P. 1
Statistik-1-Kalimalang

Statistik-1-Kalimalang

|Views: 2|Likes:
Published by Arif Dp
hidro
hidro

More info:

Published by: Arif Dp on Feb 18, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

08/26/2014

pdf

text

original

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

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

Akan muncul tampilan : Maka kita bisa mengetahui bahwa dari data umur pegawai PT.50 Maximum : 42.6. memiliki nilai : Minimum : 19.25 Median : 34.00 5 .00 Kuartil 1 : 23.00 Mean : 31.80 Kuartil 3 : 39. DOFI.

50 42 10 6 . Summaries.80 9. lakukan langkah berikut : 1. Tekan Statistic. Mean sd 0% 25% 50% 75% 100% n 31.25 34.00 39. 2.Untuk mengetahui standar deviasi. Maka akan muncul tampilan seperti gambar di bawah ini.2111 19 23. Numerical Summeries. kemudian tekan tombol OK.

Tekan R Commander. Histogram kemudian akan muncul tampilan seperti gambar di bawah ini.Dari tampilan ini. Nilai n menunjukkan banyaknya data.2111. 2. Terlihat bahwa nilai minimum pada tampilan pertama sama dengan nilai kuartil 0% pada tampilan kedua. Graphs. OK. 3. Jika histogram tidak aktif maka dapat diaktifkan dengan menekan RGui di Taskbar windows pada bagian bawah layar monitor. 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. Perhatikan perbandingan tampilan pertama dan kedua. Pilih Frequency Counts. Nilai median sama dengan quartile 50% dan seterusnya. 7 . yaitu standar deviasi : 9. anda bisa mendapatkan tambahan informasi numeric.

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

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

Keduanya berusaha mencari kemungkinan yang timbul dari suatu peristiwa/kejadian yang ada. Ulangan-ulangan tersebut bersifat bebas dan peluang berhasil atau gagal setiap ulangan memiliki probabilitas yang sama yaitu 50% atau ½. Peluang berhasil atau sukses disimbolkan dengan p dan dalam setiap ulangan nilai p tetap. Begitu juga dengan pengambilan kartu.p d. Perlu diingat bahwa kejadian yang menjadi pertanyaan ataupun ditanyakan dari suatu permasalahan bisa dikategorikan sebagai kejadian “sukses atau berhasil”. Proses Bernoulli adalah suatu proses probabilitas yang dapat dilakukan berulang kali. dimana p = 1 .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. Sebenarnya ada sedikit persamaan antara distribusi binomial dengan distribusi poisson. terlebih dahulu harus ditetapkan yang mana yang merupakan kejadian yang dapat dikategorikan “sukses atau berhasil” dan yang mana kejadian yang dapat dikategorikan “gagal”. Dengan demikian kejadian yang menjadi pertanyaan dari suatu permasalahan dapat disimbolkan dengan p. 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) > 0.05 atau sama dengan 0. kemungkinan yang muncul hanya kartu merah atau kartu hitam saja.05) Adapun ciri-ciri atau karakteristik distribusi binomial antara lain : a. 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.  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. Misalnya :  Dalam pelemparan sekeping uang logam sebanyak 5 kali. Banyaknya keberhasilan dalam peubah acak disimbolkan dengan x e. Hasil setiap pelemparan uang logam tersebut hanya mungkin muncul sisi gambar atau angka 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 .DISTRIBUSI BINOMIAL Pendahuluan Distribusi binomial merupakan suatu proses distribusi probabilitas yang dapat digunakan apabila suatu proses sampling dapat diasumsikan sesuai dengan proses Bernoulli.05 (kurang dari 0. Setiap ulangan bersifat bebas (independent) satu dengan lainnya. Catatan Untuk memberikan kemudahan dalam membedakan antara nilai p dan nilai q. kita dapat memberi label “berhasil” untuk pengambilan kartu warna merah dan label “gagal” untuk pengambilan kartu warna hitam ataupun sebaliknya.

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 . Apabila diketahui kata-kata paling sedikit … atau x≥  Tekan R Commander 11 . Rumus umum binomial b (x. maka tuliskan nilai x. binomial distribution. lalu binomial tail probabilities. Apabila diketahui x = …  Tekan R Commander  Perintah mencari probabilitas binomial pada Script Window atau dbinom (x.   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.n.n.p)).p Langkah-langkah mengoperasikan program R untuk distribusi binomial : a.p).q q = peluang gagal dimana q = 1 .p pada Script Window tersebut. 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.n.05) dengan menggunakan program R. c. d.  kemudian tekan Submit  maka pada output window akan muncul nilai probabilitasnya. discret distributions.maka tuliskan nilai x.  Input variabel value (s) = nilai x Contoh : Paling banyak 5 orang menyatakan tertarik menonton sepak bola.  kemudian tekan Submit  maka pada output window akan muncul nilai probabilitasnya. Apabila diketahui kata-kata paling banyak … atau x ≤  Tekan R Commander  Tekan distribution. Maka nilai x ≤ 5.n.n.p pada Script Window tersebut. b. Apabila diketahui nilai …≤…x…≤…… Atau nilai x = sampai …  Tekan R Commander  Perintah mencari probabilitas binomial pada Script Window adalah sum (dbinom (x.

