LAB MANAJEMEN DASAR MODUL STATISTIKA 1

Nama : NPM/Kelas : Fakultas/Jurusan : Hari dan Shift Praktikum :

Fakultas Ekonomi Universitas Gunadarma Kelapa dua E531

1

UKURAN STATISTIK
Pendahuluan Ukuran statistik merupakan ukuran yang menunjukkan bagaimana suatu gugus data memusat dan menyebar. Di dalam ukuran statistik ada tiga bentuk ukuran deskripsi data, yaitu : ukuran pusat data, ukuran variabilitas data dan ukuran bentuk distribusi data. Ukuran pusat data yang banyak digunakan untuk mendeskripsikan data adalah mean (rata-rata hitung), median dan modus. Ukuran penyebaran suatu kelompok data terhadap pusat data disebut disperse atau variasi atau keragaman data. Ukuran disperse data yang umum dipakai adalah jangkauan (range), variansi dan standar deviasi. UKURAN PEMUSATAN 1. MEAN (rata-rata hitung) Rata-rata dihitung dengan menjumlahkan seluruh angka data yang selanjutnya dibagi dengan banyaknya (jumlah) data. Jumlah data untuk data sampel disebut sebagai ukuran sampel yang disimbolkan dengan n dan untuk data populasi disebut sebagai ukuran populasi yang disimbolkan dengan N. Untuk rata-rata hitung sekumpulan data hasil observasi dihitung dengan menggunakan rumus berikut : Rata-rata (X¯) = ∑(Xi) / N Dimana : Xi = nilai dari observasi yang ke-i N = banyaknya observasi ukuran sample.

2. MEDIAN
Median adalah nilai yang membagi gugus data yang telah tersortir (ascending) menjadi 2 bagian yang sama besar. Letak median = (n+1)/2 Kuartil adalah nilai yang membagi gugus data yang telah tersortir (ascending) menjadi empat bagian yang sama besar. Nilai kuartil terdiri dari kuartil 1, kuartil 2 dan kuartil 3. Nilai kuartil 2 suatu gugus data sama dengan nilai median tersebut.

3. MODUS
Modus merupakan nilai yang paling sering muncul atau nilai yang frekuensinya paling tinggi. UKURAN PENYEBARAN 1. Jangkauan (range) Jangkauan atau range (r) suatu gugus data adalah selisih antara nilai maksimum dengan nilai minimum. 2. Variansi Variansi adalah rata-rata kuadrat selisih atau kuadrat simpangan dari semua nilai data terhadap rata-rata hitung. Variansi untuk sampel dilambangkan dengan s2. sedangkan untuk populasi dilambangkan dengan σ2 Variansi (s)2 = [∑(Xi-X)] / (n-1) 3. Standar Deviasi Standar deviasi adalah akar pangkat dua dari variansi. Standar deviasi seringkali disebut simpangan baku.

2

Contoh : Diketahui data umur pegawai PT DOFI yaitu 19 40 38 31 42 20 27 22 37 42 Untuk mencari nilai-nilai ukuran statistik data tersebut dengan menggunakan program R, ikutilah langkah-langkah berikut : 1. Tekan icon R Commander pada desktop, kemudian akan muncul tampilan seperti gambar di bawah ini.

2. Pilih menu Data, New data set. Masukkan nama dari data set adalah umur, lalu tekan tombol OK.

3. Masukkan data umur pegawai PT. DOFI. Jika data editor tidak aktif maka dapat diaktifkan dengan menekan RGui di taskbar windows pada bagian bawah layar monitor. Jika sudah selesai dalam pengisian data tekan tombol Close. Untuk mengubah nama dan tipe variabel, dapat dilakukan dengan cara double click pada variable yang ingin di setting

3

Summaries. Jika data sudah benar. pilih menu Statistic. 5. Active data set. Untuk mengecek kebenaran data yang sudah dimasukkan. lalu perbaiki data yang salah. 4 . tekan tombol View data set maka akan muncul tampilan seperti gambar di bawah ini. tekan tombol edit data set. Jika ada data yang salah.4.

