Kalkulator Z-Score

Kalkulator Z-Score ini dirancang untuk memudahkan segala jenis perhitungan yang berkaitan dengan nilai Z (Z-Score). Anda cukup memasukkan nilai mentah (X), rata-rata populasi (μ), dan standar deviasi (σ) pada bagian pertama kalkulator untuk menemukan Z-Score, lengkap beserta penjabaran langkah-langkah dan probabilitas dari skor tersebut.

Selain itu, konverter Z-Score ke Probabilitas ini akan membantu Anda mengonversi nilai probabilitas menjadi Z-Score (dan sebaliknya) secara praktis tanpa perlu melihat tabel Z manual. Hasil yang ditampilkan mencakup semua kemungkinan perhitungan probabilitas untuk Z-Score tunggal tersebut. Jika Anda perlu mencari probabilitas di antara dua nilai Z-Score, gunakanlah fitur kalkulator di bagian paling bawah.

Apa itu Z-Score?

Z-Score adalah suatu ukuran statistik yang menunjukkan seberapa jauh sebuah titik data (data point) menyimpang dari rata-rata (mean) sebuah kumpulan data (dataset), diukur dalam satuan standar deviasi. Z-Score sangat berguna untuk membandingkan satu titik data dengan keseluruhan dataset, serta membantu dalam standardisasi data agar lebih mudah dibandingkan dan dianalisis secara akurat.

Singkatnya, Z-Score memungkinkan kita untuk menentukan seberapa "normal" atau justru "tidak biasa" sebuah titik data jika dibandingkan dengan mayoritas data lainnya.

• Mendeteksi outlier (pencilan data): Z-Score membantu kita mengidentifikasi titik data yang sangat menyimpang dari kelompoknya. Hal ini sangat berguna di berbagai bidang seperti analisis keuangan dan penelitian medis, di mana anomali data (outlier) dapat menunjukkan pola peringatan yang penting.
• Membandingkan data dari dataset yang berbeda: Z-Score memungkinkan Anda untuk membandingkan data dari kelompok yang berbeda, bahkan jika kelompok tersebut memiliki satuan unit atau rentang skor yang berbeda. Fitur ini sangat krusial dalam algoritma machine learning, di mana Anda harus membandingkan data dari berbagai sumber untuk membangun sebuah model prediktif.
• Normalisasi data: Dengan mengubah data mentah menjadi format Z-Score, kita dapat menstandarkan data sehingga menjadi lebih mudah untuk dianalisis. Ini sangat bermanfaat dalam visualisasi data, di mana kompleksitas informasi harus disajikan dengan cara yang mudah dimengerti.

Rumus Z-Score

Z-Score untuk populasi

Z = Raw score - Population Mean / Population Standard Deviation

Z = (X - μ) / σ

Z-Score untuk sampel

Z = Raw score - Sample Mean / Sample Standard Deviation

Z = (X - x̄) / s

Interpretasi Hasil Z-Score

Z-Score Positif: Z-Score bernilai positif berarti titik data Anda berada di atas rata-rata dataset. Dengan kata lain, nilai observasi yang Anda miliki lebih tinggi dari nilai umum (rata-rata) dalam kumpulan data tersebut.

Z-Score Negatif: Z-Score bernilai negatif menunjukkan bahwa titik data Anda berada di bawah nilai rata-rata dataset. Ini berarti nilai observasi Anda lebih rendah dari nilai umumnya.

Besaran Z-Score: Nilai Z-Score menginformasikan seberapa jauh jarak absolut titik data Anda dari rata-rata dataset. Semakin besar nilai Z-Score (baik positif maupun negatif), semakin ekstrem atau jauh titik data tersebut menyimpang dari rata-ratanya.

Z-Score dan Standar Deviasi

Z-Score dan standar deviasi memiliki hubungan yang tidak terpisahkan karena standar deviasi merupakan komponen utama dalam menghitung probabilitas Z-Score. Faktanya, membagi selisih nilai data dengan standar deviasi adalah inti dari rumus Z-Score itu sendiri.

Standar deviasi adalah ukuran penyebaran atau dispersi dari sebuah dataset. Angka ini menunjukkan rata-rata jarak setiap titik data dari nilai mean dataset. Semakin besar standar deviasi, semakin lebar dan acak penyebaran data tersebut.

