Distribusi t vs Distribusi Normal

Distribusi t dan distribusi normal tampak mirip β€” keduanya berbentuk lonceng dan simetris β€” tetapi ekor distribusi t lebih gemuk, sehingga nilai kritisnya lebih besar saat sampel kecil. Artikel ini membandingkan bentuk, nilai kritis, dan aturan pakainya, lengkap dengan contoh soal dan tabel perbandingan.

Letakkan kurva distribusi t dan kurva distribusi normal berdampingan, dan sekilas keduanya tampak sama: lonceng yang simetris, puncak di tengah, ekor yang meruncing ke kiri dan ke kanan. Perbedaannya baru terlihat bila Anda memperhatikan ekornya β€” dan perbedaan kecil itulah yang menentukan apakah kesimpulan statistik Anda benar atau salah. Distribusi t adalah alat untuk situasi yang paling sering terjadi dalam praktik: simpangan baku populasi tidak diketahui, sehingga ia harus diperkirakan dari sampel. Distribusi normal adalah kasus idealnya: simpangan baku populasi diketahui. Artikel ini membandingkan keduanya dari tiga sisi β€” bentuk, nilai kritis, dan aturan pakai β€” lalu mengerjakan satu contoh soal sampai tuntas, supaya Anda tidak hanya tahu bedanya, tetapi juga tahu kapan memakai yang mana.

Bentuk: lonceng yang sama, ekor yang berbeda

Dalam bentuk bakunya, kedua distribusi berpusat di nol dan simetris: rata-rata, median, dan modusnya sama-sama nol. Yang membedakan hanyalah satu parameter tambahan pada distribusi t, yaitu derajat kebebasan (df, degrees of freedom). Untuk rata-rata satu sampel, df = n βˆ’ 1, jadi besarnya df ditentukan langsung oleh ukuran sampel. Semakin kecil sampel, semakin kecil df, dan semakin berbeda bentuk distribusi t dari distribusi normal: puncaknya lebih rendah, badannya sedikit lebih lebar, dan ekornya lebih gemuk β€” artinya peluang munculnya nilai yang jauh dari pusat lebih besar.

Gambar di bawah ini menumpuk kedua kurva pada sumbu yang sama. Kurva ungu adalah distribusi normal baku; kurva hijau adalah distribusi t dengan df = 5 (sampel n = 6). Di sekitar pusat, keduanya hampir berhimpit. Di ekor β€” di luar Β±2 β€” kurva t jelas berada di atas kurva normal: pada wilayah itulah distribusi t menaruh peluang yang lebih besar.

Normal (z) t (df = 5) ekor lebih gemuk βˆ’4 βˆ’2 0 2 4

Distribusi t (df = 5) dibandingkan dengan distribusi normal baku. Di ekor, kurva t berada di atas kurva normal.

Mengapa ekor distribusi t lebih gemuk?

Alasannya ada pada satu huruf: s. Statistik uji untuk rata-rata sampel adalah t = (xΜ„ βˆ’ ΞΌ) / (s / √n). Pembilangnya mengukur seberapa jauh rata-rata sampel dari rata-rata populasi; penyebutnya adalah galat baku yang dihitung dari simpangan baku sampel, s β€” bukan dari simpangan baku populasi, Οƒ. Masalahnya, s sendiri adalah perkiraan: pada sampel kecil, s bisa jauh lebih kecil (atau lebih besar) daripada Οƒ yang sebenarnya. Ketika s kebetulan kecil, penyebutnya mengecil dan nilai t membesar β€” inilah yang menggemukkan ekor. Distribusi normal tidak punya masalah ini, karena ia memakai Οƒ yang diketahui pasti, sehingga penyebutnya tetap. Dengan kata lain, ekor gemuk distribusi t adalah harga yang dibayar untuk ketidakpastian tambahan: kita tidak hanya tidak tahu ΞΌ, kita juga tidak tahu Οƒ.

Ketidakpastian itu pula yang menjelaskan mengapa ekor mengurus saat sampel membesar. Dengan n besar, s menjadi perkiraan Οƒ yang makin andal, penyebutnya makin stabil, dan distribusi t makin menyerupai distribusi normal. Pada n yang sangat besar, perbedaan keduanya praktis hilang β€” tetapi secara matematis distribusi t tidak pernah menjadi normal; ia hanya mendekatinya.