DOFI.6.50 Maximum : 42.80 Kuartil 3 : 39.00 Mean : 31.00 Kuartil 1 : 23. memiliki nilai : Minimum : 19.00 5 . Akan muncul tampilan : Maka kita bisa mengetahui bahwa dari data umur pegawai PT.25 Median : 34.

2. lakukan langkah berikut : 1.Untuk mengetahui standar deviasi. Tekan Statistic.80 9.50 42 10 6 .25 34. kemudian tekan tombol OK. Maka akan muncul tampilan seperti gambar di bawah ini. Summaries.00 39. Mean sd 0% 25% 50% 75% 100% n 31.2111 19 23. Numerical Summeries.

Perhatikan perbandingan tampilan pertama dan kedua. Jika histogram tidak aktif maka dapat diaktifkan dengan menekan RGui di Taskbar windows pada bagian bawah layar monitor. Tekan R Commander. 2. Terlihat bahwa nilai minimum pada tampilan pertama sama dengan nilai kuartil 0% pada tampilan kedua. Graphs. yaitu standar deviasi : 9. anda bisa mendapatkan tambahan informasi numeric. Histogram kemudian akan muncul tampilan seperti gambar di bawah ini. 7 . Nilai median sama dengan quartile 50% dan seterusnya. Nilai n menunjukkan banyaknya data. Akan terlihat bahwa kelas modus adalah antara 40-42 dengan frekuensi 3. lakukan langkah berikut : 1. Untuk melihat bentuk histogram dari data umur pegawai PT DOFI. Pilih Frequency Counts.Dari tampilan ini. OK.2111. 3.

Letakkan kursor pada output window 2. lakukan langkah berikut : 1. Klik kiri pada clear window Untuk membersihkan output window pada R commander. Letakkan kursor pada script window 2. Kilik Kanan 3. Kilik kanan 3.Untuk membersihkan script window pada R Commander. misalnya mencari nilai : Jangkauan (r) = nilai maksimum–nilai minimum. lakukan langkah berikut : 1. maka lakukan langkah sebagai berikut : 8 . Klik kiri pada clear window Untuk melakukan perhitungan.

1. c=a-b. lalu tekan tombol submit 4. Tuliskan pada script window. lalu tekan tombol submit 2. lalu tekan tombol submit 3. Aktifkan R Commander kemudian tuliskan pada script window. Tuliskan pada script window. misalkan b=19. Maka hasilnya akan muncul pada output window 9 . Tuliskan pada script window. misalkan a=26. c lalu tekan tombol submit 5.

