P (X<1), apabila diilustrasikan dengan grafik adalah luas kurva normal dari minus takhingga hingga X = 1.



Secara matematis, probabilitas distribusi normal standar kumulatif dapat dihitung dengan menggunakan rumus:



Akan tetapi, kita lebih mudah dengan bantuan tabel distribusi normal. Berikut adalah tabel distribusi normal standar, untuk P (X < x), atau dapat diilustrasikan dengan luas kurva normal standar dari X = minus takhingga sampai dengan X = x.





Contoh penggunaan:
Hitung P (X<1,25)
Penyelesaian: Pada tabel, carilah angka 1,2 pada kolom paling kiri. Selanjutnya, carilah angka 0,05 pada baris paling atas. Sel para pertemuan kolom dan baris tersebut adalah 0,8944.
Dengan demikian, P (X<1,25) adalah 0,8944.




KURVA NORMAL
Kurva normal adalah satu model distribusi dari sejumlah kemungkinan distribusi. Hal ini diseb abkan karena penggunaan konsep kurva normal sangat luas dan dijadikan sebagai alat yang sangat penting dalam pengembangan suatu teori, konsep kurva normal juga memberikan status khusus dalam pengembangan kaidah-kaidah ilmiah.
Kurva normal bukan hanya satu kurva, melainkan mempunyai sejumlah kurva yang tidak terbatas yang mungkin dapat dibuat, dan semua itu dideskripsikan dengan suatu persamaan aljabar berikut.

Persamaan di atas dapat membuat para pelajar menjadi panik dan/atau mengalami kesulitan untuk memahami konsep kurva normal. Secara umum, pemahaman atas persamaan aljabar ini tidak menjadi kebutuhan atau diperlukan untuk mengapresiasi dan menggunakan kurva normal. Namun demikian persamaan ini perlu dijelaskan untuk memahami bagaimana konsep dan aplikasi suatu kurva normal.
Pertama, penggunaan simbol-simbol dalam persamaan ini dimaksudkan untuk menyederhanakan proses perhitungan. Simbol-simbol itu termasuk “2″. “p”, dan “e”. Lambang “e” untuk menunjukkan adanya perhitungan dengan bilangan irasional atau untuk menunjukkan batasan yang sangat panjang. Hal ini dimungkinakn untuk menunjukkan “sejumlah keunikan”, dalam kasus “e” ini, yang menunjukkan “kekuatan khusus”
Kedua, adanya sekumpulan simbol yang menjadi kepedulian termasuk simbol “X”, yaitu melambangkan variabel responden untuk suatu skor nilai. Tinggi dari suatu kurva pada satu titik merupakan fungsi dari X (fx).
Ketiga, dua simbol terakhir dalam persamaan adalah “mu (μ) lambang darirata-rata ” dan “sigma (σ) lambang dari stadar deviasi” kedua lambang ini disebut dengan parameter atau nilai-nilai. Kedua parameter ini memberikan kemungkinan pembuatan kurva normal menjadi tidak terbatas, yaitu dengan menghubungkan kedua parameter ini. Dalam hal ini konsep parameter menjadi sangat penting dan perlu diperhatikan secara sungguh-sungguh.

Keluarga Distribusi
Kurva normal merupakan salah satu bentuk (anggota keluarga) dari sekian banyak (tidak terbatas) pola distribusi. Model setiap anggota keluarga ditentukan oleh seperangkat parameter (μ dan σ) dengan nilai (perhitungan) khusus. Sebab parameter σ dapat ditempatkan pada suatu nilai, posisitf atau negatif, dan parameter μ mempunyai nilai posisitf, hubungan dari kedua parameter ini membuat keluarga kurva normal menjadi luas sekali yang mempunyai anggota anggota tidak terbatas. Atas dasar itu, kurva normal diusulkan menjadi suatu model umum, karena asumsi kurva normal mampu menjelaskan sejumlah besar fenomena yang terjadi secara alami, mulai dari skor tes sampai ke fenomena bintang-bintang di langit.

