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

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

Akan muncul tampilan : Maka kita bisa mengetahui bahwa dari data umur pegawai PT.6.00 Kuartil 1 : 23. DOFI.00 5 .50 Maximum : 42. memiliki nilai : Minimum : 19.00 Mean : 31.80 Kuartil 3 : 39.25 Median : 34.

80 9. Mean sd 0% 25% 50% 75% 100% n 31. lakukan langkah berikut : 1. Summaries. Tekan Statistic. Numerical Summeries.50 42 10 6 .25 34.00 39.2111 19 23. 2. Maka akan muncul tampilan seperti gambar di bawah ini.Untuk mengetahui standar deviasi. kemudian tekan tombol OK.

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

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

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

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

Maka nilai x ≤ 5.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 .  kemudian tekan Submit  maka pada output window akan muncul nilai probabilitasnya. 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. Apabila diketahui x = …  Tekan R Commander  Perintah mencari probabilitas binomial pada Script Window atau dbinom (x. maka tuliskan nilai x. c.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. Rumus umum binomial b (x. Apabila diketahui nilai …≤…x…≤…… Atau nilai x = sampai …  Tekan R Commander  Perintah mencari probabilitas binomial pada Script Window adalah sum (dbinom (x.q q = peluang gagal dimana q = 1 .n.n. d.n. Apabila diketahui kata-kata paling sedikit … atau x≥  Tekan R Commander 11 .maka tuliskan nilai x. 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. b. lalu binomial tail probabilities.05) dengan menggunakan program R. discret distributions. Apabila diketahui kata-kata paling banyak … atau x ≤  Tekan R Commander  Tekan distribution.  kemudian tekan Submit  maka pada output window akan muncul nilai probabilitasnya.p)).n.p pada Script Window tersebut.p pada Script Window tersebut.

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

5.0.08704 atau jika dinyatakan dalam bentuk persentase sebesar 87.p). Perintah mencari probabilitas binomial pada script window adalah dbinom (x.4) kemudian tekan tombol Submit 3. maka tuliskan pada script window dbinom (3. Maka output window muncul probabilitas 3 orang menerima BLT adalah 0.n. Tekan icon R Commander pada desktop. .04% b. 2.04 % 13 . X = 3 1.4. Maka nilai probabilitas paling sedikit 4 orang menerima BLT adalah 0.2304 atau jika dinyatakan dalam bentuk persentase sebesar 23.

Tekan icon R Commander pada desktop.Atau 1. lalu Binomial probabilities 3. Binomial distribution. Pilih menu Distribution.04 % 14 .2304 atau jika dinyatakan dalam bentuk persentase sebesar 23. Discrete distributions. kemudian input probabilities of success dengan nilai probabilitas berhasil ( probabilities of success = 0. Maka output window muncul probabilitas 3 orang menerima BLT adalah 0. 2.4 ) kemudian tekan tombol OK 4. Isi nilai n pada kotak binomial trials = 5 .

3. Binomial distribution. x ≤ 2 1. Maka nilai probabilitas paling banyak 2 orang tidak menerima BLT adalah 0. kemudian pilih lower tail (karena yang ditanyakan paling banyak ) dan tekan tombol OK 4.744 % 15 . lalu Binomial tail probabilities.c. input probabilities of success = 0. Tekan icon R Commander pada desktop. Discrete distributions. 2.31744 atau jika dinyatakan dalam bentuk persentase sebesar 31. Pilih menu Distribution. Input nilai variabel value (s) = 2.6 (karena yang ditanyakan yang tidak menerima BLT). input binomial trial = 5.

p)). Tekan submit 4.5.d. 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. Perintah mencari probabilitas binomial pada script window adalah sum(dbinom (x.6)) 3.n. 2. Tekan icon R Commander pada desktop.0. 2≤x≤4 1. . maka tuliskan pada script window sum(dbinom (2:4 .52 16 .