Apakah distribusi t menjadi normal saat df besar?

Ya, dalam batasnya: ketika df menuju tak hingga, distribusi t menjadi distribusi normal baku. Tabel berikut menunjukkan seberapa cepat konvergensi itu terjadi, dengan mengukur peluang di ekor β€” peluang nilai mutlak melebihi 2:

DistribusiP(|X| > 2)Artinya
Normal baku (z)0,04554,55% nilai jatuh di luar Β±2
t, df = 50,1019lebih dari dua kali lipat peluang normal
t, df = 100,0734masih jauh lebih besar daripada normal
t, df = 300,0546mendekati normal, tetapi masih lebih besar

Pada df = 5, peluang ekornya lebih dari dua kali lipat peluang normal. Pada df = 30, selisihnya tinggal sekitar satu poin persentase. Inilah alasan praktis di balik patokan "n β‰₯ 30" yang sering diajarkan: di sekitar ukuran sampel itulah distribusi t sudah cukup dekat dengan normal sehingga banyak orang berhenti membedakannya. Tetapi patokan itu hanyalah jalan pintas β€” aturan yang benar tetap soal Οƒ, seperti dijelaskan di bawah.

Tabel nilai kritis: t vs z

Nilai kritis adalah ambang yang dipakai untuk memutuskan: bila statistik uji melewatinya, tolak H0. Karena ekor distribusi t lebih gemuk, ambangnya harus lebih jauh dari pusat β€” kalau tidak, peluang kesalahan tipe I akan lebih besar daripada Ξ± yang dijanjikan. Tabel berikut membandingkan nilai kritis dua sisi untuk tiga tingkat kepercayaan:

df90% (Ξ± = 0,10)95% (Ξ± = 0,05)99% (Ξ± = 0,01)
16,31412,70663,657
52,0152,5714,032
101,8122,2283,169
301,6972,0422,750
1001,6601,9842,626
∞ (z)1,6451,9602,576

Bacalah baris df = 1: pada kepercayaan 95%, nilai kritis t adalah 12,706 β€” lebih dari enam kali nilai z 1,960. Dengan satu derajat kebebasan (sampel n = 2), ketidakpastian tentang Οƒ begitu besar sehingga ambang penolakannya menjadi sangat jauh. Bandingkan dengan baris df = 100: t* = 1,984, hanya 0,024 di atas z* = 1,960. Pelajaran tabel ini sederhana: semakin kecil sampel, semakin mahal harga ketidakpastian itu; semakin besar sampel, semakin murah β€” sampai pada akhirnya t dan z menjadi tidak terbedakan dalam praktik.

Perhatikan juga bahwa nilai-nilai ini adalah nilai kritis dua sisi: masing-masing menaruh Ξ±/2 di setiap ekor. Untuk uji satu sisi, nilai kritisnya lebih kecil (misalnya, pada df = 10 dan Ξ± = 0,05 satu sisi, t* = 1,812 β€” sama dengan kolom 90% dua sisi). Selalu periksa sisi mana yang dipakai tabel Anda sebelum membandingkan; kalkulator distribusi t menghitung keduanya, satu sisi maupun dua sisi.

Kapan memakai distribusi t, bukan distribusi normal?

Keputusan ini hanya punya dua pertanyaan β€” dan urutannya penting. Jawab yang pertama dulu; yang kedua hanya menentukan seberapa besar selisihnya.

LangkahPertanyaanJawaban β†’ pakai
1Apakah simpangan baku populasi (Οƒ) diketahui?Ya β†’ z. Tidak β†’ t.
2Apakah ukuran sampel kecil (n < 30)?Ya β†’ perbedaan t vs z paling terasa; memakai yang salah paling berisiko. Tidak β†’ t dan z hampir sama, tetapi t tetap benar bila Οƒ tidak diketahui.

Contoh keputusan: seorang guru mengadakan survei di kelasnya yang beranggotakan 12 siswa dan ingin menguji rata-rata nilai mereka. Ia tidak tahu simpangan baku populasi β€” ia hanya punya simpangan baku dari 12 nilai itu. Langkah 1: Οƒ tidak diketahui β†’ pakai t, dengan df = 12 βˆ’ 1 = 11. Langkah 2: n = 12, kecil β†’ perbedaan t vs z besar (nilai kritis 95% dua sisi: 2,201 lawan 1,960), jadi memilih yang benar sangat penting. Seandainya guru itu punya catatan nilai bertahun-tahun sehingga Οƒ diketahui pasti, jawabannya berbalik: pakai z.

