Kalkulator Distribusi Normal

Kalkulator Distribusi Normal menghitung probabilitas untuk distribusi normal (Gaussian) — distribusi probabilitas kontinu yang paling penting dalam statistik. Masukkan rata-rata (μ) dan standar deviasi (σ) untuk menemukan probabilitas bahwa variabel acak berada di bawah suatu nilai, di atas suatu nilai, di antara dua nilai, atau untuk menemukan kuantil tertentu. Hasilnya mencakup visualisasi kurva lonceng interaktif dengan area probabilitas yang diarsir, konversi z-score, dan rincian perhitungan langkah demi langkah.

Apa Itu Distribusi Normal?

Distribusi normal, juga disebut distribusi Gaussian atau kurva lonceng, adalah distribusi probabilitas kontinu simetris yang berpusat di sekitar rata-ratanya (μ). Ini dideskripsikan sepenuhnya oleh dua parameter:

• Rata-rata (μ) — pusat distribusi, di mana puncak kurva lonceng terjadi.
• Standar deviasi (σ) — mengontrol penyebaran; σ yang lebih besar menghasilkan kurva yang lebih lebar dan lebih datar.

Banyak fenomena alam — tinggi badan, skor ujian, kesalahan pengukuran, skor IQ — kira-kira mengikuti distribusi normal. Teorema Limit Pusat menjamin bahwa rata-rata dari sampel yang cukup besar dari distribusi apa pun akan konvergen ke distribusi normal, menjadikannya fondasi bagi statistik inferensial.

Rumus Distribusi Normal

Fungsi Kepadatan Probabilitas (PDF) dari distribusi normal adalah:

Fungsi Distribusi Kumulatif (CDF) memberikan probabilitas bahwa X kurang dari atau sama dengan x:

Z-score mengonversi nilai distribusi normal apa pun ke normal standar (rata-rata = 0, standar deviasi = 1):

Cara Menggunakan Kalkulator Ini

1. Pilih mode perhitungan Anda: Pilih Ekor Kiri P(X ≤ x), Ekor Kanan P(X ≥ x), Antara P(a ≤ X ≤ b), atau Inverse (cari x dari probabilitas).
2. Masukkan parameter distribusi: Masukkan rata-rata (μ) dan standar deviasi (σ). Untuk distribusi normal standar, gunakan μ = 0 dan σ = 1.
3. Masukkan nilai spesifik Anda: Tergantung pada modenya, masukkan nilai x, batas bawah/atas, atau probabilitas target.
4. Tinjau hasil: Klik Hitung untuk melihat probabilitas, z-score, kurva lonceng interaktif dengan area yang diarsir, dan rincian langkah demi langkah.

Memahami PDF, CDF, dan Inverse CDF

• PDF (Probability Density Function): Memberikan kemungkinan relatif dari nilai tertentu. Ini mewakili tinggi kurva lonceng pada titik tertentu. Untuk distribusi kontinu, PDF itu sendiri bukanlah probabilitas — probabilitas berasal dari pengintegralan PDF selama satu interval.
• CDF (Cumulative Distribution Function): Memberikan P(X ≤ x), probabilitas bahwa variabel berada pada atau di bawah nilai tertentu. Secara grafis, ini adalah area di bawah kurva di sebelah kiri x. Rentang CDF adalah dari 0 hingga 1.
• Inverse CDF (Fungsi Kuantil): Kebalikan dari CDF — diberikan probabilitas p, ia menemukan nilai x sedemikian rupa sehingga P(X ≤ x) = p. Misalnya, inverse CDF pada p = 0,975 untuk normal standar memberikan x ≈ 1,96.

Aturan 68-95-99.7

Aturan empiris (juga disebut aturan tiga sigma) memberikan perkiraan probabilitas cepat untuk distribusi normal apa pun:

Ini berarti sekitar 68% nilai jatuh dalam satu standar deviasi dari rata-rata, 95% dalam dua standar deviasi, dan hampir semua (99,7%) dalam tiga standar deviasi. Nilai di luar 3σ sangat jarang terjadi dalam distribusi normal.

Tabel Referensi Z-Score Umum

Penerapan Umum Distribusi Normal

• Kontrol Kualitas: Memantau proses manufaktur menggunakan bagan kendali dan batas spesifikasi berdasarkan μ ± nσ.
• Pengujian Hipotesis: Menentukan p-value dan nilai kritis untuk z-test dan interval kepercayaan.
• Tes Terstandarisasi: Skor SAT, GRE, dan IQ dirancang untuk mengikuti distribusi normal, memungkinkan perbandingan persentil.
• Ilmu Alam: Kesalahan pengukuran, sifat biologis (tinggi, berat), dan banyak besaran fisik terdistribusi secara normal.
• Keuangan: Model Black-Scholes dan Value at Risk (VaR) mengasumsikan imbal hasil terdistribusi normal untuk penetapan harga opsi dan penilaian risiko.

Pertanyaan yang Sering Diajukan

Apa itu distribusi normal?

Distribusi normal (juga disebut distribusi Gaussian atau kurva lonceng) adalah distribusi probabilitas kontinu simetris yang ditentukan oleh rata-rata dan standar deviasi. Ini adalah distribusi paling penting dalam statistik karena banyak fenomena alam yang kira-kira mengikutinya, dan Teorema Limit Pusat menjamin bahwa rata-rata sampel konvergen ke distribusi ini terlepas dari distribusi asalnya.

Apa itu z-score dan bagaimana cara penggunaannya?

Z-score mengukur berapa banyak standar deviasi suatu nilai dari rata-rata. Ini dihitung sebagai z = (x − μ) / σ. Z-score memungkinkan Anda membandingkan nilai dari distribusi normal yang berbeda dengan mengonversinya ke distribusi normal standar (rata-rata = 0, standar deviasi = 1). Z-score 1,96 sesuai dengan persentil ke-97,5.

Apa perbedaan antara PDF dan CDF?

PDF (Probability Density Function) memberikan kemungkinan relatif dari nilai tertentu, yang mewakili tinggi kurva lonceng pada titik tersebut. CDF (Cumulative Distribution Function) memberikan probabilitas bahwa variabel acak kurang dari atau sama dengan nilai tertentu, mewakili luas area di bawah kurva di sebelah kiri titik tersebut. CDF selalu berkisar antara 0 hingga 1.

Apa itu aturan 68-95-99.7?

Aturan 68-95-99.7 (juga disebut aturan empiris atau aturan tiga sigma) menyatakan bahwa untuk distribusi normal, sekitar 68,27% nilai jatuh dalam satu standar deviasi dari rata-rata, 95,45% dalam dua standar deviasi, dan 99,73% dalam tiga standar deviasi. Aturan ini membantu memperkirakan probabilitas dengan cepat tanpa perhitungan terperinci.

Bagaimana cara mencari probabilitas di antara dua nilai?

Untuk menemukan probabilitas antara dua nilai a dan b dalam distribusi normal, hitung P(a ≤ X ≤ b) = CDF(b) − CDF(a). Pertama-tama konversikan kedua nilai tersebut ke z-score menggunakan z = (x − rata-rata) / standar deviasi, lalu cari atau hitung CDF untuk setiap z-score dan kurangi. Kalkulator ini mengotomatiskan proses ini dalam mode Antara.