Pilih menu Distribution. Ada 2 sampai 4 orang yang tidak menerima BLT JAWAB a. 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 ).       KASUS Berdasarkan data BPS mengenai warga yang menerima BLT. lalu Binomial tail probabilities 3. discret distributions. Discrete distributions. 2. 40 % warga miskin menyatakan menerima BLT dan sisanya tidak menerima BLT. maka x ≥ atau x >…. input binomial trial = 5. lalu binomial tail probabilities Perhatikan bahwa yang ditanyakan adalah paling sedikit. x ≥ 4 atau x > 3 1.4 serta pilih upper tail kemudian tekan tombol OK 12 . Contoh : Paling sedikit 5 orang menyatakan tertarik menonton sepak bola. Tekan ok Maka akan diperoleh nilai probabilitas tersebut. Paling sedikit 4 orang diantaranya menerima BLT b. input probabilities of success = 0. binomial distribution. Tekan icon R Commander pada desktop. Apabila ditanyakan pada 5 orang warga miskin di Indonesia. Masukkan variabel value (s) = 3. Binomial distribution. 3 orang diantaranya menerima BLT c. Paling banyak 2 orang tidak menerima BLT d.  Tekan distribution. berapakah probabilitas: a.

5. .p). Perintah mencari probabilitas binomial pada script window adalah dbinom (x.0.n.2304 atau jika dinyatakan dalam bentuk persentase sebesar 23. maka tuliskan pada script window dbinom (3. Maka nilai probabilitas paling sedikit 4 orang menerima BLT adalah 0. Maka output window muncul probabilitas 3 orang menerima BLT adalah 0. X = 3 1.04 % 13 .4.04% b. 2.08704 atau jika dinyatakan dalam bentuk persentase sebesar 87.4) kemudian tekan tombol Submit 3. Tekan icon R Commander pada desktop.

2. Discrete distributions. kemudian input probabilities of success dengan nilai probabilitas berhasil ( probabilities of success = 0. lalu Binomial probabilities 3. Maka output window muncul probabilitas 3 orang menerima BLT adalah 0.Atau 1. Tekan icon R Commander pada desktop. Pilih menu Distribution.04 % 14 . Isi nilai n pada kotak binomial trials = 5 . Binomial distribution.4 ) kemudian tekan tombol OK 4.2304 atau jika dinyatakan dalam bentuk persentase sebesar 23.

2. lalu Binomial tail probabilities. Input nilai variabel value (s) = 2. Tekan icon R Commander pada desktop. input probabilities of success = 0. Maka nilai probabilitas paling banyak 2 orang tidak menerima BLT adalah 0. x ≤ 2 1.744 % 15 . kemudian pilih lower tail (karena yang ditanyakan paling banyak ) dan tekan tombol OK 4. Discrete distributions.c.31744 atau jika dinyatakan dalam bentuk persentase sebesar 31. input binomial trial = 5. Binomial distribution.6 (karena yang ditanyakan yang tidak menerima BLT). 3. Pilih menu Distribution.

maka tuliskan pada script window sum(dbinom (2:4 .52 16 . Perintah mencari probabilitas binomial pada script window adalah sum(dbinom (x.0.p)).8352 atau jika dinyatakan dalam bentuk persentase sebesar 83. .5. Tekan submit 4. Tekan icon R Commander pada desktop. Maka output window muncul probabilitas ada 2 sampai 4 orang yang tidak menerima BLT adalah 0.6)) 3. 2.n.d. 2≤x≤4 1.

