# Formula Taburan Normal dalam Statistik
Taburan normal, juga dikenali sebagai taburan Gaussian atau lengkung loceng, merupakan salah satu konsep paling asas dalam statistik. Kewujudannya sering dianggap sebagai asas pelbagai analisis statistik dan kebarangkalian. Taburan ini bukan sahaja kerap digunakan dalam teori tetapi juga dalam pelbagai aplikasi praktikal, seperti pengurusan risiko kewangan, sains sosial, perubatan dan banyak lagi.
## Definisi Taburan Normal
Taburan normal ialah taburan kebarangkalian selanjar yang simetri tentang minnya. Dalam erti kata lain, plot grafik taburan ini akan membentuk lengkung loceng yang melebar pada min dan menyempit pada ekor. Taburan ini mempunyai dua parameter utama: min (μ) dan sisihan piawai (σ).
Min menentukan lokasi pusat taburan, manakala sisihan piawai mengukur sejauh mana penyebaran data di sekitar min. Lebih besar sisihan piawai, lebih lebar dan lebih pendek lengkung taburan; lebih kecil sisihan piawai, lebih sempit dan curam lengkungnya.
## Fungsi Ketumpatan Kebarangkalian
Fungsi ketumpatan kebarangkalian (pdf) untuk taburan normal mempunyai bentuk matematik berikut:
\[ f(x | \mu, \sigma) = \frac{1}{\sigma \sqrt{2 \pi}} e^{ -\frac{(x-\mu)^2}{2\sigma^2} } \]
Di sini:
– \( x \) ialah pembolehubah rawak.
– \( \mu \) ialah min bagi taburan.
– \( \sigma \) ialah sisihan piawai bagi taburan.
– \( e \) ialah asas logaritma asli, lebih kurang 2.71828.
Fungsi di atas menghasilkan lengkung loceng simetri. Integral fungsi ini antara dua titik memberikan kebarangkalian bahawa pembolehubah rawak terletak di antara dua nilai tersebut.
## Taburan Normal Piawai
Taburan normal piawai ialah taburan normal dengan min \( \mu = 0 \) dan sisihan piawai \( \sigma = 1 \). Fungsi ketumpatan kebarangkalian untuk taburan normal piawai ialah:
\[ f(z) = \frac{1}{\sqrt{2 \pi}} e^{ -\frac{z^2}{2} } \]
Di sini:
– \( z \) ialah pemboleh ubah rawak yang mengikuti taburan normal piawai.
Taburan normal piawai sering digunakan kerana ia membolehkan kita menyeragamkan taburan normal lain melalui proses yang dipanggil "penyeragaman". Penyeragaman melibatkan transformasi nilai \( x \) taburan normal \( N(\mu, \sigma) \) kepada nilai \( z \) taburan normal piawai \( N(0, 1) \), menggunakan formula berikut:
\[ z = \frac{x – \mu}{\sigma} \]
Proses ini memudahkan perbandingan nilai daripada taburan normal yang berbeza dengan memetakannya kepada skala tunggal.
## Aplikasi dan Relevansi
### 1. Teorem Had Pusat
Taburan normal amat relevan dalam konteks Teorem Had Pusat (CLT). CLT menyatakan bahawa bilangan pembolehubah rawak bebas yang cukup besar akan bertaburan secara hampir normal, tanpa mengira bentuk taburan asal. Ini bermakna taburan normal boleh digunakan untuk menganggarkan taburan min sampel, selagi sampel cukup besar.
### 2. Inferens Statistik
Taburan normal membolehkan aplikasi ujian hipotesis, seperti ujian-z dan ujian-t. Kedua-dua kaedah menggunakan taburan normal piawai untuk menentukan kepentingan statistik keputusan yang diperhatikan. Ujian-z biasanya digunakan apabila saiz sampel besar atau sisihan piawai populasi diketahui, manakala ujian-t digunakan apabila saiz sampel kecil atau sisihan piawai populasi tidak diketahui.
### 3. Analisis Regresi
Dalam analisis regresi linear, andaian bahawa data ralat bertaburan normal adalah penting. Andaian ini membolehkan pengiraan selang keyakinan dan pengujian keertian parameter model regresi. Begitu juga, mengesan ralat data atau outlier sering dilakukan dengan memeriksa taburan baki untuk sisihan ketara daripada normaliti.
### 4. Perubatan dan Biologi
Dalam perubatan, taburan normal digunakan untuk menggambarkan taburan pelbagai fenomena biologi. Contohnya, ketinggian, tekanan darah dan keputusan ujian makmal tertentu selalunya mengikuti taburan normal. Ini memudahkan penentuan nilai pemotongan untuk diagnosis perubatan.
### 5. Kewangan dan Ekonomi
Dalam kewangan, taburan normal digunakan untuk memodelkan banyak fenomena, seperti pulangan saham, kadar faedah dan banyak lagi. Walaupun dalam praktiknya, saham sering menunjukkan kecondongan dan kurtosis yang lebih tinggi, andaian taburan normal masih menyediakan asas analitikal yang kukuh.
## Pelaksanaan dan Pengiraan
### Menggunakan Python
Python, dengan pustaka seperti NumPy dan SciPy, menyediakan beberapa kaedah untuk bekerja dengan taburan normal. Berikut ialah contoh bagaimana kita boleh menggeneralisasikan dan memplot taburan normal menggunakan pustaka ini:
“`python
import numpy sebagai np
import matplotlib.pyplot sebagai plt
daripada norma import scipy.stats
# Parameter taburan normal
mu = 0 # min
sigma = 1 # sisihan piawai
# Data untuk taburan normal
x = np.linspace(-5, 5, 1000)
y = norma.pdf(x, mu, sigma)
# Plot taburan normal
plt.plot(x, y)
plt.xlabel('x')
plt.ylabel('Ketumpatan')
plt.title('Taburan Normal N(0, 1)')
plt.show ()
""
Dalam contoh di atas, kami menjana data taburan normal dengan min 0 dan sisihan piawai 1, dan kemudian memplotkan fungsi ketumpatan kebarangkaliannya.
## Kesimpulan
Taburan normal memainkan peranan penting dalam statistik dan kebarangkalian. Penggunaannya yang universal, daripada Teorem Had Pusat kepada pelbagai aplikasi praktikal seperti analisis regresi dan pengujian hipotesis, menjadikannya salah satu taburan kebarangkalian yang paling popular dan penting. Memahami formula taburan normal dan cara menggunakannya secara berkesan adalah kemahiran penting bagi sesiapa sahaja yang bekerja dalam sains data, penyelidikan, ekonomi dan banyak bidang lain.
Dengan pengetahuan ini, kita boleh mendekati dan menyelesaikan pelbagai jenis masalah analitikal dengan lebih berkesan, membolehkan kita membuat keputusan yang lebih baik berdasarkan data dan kebarangkalian yang ada.
