# Nakafa Learning Content

> For AI agents: use [llms.txt](https://nakafa.com/llms.txt) for the site index. Markdown versions are available by appending `.md` to content URLs or sending `Accept: text/markdown`.

URL: https://nakafa.com/id/materi/matematika/analisis-data-dan-peluang/fungsi-distribusi-normal
Source: https://raw.githubusercontent.com/nakafaai/nakafa.com/refs/heads/main/packages/contents/material/lesson/mathematics/data-analysis-probability/normal-distribution-function/id.mdx

Pelajari fungsi distribusi normal dengan visualisasi kurva lonceng dan contoh soal. Pahami transformasi z-score dan cara menghitung peluang bertahap.

---

## Mengenal Distribusi Normal

Tahukah kamu bahwa tinggi badan siswa di sekolahmu, nilai ujian nasional, atau bahkan berat buah apel di supermarket semuanya mengikuti pola yang sama? Pola ini disebut **distribusi normal**.

Distribusi normal pertama kali diperkenalkan oleh Abraham de Moivre pada tahun $$1733$$ sebagai pendekatan dari distribusi binomial untuk $$n$$ yang besar. Kemudian, Pierre-Simon Laplace mengembangkannya lebih lanjut dan dikenal sebagai Teorema More Blue Laplace. Laplace menggunakan distribusi normal untuk menganalisis kesalahan dalam percobaan.

Visible text: Distribusi normal pertama kali diperkenalkan oleh Abraham de Moivre pada tahun sebagai pendekatan dari distribusi binomial untuk yang besar. Kemudian, Pierre-Simon Laplace mengembangkannya lebih lanjut dan dikenal sebagai Teorema More Blue Laplace. Laplace menggunakan distribusi normal untuk menganalisis kesalahan dalam percobaan.

> Distribusi normal sangat berguna karena banyak fenomena alam dan sosial yang mengikuti pola ini. Dari tinggi badan manusia hingga hasil pengukuran ilmiah, semuanya cenderung terdistribusi normal.

## Karakteristik Kurva Normal

Bayangkan sebuah bukit yang sangat simetris, seperti lonceng terbalik. Itulah bentuk kurva distribusi normal. Mari kita lihat visualisasi kurva normal standar dengan $$\mu = 0$$ dan $$\sigma = 1$$:

Visible text: Bayangkan sebuah bukit yang sangat simetris, seperti lonceng terbalik. Itulah bentuk kurva distribusi normal. Mari kita lihat visualisasi kurva normal standar dengan dan :

Component: LineEquation
Props:
- title: Kurva Distribusi Normal Standar
- description: Kurva berbentuk lonceng yang simetris dengan karakteristik khas distribusi normal.
- cameraPosition: [0, 0, 5]
- showZAxis: false
- data: [
{
points: (() => {
const points = [];
const step = 0.1;
for (let x = -3.5; x <= 3.5; x += step) {
const y = (1 / Math.sqrt(2 * Math.PI)) * Math.exp(-0.5 * x * x);
points.push({ x: x, y: y, z: 0 });
}
return points;
})(),
color: getColor("PURPLE"),
smooth: true,
showPoints: false,
labels: [
{ text: "μ = 0", at: 35, offset: [0, 0.5, 0] }
]
},
{
points: [
{ x: -1, y: 0, z: 0 },
{ x: -1, y: (1 / Math.sqrt(2 * Math.PI)) * Math.exp(-0.5), z: 0 }
],
color: getColor("ORANGE"),
smooth: false,
showPoints: false,
labels: [
{ text: "μ - σ", at: 0, offset: [0, -0.3, 0] }
]
},
{
points: [
{ x: 1, y: 0, z: 0 },
{ x: 1, y: (1 / Math.sqrt(2 * Math.PI)) * Math.exp(-0.5), z: 0 }
],
color: getColor("ORANGE"),
smooth: false,
showPoints: false,
labels: [
{ text: "μ + σ", at: 0, offset: [0, -0.3, 0] }
]
},
]

Kurva ini memiliki beberapa karakteristik unik yang membuatnya istimewa:

1. **Bentuk dan Simetri**

    Kurva berbentuk seperti lonceng dan simetris terhadap garis vertikal yang melewati rata-rata ($$\mu$$). Artinya, bagian kiri dan kanan kurva adalah cerminan sempurna satu sama lain.

2. **Titik Pusat**

    Mean, median, dan modus semua berada di titik yang sama, yaitu di puncak kurva. Ini terjadi karena distribusinya simetris.

3. **Titik Belok**

    Kurva memiliki titik belok di $$x = \mu \pm \sigma$$, yang berarti kurva berubah dari cekung ke cembung (atau sebaliknya) pada jarak satu standar deviasi dari mean.

4. **Asimtot Horizontal**

    Kurva mendekati sumbu $$x$$ tapi tidak pernah menyentuhnya, baik di ujung kiri maupun kanan.

Visible text: 1. **Bentuk dan Simetri**

 Kurva berbentuk seperti lonceng dan simetris terhadap garis vertikal yang melewati rata-rata (). Artinya, bagian kiri dan kanan kurva adalah cerminan sempurna satu sama lain.