05 (kurang dari 0. Dengan demikian kejadian yang menjadi pertanyaan dari suatu permasalahan dapat disimbolkan dengan p. kita dapat memberi label “berhasil” untuk pengambilan kartu warna merah dan label “gagal” untuk pengambilan kartu warna hitam ataupun sebaliknya. Hasil setiap pelemparan uang logam tersebut hanya mungkin muncul sisi gambar atau angka saja. Keduanya berusaha mencari kemungkinan yang timbul dari suatu peristiwa/kejadian yang ada. dimana p = 1 . Catatan Untuk memberikan kemudahan dalam membedakan antara nilai p dan nilai q. terlebih dahulu harus ditetapkan yang mana yang merupakan kejadian yang dapat dikategorikan “sukses atau berhasil” dan yang mana kejadian yang dapat dikategorikan “gagal”. Perlu diingat bahwa kejadian yang menjadi pertanyaan ataupun ditanyakan dari suatu permasalahan bisa dikategorikan sebagai kejadian “sukses atau berhasil”. Peluang berhasil atau sukses disimbolkan dengan p dan dalam setiap ulangan nilai p tetap. Misalnya :  Dalam pelemparan sekeping uang logam sebanyak 5 kali. Dari contoh di atas dapat diberikan suatu label “berhasil” untuk sisi gambar dan label “gagal” untuk sisi angka ataupun sebaliknya. Percobaan diulang sebanyak n kali b. Sebenarnya ada sedikit persamaan antara distribusi binomial dengan distribusi poisson.05 Distribusi poisson digunakan jika besarnya sampel (n) ≥ 20 (lebih dari 20 atau sama dengan 20) dan nilai peluang berhasil dalam setiap ulangan (p) ≤ 0. Namun ada beberapa hal yang membedakan penggunaan kedua distribusi tersebut yaitu:   Distribusi binomial digunakan jika besarnya sampel (n) < 20 (kurang dari 20) dan nilai peluang berhasil dalam setiap ulangan (p) > 0. Begitu juga dengan pengambilan kartu.  Dalam pengambilan kartu yang dilakukan secara berturut-turut. Hasil setiap ulangan dapat dikategorikan dalam 2 kelas Misal :  “berhasil” atau “gagal”  “ya” atau “tidak”  “success” atau “failed” c. Setiap ulangan bersifat bebas (independent) satu dengan lainnya.DISTRIBUSI BINOMIAL Pendahuluan Distribusi binomial merupakan suatu proses distribusi probabilitas yang dapat digunakan apabila suatu proses sampling dapat diasumsikan sesuai dengan proses Bernoulli. Banyaknya keberhasilan dalam peubah acak disimbolkan dengan x e. Proses Bernoulli adalah suatu proses probabilitas yang dapat dilakukan berulang kali.05) Adapun ciri-ciri atau karakteristik distribusi binomial antara lain : a.p d. Ulangan-ulangan tersebut bersifat bebas dan peluang berhasil atau gagal setiap ulangan memiliki probabilitas yang sama yaitu 50% atau ½. kemungkinan yang muncul hanya kartu merah atau kartu hitam saja. Selain itu perlu diperhatikan juga penggunaan simbol yang tepat misalnya :    Kurang dari disimbolkan dengan < Lebih dari disimbolkan dengan > Paling banyak disimbolkan dengan ≤ 10 .q sedangkan peluang gagal dinyatakan dengan q dimana q = 1 .05 atau sama dengan 0.

maka tuliskan nilai x.q q = peluang gagal dimana q = 1 .  kemudian tekan Submit  maka pada output window akan muncul nilai probabilitasnya. Maka nilai x ≤ 5. binomial distribution.p)). d. Rumus umum binomial b (x. c.   Paling sedikit disimbolkan dengan ≥ Kurang dari sama dengan disimbolkan dengan ≤ Lebih dari sama dengan disimbolkan dengan ≥ Tujuan Praktikum Binomial Tujuan dari praktikum materi distribusi binomial ini adalah untuk membantu praktikan dalam mempelajari dan memahami bagaimana cara mencari nilai probabilitas (kemungkinan) dari suatu kejadian binomial (kejadian dengan jumlah sampel < 20 dan nilai peluang berhasil > 0.  kemudian tekan Submit  maka pada output window akan muncul nilai probabilitasnya. b. Apabila diketahui kata-kata paling banyak … atau x ≤  Tekan R Commander  Tekan distribution. Apabila diketahui kata-kata paling sedikit … atau x≥  Tekan R Commander 11 .n.n.n.05) dengan menggunakan program R. lalu binomial tail probabilities.maka tuliskan nilai x. discret distributions. jadi input var value (s) =5  Input binomial trial = nilai n  Input probability of success = (nilai p)  Lalu pilih lower tail (karena ditanyakan probabilitas paling banyak )  Tekan ok  Maka akan diperoleh nilai probabilitas tersebut. Apabila diketahui x = …  Tekan R Commander  Perintah mencari probabilitas binomial pada Script Window atau dbinom (x.n.p).n.  Input variabel value (s) = nilai x Contoh : Paling banyak 5 orang menyatakan tertarik menonton sepak bola.p Langkah-langkah mengoperasikan program R untuk distribusi binomial : a.p pada Script Window tersebut. Apabila diketahui nilai …≤…x…≤…… Atau nilai x = sampai …  Tekan R Commander  Perintah mencari probabilitas binomial pada Script Window adalah sum (dbinom (x.p) = Cxn px qn-x Keterangan : n = banyaknya kejadian berulang x = banyaknya keberhasilan dalam peubah acak x p = peluang berhasil dalam setiap ulangan dimana p = 1 .p pada Script Window tersebut.