Di sisi lain, Z-Score memberitahu Anda seberapa jauh sebuah titik data spesifik berada dari rata-rata dataset secara relatif terhadap standar deviasi. Dengan memanfaatkan perhitungan standar deviasi, Anda bisa mengevaluasi apakah sebuah data point tergolong wajar atau justru menjadi sebuah anomali.

Z-Score dan Distribusi Normal

Distribusi normal adalah pemodelan sebaran data yang paling sering dijumpai dalam fenomena dunia nyata. Distribusi ini divisualisasikan sebagai kurva berbentuk lonceng (bell curve) simetris yang mewakili sebaran populasi di sekitar nilai rata-rata. Distribusi normal juga sering disebut sebagai distribusi Gaussian, yang dinamai dari seorang matematikawan terkenal, Carl Friedrich Gauss.

Z-Score bertindak sebagai metode untuk mengukur posisi titik data ke dalam parameter distribusi normal ini. Dengan mengonversi setiap data menjadi Z-Score, Anda menstandarkan angka-angka acak ke dalam skala ukur universal yang berpusat pada titik rata-rata 0 dan deviasi 1.

Keunggulan utama pemetaan Z-Score ke distribusi normal adalah kemampuannya menstandarkan dataset apa pun. Karena banyak uji dan algoritma statistik tingkat lanjut mengasumsikan bahwa data berdistribusi normal, konversi Z-Score memastikan validitas dan akurasi analisis Anda sebelum masuk ke proses pengolahan data tahap selanjutnya.

Perbandingan Titik Data (Data Point)

Kalkulator Z-Score sangat membantu Anda memahami posisi suatu titik data secara objektif terhadap rata-ratanya.

Salah satu contoh penggunaan Z-Score untuk perbandingan data adalah di bidang keuangan. Misalkan Anda berinvestasi di dua portofolio saham berbeda dan ingin membandingkan kinerjanya. Portofolio A memiliki rata-rata tingkat pengembalian (return) 10% dengan standar deviasi 2%, sedangkan portofolio B memiliki return rata-rata 8% dengan standar deviasi 3%. Melalui konversi return tersebut ke dalam bentuk Z-Score, Anda dapat membandingkan volatilitas dan kinerja masing-masing portofolio untuk melihat mana yang secara rasio bernilai lebih baik.

Contoh praktis lainnya adalah di dunia olahraga. Misalnya, Anda perlu mengevaluasi performa antara dua pebasket, Pemain A dan Pemain B. Pemain A mencetak rata-rata 20 poin per pertandingan dengan standar deviasi 5 poin, sementara Pemain B mencetak rata-rata 18 poin dengan standar deviasi 3 poin. Dengan melihat nilai Z-Score mereka, pelatih bisa melihat tingkat konsistensi dan efektivitas masing-masing pemain untuk menentukan siapa yang sebenarnya tampil lebih baik di lapangan.

Normalisasi Data

Normalisasi data adalah langkah memproses skala dan format data yang berantakan ke dalam satu parameter standar agar valid untuk dibandingkan dan dianalisis. Proses ini wajib dilakukan dalam olah data modern (seperti Data Science) agar tidak ada variabel berskala besar yang mendominasi variabel berskala kecil secara bias.

Mengubah nilai mentah menjadi Z-Score berarti Anda memaksakan data-data ini masuk ke dalam parameter standar universal: di mana nilai mean (rata-rata) mutlak menjadi 0 dan standar deviasinya menjadi 1.

Sebagai contoh penerapan praktis normalisasi Z-Score di bidang psikologi: Anda ingin membandingkan hasil dua jenis tes IQ, yakni Tes A dan Tes B. Tes A memiliki skor rata-rata 100 dengan standar deviasi 15, sementara tes B memiliki skor rata-rata 110 dengan standar deviasi 10. Jika Anda langsung membandingkan angka mentahnya, hasilnya pasti tidak akurat. Namun, dengan mengubah skor tersebut menjadi Z-Score, kedua hasil tes dilebur ke dalam satu skala evaluasi tunggal.

Contoh serupa di bidang pendidikan: Jika Anda ingin membandingkan nilai dua orang siswa dari sekolah yang berbeda, Siswa A dan Siswa B. Siswa A memiliki nilai rata-rata 80 dengan standar deviasi 5, sementara siswa B memiliki nilai rata-rata 90 dengan standar deviasi 3. Standardisasi Z-Score sangat penting di sini untuk melihat bobot prestasi masing-masing siswa secara proporsional sesuai tingkat kesulitan lingkungannya.

