Download - Buku Ajar Statistika Bab1-6
Politeknik Telkom Statistika
STATISTIKA
POLITEKNIK TELKOM
BANDUNG
2008
i
Politeknik Telkom Statistika
HALAMAN PENGARANG DAN COPYRIGHT
Penulis:1. SRI SURYANI PRASETOWATI M.Si2. YULIANT SIBARONI S.Si, M.T
Dilarang menerbitkan kembali, menyebarluaskan atau menyimpan baik sebagian maupun seluruh isi buku dalam bentuk dan dengan cara apapun tanpa izin tertulis dari Politeknik Telkom.
Hak cipta dilindungi undang-undang @ Politeknik Telkom 2008
No part of this document may be copied, reproduced, printed, distributed, modified, removed and amended in any form by any means without prior written authorization of Telkom Polytechnic.
ii
Politeknik Telkom Statistika
Copyright @ 2008 Telkom Polytechnic. All rights reserved
KATA PENGANTAR
Assalamu’alaikum Wr. Wb
Segala puji bagi Allah SWT karena dengan karunia-Nya courseware ini dapat diselesaikan.
Atas nama Politeknik Telkom, kami sangat menghargai dan ingin menyampaikan terima kasih kepada penulis, penerjemah dan penyunting yang telah memberikan tenaga, pikiran, dan waktu sehingga courseware ini dapat tersusun.
Tak ada gading yang tak retak, di dunia ini tidak ada yang sempurna, oleh karena itu kami harapkan para pengguna buku ini dapat memberikan masukan perbaikan demi pengembangan selanjutnya.
Semoga courseware ini dapat memberikan manfaat dan membantu seluruh Sivitas Akademika Politeknik Telkom dalam memahami dan mengikuti materi perkuliahan di Politeknik Telkom.Amin.
Wassalamu’alaikum Wr. Wb.
Bandung, Agustus 2008
iii
Politeknik Telkom Statistika
Christanto TriwibisonoWakil Direktur IBidang Akademik & Pengembangan
DAFTAR ISI
KATA PENGANTAR.............................................................iiiDAFTAR ISI............................................................................iv1 MENGENAL DATA..............................1-11.1 Populasi dan sampel..............................................1-21.2 Skala pengukuran...................................................1-3Latihan.................................................................................1-62 STATISTIKA DESKRIPTIF....................2-12.1 Ukuran Pemusatan.................................................2-22.2 Ukuran Penyebaran...............................................2-22.3 Ukuran Letak............................................................2-32.4 Distribusi Frekuensi...............................................2-32.5 Penyajian dalam Bentuk Grafik.........................2-63 PELUANG, PELUANG BERSYARAT, DAN
KAIDAH BAYES..................................3-33.1 Ruang Sampel dan Kejadian..............................3-43.2 Peluang.......................................................................3-53.3 Peluang Bersyarat..................................................3-73.4 Kaidah Bayes..........................................................3-104 PEUBAH ACAK, DISTRIBUSI PELUANG
DISKRET, DAN DISTRIBUSI PELUANG KONTINU..........................................4-1
4.1 Peubah acak.............................................................4-2
iv
Politeknik Telkom Statistika
4.2 Distribusi peluang diskret....................................4-24.3 Distribusi peluang kontinu..................................4-3Latihan.................................................................................4-55 DISTRIBUSI PELUANG KHUSUS DISKRET
DAN KONTINU...................................5-15.1 Distribusi Peluang Diskret.....................................5-25.1.1 Distribusi Bernoulli dan binomial..................5-25.1.2 Distribusi poisson...............................................5-55.2 Distribusi peluang kontinu................................5-115.2.1 Distribusi normal..............................................5-115.2.2 Distribusi normal baku...................................5-125.2.3 Distribusi uniform.............................................5-145.2.4 Distribusi Eksponensial....................................5-15Latihan...............................................................................5-196 DISTRIBUSI SAMPLING DAN DALIL LIMIT
PUSAT..............................................6-16.1 Distribusi sampling..............................................6-26.2 Dalil limit pusat.....................................................6-3Latihan.................................................................................6-97 UJI KESESUAIAN MODEL....................................7-1