Kesamaan Anggota Keluarga Kurva Normal
Anggota keluarga kurva normal sangat bervariasi mempunyai perbedaan, akan tetapi mempunyai sejumlah sifat-sifat umum yang sama, sifat-sifat umum ini disebut juga dengan kesamaan anggota keluarga kurva normal. Kesamaan (sifat-sifat umum ini) mencakup: bentuk simetri, mendekat ke ujung tetapi tidak pernah bersentuhan dengan sumbu X (asimtot), dan mempunyai wilayah di bawah kurva.
Dalam hal bentuk, semua anggota keluarga kurva normal mempunyai kesamaan yaitu berbentuk “lonceng”, kemudian sumbu X mempunyai kesamaan skala yang tepat. Sebagian besar wilayah di bawah kurva berada di sekitar titik tengan atau rata-rata. Ujung garis distribusi mendekat ke sumbu X tetapi tidak pernah menyentuh, dan luas wilayah di bawah kurvanya sangat kecil
Kesamaan dalam hal simetris, semua anggota keluarga kurva normal berada pada dua sisi sejajar dan simetris. Artinya, jika satu kurva normal digambarkan pada permukaan kertas dua dimensi, maka jika kertas itu dilipat pada garis tengahnya (garis rata-rata) maka kedua sisi kurva normal itu harus tepat sama. Keadaan simetris ini juga tergambar dalam struktur tubuh manusia, secara umum dalam posisi sejajar atau mendekati simetris antara sisi kiri dan kanan. Begitu juga dalam perkembangan kehidupan manusia baik individual maupun sosial.
Semua keluarga kurva normal mempunyai ekor mendekati sumbu X, tetapi tidak pernah menyentuhnya. Implikasinya, dibagian manapun suatu titik yang berada pada kurva (arah positif atau negatif) tetap saja mempunyai wilayah yang berada di bawah kurva normal. Oleh karena itu, gambar dari satu kurva normal harus mempunyai panjang garis yang tidak berhingga. Sehingga untuk mengeahui luas wilayah yang berada di bawah kurva normal harus dilihat dari suatu rentang yang dibatasi oleh sejumlah garis, hanya sebagaian kecil dari segmen garis yang digambarkan untuk kurva normal khusus.
Semua anggota keluarga kurva normal mempunyai total wilayah di bawah kurva sama dengan satu (1.00) , seperti yang terjadi pada model-model kemungkinan atau distribusi frekuensi. Sifat ini, menjadi tambahan pada sifat simetri, implikasinya bahwa wilayah pada setiap setengah dari distribusi adalah 0,50 atau setengah.

Sumber :

http://jam-analyst.blogspot.co.id/2012/02/distribusi-normal.html

https://id.wikipedia.org/wiki/Distribusi_normal

http://analisis-statistika.blogspot.co.id/2013/03/mengenal-distribusi-normal-dan-cara.html

Pengantar Statistika "Teorema Bayes"

Nama : Seno Aditya

Kelas  : 2KB04

NPM  : 26116907

Teorema Bayes

Teorema Bayes, diambil dari nama Rev. Thomas Bayes, menggambarkan hubungan antara peluang bersyarat dari dua kejadian A dan B sebagai berikut:

P(A | B) =	P(B | A) P(A)
	P(B)

or

P(A | B) =	P(B | A) P(A)
	P(B | A)P(A) + P(B | A)P(A)

Teorema Bayes adalah sebuah teorema dengan dua penafsiran berbeda. Dalam penafsiran Bayes, teorema ini menyatakan seberapa jauh derajat kepercayaan subjektif harus berubah secara rasional ketika ada petunjuk baru. Dalam penafsiran frekuentis teorema ini menjelaskan representasi invers probabilitas dua kejadian. Teorema ini merupakan dasar daristatistika Bayes dan memiliki penerapan dalam sains, rekayasa, ilmu ekonomi (terutama ilmu ekonomi mikro), teori permainan, kedokteran dan hukum. Penerapan teorema Bayes untuk memperbarui kepercayaan dinamakan inferens Bayes.

Tujuan dari inferensi statistik adalah untuk menarik kesimpulan dari data sampel yang diketahui tentang populasi yang tidak ada datanya. Sebagai contoh, kita tahu dari sampel bahwa 55 persen pemilih cenderung untuk memilih pilihan A, tapi sebenarnya berapa banyak pemilih secara keseluruhan yang cenderung memilih A?