input probabilities of success = 0. Paling banyak 2 orang tidak menerima BLT d. Paling sedikit 4 orang diantaranya menerima BLT b. 3 orang diantaranya menerima BLT c. x ≥ 4 atau x > 3 1. Apabila ditanyakan pada 5 orang warga miskin di Indonesia.  Tekan distribution. Pilih menu Distribution. input binomial trial = 5. binomial distribution. Binomial distribution. lalu Binomial tail probabilities 3. berapakah probabilitas: a. discret distributions.4 serta pilih upper tail kemudian tekan tombol OK 12 . 40 % warga miskin menyatakan menerima BLT dan sisanya tidak menerima BLT. 2. Tekan ok Maka akan diperoleh nilai probabilitas tersebut. Ada 2 sampai 4 orang yang tidak menerima BLT JAWAB a. maka x ≥ atau x >…. Contoh : Paling sedikit 5 orang menyatakan tertarik menonton sepak bola. Maka nilai x ≥ 5 atau x > 4 Input variabel value (s) = 4 Input binomial trial s = nilai n Input probability of success = (nilai p) lalu pilih upper tail (karena yamg ditanyakan probabilitas paling sedikit atau lebih dari ). Masukkan variabel value (s) = 3. lalu binomial tail probabilities Perhatikan bahwa yang ditanyakan adalah paling sedikit.       KASUS Berdasarkan data BPS mengenai warga yang menerima BLT. Tekan icon R Commander pada desktop. Discrete distributions.

2.4.04% b.p). Perintah mencari probabilitas binomial pada script window adalah dbinom (x.04 % 13 .2304 atau jika dinyatakan dalam bentuk persentase sebesar 23.5. maka tuliskan pada script window dbinom (3.n.4) kemudian tekan tombol Submit 3.08704 atau jika dinyatakan dalam bentuk persentase sebesar 87.0. . Maka nilai probabilitas paling sedikit 4 orang menerima BLT adalah 0. Tekan icon R Commander pada desktop. X = 3 1. Maka output window muncul probabilitas 3 orang menerima BLT adalah 0.

Binomial distribution. Discrete distributions. Tekan icon R Commander pada desktop. Maka output window muncul probabilitas 3 orang menerima BLT adalah 0. Pilih menu Distribution. Isi nilai n pada kotak binomial trials = 5 .2304 atau jika dinyatakan dalam bentuk persentase sebesar 23.Atau 1. lalu Binomial probabilities 3. kemudian input probabilities of success dengan nilai probabilitas berhasil ( probabilities of success = 0. 2.4 ) kemudian tekan tombol OK 4.04 % 14 .

Pilih menu Distribution. Input nilai variabel value (s) = 2.c. lalu Binomial tail probabilities.6 (karena yang ditanyakan yang tidak menerima BLT).744 % 15 . Binomial distribution. Maka nilai probabilitas paling banyak 2 orang tidak menerima BLT adalah 0. Discrete distributions. x ≤ 2 1. 2.31744 atau jika dinyatakan dalam bentuk persentase sebesar 31. 3. kemudian pilih lower tail (karena yang ditanyakan paling banyak ) dan tekan tombol OK 4. input probabilities of success = 0. Tekan icon R Commander pada desktop. input binomial trial = 5.

Tekan submit 4. maka tuliskan pada script window sum(dbinom (2:4 . Tekan icon R Commander pada desktop. 2≤x≤4 1.n.52 16 . Perintah mencari probabilitas binomial pada script window adalah sum(dbinom (x.8352 atau jika dinyatakan dalam bentuk persentase sebesar 83.0.6)) 3. 2.d.p)). Maka output window muncul probabilitas ada 2 sampai 4 orang yang tidak menerima BLT adalah 0.5. .