7.1 Tes Chi-kuadrat 2 ..............................................7-2
7.2 Uji Kasus Distribusi Geometrik..........................7-37.2.1 Penaksir untuk .............................................7-37.2.2 Contoh Data Penelitian................................7-47.2.3 Prosedur pengolahan data.........................7-4Latihan.................................................................................7-78 UJI KENORMALAN..............................8-18.1 Statistik uji kenormalan........................................8-28.2 ShapiroWilk..............................................................8-38.3 Statistik AndersonDarling...................................8-48.4 Statistik KolmogorovSmirnov............................8-59 TRANSFORMASI DATA.......................9-1
v
Politeknik Telkom Statistika
9.1 Transformasi untuk satu angkatan data.........9-29.2 Transformasi untuk beberapa angkatan data
(menyamakan..........................................................9-410 UJI HIPOTESIS NILAI TENGAH DAN
PROPORSI.......................................10-110.1 Hipotesis Statistik................................................10-210.1.1 Pengujian hipotesis untuk satu nilai tengah
10-310.1.2 Pengujian hipotesis untuk selisih antara
dua nilai tengah....................................................10-510.2 Uji proporsi............................................................10-910.2.1 Uji terhadap satu nilai proporsi...............10-1010.2.2 Pendekatan normal baku untuk uji
terhadap satu nilai.............................................10-1210.2.3 Pengujian perbandingan dua proporsi. 10-1311 ANALISIS VARIANSI.........................11-111.1 Asumsi-asumsi pada analisis variansi.........11-211.2Tabel analisis variansi.........................................11-212 REGRESI LINIER DAN NON-LINIER
SEDERHANA....................................12-112.1 Model untuk regresi linier sederhana..........12-212.2 Model regresi non linier...................................12-412.2.1 Model eksponensial.......................................12-412.2.2 Model geometrik (power ).......................12-4DAFTAR PUSTAKA................................................14
vi
Politeknik Telkom Statistika
1 MENGENAL DATA
Overview
Dalam sebuah penelitian, data adalah sebagai komponen utamanya. Tanpa data, kita tidak bisa membuat kesimpulan apapun berkaitan dengan penelitian yang telah dilakukan. Berkaitan dengan data, ada beberapa karakteristik data yang perlu untuk kita kenali antara lain sumber data (primer, sekunder) jenis pengambilan datanya (sampel,populasi) dan skala pengukurannya. Pengetahuan tentang karakteristik data ini tentunya sangat diperlukan agar analisa yang kita lakukan terhadap data menjadi lebih relevan dan lebih tepat.
Tujuan
1. Mahasiswa memahami konsep data primer ,sekunder, sampel , populasi.
2. Mahasiswa memahami skala pengukuran data 3. Mahasiswa dapat memberikan contoh data primer,
sekunder, sampel dan populasi
Mengenal Data 1
Politeknik Telkom Statistika
4. Mahasiswa dapat memberikan contoh data sampel berdasarkan jenis skala pengukurannya
1.1 Populasi dan Sampel
Persoalan-persoalan yang muncul dalam berbagai bidang, hampir seratus persen berhubungan dengan data. Data dalam bidang statistika merupakan keterangan atau informasi mengenai suatu kejadian, biasanya dinyatakan dengan angka. Diharapkan nantinya data dapat memberikan informasi lebih banyak bagi yang bersangkutan. Sebelum membahas tentang data, terlebih dahulu akan dibahas sekilas tentang statistika, populasi, dan sampel. Statistika yaitu suatu ilmu yang mempelajari tentang data, meliputi teknik pengambilan data, pengolahan dan penyajiannya, kemudian analisis dan kesimpulan serta pengambilan keputusan dari kesimpulan yang diperoleh lewat analisis. Sedangkan data itu sendiri merupakan keterangan yang menggambarkan kondisi saat itu.
Berdasarkan sumbernya data dibedakan menjadi dua, yaitu 1) data primer dan 2) data sekunder. Data primer adalah keterangan atau informasi secara umum yang diperoleh oleh dari penelitian peneliti sendiri. Sedangkan data sekunder merupakan data yang diambil dari penelitian orang lain pada suatu publikasi.