Dalam praktik, Οƒ hampir tidak pernah diketahui β€” data sensus yang lengkap adalah pengecualian, bukan kebiasaan. Karena itu, distribusi t adalah alat sehari-hari untuk rata-rata sampel, dan distribusi normal adalah kasus khususnya. Skor z sendiri dihitung dari nilai mentah dengan rumus z = (x βˆ’ ΞΌ) / Οƒ β€” kalkulator skor z mengerjakannya beserta persentilnya. Ingat juga batas keduanya: distribusi t dan distribusi normal sama-sama dipakai untuk rata-rata sampel dari populasi yang (kira-kira) normal; keduanya bukan alat untuk proporsi atau untuk data yang sangat miring dengan sampel kecil. Bila datanya tidak normal dan n kecil, keduanya bisa menyesatkan β€” di situlah metode lain diperlukan.

Perhatian: patokan "n β‰₯ 30 berarti selalu pakai z" hanyalah jalan pintas, bukan hukum. Aturan yang benar adalah soal Οƒ: bila Οƒ tidak diketahui, pakailah t β€” berapa pun besarnya n. Pada n besar, t dan z memang nyaris sama, tetapi t tetaplah jawaban yang benar.

Contoh soal: menguji rata-rata dengan n = 12

Seorang guru mengklaim rata-rata nilai ujian kelasnya adalah 75. Sebuah sampel 12 siswa memberi rata-rata xΜ„ = 78 dan simpangan baku s = 6. Ujilah klaim itu pada taraf nyata Ξ± = 0,05 (uji dua sisi), memakai distribusi yang benar.

Langkah 1 β€” galat baku. SE = s / √n = 6 / √12 = 6 / 3,464 = 1,732. Perhatikan penyebutnya memakai s dari sampel, bukan Οƒ β€” inilah alasan kita memakai distribusi t.

Langkah 2 β€” statistik uji. t = (xΜ„ βˆ’ ΞΌ0) / SE = (78 βˆ’ 75) / 1,732 = 3 / 1,732 = 1,732, dengan df = n βˆ’ 1 = 11.

Langkah 3 β€” bandingkan dengan nilai kritis. Nilai kritis t dua sisi pada Ξ± = 0,05 dan df = 11 adalah 2,201. Karena |t| = 1,732 < 2,201, statistik uji tidak mencapai daerah penolakan: gagal tolak H0.

Langkah 4 β€” nilai-p. Nilai-p dua sisi untuk t = 1,732 pada df = 11 adalah 0,1112. Karena 0,1112 > 0,05, kesimpulannya sama: bukti tidak cukup untuk menolak klaim guru bahwa rata-rata kelas adalah 75. Verifikasi angka-angka ini di kalkulator distribusi t β€” masukkan t = 1,732 dan df = 11. Kalkulator nilai-p menghitung nilai yang sama dari statistik t mana pun, satu atau dua sisi.

Pemeriksaan silang β€” interval kepercayaan. Interval kepercayaan 95% untuk rata-rata adalah xΜ„ Β± t* Γ— SE = 78 Β± 2,201 Γ— 1,732 = 78 Β± 3,812, yaitu [74,19; 81,81]. Nilai 75 berada di dalam interval ini β€” konsisten dengan kesimpulan gagal tolak H0. Bila 75 berada di luar interval, kesimpulannya akan berbalik.

Bagaimana jika z dipakai secara keliru? Dengan statistik yang sama, z = 1,732 memberi nilai-p dua sisi 0,0833 (dari kalkulator distribusi normal). Nilai itu masih di atas 0,05, jadi kesimpulannya kebetulan sama β€” tetapi nilai-p-nya salah: 0,0833 lebih kecil daripada 0,1112 yang benar, karena distribusi normal mengabaikan ketidakpastian tentang Οƒ. Pada kasus yang lebih tipis β€” misalnya nilai-p t 0,06 melawan nilai-p z 0,04 β€” distribusi yang salah akan membalik keputusan dari "gagal tolak" menjadi "tolak". Itulah harga memakai z saat t yang benar.

Siapa "Student" di balik distribusi t?