p x = Banyaknya unsur berhasil dalam sampel n = Jumlah / ukuran populasi p = probabilitas kelas sukses Rumus Proses Poisson Distribusi poisson dalam konteks yang lebih luas dari pada rumus pertama tadi.2 kedatangan setiap menit. Untuk menghitung probabilitas suatu peristiwa yang berdistribusi poisson digunakan rumus sebagai berikut P ( x . Rumus Pendekatan Peluang Poisson untuk Binomial Pendekatan peluang poisson untuk peluang binomial dilakukan untuk mendekatkan probabilitas probabilitas dari kelas sukses (x) dari n percobaan binomial dalam situasi dimana n sangat besar dan probabilitas kelas sukses (p) sangat kecil. Pada pendekatan ini rumusnya lebih mudah untuk digunakan dibandingkan dengan rumus binomial. misalkan pada hari Senin ini adalah jam kerja yang sibuk pada suatu bank. maka tingkat ini melambangkan interval waktu pada jam kerja tadi : yaitu tingkat yang dapat dirubah kepada rata–rata yaitu 36 kedatangan setiap ½ jam atau 1. jika n adalah 20 atau lebih dari 20 dan p adalah 0.DISTRIBUSI POISSON Pendahuluan Distribusi poisson diberi nama sesuai dengan penemunya yaitu Siemon D. misalkan 72 kedatangan setiap jam. Dalam ilustrasi tadi dapat berarti bahwa jika tingkat kedatangan rata–rata untuk periode jam adalah. Suatu bentuk dari distribusi ini adalah rumus pendekatan peluang poisson untuk peluang binomial yang dapat digunakan untuk pendekatan probabilitas binomial dalam situasi tertentu. Untuk menghitung terjadinya suatu kedatangan yang mengikuti proses poisson digunakan rumus sebagai berikut : P ( x ) = (e –λ . Rumus poisson dapat digunakan untuk menghitung probabilitas dari jumlah kedatangan. (λ. Jumlah kedatangan pada interval waktu tidak bergantung pada apa yang terjadi di interval waktu yang sudah lewat. t . Poisson. Dalam ilustrasi tadi.71828 µ = rata – rata keberhasilan = n . Tingkat kedatangan rata-rata setiap unit waktu adalah konstant. Aturan yang diikuti oleh kebanyakan ahli statistika adalah bahwa n cukup besar dan p cukup kecil.05. 3 dan seterusnya. misalnya : probabilitas jumlah kedatangan nasabah pada suatu bank pada jam kantor.05 atau kurang dari 0. dan kita tertarik oleh jumlah nasabah yang mungkin datang selama jam kerja tersebut. dapat berarti bahwa kesempatan dari sebuah kedatangan di menit berikutnya adalah sama. semakin mendekati nol adalah probabilitas yang lebih dari satu kedatangan. semakin pendek interval.t) x ) / X! Dimana : λ = Tingkat rata–rata kedatangan tiap unit waktu t = Jumlah unit waktu x = Jumlah kedatangan dalam t unit waktu 17 . µ ) = (e – µ. Distribusi ini merupakan distribusi probabilitas untuk variabel diskrit acak yang mempunyai nilai 0. 2. µ X ) / X ! Dimana : e = 2. dengan ketertarikan kita sebenarnya terletak pada interval waktu dan jumlah kedatangan dalam interval waktu jika proses kedatangannya mempunyai karakteristik sebagai berikut : 1. Distribusi poisson ini digunakan untuk menghitung probabilitas menurut satuan waktu. Tidak memiliki kesamaan bahwa akan lebih dari satu kedatangan dalam interval pendek. Sebagai ilustrasi. Dalam ilustrasi tadi. 2. bisa berarti bahwa adalah tidak mungkin untuk lebih dari satu nasabah yang dapat melewati jalan masuk dalam waktu satu detik. 3. 1.