Saat ini, terdapat dua pendekatan filosofis utama dalam statistik inferens, yang pertama disebut sebagai pendekatan frequentist atau kadang-kadang disebut sebagai pendekatan klasik (karena berkembang lebih dulu). Dalam pendekatan ini, prosedur dikembangkan hanya dengan melihat performa seluruh kemungkinan sampel acak (all possible random sample) saat ini. Informasi sampel acak yang diperoleh sebelumnya (pada percobaan/observasi lain di masa lalu) diabaikan. Kemudian pendekatan kedua, dikenal sebagai Bayesian, yang akan kita bahas dalam artikel ini.

Frequentist versus Bayesian

Pendekatan frequentist berlandaskan pada ide-ide dibawah ini:

1. Parameter, yaitu karakteristik dari populasi, adalah konstan namun tidak diketahui.
2. Probabilita selalu diinterpretasikan sebagai frekuensi relatif jangka panjang, tak peduli datanya.
3. Prosedur statistik dinilai dengan seberapa baik prosedur itu dalam jangka panjang dengan mengulang-ulang percobaan sampai tak hingga.

Karena dalam pendekatan ini parameter adalah tetap, maka kita tidak bisa membuat pernyataan tentang peluang dari nilai parameter tersebut (bagaimana kita menyatakannya dalam peluang jika nilai parameter adalah tetap dengan kata lain pasti). Interval kepercayaan tidak memiliki arti peluang akan nilai parameter, namun hanya digunakan untuk uji hipotesis apakah nilai penduga parameter bisa kita terima atau tidak.

Misal diperoleh P(a < θ ≤ b)=0.95, kita tidak bisa mengatakan peluang θ diantara [a,b] adalah 95 persen karena jika kita mengatakan demikian berarti θ adalah suatu nilai acak. Karena itu dalam frequentist interval itu selalu diartikan begini: dari 100 percobaan dengan random sampel iid maka 95 percobaan akan mendapatkan nilai penduga parameter θ̂ berada pada interval [a,b].

Sedangkan Bayesian berlandaskan pada ide-ide berikut:

1. Sejak kita tak pernah yakin akan nilai sebenarnya dari parameter, maka parameter dianggap sebagai suatu random variabel.
2. Aturan probabilita digunakan secara langsung untuk melakukan inferens tentang parameter.
3. Pernyataan probabilita tentang parameter diinterpretasikan sebagai “derajat kepercayaan”. Distribusi prior adalah subyektif. Setiap orang bisa memilih priornya sendiri, yang mengandung bobot relatif yang diberikannya pada parameter tersebut, yang mengukur bagaimana sejauh mana bisa diterima/dipercaya setiap parameter tersebut sebelum percobaan.
4. Setelah itu kita menyesuaikan kepercayaan/penerimaan kita pada parameter tersebut setelah memperoleh data dengan menggunakan teorema Bayes, sehingga akan menghasilkan distribusi posterior, yang memberikan bobot relatif tiap parameter setelah data dianalisis. Distribusi posterior diperoleh dari dua sumber, yaitu: distribusi prior
   dan data pengamatan.

Dengan pendekatan Bayesian ini kita bisa membuat pernyataan probabilita dari parameter karena memang parameter adalah random variabel. P(a < θ ≤ b) = 0.95 memang berarti peluang nilai parameter θ berada pada interval [a,b] dengan syarat data seperti pada data observasi adalah 95 persen. Hanya dengan teorema Bayes kita bisa secara konsisten memperbaiki kepercayaan kita pada parameter berdasarkan data yang benar-benar terjadi! Selain itu pendekatan Bayesian sangat bermanfaat dalam menangani parameter pengganggu (nuisance parameter). Parameter pengganggu adalah suatu parameter yang kita tidak tertarik untuk melakukan inferens atasnya, tapi kita tidak ingin parameter tersebut mempengaruhi inferens tentang parameter utama (tidak kita bahas dalam artikel ini.