Pengujian Hipotesis

Pengujian hipotesis adalah teknik statistik inferensial yang digunakan untuk mengevaluasi apakah ada cukup bukti dari sampel data untuk menolak hipotesis nol (asumsi dasar bahwa tidak ada hubungan atau anomali pada variabel yang diuji). Teknik ini sangat krusial di dunia penelitian medis, riset pasar sosial, hingga uji strategi bisnis.

Saat melakukan pengujian hipotesis, skor koefisien Z digunakan untuk mencari seberapa besar probabilitas hasil yang didapat. Sebagai contoh, saat Anda menguji apakah berat sampel sekelompok orang secara signifikan berbeda dari berat populasi umum, Z-Score akan memvalidasi apakah perbedaan angka itu nyata (signifikan secara statistik) atau hanya sekadar kebetulan sampel belaka.

Contoh riil aplikasi Z-Score di ranah uji klinis medis: Saat menguji kemanjuran obat baru terhadap suatu penyakit. Ilmuwan akan menggunakan Z-Score untuk mengukur dan membuktikan bahwa berkurangnya gejala di kelompok eksperimen (pengguna obat) sangat berbeda signifikan secara statistik dibandingkan dengan kelompok plasebo (kontrol).

Di pasar finansial, trader dan analis saham menggunakan uji hipotesis Z-Score untuk mengevaluasi klaim tertentu. Misalnya untuk membuktikan teori apakah saham sektor teknologi secara konstan memberikan return di atas rata-rata pasar keseluruhan. Z-Score memastikan bahwa selisih profit tersebut bersifat struktural dan signifikan secara matematis.

Feature Scaling (Penskalaan Fitur)

Feature scaling adalah tahapan prapemrosesan data (data preprocessing) dalam pemodelan algoritma Machine Learning dan Data Mining guna meratakan perbedaan rentang satuan variabel. Banyak algoritma prediktif modern sangat sensitif terhadap skala data, di mana fitur yang berskala ribuan dapat menutupi fitur yang berskala desimal jika tidak ditangani.

Teknik perataan yang diakui dan digunakan secara luas adalah normalisasi Z-Score (Standardisasi). Pada metode ini, seluruh fitur direstrukturisasi ulang agar seimbang pada nilai rata-rata nol (0) dan menyimpang sebatas standar deviasi satu (1). Perhitungan matematis dasar algoritma ini adalah:

Z = (X - Mean) / Standar Deviasi

di mana X merupakan nilai unit observasi, Mean adalah rata-rata kumpulan variabel, dan Standar Deviasi adalah ukuran simpangan baku populasinya.

Dalam pengembangan model Computer Vision, gambar digital memuat variasi gradasi piksel dari 0 hingga 255. Penerapan standardisasi Z-Score bertugas memampatkan skala intensitas piksel warna ini ke sebaran normal 0 hingga 1. Hal ini membuat model pendeteksi objek (CNN) mampu memproses jutaan foto jauh lebih ringan dan gegas.

Begitu pula pada Pemrosesan Bahasa Alami (NLP/Natural Language Processing) seperti halnya Chatbot dan AI. Pada korpus data teks, bobot frekuensi kata (Term Frequency and Inverse Document Frequency / TF-IDF) memiliki simpangan rentang yang luas. Penerapan scaling normalisasi Z-Score menyeimbangkan matriks bobot kosakata ini ke ruang dimensi 0 hingga 1 agar relevansi makna lebih mudah dicerna oleh kecerdasan buatan.

Pemodelan Prediktif (Predictive Modeling)

Pemodelan prediktif memadukan probabilitas Z-Score dalam kerangka kerja Data Science dan Machine Learning guna meramalkan kejadian di masa depan bersumber dari sekumpulan tren data historis. Mekanisme utamanya adalah melatih algoritma pengenalan pola terhadap sampel data masa lalu, lalu menggunakan formula tersebut untuk mengambil keputusan atas data baru yang baru masuk.

Satu kunci keberhasilan akurasi prediksi ini dipengaruhi oleh tahap Feature Selection (Pemilihan Fitur). Pada fase ini, analis mencari variabel unik dari dataset yang berkorelasi paling kuat dalam merepresentasikan tebakan pada variabel target. Semakin relevan sebuah fitur, semakin akurat kinerja prediksinya.