Berkaitan dengan pengambilan data, terdapat dua istilah yaitu populasi dan sampel. Populasi adalah seluruh objek yang diamati. Sedangkan sampel adalah objek yang diamati adalah sebagian dari populasi. Diharapkan pengambilan sampel yang dilakukan dapat mewakili populasi. Beberapa hal yang mendasari pengambilan sampel adalah :
Mengenal Data 2
Politeknik Telkom Statistika
1. WaktuBila waktu untuk penelitian terbatas, maka pengambilan sampel dapat dipilih sebagai alternatif pengambilan data.
2. BiayaUntuk penelitian mengenai suatu komponen yang harganya mahal, bila pengambilan populasi dilakukan, maka biaya yang dikeluarkan akan besar. Sehingga untuk biaya yang terbatas, perlu dilakukan pengambilan sampel.
3. Populasi tidak pastiSalah satu contoh populasi tidak pasti adalah, bila penelitian kita tentang orang berpenyakit flu burung, maka kita akan kesulitan menentukan populasinya, karena tanpa pemeriksaan akan sulit ditentukan seseorang kena flu burung atau tidak. Sehingga pengambilan sampel perlu dilakukan yaitu pasien flu burung pada suatu rumah sakit.
4. KetelitianHal ini berhubungan dengan waktu dan biaya yang terbatas. Misal biaya dan waktu penelitian terbatas, maka jumlah tenaga yang membantu penelitian akan menjadi pertimbangan, sehingga hasilnya pengolahannya berpengaruh pada tingkat ketelitian.
1.2 Skala Pengukuran
Skala pengukuran merupakan bagian yang paling mendekati pengukuran data baik secara diskret maupun kontinu. Skala ini sangat penting, karena berkaitan dengan pemilihan teknik analisis statistika yang sangat bergantung pada sifat data dan skala pengukuran yang digunakan. Ditinjau berdasarkan skala pengukurannya, data dapat
Mengenal Data 3
Politeknik Telkom Statistika
dibedakan menjadi beberapa kelompok, yaitu ( dari yang terendah sampai yang tertinggi ) :
a. Skala NominalData yang termasuk dalam kelompok ini memiliki ciri bahwa data tidak memiliki tingkatan. Satu – satunya operator matematika yang berlaku adalah persamaan dan pertidaksamaan. Contohnya adalah data tentang jenis kelamin, agama, jenis penyakit dan sebagainya.
b. Skala OrdinalSudah ada tingkatan pada data yang masuk kelompok ini, hanya saja belum ada ketentuan jarak yang sama antar tingkatan,serta ada hubungan lebih dari. Contohnya adalah data tentang golongan kepegawaian, kepangkatan, nilai huruf, peserta kontes kecantikan, jenis komputer dan sebagainya.
c. Skala Interval Selain sudah memiliki tingkatan seperti data pada skala ordinal, data yang masuk dalam kelompok ini juga memiliki sifat bahwa jarak antar tingkatan adalah sama. Hal ini diperiksa melalui selisih antar tingkatan selalu tetap Sebagai contoh data suhu yang diukur dalam Celcius, selisih antara suhu 30 dan 29 akan sama dengan selisih suhu 10 dan 11 atau dengan yang lainnya. Ciri lain dari data ini adalah nilai 0 belum memiliki arti sebenarnya ( tidak ada).Contohnya adalah suhu 0 derajat bukan berarti tidak ada suhu, tahun 0 bukan berarti tidak ada tahun.
d. Skala RasioData yang memiliki skala ini memiliki tingkatan yang paling tinggi. Semua sifat pada skala interval juga ada
Mengenal Data 4
Politeknik Telkom Statistika
pada data skala rasio ini. Tambahan sifat untuk jenis data ini adalah nilai 0 sudah memiliki arti yang sebenarnya ( tidak ada ).Contoh adalah data tentang berat, tinggi, harga, volume dan sebagainya.
Dengan mengetahui jenis data yang akan diolah, maka kita dapat menentukan analisis yang tepat untuk data tersebut. Sebagai contoh data yang memiliki skala Nominal hanya dapat disajikan dalam bentuk pie chart, bar chart dan tidak dapat ditentukan ukuran ukuran statistik seperti mean, standard deviation dan sebagainya. Data yang berskala Ordinal selain dapat dianalisa seperti nominal juga dapat dianalisa lebih lanjut tetapi sebelumnya harus ditransformasi ke bentuk numerik. Tetapi, kadang untuk pengolahan lebih lanjut, data berskala ordinal dan nominal dapat diolah dengan menggunakan statistika nonparametrik (tanpa distribusi). Sedangkan data yang berskala interval atau Rasio dapat dilakukan analisa yang lebih lengkap secara langsung. Analisa yang dapat dilakukan pada data dengan kedua skala terakhir ini relatif sama.
