Distribusi Normal — Kurva Lonceng, Z-Score & Rumus

Distribusi normal adalah model probabilitas berbentuk lonceng, di mana nilai di dekat mean paling sering muncul dan nilai yang lebih jauh menjadi makin jarang secara simetris. Jika Anda sedang mencoba memahami kurva lonceng, z-score, atau rumus distribusi normal, gagasan utamanya sederhana: mean menentukan pusat, dan simpangan baku menentukan sebaran.

Model ini berguna hanya ketika bentuk normal cukup sesuai dengan data atau situasi yang dianalisis. Jika syarat itu terpenuhi, Anda dapat memperkirakan rentang yang umum, membandingkan nilai dengan z-score, dan menafsirkan seberapa tidak biasa suatu hasil.

Apa arti kurva lonceng

Jika suatu variabel mengikuti distribusi normal, nilai di dekat mean lebih umum daripada nilai yang jauh darinya. Sisi kiri dan kanan saling mencerminkan, jadi berada $2$ simpangan baku di atas mean sama tidak biasanya dengan berada $2$ simpangan baku di bawah mean.

Anda akan sering melihat notasi

$$X \sim N(\mu, \sigma^2)$$

Ini berarti peubah acak $X$ dimodelkan sebagai normal dengan mean $\mu$ dan varians $\sigma^2$. Karena varians adalah $\sigma^2$, maka simpangan bakunya adalah $\sigma$, dengan $\sigma > 0$.

Rumus distribusi normal, dalam bahasa sederhana

Rumus densitas normal adalah

$$f(x) = \frac{1}{\sigma \sqrt{2\pi}} e^{-(x-\mu)^2/(2\sigma^2)}$$

Anda tidak perlu menghafal setiap bagian dari rumus ini untuk menggunakan idenya dengan baik. Yang paling penting adalah bahwa $\mu$ menggeser kurva ke kiri atau ke kanan, sedangkan $\sigma$ membuatnya lebih sempit atau lebih lebar.

Rumus ini menjelaskan densitas, bukan probabilitas dari satu nilai yang tepat. Untuk model kontinu, probabilitas berasal dari interval seperti $P(X < 80)$ atau $P(65 \le X \le 85)$.

Hubungan mean, simpangan baku, dan z-score

Mengubah mean akan menggeser kurva ke kiri atau ke kanan. Mengubah simpangan baku akan membuat kurva lebih sempit atau lebih lebar. Nilai $\sigma$ yang kecil berarti nilai-nilai terkumpul rapat di sekitar mean. Nilai $\sigma$ yang lebih besar berarti nilainya lebih tersebar.

Untuk membandingkan satu nilai dengan keseluruhan distribusi, gunakan z-score:

$$z = \frac{x - \mu}{\sigma}$$

Ini menunjukkan posisi relatif dalam satuan simpangan baku. Jika $z = 1.5$, nilainya berada $1.5$ simpangan baku di atas mean. Jika $z = -2$, nilainya berada $2$ simpangan baku di bawah mean.

Untuk model normal, salah satu jalan pintas praktis adalah aturan empiris:

$$\text{sekitar } 68\% \text{ nilai berada dalam } \mu \pm \sigma$$ $$\text{sekitar } 95\% \text{ nilai berada dalam } \mu \pm 2\sigma$$ $$\text{sekitar } 99.7\% \text{ nilai berada dalam } \mu \pm 3\sigma$$

Gunakan ini hanya ketika model normal memang masuk akal. Ini adalah pendekatan yang berguna, bukan jaminan untuk setiap kumpulan data nyata.

Contoh soal dengan z-score dan kurva lonceng

Misalkan nilai ujian dimodelkan dengan

$$X \sim N(70, 10^2)$$

Jadi mean nilainya adalah $70$ dan simpangan bakunya adalah $10$.

Pertama, gunakan aturan empiris. Sekitar $68\%$ nilai seharusnya berada dalam satu simpangan baku dari mean:

$$70 \pm 10$$

Jadi interval cepatnya adalah

$$60 \text{ sampai } 80$$

Sekitar $95\%$ nilai seharusnya berada dalam dua simpangan baku:

$$70 \pm 2(10) = 70 \pm 20$$

Jadi intervalnya adalah

$$50 \text{ sampai } 90$$

Sekarang ambil satu siswa yang mendapat nilai $85$. Z-score-nya adalah

$$z = \frac{85 - 70}{10} = 1.5$$

Artinya nilai tersebut berada $1.5$ simpangan baku di atas mean. Ini adalah pembacaan cepat yang paling berguna: nilainya jelas di atas rata-rata, tetapi tidak terlalu jauh masuk ke ekor distribusi.

Kesalahan umum dalam soal distribusi normal

Menganggap setiap grafik berbentuk lonceng pasti normal

Beberapa data bersifat miring, berekor tebal, atau memiliki banyak puncak. Dalam kasus seperti itu, model normal bisa jadi kurang cocok meskipun grafiknya tampak agak membulat.

Mencampuradukkan densitas dengan probabilitas

Rumus $f(x)$ bukan probabilitas bahwa $X$ sama dengan satu angka yang tepat. Untuk distribusi kontinu, probabilitas pada satu titik tepat adalah $0$, jadi Anda harus bekerja dengan interval.

Menggunakan aturan empiris tanpa memeriksa model

Aturan $68$-$95$-$99.7$ berlaku untuk distribusi normal. Aturan ini tidak boleh langsung diterapkan pada sembarang kumpulan data.

Tertukar antara varians dan simpangan baku

Varians adalah $\sigma^2$. Z-score menggunakan $\sigma$, bukan $\sigma^2$.

Kapan distribusi normal digunakan

Distribusi normal sering muncul ketika pengukuran mengelompok di sekitar suatu nilai pusat dan nilai ekstrem relatif jarang. Distribusi ini umum dalam model galat pengukuran, interpretasi nilai ujian, pengendalian kualitas, dan studi tentang rata-rata sampel.

Namun, itu tidak berarti semua data nyata berdistribusi normal. Artinya, model normal adalah pendekatan yang berguna ketika bentuk, konteks, dan asumsi membuat pendekatan itu masuk akal.

Coba soal serupa

Ubah contoh menjadi $X \sim N(100, 15^2)$ dan hitung z-score dari $130$. Lalu tentukan interval yang mencakup sekitar $95\%$ nilai. Mencoba versi Anda sendiri dengan mean atau simpangan baku yang berbeda adalah cara yang baik untuk melihat bagaimana kurva lonceng berubah.