Maka berapakah probabilitas 2 produk yang tidak sesuai standar ? Untuk menyelesaikan persoalan distribusi poisson. Angka 2 menunjukkan nilai X dan angka 3 menunjukkan nilai µ yang didapat dari perkalian n * p (100 * 3%).2240418 jika ditanyakan dalam bentuk prosentase ( % ) maka jawabannya adalah 22. Kemudian tekan tombol Submit. Langkah-langkahnya adalah sebagai berikut : 7.3).Contoh : Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. dapat digunakan program R.40418% ( atau 0. Maka probabilitas 2 produk yang tidak sesuai standar adalah = 0. 8. Perusahaan memperkirakan 3 % diantara produk yang dihasilkan tidak sesuai dengan standar.2240418 * 100 ) 18 . Tekan icon R Commander pada desktop. kemudian akan muncul tampilan seperti gambar di bawah ini. 9. Tuliskan pada Script window dpois(2.

40% 19 . poisson distribution.Atau cara lain tekan icon R commander. poisson probabilities Kemudian masukan mean = 3 ( didapat dari n * p ) = 100 * 3% Lihat di kolom paling kiri x = 2 yaitu 0. pilih menu Distributions. discreate distribution.2240 atau 22.

Kemudian masukkan Variable value(s) = 2 (karena variabel yang diamati adalah 2) dan Mean = 3 (didapat dari n*p yaitu 100 * 3%) lalu pilih Upper tail (karena yang ditanyakan probabilitas lebih dari 2 orang). Maka langkah penyelesaiannya adalah : 1. Kemudian tekan tombol OK 20 . 2.Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. Pilih menu Distributions. Poisson distribution. kemudian akan muncul tampilan seperti gambar di bawah ini. Discrete distribution. 3. Poisson tail probabilities. Tekan icon R Commander pada desktop. Perusahaan memperkirakan 3% diantara produk yang dihasilkan tidak sesuai dengan standar. Maka berapakah probabilitas lebih dari 2 produk yang tidak sesuai standar ? Jika dalam contoh kasus ditanyakan probabilitas lebih dari 2 produk yang tidak sesuai standar.

Tekan icon R Commander pada desktop. Poisson distribution. Maka langkah penyelesaiannya adalah : 1. Perusahaan memperkirakan 3% diantara produk yang dihasilkan tidak sesuai dengan standar. 2.68099% Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. 21 .5768099 atau 57. Maka probabilitas lebih dari 2 produk yang tidak sesuai standar adalah 0. kemudian akan muncul tampilan seperti gambar di bawah ini. Pilih menu Distributions. Poisson tail probabilities. Maka berapakah probabilitas kurang dari 2 produk yang tidak sesuai standar ? Jika dalam contoh kasus ditanyakan probabilitas kurang dari 2 produk yang tidak sesuai standar. Discrete distribution.4.

Kemudian masukkan Variable value(s) = 2 (karena variabel yang diamati adalah 2) dan Mean = 3 (didapat dari n*p yaitu 100*3%) lalu pilih Lower tail (karena yang ditanyakan probabilitas kurang dari 2 orang).31901% 22 .4231901 atau 42.3. Kemudian tekan tombol OK 4. Maka probabilitas kurang dari 2 produk yang tidak sesuai standar adalah 0.

nilai hasil ujian dan lain-lain. Banyaknya kejadian yang terdistribusi normal. KURVA NORMAL Kurva normal berbentuk seperti lonceng dan simetris terhadap rata–rata ( µ ) Mencari luas daerah pada suatu kurva normal dengan menggunakan tabel: P( 0 ≤ z ≤ a )= nilai tabel a P( z ≥ a )= 0. Distribusi normal sering digunakan dalam berbagai penelitian. Distribusi normal ini memiliki ciri yaitu n ≥ 30 dan n. Perhitungan probabilitas suatu sampel yang diambil.5 + nilai tabel -a 23 . jadi hanya ada tanda > dan <. isi sebuah botol. Banyak kejadian yang dapat dinyatakan dalam data hasil observasi per eksperimen yang mengikuti distribusi normal. didapat dengan cara melakukan transformasi nilai-nilai pengukuran ke dalam bentuk bakunya ( nilai Z ). antara lain tinggi badan.nilai tabel a P( z ≥ -a ) = 0. berat badan.DISTRIBUSI NORMAL Pendahuluan Distribusi normal adalah suatu distribusi yang digunakan untuk mengetahui probabilitas yang telah diketahui rata-rata ( µ ) dan standar deviasinya ( σ ). dan ≤ diabaikan.p ≥ 5. ≥ . tanda =.5 .