Distribusi t sering disebut "distribusi t Student" β€” dan "Student" itu adalah nama samaran. Di baliknya ada William Sealy Gosset (1876–1937), ahli kimia dan statistik yang bekerja di pabrik bir Guinness di Dublin. Gosset menghadapi masalah yang tidak dikenal para statistikawan zamannya: percobaan di pabrik bir memakai sampel kecil β€” beberapa tong bir, bukan ratusan β€” dan distribusi normal, yang mengasumsikan simpangan baku populasi diketahui, memberi jawaban yang salah untuk sampel sekecil itu. Gosset menurunkan distribusi yang benar untuk sampel kecil dan menerbitkannya pada tahun 1908 dengan nama samaran "Student", karena Guinness melarang karyawannya menerbitkan penelitian atas nama sendiri. Satu nama samaran, satu distribusi β€” dan sejak itu, setiap uji rata-rata dengan simpangan baku yang tidak diketahui memakai huruf t.

Kesalahan umum memakai distribusi t dan normal

1. Memakai z saat Οƒ tidak diketahui dan n kecil. Ini kesalahan klasik. Nilai-p yang dihasilkan terlalu kecil, interval kepercayaannya terlalu sempit, dan keputusan "tolak H0" menjadi terlalu mudah. Bila Οƒ tidak diketahui, pakai t β€” selalu.

2. Memakai t untuk data yang bukan rata-rata sampel. Distribusi t menggambarkan sebaran statistik yang memakai s sebagai penyebut β€” terutama rata-rata sampel dan kemiringan regresi. Untuk satu proporsi, peluang binomial, atau jumlah kejadian, distribusinya lain: proporsi memakai pendekatan normal dengan galat baku proporsi, jumlah memakai binomial atau Poisson. Memaksakan t ke soal yang bukan bagiannya menghasilkan angka yang tidak berarti.

3. Mengira "df besar = selalu z". Pada df besar, t memang hampir sama dengan z β€” tetapi "hampir sama" bukan "sama", dan aturan pemakaiannya tetap soal Οƒ. Bila Οƒ tidak diketahui, t tetap benar pada n berapa pun. Membulatkan t menjadi z pada n besar tidak merusak apa pun, tetapi mengajarkannya sebagai aturan adalah salah.

4. Mengira ekor gemuk berarti datanya menyebar. Ekor gemuk distribusi t menggambarkan ketidakpastian estimasi β€” ketidakpastian tentang Οƒ β€” bukan penyebaran data mentahnya. Data yang sama, dianalisis dengan Οƒ yang diketahui, akan memakai kurva normal yang lebih ramping. Yang berubah bukan datanya, melainkan seberapa banyak yang kita ketahui tentang datanya.

5. Membaca nilai kritis dari kolom yang salah. Tabel t biasanya menyajikan kolom satu sisi dan dua sisi berdampingan. Nilai kritis 95% dua sisi pada df = 10 adalah 2,228; nilai 95% satu sisi adalah 1,812. Membaca kolom yang salah mengubah ambang keputusan dan dapat membalik kesimpulan. Selalu periksa apakah uji Anda satu sisi atau dua sisi sebelum membuka tabel.

Distribusi t vs distribusi normal di Excel

Excel menyediakan kedua sisi perbandingan ini, berdampingan. Fungsi-fungsi di bawah memakai pemisah titik koma (;) sesuai pengaturan regional Indonesia:

Yang dihitungDistribusi tDistribusi normal
Peluang dua sisi |nilai| > 2 (df = 10)=T.DIST.2T(2; 10) β†’ 0,0734=2*(1-NORM.S.DIST(2; TRUE)) β†’ 0,0455
CDF kiri pada 2=T.DIST(2; 10; TRUE) β†’ 0,9633=NORM.S.DIST(2; TRUE) β†’ 0,9772
Nilai kritis 95% dua sisi (df = 10)=T.INV.2T(0,05; 10) β†’ 2,228=NORM.S.INV(0,975) β†’ 1,960

Perhatikan baris pertama: peluang dua sisi t (0,0734) jauh lebih besar daripada peluang dua sisi normal (0,0455) β€” ekor gemuk itu, dalam bentuk angka. Dan perhatikan baris kedua: T.DIST(2; 10; TRUE) = 0,9633 adalah CDF satu sisi (peluang T ≀ 2); peluang satu sisi di ekor kanan adalah 1 βˆ’ 0,9633 = 0,0367, dan dua kalinya adalah 0,0734. Bila Anda hanya butuh nilai-p dua sisi, T.DIST.2T adalah jalan pintasnya.