Contoh Penerapan Teorema :

Misalkan kawan Anda bercerita dia bercakap-cakap akrab dengan seseorang lain di atas kereta api. Tanpa informasi tambahan, peluang dia bercakap-cakap dengan perempuan adalah 50%. Sekarang misalkan kawan Anda menyebut bahwa orang lain di atas kereta api itu berambut panjang. Dari keterangan baru ini tampaknya lebih bolehjadi kawan Anda bercakap-cakap dengan perempuan, karena orang berambut panjang biasanya wanita. Teorema Bayes dapat digunakan untuk menghitung besarnya peluang bahwa kawan Anda berbicara dengan seorang wanita, bila diketahui berapa peluang seorang wanita berambut panjang.

Misalkan:

W adalah kejadian percakapan dilakukan dengan seorang wanita.

L adalah kejadian percakapan dilakukan dengan seorang berambut panjang

M adalah kejadian percakapan dilakukan dengan seorang pria

Kita dapat berasumsi bahwa wanita adalah setengah dari populasi. Artinya peluang kawan Anda berbicara dengan wanita,

Misalkan juga bahwa diketahui 75 persen wanita berambut panjang. Ini berarti bila kita mengetahui bahwa seseorang adalah wanita, peluangnya berambut panjang adalah 0,75. Kita melambangkannya sebagai :

Sebagai keterangan tambahan kita juga mengetahui bahwa peluang seorang pria berambut panjang adalah 0,3. Dengan kata lain:

Di sini kita mengasumsikan bahwa seseorang itu adalah pria atau wanita, atau P(M) = 1 -P(W) = 0,5. Dengan kata lain M adalah kejadian komplemen dari W.

Tujuan kita adalah menghitung peluang seseorang itu adalah wanita bila diketahui dia berambut panjang, atau dalam notasi yang kita gunakan, P(W|L).

Peluang

Teorema Bayes

Teorema Bayes, diambil dari nama Rev. Thomas Bayes, menggambarkan hubungan antara peluang bersyarat dari dua kejadian A dan B sebagai berikut:

P(A | B) =	P(B | A) P(A)
	P(B)

or

P(A | B) =	P(B | A) P(A)
	P(B | A)P(A) + P(B | A)P(A)

Contoh aplikasi dari Teorema Bayes

Di sebuah negara, diketahui bahwa 2% dari penduduknya menderita sebuah penyakit langka. 97% dari hasil tes klinik adalah positif bahwa seseorang menderita penyakit itu. Ketika seseorang yang tidak menderita penyakit itu dites dengan tes yang sama, 9% dari hasil tes memberikan hasil positif yang salah.

Jika sembarang orang dari negara itu mengambil test dan mendapat hasil positif, berapakah peluang bahwa dia benar-benar menderita penyakit langka itu?

Secara sepintas, nampaknya bahwa ada peluang yang besar bahwa orang itu memang benar-benar menderita penyakit langka itu. Karena kita tahu bahwa hasil test klinik yang cukup akurat (97%). Tetapi apakah benar demikian? Marilah kita lihat perhitungan matematikanya.

Marilah kita lambangkan informasi di atas sebagai berikut:

• B = Kejadian tes memberikan hasil positif.
• B = Kejadian tes memberikan hasil negatif.
• A = Kejadian seseorang menderita penyakit langka itu.
• A = Kejadian seseorang tidak menderita penyakit langkat itu.

Kita ketahui juga peluang dari kejadian-kejadian berikut:

• P (A) = 2%
• P (A) = 98%
• P (B | A) = 97%
• P (B | A) = 9%

Dengan menggunakan rumus untuk peluang bersyarat, dapat kita simpulkan peluang dari kejadian-kejadian yang mungkin terjadi dalam tabel di bawah ini:

	A (2%)	A (98%)
B	Positif yang benar P (B ∩ A) = P (A) × P (B | A) = 2% × 97% = 0,0194	Positif yang salah P (B ∩ A) = P (A) × P (B | A) = 98% × 9% = 0,0882
B	Negatif yang salah P (B ∩ A) = P (A) × P (B | A) = 2% × 3% = 0,0006	Negatif yang benar P (B ∩ A) = P (A) × P (B | A) = 98% × 91% = 0,8918

Misalnya seseorang menjalani tes klinik tersebut dan mendapatkan hasil positif, berapakah peluang bahwa ia benar-benar menderita penyakit langka tersebut?
Dengan kata lain, kita mencoba untuk mencari peluang dari A, dimana B atau P (A | B).