Di sinilah Z-Score hadir. Nilai ekstrem (tinggi/rendahnya) Z-Score secara sempurna melokalisasi anomali variabel mana yang paling bertalian kuat dengan variabel pemicu utama. Rumus ekstraksinya adalah:

Z = (X - Mean) / Standar Deviasi

Contoh penerapan praktis Z-Score untuk meramalkan tren bisa diamati pada bursa saham finansial. Z-Score sangat dominan digunakan untuk memetakan divergensi rasio nilai wajar perusahaan dari rata-rata industri kompetitornya. Return historis emiten saham yang melonjak pada Z-Score tinggi mengindikasikan lonjakan performa struktural dan bisa diestimasi menembus valuasi yang lebih tajam di tren mendatang.

Begitupun dalam analisa rekam medis pasien di institusi kesehatan. Pemodelan prediktif probabilitas menggunakan Z-Score krusial menentukan persentase risiko keparahan penyakit. Jika angka rekam lab pasien melampaui Z-Score ekstrem tertentu dari batas rata-rata kesehatan umum, sistem bisa langsung menyalakan alarm triase darurat untuk memprioritaskan penanganan dini secepat mungkin.

Menggunakan Tabel Z-Score

Tabel Z, yang dalam statistika juga disebut dengan tabel probabilitas normal standar, merupakan matriks referensi acuan yang mentabulasi luas proporsi (probabilitas) area di bawah kurva distribusi Gaussian standar untuk parameter limit atas, bawah, maupun nilai probabilitas interval sebaran populasi.

z	0	0,01	0,02	0,03	0,04	0,05	0,06	0,07	0,08	0,09
0	0	0,00399	0,00798	0,01197	0,01595	0,01994	0,02392	0,0279	0,03188	0,03586
0,1	0,03983	0,0438	0,04776	0,05172	0,05567	0,05962	0,06356	0,06749	0,07142	0,07535
0,2	0,07926	0,08317	0,08706	0,09095	0,09483	0,09871	0,10257	0,10642	0,11026	0,11409
0,3	0,11791	0,12172	0,12552	0,1293	0,13307	0,13683	0,14058	0,14431	0,14803	0,15173
0,4	0,15542	0,1591	0,16276	0,1664	0,17003	0,17364	0,17724	0,18082	0,18439	0,18793
0,5	0,19146	0,19497	0,19847	0,20194	0,2054	0,20884	0,21226	0,21566	0,21904	0,2224
0,6	0,22575	0,22907	0,23237	0,23565	0,23891	0,24215	0,24537	0,24857	0,25175	0,2549
0,7	0,25804	0,26115	0,26424	0,2673	0,27035	0,27337	0,27637	0,27935	0,2823	0,28524
0,8	0,28814	0,29103	0,29389	0,29673	0,29955	0,30234	0,30511	0,30785	0,31057	0,31327
0,9	0,31594	0,31859	0,32121	0,32381	0,32639	0,32894	0,33147	0,33398	0,33646	0,33891
1	0,34134	0,34375	0,34614	0,34849	0,35083	0,35314	0,35543	0,35769	0,35993	0,36214
1,1	0,36433	0,3665	0,36864	0,37076	0,37286	0,37493	0,37698	0,379	0,381	0,38298
1,2	0,38493	0,38686	0,38877	0,39065	0,39251	0,39435	0,39617	0,39796	0,39973	0,40147
1,3	0,4032	0,4049	0,40658	0,40824	0,40988	0,41149	0,41308	0,41466	0,41621	0,41774
1,4	0,41924	0,42073	0,4222	0,42364	0,42507	0,42647	0,42785	0,42922	0,43056	0,43189
1,5	0,43319	0,43448	0,43574	0,43699	0,43822	0,43943	0,44062	0,44179	0,44295	0,44408
1,6	0,4452	0,4463	0,44738	0,44845	0,4495	0,45053	0,45154	0,45254	0,45352	0,45449
1,7	0,45543	0,45637	0,45728	0,45818	0,45907	0,45994	0,4608	0,46164	0,46246	0,46327
1,8	0,46407	0,46485	0,46562	0,46638	0,46712	0,46784	0,46856	0,46926	0,46995	0,47062
1,9	0,47128	0,47193	0,47257	0,4732	0,47381	0,47441	0,475	0,47558	0,47615	0,4767
2	0,47725	0,47778	0,47831	0,47882	0,47932	0,47982	0,4803	0,48077	0,48124	0,48169
2,1	0,48214	0,48257	0,483	0,48341	0,48382	0,48422	0,48461	0,485	0,48537	0,48574
2,2	0,4861	0,48645	0,48679	0,48713	0,48745	0,48778	0,48809	0,4884	0,4887	0,48899
2,3	0,48928	0,48956	0,48983	0,4901	0,49036	0,49061	0,49086	0,49111	0,49134	0,49158
2,4	0,4918	0,49202	0,49224	0,49245	0,49266	0,49286	0,49305	0,49324	0,49343	0,49361
2,5	0,49379	0,49396	0,49413	0,4943	0,49446	0,49461	0,49477	0,49492	0,49506	0,4952
2,6	0,49534	0,49547	0,4956	0,49573	0,49585	0,49598	0,49609	0,49621	0,49632	0,49643
2,7	0,49653	0,49664	0,49674	0,49683	0,49693	0,49702	0,49711	0,4972	0,49728	0,49736
2,8	0,49744	0,49752	0,4976	0,49767	0,49774	0,49781	0,49788	0,49795	0,49801	0,49807
2,9	0,49813	0,49819	0,49825	0,49831	0,49836	0,49841	0,49846	0,49851	0,49856	0,49861
3	0,49865	0,49869	0,49874	0,49878	0,49882	0,49886	0,49889	0,49893	0,49896	0,499
3,1	0,49903	0,49906	0,4991	0,49913	0,49916	0,49918	0,49921	0,49924	0,49926	0,49929
3,2	0,49931	0,49934	0,49936	0,49938	0,4994	0,49942	0,49944	0,49946	0,49948	0,4995
3,3	0,49952	0,49953	0,49955	0,49957	0,49958	0,4996	0,49961	0,49962	0,49964	0,49965
3,4	0,49966	0,49968	0,49969	0,4997	0,49971	0,49972	0,49973	0,49974	0,49975	0,49976
3,5	0,49977	0,49978	0,49978	0,49979	0,4998	0,49981	0,49981	0,49982	0,49983	0,49983
3,6	0,49984	0,49985	0,49985	0,49986	0,49986	0,49987	0,49987	0,49988	0,49988	0,49989
3,7	0,49989	0,4999	0,4999	0,4999	0,49991	0,49991	0,49992	0,49992	0,49992	0,49992
3,8	0,49993	0,49993	0,49993	0,49994	0,49994	0,49994	0,49994	0,49995	0,49995	0,49995
3,9	0,49995	0,49995	0,49996	0,49996	0,49996	0,49996	0,49996	0,49996	0,49997	0,49997
4	0,49997	0,49997	0,49997	0,49997	0,49997	0,49997	0,49998	0,49998	0,49998	0,49998