Untuk contoh soal di atas, nilai-p-nya dapat dihitung langsung: =T.DIST.2T(1,732; 11) = 0,1112, dan versi z-nya =2*(1-NORM.S.DIST(1,732; TRUE)) = 0,0833. Selisih keduanya adalah harga memakai distribusi yang salah.

Pertanyaan yang sering diajukan

Distribusi t mempunyai ekor lebih gemuk dan bergantung pada derajat kebebasan (df); distribusi normal tetap dan tidak mempunyai parameter df. Keduanya berbentuk lonceng dan simetris, berpusat di nol. Saat df membesar, distribusi t mendekati distribusi normal; pada df tak hingga, keduanya sama. Praktisnya: pakai t bila simpangan baku populasi tidak diketahui, pakai z bila diketahui.

Bila simpangan baku populasi (Οƒ) tidak diketahui, pakai t; bila diketahui, pakai z. Pada sampel kecil (n < 30), pilihan ini paling penting karena nilai kritisnya jauh berbeda; pada sampel besar, t dan z nyaris sama, tetapi t tetap benar bila Οƒ tidak diketahui.

Derajat kebebasan adalah banyaknya informasi bebas dalam sampel: untuk rata-rata satu sampel, df = n βˆ’ 1. Satu derajat "dipakai" untuk menghitung rata-rata sampel itu sendiri. Semakin besar df, semakin dekat distribusi t dengan distribusi normal.

Karena ekor distribusi t lebih gemuk: untuk menjaga peluang kesalahan tipe I tetap Ξ±, ambang penolakannya harus lebih jauh dari pusat. Selisih itu adalah kompensasi atas ketidakpastian karena Οƒ diperkirakan dengan s.

Mendekati, tetapi tidak pernah sama persis. Selisihnya menghilang secara praktis: pada df = 100, nilai kritis 95% t adalah 1,984 melawan z 1,960 β€” selisih 0,024. Pada df = ∞, keduanya identik.

William Sealy Gosset, ahli kimia dan statistik di pabrik bir Guinness, Dublin; ia menerbitkan distribusi ini pada tahun 1908 dengan nama samaran "Student" karena Guinness melarang karyawan menerbitkan penelitian atas nama sendiri.

Ya. Pada sampel besar, t β‰ˆ z, sehingga hasilnya nyaris sama. Pakailah t bila Οƒ tidak diketahui, berapa pun besarnya n β€” itu jawaban yang benar, bukan hanya pendekatan.

Uji-t memakai distribusi t untuk menghitung nilai-p-nya: statistik t dihitung dari data, lalu nilai-p dibaca dari distribusi t dengan df yang sesuai. Kalkulator nilai-p menghitung nilai-p dari statistik t, z, chi-square, atau F, satu atau dua sisi.

Jelajahi Alat Lainnya

● Aktif

Kalkulator Distribusi t

Peluang distribusi t, nilai-p dua sisi, dan nilai kritis t untuk df berapa pun.

Hitung β†’
● Aktif

Kalkulator Distribusi Normal

Peluang, nilai invers, dan grafik kurva normal dengan contoh soal ujian.

Hitung β†’

Baca Artikel Lainnya

● Artikel

Apa Itu Interval Kepercayaan? Rumus, Contoh & Artinya

Interval kepercayaan adalah rentang yang kemungkinan memuat parameter populasi β€” rumus rata-rata dan proporsi, contoh survei, dan 7 salah tafsir umum.

Baca β†’
● Artikel

Cara Menghitung Skor Z: Rumus, Contoh, dan Persentil

Cara menghitung skor z dengan rumus z = (x βˆ’ ΞΌ) / Οƒ: contoh soal langkah demi langkah, tabel persentil, dan Excel.

Baca β†’

Sumber: NIST/SEMATECH e-Handbook of Statistical Methods, 1.3.6.6.4. t Distribution (https://www.itl.nist.gov/div898/handbook/eda/section3/eda3664.htm); Student (1908), "The Probable Error of a Mean", Biometrika 6(1): 1–25. Semua kalkulator: Kalkulator Statistik.