Dari tabel di atas, dapat kita lihat bahwa P (A | B) adalah peluang dari positif yang benar dibagi dengan peluang positif (benar maupun salah), yaitu 0,0194 / (0,0194 + 0,0882) = 0,1803.

Kita dapat juga mendapatkan hasil yang sama dengan menggunakan rumus teorema Bayes di atas:

P(A | B) =	P(B ∩ A)
	P(B)
=	P(B | A) × P(A)
	P(B | A)P(A) + P(B | A)P(A)
=	97% × 2%
	(97% × 2%) + (9% × 98%)
=	0.0194
	0.0194 + 0.0882
=	0.0194
	0.1076
P(A | B) =	0.1803

Hasil perhitungan ini sangat berbeda dengan intuisi kita di atas. Peluang bahwa orang yang mendapat hasil tes positif itu benar-benar menderita penyakit langka tidak sebesar yang kita bayangkan. Cuma ada sekitar 18% kemungkinan bahwa dia benar-benar menderita penyakit itu.

Mengapakah demikian?

Ketika mengira-ngira peluangnya, seringkali kita lupa bahwa dari seluruh populasi negara itu, hanya 2% yang benar-benar menderita penyakit langka itu. Jadi, walaupun hasil tes adalah positif, peluang bahwa seseorang menderita penyakit langka itu tidaklah sebesar yang kita bayangkan.

Kita bisa juga meninjau situasi di atas sebagai berikut. Misalnya populasi negara tersebut adalah 1000 orang. Hanya 20 orang yang menderita penyakit langka itu (2%). 19 orang dari antaranya akan mendapat hasil tes yang positif (97% hasil positif yang benar). Dari 980 orang yang tidak menderita penyakit itu, sekitar 88 orang juga akan mendapat hasil tes positif (9% hasil positif yang salah).

Jadi, 1000 orang di negara itu dapat kita kelompokkan sebagai berikut:

• 19 orang mendapat hasil tes positif yang benar
• 1 orang mendapat hasil tes negatif yang salah
• 88 orang mendapat hasil tes positif yang salah
• 892 orang mendapat hasil tes negatif yang benar

Bisa kita lihat dari informasi di atas, bahwa ada (88 + 19) = 107 orang yang akan mendapatkan hasil tes positif (tidak perduli bahwa dia benar-benar menderita penyakit langka itu atau tidak). Dari 107 orang ini, berapakah yang benar-benar menderita penyakit? Hanya 19 orang dari 107, atau sekitar 18%.

Sumber:
https://id.wikipedia.org/wiki/Teorema_Bayes

https://www.idomaths.com/id/peluang5.php

http://tugasmakalahedi.blogspot.co.id/2016/04/makalah.html

TABEL DATA DISTRIBUSI FREKUENSI 45 KECEPATAN KENDARAAN BERMOTOR

Nama  : Seno Aditya
NPM    : 26116907
Kelas   : 2KB04

Soal :

Data dibawah ini menunjukkan kecepatan pengendara motor

15	32	45	46	42	39	68	47	18
31	48	49	56	52	39	48	69	61
44	42	38	52	55	58	62	58	48
56	58	48	47	52	37	64	29	55
38	29	62	49	69	18	61	55	49

Dari 45 data kecepatan kendaraan, Buatlah Tabel Distribusi Frekuensi (TDF) dan hitunglah :

1.      Rata-rata hitung (Mean)

2.      Modus

3.      Median

4.      Kuartil ke-3 (Q3)

5.      Desil ke-4 (D4)

6.      Persentil ke-83 (P83)

7.      Rannge

8.      Ragam (Varians)

9.      Simpangan Baku (Standar Deviasi)

Jawaban Saya Taruh di Word Karna Saya Engga Tau Masukin Rumus Ke Dalam Blog haha..

DOWNLOAD JAWABAN.