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

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

6.80 Kuartil 3 : 39.00 Mean : 31. memiliki nilai : Minimum : 19.50 Maximum : 42.00 5 . DOFI. Akan muncul tampilan : Maka kita bisa mengetahui bahwa dari data umur pegawai PT.00 Kuartil 1 : 23.25 Median : 34.

Summaries.Untuk mengetahui standar deviasi. Tekan Statistic.80 9. Maka akan muncul tampilan seperti gambar di bawah ini. kemudian tekan tombol OK.2111 19 23.50 42 10 6 . Numerical Summeries. 2.25 34. Mean sd 0% 25% 50% 75% 100% n 31. lakukan langkah berikut : 1.00 39.

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

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

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

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

n.p)). lalu binomial tail probabilities. 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 .05) dengan menggunakan program R. Apabila diketahui nilai …≤…x…≤…… Atau nilai x = sampai …  Tekan R Commander  Perintah mencari probabilitas binomial pada Script Window adalah sum (dbinom (x.p).n. discret distributions. Apabila diketahui x = …  Tekan R Commander  Perintah mencari probabilitas binomial pada Script Window atau dbinom (x. Maka nilai x ≤ 5. maka tuliskan nilai x.  kemudian tekan Submit  maka pada output window akan muncul nilai probabilitasnya.  Input variabel value (s) = nilai x Contoh : Paling banyak 5 orang menyatakan tertarik menonton sepak bola.n.  kemudian tekan Submit  maka pada output window akan muncul nilai probabilitasnya. 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.q q = peluang gagal dimana q = 1 .n. Rumus umum binomial b (x.p pada Script Window tersebut.maka tuliskan nilai x. c. binomial distribution.   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.p pada Script Window tersebut.n. b.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 . d.p Langkah-langkah mengoperasikan program R untuk distribusi binomial : a.

      KASUS Berdasarkan data BPS mengenai warga yang menerima BLT. 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 ). Tekan icon R Commander pada desktop. maka x ≥ atau x >….  Tekan distribution. Pilih menu Distribution. input binomial trial = 5. Paling banyak 2 orang tidak menerima BLT d. input probabilities of success = 0. Masukkan variabel value (s) = 3. Paling sedikit 4 orang diantaranya menerima BLT b. Apabila ditanyakan pada 5 orang warga miskin di Indonesia. binomial distribution. Discrete distributions. 2. 40 % warga miskin menyatakan menerima BLT dan sisanya tidak menerima BLT. Ada 2 sampai 4 orang yang tidak menerima BLT JAWAB a. lalu Binomial tail probabilities 3.4 serta pilih upper tail kemudian tekan tombol OK 12 . lalu binomial tail probabilities Perhatikan bahwa yang ditanyakan adalah paling sedikit. x ≥ 4 atau x > 3 1. Binomial distribution. discret distributions. Contoh : Paling sedikit 5 orang menyatakan tertarik menonton sepak bola. 3 orang diantaranya menerima BLT c. berapakah probabilitas: a. Tekan ok Maka akan diperoleh nilai probabilitas tersebut.

08704 atau jika dinyatakan dalam bentuk persentase sebesar 87.0. Maka nilai probabilitas paling sedikit 4 orang menerima BLT adalah 0.p).n.2304 atau jika dinyatakan dalam bentuk persentase sebesar 23. Tekan icon R Commander pada desktop.4.5. Perintah mencari probabilitas binomial pada script window adalah dbinom (x.04% b. Maka output window muncul probabilitas 3 orang menerima BLT adalah 0.04 % 13 . X = 3 1. .4) kemudian tekan tombol Submit 3. 2. maka tuliskan pada script window dbinom (3.

2304 atau jika dinyatakan dalam bentuk persentase sebesar 23. lalu Binomial probabilities 3. Isi nilai n pada kotak binomial trials = 5 .4 ) kemudian tekan tombol OK 4. 2. Tekan icon R Commander pada desktop.Atau 1. kemudian input probabilities of success dengan nilai probabilitas berhasil ( probabilities of success = 0.04 % 14 . Binomial distribution. Maka output window muncul probabilitas 3 orang menerima BLT adalah 0. Discrete distributions. Pilih menu Distribution.