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. Dalam ilustrasi tadi dapat berarti bahwa jika tingkat kedatangan rata–rata untuk periode jam adalah. 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 . 3. Tidak memiliki kesamaan bahwa akan lebih dari satu kedatangan dalam interval pendek. 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. (λ. Suatu bentuk dari distribusi ini adalah rumus pendekatan peluang poisson untuk peluang binomial yang dapat digunakan untuk pendekatan probabilitas binomial dalam situasi tertentu. Aturan yang diikuti oleh kebanyakan ahli statistika adalah bahwa n cukup besar dan p cukup kecil. Rumus poisson dapat digunakan untuk menghitung probabilitas dari jumlah kedatangan. semakin pendek interval. dan kita tertarik oleh jumlah nasabah yang mungkin datang selama jam kerja tersebut. misalnya : probabilitas jumlah kedatangan nasabah pada suatu bank pada jam kantor. dapat berarti bahwa kesempatan dari sebuah kedatangan di menit berikutnya adalah sama. µ X ) / X ! Dimana : e = 2. bisa berarti bahwa adalah tidak mungkin untuk lebih dari satu nasabah yang dapat melewati jalan masuk dalam waktu satu detik. misalkan pada hari Senin ini adalah jam kerja yang sibuk pada suatu bank. 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. Dalam ilustrasi tadi. Pada pendekatan ini rumusnya lebih mudah untuk digunakan dibandingkan dengan rumus binomial. 2. 2. Untuk menghitung terjadinya suatu kedatangan yang mengikuti proses poisson digunakan rumus sebagai berikut : P ( x ) = (e –λ . Tingkat kedatangan rata-rata setiap unit waktu adalah konstant. Untuk menghitung probabilitas suatu peristiwa yang berdistribusi poisson digunakan rumus sebagai berikut P ( x . Poisson. 3 dan seterusnya. Distribusi ini merupakan distribusi probabilitas untuk variabel diskrit acak yang mempunyai nilai 0.05. Sebagai ilustrasi. Distribusi poisson ini digunakan untuk menghitung probabilitas menurut satuan waktu.2 kedatangan setiap menit.DISTRIBUSI POISSON Pendahuluan Distribusi poisson diberi nama sesuai dengan penemunya yaitu Siemon D. t .71828 µ = rata – rata keberhasilan = n . dengan ketertarikan kita sebenarnya terletak pada interval waktu dan jumlah kedatangan dalam interval waktu jika proses kedatangannya mempunyai karakteristik sebagai berikut : 1. semakin mendekati nol adalah probabilitas yang lebih dari satu kedatangan. Jumlah kedatangan pada interval waktu tidak bergantung pada apa yang terjadi di interval waktu yang sudah lewat. 1. jika n adalah 20 atau lebih dari 20 dan p adalah 0.05 atau kurang dari 0. misalkan 72 kedatangan setiap jam.

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

2240 atau 22. 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. poisson distribution.40% 19 .Atau cara lain tekan icon R commander.

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. Discrete distribution. 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. Poisson distribution.Perusahaan kerajinan tangan “BAGUS ART” mampu menghasilkan 100 produk setiap harinya. 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. Maka langkah penyelesaiannya adalah : 1.

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

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). Kemudian tekan tombol OK 4. Maka probabilitas kurang dari 2 produk yang tidak sesuai standar adalah 0.3.4231901 atau 42.31901% 22 .

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 )= 0.5 . berat badan. nilai hasil ujian dan lain-lain.5 + nilai tabel -a 23 . didapat dengan cara melakukan transformasi nilai-nilai pengukuran ke dalam bentuk bakunya ( nilai Z ). Banyak kejadian yang dapat dinyatakan dalam data hasil observasi per eksperimen yang mengikuti distribusi normal.p ≥ 5.DISTRIBUSI NORMAL Pendahuluan Distribusi normal adalah suatu distribusi yang digunakan untuk mengetahui probabilitas yang telah diketahui rata-rata ( µ ) dan standar deviasinya ( σ ). jadi hanya ada tanda > dan <. isi sebuah botol. Perhitungan probabilitas suatu sampel yang diambil. Distribusi normal ini memiliki ciri yaitu n ≥ 30 dan n. antara lain tinggi badan. dan ≤ diabaikan. tanda =. Distribusi normal sering digunakan dalam berbagai penelitian. ≥ . Banyaknya kejadian yang terdistribusi normal.nilai tabel a P( z ≥ -a ) = 0.

24 .5 P( a1 ≤ z ≤ a2 )= nilai table a2 . Jika jumlah kedatangan bus tersebut berdistribusi normal.P( z ≤ a )= nilai tabel a + 0. kemudian akan muncul tampilan seperti gambar di bawah ini. Tekan icon R Commander pada desktop.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.

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

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

P (x < 225 ) 27 . 6. 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). Input variabel Value(s) = 225 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih lower tail p(x < 225 ) tekan ok. 4. 5. 7. Maka akan diperoleh p (x<225) = 0.3.04779035 Gambar kurvanya adalah….

Maka dengan menggunakan kalkulator akan diperoleh hasil 0.    Klik kursor pada script window Tulis 0.999571 . lalu tekan submit Maka akan tampil hasilnya yaitu 0.04779035.04779035 = 2) Atau jika menggunakan program R dapat mengikuti langkah berikut :  Tekan icon R Commander pada desktop.9517807 pada output window.0.95178065 0. kemudian akan muncul tampilan seperti gambar di bawah ini.0.999571 . 28 .

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

 Untuk membersihkan Script Windows : . 5.Klik kanan lalu pilih Clear window 30 .. Maka akan diperoleh p (x > 300) = 0.0004290603 Gambar kurvanya adalah….Klik kiri pada Script Window . 7. 6. Input variabel Value(s) = 300 Input nilai mu (mean) = 250 Input nilai sigma (standar deviation) = 15 Pilih Upper tail p(x > 300) tekan ok. 4.3.

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->