kemudian akan muncul tampilan seperti gambar di bawah ini. 24 .nilai tabel a1 P( a1 ≤ z ≤ a2 )= nilai tabel a2 + nilai tabel a1 CONTOH KASUS Diketahui bahwa rata-rata kedatangan bus dalam suatu terminal adalah 250 bus per jam dengan standar deviasi 15 per jam. berapa probabilitas dari tiap kedatangan bus kurang dari 300 bus per jam ? Langkah-langkah penyelesaian kasus 1. Jika jumlah kedatangan bus tersebut berdistribusi normal. Tekan icon R Commander pada desktop.P( z ≤ a )= nilai tabel a + 0.5 P( a1 ≤ z ≤ a2 )= nilai table a2 .

a. normal probabilities.2. d. Continous distributions. Muncul Kotak dialog Normal probabilities. Pilih Distributions. b. Normal distributions. Input variabel Value(s) = 300 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih lower tail p(x < 300 ) tekan ok. Maka pada output window akan diperoleh p (x<300) = 0. c. e.999571 25 .

Tekan icon R Commander pada desktop. Pilih Distributions. berapa probabilitas dari kedatangan bus kurang dari 225 bus per jam ? Langkah–langkah penyelesaian kasus 1. 26 . normal probabilities. Normal distributions. kemudian akan muncul tampilan seperti gambar di bawah ini. Jika jumlah kedatangan bus tersebut berdistribusi normal.Gambar kurvanya adalah…. Diketahui bahwa rata-rata kedatangan bus dalam suatu terminal adalah 250 bus per jam dengan standar deviasi 15 per jam. 2. Continous distributions.

6. Maka akan diperoleh p (x<225) = 0. Jika jumlah kedatangan bus tersebut berdistribusi normal berapa probabilitas dari kedatangan bus antara 225-300 bus per jam ? 1) Untuk menghitung hasil ini dapat diperoleh dari P(x <300). Diketahui bahwa rata-rata kedatangan bus dalam suatu terminal adalah 250 bus per jam dengan standar deviasi 15 per jam. 7.04779035 Gambar kurvanya adalah…. Input variabel Value(s) = 225 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih lower tail p(x < 225 ) tekan ok. 5.P (x < 225 ) 27 .3. 4.

kemudian akan muncul tampilan seperti gambar di bawah ini.95178065 0.    Klik kursor pada script window Tulis 0.04779035.0.04779035 = 2) Atau jika menggunakan program R dapat mengikuti langkah berikut :  Tekan icon R Commander pada desktop.999571 .999571 . 28 . lalu tekan submit Maka akan tampil hasilnya yaitu 0.Maka dengan menggunakan kalkulator akan diperoleh hasil 0.9517807 pada output window.0.

Normal distributions. Jika jumlah kedatangan bus tersebut berdistribusi normal berapa probabilitas dari kedatangan bus lebih dari 300 bus per jam ? 1. Diketahui bahwa rata-rata kedatangan bus dalam suatu terminal adalah 250 bus per jam dengan standar deviasi 15 per jam. 29 . Pilih Distributions. Continous distributions.Gambar kurvanya adalah. kemudian akan muncul tampilan seperti gambar di bawah ini. Tekan icon R Commander pada desktop. 2. normal probabilities..

6. 7. Maka akan diperoleh p (x > 300) = 0.3. Input variabel Value(s) = 300 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih Upper tail p(x > 300) tekan ok. 4.  Untuk membersihkan Script Windows : .Klik kiri pada Script Window ..0004290603 Gambar kurvanya adalah…. 5.Klik kanan lalu pilih Clear window 30 .

 Untuk membersihkan Output Windows : .Klik kiri pada Output window .Klik kanan kemudian pilih Clear window 31 .

Sign up to vote on this title
UsefulNot useful