Input nilai variabel value (s) = 2. Pilih menu Distribution.6 (karena yang ditanyakan yang tidak menerima BLT).c.744 % 15 . x ≤ 2 1. Maka nilai probabilitas paling banyak 2 orang tidak menerima BLT adalah 0. Discrete distributions. input binomial trial = 5. Tekan icon R Commander pada desktop. input probabilities of success = 0. 2. 3.31744 atau jika dinyatakan dalam bentuk persentase sebesar 31. Binomial distribution. kemudian pilih lower tail (karena yang ditanyakan paling banyak ) dan tekan tombol OK 4. lalu Binomial tail probabilities.

p)).52 16 . Perintah mencari probabilitas binomial pada script window adalah sum(dbinom (x.n.0. Tekan icon R Commander pada desktop. . 2. Maka output window muncul probabilitas ada 2 sampai 4 orang yang tidak menerima BLT adalah 0.8352 atau jika dinyatakan dalam bentuk persentase sebesar 83.d. Tekan submit 4. maka tuliskan pada script window sum(dbinom (2:4 .6)) 3. 2≤x≤4 1.5.

bisa berarti bahwa adalah tidak mungkin untuk lebih dari satu nasabah yang dapat melewati jalan masuk dalam waktu satu detik.71828 µ = rata – rata keberhasilan = n . misalkan 72 kedatangan setiap jam. 2. Suatu bentuk dari distribusi ini adalah rumus pendekatan peluang poisson untuk peluang binomial yang dapat digunakan untuk pendekatan probabilitas binomial dalam situasi tertentu. misalkan pada hari Senin ini adalah jam kerja yang sibuk pada suatu bank.DISTRIBUSI POISSON Pendahuluan Distribusi poisson diberi nama sesuai dengan penemunya yaitu Siemon D. 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. 3 dan seterusnya. 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. misalnya : probabilitas jumlah kedatangan nasabah pada suatu bank pada jam kantor. Tidak memiliki kesamaan bahwa akan lebih dari satu kedatangan dalam interval pendek. Distribusi poisson ini digunakan untuk menghitung probabilitas menurut satuan waktu. semakin pendek interval. Rumus poisson dapat digunakan untuk menghitung probabilitas dari jumlah kedatangan. Untuk menghitung probabilitas suatu peristiwa yang berdistribusi poisson digunakan rumus sebagai berikut P ( x . Pada pendekatan ini rumusnya lebih mudah untuk digunakan dibandingkan dengan rumus binomial.05.2 kedatangan setiap menit. Distribusi ini merupakan distribusi probabilitas untuk variabel diskrit acak yang mempunyai nilai 0. Untuk menghitung terjadinya suatu kedatangan yang mengikuti proses poisson digunakan rumus sebagai berikut : P ( x ) = (e –λ . Dalam ilustrasi tadi. 3. (λ. semakin mendekati nol adalah probabilitas yang lebih dari satu kedatangan. jika n adalah 20 atau lebih dari 20 dan p adalah 0. 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. 2. Aturan yang diikuti oleh kebanyakan ahli statistika adalah bahwa n cukup besar dan p cukup kecil. t . µ X ) / X ! Dimana : e = 2. Dalam ilustrasi tadi dapat berarti bahwa jika tingkat kedatangan rata–rata untuk periode jam adalah. Dalam ilustrasi tadi.05 atau kurang dari 0. 1. µ ) = (e – µ.t) x ) / X! Dimana : λ = Tingkat rata–rata kedatangan tiap unit waktu t = Jumlah unit waktu x = Jumlah kedatangan dalam t unit waktu 17 . Tingkat kedatangan rata-rata setiap unit waktu adalah konstant. dengan ketertarikan kita sebenarnya terletak pada interval waktu dan jumlah kedatangan dalam interval waktu jika proses kedatangannya mempunyai karakteristik sebagai berikut : 1. Poisson. dapat berarti bahwa kesempatan dari sebuah kedatangan di menit berikutnya adalah sama. dan kita tertarik oleh jumlah nasabah yang mungkin datang selama jam kerja tersebut. Jumlah kedatangan pada interval waktu tidak bergantung pada apa yang terjadi di interval waktu yang sudah lewat. Sebagai ilustrasi.