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

Angka 2 menunjukkan nilai X dan angka 3 menunjukkan nilai µ yang didapat dari perkalian n * p (100 * 3%).3). Tuliskan pada Script window dpois(2. dapat digunakan program R.2240418 jika ditanyakan dalam bentuk prosentase ( % ) maka jawabannya adalah 22. Maka probabilitas 2 produk yang tidak sesuai standar adalah = 0. Maka berapakah probabilitas 2 produk yang tidak sesuai standar ? Untuk menyelesaikan persoalan distribusi poisson. Kemudian tekan tombol Submit. Tekan icon R Commander pada desktop. kemudian akan muncul tampilan seperti gambar di bawah ini. Langkah-langkahnya adalah sebagai berikut : 7. 8.Contoh : Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. Perusahaan memperkirakan 3 % diantara produk yang dihasilkan tidak sesuai dengan standar.40418% ( atau 0.2240418 * 100 ) 18 . 9.

poisson distribution. pilih menu Distributions. poisson probabilities Kemudian masukan mean = 3 ( didapat dari n * p ) = 100 * 3% Lihat di kolom paling kiri x = 2 yaitu 0.2240 atau 22.Atau cara lain tekan icon R commander. discreate distribution.40% 19 .

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

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. kemudian akan muncul tampilan seperti gambar di bawah ini. Maka probabilitas lebih dari 2 produk yang tidak sesuai standar adalah 0. Poisson distribution. Pilih menu Distributions.68099% Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. 2. Poisson tail probabilities. Discrete distribution.5768099 atau 57.4. Maka langkah penyelesaiannya adalah : 1. Perusahaan memperkirakan 3% diantara produk yang dihasilkan tidak sesuai dengan standar. 21 . Tekan icon R Commander pada desktop.

31901% 22 . Kemudian tekan tombol OK 4.3.4231901 atau 42. 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). Maka probabilitas kurang dari 2 produk yang tidak sesuai standar adalah 0.

5 + nilai tabel -a 23 . Banyaknya kejadian yang terdistribusi normal. dan ≤ diabaikan. Perhitungan probabilitas suatu sampel yang diambil. Distribusi normal ini memiliki ciri yaitu n ≥ 30 dan n.p ≥ 5. antara lain tinggi badan. Banyak kejadian yang dapat dinyatakan dalam data hasil observasi per eksperimen yang mengikuti distribusi normal. nilai hasil ujian dan lain-lain.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. didapat dengan cara melakukan transformasi nilai-nilai pengukuran ke dalam bentuk bakunya ( nilai Z ). berat badan. isi sebuah botol. ≥ .5 . tanda =. jadi hanya ada tanda > dan <. 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.nilai tabel a P( z ≥ -a ) = 0.

Tekan icon R Commander pada desktop. Jika jumlah kedatangan bus tersebut berdistribusi normal.5 P( a1 ≤ z ≤ a2 )= nilai table a2 . kemudian akan muncul tampilan seperti gambar di bawah ini. 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 .P( z ≤ a )= nilai tabel a + 0.

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

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

3. 4.04779035 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. 6.P (x < 225 ) 27 . 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 antara 225-300 bus per jam ? 1) Untuk menghitung hasil ini dapat diperoleh dari P(x <300). 7. Maka akan diperoleh p (x<225) = 0. 5.

Maka dengan menggunakan kalkulator akan diperoleh hasil 0.999571 .04779035.9517807 pada output window.    Klik kursor pada script window Tulis 0.999571 .0.0. 28 . lalu tekan submit Maka akan tampil hasilnya yaitu 0.95178065 0.04779035 = 2) Atau jika menggunakan program R dapat mengikuti langkah berikut :  Tekan icon R Commander pada desktop. kemudian akan muncul tampilan seperti gambar di bawah ini.

kemudian akan muncul tampilan seperti gambar di bawah ini. Normal distributions. normal probabilities. Pilih 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.Gambar kurvanya adalah. Continous distributions. 29 . Tekan icon R Commander pada desktop. 2..

0004290603 Gambar kurvanya adalah…..Klik kiri pada Script Window . Input variabel Value(s) = 300 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih Upper tail p(x > 300) tekan ok.  Untuk membersihkan Script Windows : . 6.3.Klik kanan lalu pilih Clear window 30 . Maka akan diperoleh p (x > 300) = 0. 4. 5. 7.

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