2. **Titik Pusat**

 Mean, median, dan modus semua berada di titik yang sama, yaitu di puncak kurva. Ini terjadi karena distribusinya simetris.

3. **Titik Belok**

 Kurva memiliki titik belok di , yang berarti kurva berubah dari cekung ke cembung (atau sebaliknya) pada jarak satu standar deviasi dari mean.

4. **Asimtot Horizontal**

 Kurva mendekati sumbu tapi tidak pernah menyentuhnya, baik di ujung kiri maupun kanan.

## Fungsi Matematisnya

Nah, sekarang mari kita lihat rumus matematisnya. Jangan khawatir kalau terlihat rumit, yang penting kamu paham konsepnya.

Jika $$X$$ adalah variabel acak normal dengan rata-rata $$\mu$$ dan varians $$\sigma^2$$, maka fungsi distribusi normal dapat dituliskan:

Visible text: Jika adalah variabel acak normal dengan rata-rata dan varians , maka fungsi distribusi normal dapat dituliskan:

```math
f(x; \mu, \sigma) = \frac{1}{\sigma\sqrt{2\pi}} e^{-\frac{1}{2}\left(\frac{x-\mu}{\sigma}\right)^2}
```

untuk $$-\infty < x < \infty$$.

Visible text: untuk .

Di mana:

- $$\pi$$ adalah konstanta $$3.1416$$
- $$e$$ adalah bilangan konstan $$2.7183$$
- $$\mu$$ adalah rata-rata distribusi
- $$\sigma$$ adalah simpangan baku

Visible text: - adalah konstanta 
- adalah bilangan konstan 
- adalah rata-rata distribusi
- adalah simpangan baku

> Rumus ini terlihat kompleks, tapi kamu tidak perlu menghafal atau menghitung secara manual. Yang penting adalah memahami bahwa bentuk kurva ditentukan oleh nilai $$\mu$$ dan $$\sigma$$.

Visible text: > Rumus ini terlihat kompleks, tapi kamu tidak perlu menghafal atau menghitung secara manual. Yang penting adalah memahami bahwa bentuk kurva ditentukan oleh nilai dan .

## Transformasi ke Normal Standar

Dalam praktik, kita sering menggunakan **distribusi normal standar** dengan rata-rata $$\mu = 0$$ dan simpangan baku $$\sigma = 1$$. Untuk mengubah distribusi normal biasa menjadi normal standar, kita menggunakan transformasi:

Visible text: Dalam praktik, kita sering menggunakan **distribusi normal standar** dengan rata-rata dan simpangan baku . Untuk mengubah distribusi normal biasa menjadi normal standar, kita menggunakan transformasi:

```math
Z = \frac{x - \mu}{\sigma}
```

Variabel $$Z$$ ini disebut **skor standar** atau **z-score**. Transformasi ini sangat berguna karena memungkinkan kita menggunakan tabel distribusi normal standar yang sudah tersedia.

Visible text: Variabel ini disebut **skor standar** atau **z-score**. Transformasi ini sangat berguna karena memungkinkan kita menggunakan tabel distribusi normal standar yang sudah tersedia.

**Mengapa menggunakan z-score?**

Dengan transformasi ini, kita bisa membandingkan data dari distribusi yang berbeda. Misalnya, kamu bisa membandingkan nilai matematika dengan nilai fisika, meskipun rata-rata dan standar deviasinya berbeda.

## Contoh Perhitungan

Mari kita lihat contoh praktis. Misalkan distribusi normal dengan $$\mu = 50$$ dan $$\sigma = 10$$. Kita ingin mencari peluang bahwa $$X$$ berada antara $$45$$ dan $$62$$.

Visible text: Mari kita lihat contoh praktis. Misalkan distribusi normal dengan dan . Kita ingin mencari peluang bahwa berada antara dan .

**Langkah** $$1$$: Transformasi ke z-score

Visible text: **Langkah** : Transformasi ke z-score

Component: MathContainer
Children:

```math
z_1 = \frac{45 - 50}{10} = \frac{-5}{10} = -0.5
```

```math
z_2 = \frac{62 - 50}{10} = \frac{12}{10} = 1.2
```

**Langkah** $$2$$: Gunakan tabel distribusi normal standar

Visible text: **Langkah** : Gunakan tabel distribusi normal standar

Kita perlu mencari $$P(-0.5 < Z < 1.2)$$. Ingat bahwa untuk interval peluang, kita menggunakan rumus:

Visible text: Kita perlu mencari . Ingat bahwa untuk interval peluang, kita menggunakan rumus:

```math
P(a < Z < b) = P(Z < b) - P(Z < a)
```

Dari tabel distribusi normal standar:

- $$P(Z < -0.5) = 0.3085$$
- $$P(Z < 1.2) = 0.8849$$

Visible text: - 
-

**Langkah** $$3$$: Hitung peluang akhir

Visible text: **Langkah** : Hitung peluang akhir

```math
P(45 < X < 62) = P(-0.5 < Z < 1.2) = 0.8849 - 0.3085 = 0.5764
```

Jadi, peluang bahwa $$X$$ berada antara $$45$$ dan $$62$$ adalah $$0.5764$$ atau sekitar $$57.64\%$$.

Visible text: Jadi, peluang bahwa berada antara dan adalah atau sekitar .