Untuk mencari probabilitas dari Tabel Z, pertama carilah angka desimal tunggal di sisi kolom vertikal yang cocok dengan awalan Z-Score Anda. Lalu, cocokkan garis potongnya dengan angka persentil pecahan baris horizontal teratas. Silangan titik temu tersebut akan menunjukkan rasio (probabilitas luas area kurva distribusinya).

Sebagai contoh, misalnya Anda menghitung skor Z sebesar 1,96. Anda akan memulai menelusuri Tabel Z di sepanjang kolom ke bawah mencari awalan 1,9 dan berhenti di situ, kemudian menarik garis geser lurus menuju baris di sebelah kanan bawah tepat di fraksi sel 0,06. Angka pertemuannya menunjukkan luasan probabilitas perkiraan kurva di bawah nilai 1,96. Didapatkan nilai estimasi 0,975, artinya sekitar 97,5% observasi dari distribusi normal akan jatuh atau kurang dari ambang batas 1,96.

Penting untuk ditegaskan bahwa Tabel Z hanya berlaku pakem untuk dataset distribusi normal standar berrata-rata presisi 0 dan standar deviasi genap 1. Apabila data observasi asli Anda belum menganut pola baku ini, normalisasi menstandarkan set raw data mutlak terlebih dahulu menjadi koefisien nilai Z-Score adalah prosedur wajib yang tidak dapat dilewatkan.