2240418 jika ditanyakan dalam bentuk prosentase ( % ) maka jawabannya adalah 22. Tuliskan pada Script window dpois(2. 8.2240418 * 100 ) 18 . 9. dapat digunakan program R. Tekan icon R Commander pada desktop. Maka probabilitas 2 produk yang tidak sesuai standar adalah = 0. Maka berapakah probabilitas 2 produk yang tidak sesuai standar ? Untuk menyelesaikan persoalan distribusi poisson.3).Contoh : Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. Perusahaan memperkirakan 3 % diantara produk yang dihasilkan tidak sesuai dengan standar. Langkah-langkahnya adalah sebagai berikut : 7. Kemudian tekan tombol Submit. Angka 2 menunjukkan nilai X dan angka 3 menunjukkan nilai µ yang didapat dari perkalian n * p (100 * 3%). kemudian akan muncul tampilan seperti gambar di bawah ini.40418% ( atau 0.

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

kemudian akan muncul tampilan seperti gambar di bawah ini. Discrete distribution. Maka langkah penyelesaiannya adalah : 1. Pilih menu Distributions. Perusahaan memperkirakan 3% diantara produk yang dihasilkan tidak sesuai dengan standar. Tekan icon R Commander pada desktop. 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). 2.Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. Poisson tail probabilities. Kemudian tekan tombol OK 20 . 3. 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. Poisson distribution.

Maka probabilitas lebih dari 2 produk yang tidak sesuai standar adalah 0. 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.68099% Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. Pilih menu Distributions. Poisson tail probabilities.4. kemudian akan muncul tampilan seperti gambar di bawah ini. 2. Poisson distribution. Perusahaan memperkirakan 3% diantara produk yang dihasilkan tidak sesuai dengan standar. Discrete distribution. Maka langkah penyelesaiannya adalah : 1. Tekan icon R Commander pada desktop.5768099 atau 57. 21 .

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 .3. Maka probabilitas kurang dari 2 produk yang tidak sesuai standar adalah 0.4231901 atau 42. Kemudian tekan tombol OK 4.

berat badan.p ≥ 5. antara lain tinggi badan. Distribusi normal ini memiliki ciri yaitu n ≥ 30 dan n. 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. dan ≤ diabaikan. nilai hasil ujian dan lain-lain. isi sebuah botol.5 . tanda =. jadi hanya ada tanda > dan <. Banyaknya kejadian yang terdistribusi normal.nilai tabel a P( z ≥ -a ) = 0.5 + nilai tabel -a 23 . 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 ).DISTRIBUSI NORMAL Pendahuluan Distribusi normal adalah suatu distribusi yang digunakan untuk mengetahui probabilitas yang telah diketahui rata-rata ( µ ) dan standar deviasinya ( σ ). ≥ . Distribusi normal sering digunakan dalam berbagai penelitian. Perhitungan probabilitas suatu sampel yang diambil.

5 P( a1 ≤ z ≤ a2 )= nilai table a2 . Jika jumlah kedatangan bus tersebut berdistribusi normal.P( z ≤ a )= nilai tabel a + 0. berapa probabilitas dari tiap kedatangan bus kurang dari 300 bus per jam ? Langkah-langkah penyelesaian kasus 1.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. 24 . kemudian akan muncul tampilan seperti gambar di bawah ini. Tekan icon R Commander pada desktop.

Muncul Kotak dialog Normal probabilities. a. Normal distributions. Maka pada output window akan diperoleh p (x<300) = 0. c. Pilih Distributions.999571 25 . b. e. Continous 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. d.2. normal probabilities.

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

Diketahui bahwa rata-rata kedatangan bus dalam suatu terminal adalah 250 bus per jam dengan standar deviasi 15 per jam. 5. 4. Maka akan diperoleh p (x<225) = 0. Input variabel Value(s) = 225 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih lower tail p(x < 225 ) tekan ok. 7. 6.3.04779035 Gambar kurvanya adalah…. 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).P (x < 225 ) 27 .

28 .999571 .0.    Klik kursor pada script window Tulis 0.Maka dengan menggunakan kalkulator akan diperoleh hasil 0.9517807 pada output window.0. kemudian akan muncul tampilan seperti gambar di bawah ini.04779035. lalu tekan submit Maka akan tampil hasilnya yaitu 0.999571 .95178065 0.04779035 = 2) Atau jika menggunakan program R dapat mengikuti langkah berikut :  Tekan icon R Commander pada desktop.

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

Maka akan diperoleh p (x > 300) = 0. 7. 5.Klik kiri pada Script Window .3.  Untuk membersihkan Script Windows : . 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.. 6.0004290603 Gambar kurvanya adalah….Klik kanan lalu pilih Clear window 30 .

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

Sign up to vote on this title
UsefulNot useful