Menemukan Probabilitas dari Z-Score

Setelah menormalisasi sebuah variabel menjadi model Z-Score, Anda otomatis memegang kunci untuk membuka matriks kalkulasi Tabel Z-Score yang akan memandu Anda menentukan proporsi luasan probabilitas persentase yang berada pada rentang titik di bawah kurva yang sedang diobservasi. Total batas maksimal ruang volume area probabilitas simetris lonceng melengkung ini disetarakan proporsinya di angka 1 absolut. Oleh karenanya, irisan persentase fraksi probabilitas ekuivalen persis sama dengan porsi angka hitung Z-Score-nya.

Contoh 1

Distribusi berat badan para pemain tinju profesional diketahui mengikuti tren sebaran normal pada rata-rata mean di angkat 75 kg dengan toleransi margin selisih standar deviasi sebesar 3 kg. Hitunglah berapa presentase kemungkinan probabilitas kita bisa mendapat acak seorang atlet tinju spesifik di mana:

• a) Lebih dari 78 Kg?
• b) Kurang dari 69 Kg?
• c) Lebih dari 72 Kg?
• d) Kurang dari 79,5 Kg?
• e) Antara 72 Kg dan 76,5 Kg?
• f) Antara 72 Kg dan 73,5 Kg?

a) Berapakah probabilitas berat badan seorang pemain tinju yang dipilih secara acak lebih dari 78 kg?

• X > 78
• µ = 75
• σ = 3

$$P(X>78)=P\left(Z>\frac{X-μ}{σ}\right)=P\left(Z>\frac{78-75}{3}\right)=P(Z>1)$$

Mari kita proyeksikan rincian data dasar tersebut secara visual ke dalam pemetaan kuadran kurva Z.

Sekarang, konfirmasi silang merujuk pada Tabel Z diperlukan untuk mencocokkan titik ekuivalen probabilitas riil atas Z-Score yang kita kalkulasi sebelumnya.

Perlu ditekankan: sifat operasional dasar Tabel Z selalu dan pasti menyajikan perhitungan jarak fraksi margin probabilitas antara letak titik Z-Score dengan titik pusat simetris tengah kurvanya. Nah, karena fokus analisis mengarah pencarian anomali "lebih dari" batas arsir di pinggiran sebelah kanan yang menjauhi pusat, kita menggunakan taktik memangkas konstanta tetap asimtotik luas separuh lengkung (yakni bernilai mati mutlak 0,5) dikurangi porsi probabilitas rujukan tabel yang berada di dalam sentral kurva tengah.

• P (X > 78) = P (Z > 1)
• P (X > 78) = 0,5 - P(0 < Z < 1)
• P (X > 78) = 0,5 - 0,3413
• P (X > 78) = 0,1587

Berdasarkan formulasi kalkulasi di atas, peluang kita secara kebetulan menemukan bobot petinju obesitas melebihi batas 78 Kg berkisar di level probabilitas 0,1587 (15,87%).

b) Berapakah probabilitas dari seorang pemain yang dipilih secara acak yang memiliki berat badan kurang dari 69 kg?

• X < 69
• µ = 75
• σ = 3

$$P(X<69)=P\left(Z>\frac{X-μ}{σ}\right)=P\left(Z>\frac{69-75}{3}\right)=P(Z<-2)$$

Plotkan kembali visualisasi proyeksinya secara mendetail ke arsir negatif sisi kiri spektrum kurva Z.

Rujuk kembali koordinat silang probabilitas nilai Z-Score -2 tersebut pada lembar petunjuk referensi Tabel Z standar deviasi.

Karena sasaran tembak probabilitas berkedudukan spesifik persis di pojok anomali ekstrem sayap batas margin pinggiran (ekor kiri distribusi), terapkan rumus reduksi yang sama dengan memangkas sisa probabilitas Tabel Z (yang mengukur luas area ke titik sumbu sentral) dengan bobot mati proporsi setengah irisan total area (0,5).

• P (X < 69) = P (Z < -2)
• P (X < 69) = 0,5 - P (0 > Z > -2)
• P (X < 69) = 0,5 - 0,4772
• P (X < 69) = 0,0228

Hasil hitungan persentase matematis menegaskan probabilitas menyeleksi kebetulan pemain kurus tidak normal di bawah batasan massa 69 Kg adalah sangat kecil merosot di level minor margin 0,0228.

c) Berapakah probabilitas berat badan pemain yang dipilih secara acak antara 72 kg dan 76,5 kg?

• 72 < X < 76,5
• μ = 75
• σ = 3

$$P(72 \lt X \lt 76,5)=P\left(\frac{X-μ}{σ} \lt Z \lt \frac{X-μ}{σ}\right)=P\left(\frac{72-75}{3} \lt Z \lt \frac{76,5-75}{3}\right)=P(-1 \lt Z \lt 0,5)$$

Wujudkan kembali sketsa pemetaan probabilitas interval irisan tersebut pada blok diagram sentral silang kurva Z.

Temukan persimpangan korelasi 2 koordinat probabilitas Tabel Z untuk menjabarkan hasil Z-Score kompleks yang mengapit pusat mean tersebut.

Karena blok arsir observasi secara harafiah menjepit irisan lintasan dua belah porsi sumbu nilai tengah rata-rata ekuivalen mean, akumulasi penjabaran persentase kalkulasinya diakumulasikan utuh lewat menjumlahkan masing-masing probabilitas Z-Score ekstrem ujung kanan ditambah ujung ujung kiri ke titik penengah 0 pusat sumbu.

• P (72 < X < 76,5) = P (-1 < Z < 0,5)
• P (72 < X < 76,5) = 0,3413 + 0,1915
• P (72 < X < 76,5) = 0,5328

Oleh karenanya, bisa ditarik ekspektasi rasional persentase probabilitas petinju proporsional dengan spesifikasi parameter jepit interval ukuran di kisaran berat sebaran antara 72 kg s/d 76,5 kg menguasai dominasi sebesar 0,5328.

Daripada kerepotan melacak manual kerumitan penjabaran ini, efisiensikan waktu hitung kritis Anda menggunakan fitur alat Kalkulator Probabilitas Antara Dua Z-Score kami yang diprogram khusus untuk mencetak result instan hasil olah hitung tersebut secara presisi.

Menemukan Nilai (X) yang Sesuai Berdasarkan Probabilitas yang Ditentukan

Dengan syarat mutlak bahwa karakteristik sebaran polanya mematuhi asas distribusi normal, kita bisa bermanuver memutarbalikkan parameter kalkulasi hitung matematis guna mendeduksi melacak besaran nilai mentah data asli riil spesifik (X) bertumpu dari penjabaran persentase limit target probabilitas rujukan Z-Score tertentu.

Contoh 2

Sebaran nilai pelamar tes seleksi masuk diuji ketat dan diproyeksikan mencetak tren kurva distribusi normal, membentuk konsensus standar acuan rata-rata kelulusan 55 yang diimbuhi bias toleransi standar deviasi 10. Apabila kuota hanya memberi izin meloloskan kandidat elite terbaik sebanyak kasta fraksi murni 30% ranking teratas, cari batas passing grade (nilai terendah yang lulus).

Solusi

Pertama-tama, alih-alih merujuk awalan parameter pencarian desimal fraksi di sisi margin Z-Score, Anda disyaratkan melacak silang parameter persentase kumulatif area limit probabilitas proporsi target kualifikasi tersebut pada rentang Tabel Z berwujud sebaran sentralnya terlebih dahulu.

Perhatikan secara mendetail letak blok arsir zona wilayah pergeseran kuadran kurva proyeksi batas probabilitas eliminasi.

Besaran luasan probabilitas area ekuivalen kelulusan bisa direduksi lewat mengeliminasi selisih margin batas minimal kualifikasi ranking 30% (0,30) terhadap total separuh kubu simetris area kurva 50% (0,50). Berpatok dasar ini, fraksi ukuran lebar penampang luas sentralnya di angka 0,20.

Periksa dan sisir pelan-pelan sekumpulan fraksi probabilitas pada matriks interior tengah tabel normal Z dan temukan blok sel desimal bernilai yang membelok berdempet persis mendekati rasio margin sentral angka 0,20. Berdasarkan titik letaknya, parameter limit koordinat pertemuannya menunjuk pada irisan sel Z-Score di patokan angka 0,524.

Langkah validasi penutup disempurnakan dengan mengekstraksi dan merumus ulang variabel dasar persamaannya mengurai aljabar X sebagai target.

• Z = (X - μ)/σ
• 0,524 = (X - 55)/10
• X = (0,524 × 10) + 55
• X = 60,24

Deduksi valid pembuktian rumusan tersebut memaksa pelamar melampaui setidaknya limit kelulusan persentase terendah target ujian yang ditetapkan secara mutlak di ambang minimal level rasio skor 60,24.