ContohSebuah penelitian dilakukan untuk melihat pengaruh kenaikan BBM terhadap tingkat pengangguran di kota Bandung. Berikut adalah data yang bisa digunakan dalam penelitian ini :Data yang diperlukan antara lain data tentang tingkat pengangguran sebelum kenaikan BBM dan setelah kenaikan BBMa. Data Sekunder
i. Data tingkat pengangguran sebelum kenaikan BBM (misalkan data dari BPS atau hasil penelitian lainnya)
Mengenal Data 5
Politeknik Telkom Statistika
ii. Data tingkat pengangguran setelah kenaikan BBM (misalkan data dari BPS hasil penelitian lainnya)
b. Data PrimerYaitu data tingkat pengangguran setelah kenaikan BBM yang dicari sendiri melalui pendataan secara langsung
c. Data Sampel Data tingkat pengangguran (sebelum dan kenaikan BBM) yang diambil dari sebagian penduduk kota Bandung
d. Data PopulasiData tingkat pengangguran (sebelum dan kenaikan BBM) yang diambil dari seluruh penduduk kota Bandung
e. Skala PengukuranData yang dikumpulkan dalam penelitian ini antara lain meliputi data tentang usia(rasio), agama (nominal), status perkawinan (nominal), Jenis Kelamin (nominal) dan status Bekerja (nominal).
Latihan1. Suatu penelitian dilakukan untuk melihat hubungan antara
jumlah sks dengan nilai IPK yang diperoleh mahasiswa Poltek Telkom. Tentukan data yang diperlukan untuk penelitian ini beserta jenis datanya (kerjakan seperti contoh)
2. Suatu penelitian dilakukan untuk melihat hubungan antara frekuensi penggunaan laboratorium dengan biaya
Mengenal Data 6
Politeknik Telkom Statistika
perawatan laboratorium tersebut . Tentukan data yang diperlukan untuk penelitian ini beserta jenis datanya (kerjakan seperti contoh)
Mengenal Data 7
Politeknik Telkom Statistika
2 STATISTIKA DESKRIPTIF
Overview
Suatu data mentah menjadi kurang berguna bila hanya ditampilkan seperti aslinya. Sebagian orang bahkan sangat kesulitan ketika melihat data dalam bentuk numerik. Salah satu teknik dalam Statistika untuk menampilkan atau menyajikan suatu data agar lebih mudah untuk dipahami adalah Statistika Deskriptif. Dalam Statistika Deskriptif, secara umum data akan disajikan dalam bentuk tabel maupun dalam bentuk grafik tergantung dari jenis datanya. Walaupun tampilan data lebih sederhana, tetapi setiap orang dapat memiliki persepsi yang berbeda – beda berkaitan dengan data tersebut
Tujuan
1. Mahasiswa mengetahui konsep dan jenis - jenis ukuran pemusatan, ukuran penyebaran dan ukuran letak
2. Mahasiswa dapat menentukan ukuran pemusatan, ukuran penyebaran dan ukuran letak suatu data
Statistika Deskriptif 1
Politeknik Telkom Statistika
3. Mahasiswa dapat menyajikan data dalam bentuk histogram, boxplot dan diagram dahan dan daun
2.1 Ukuran Pemusatan
Terdapat beberapa ukuran pemusatan dalam statistika deskriptif antara lain mean, median, dan modus. Mean adalah ratarata dari data dan dinotasikan dengan
, di mana menyatakan ratarata sampel dan menyatakan ratarata populasi. Secara umum mean
memiliki rumusan sebagai berikut :
, n banyaknya sampel
, N banyaknya populasi
Median adalah nilai yang membagi suatu gugus data yang telah terurut menjadi 2 bagian yang sama. Median memiliki sifat bahwa di bawah nilai median terdapat 50% data. Cara menentukan median sebagai berikut : Misal X1, X2, …, Xn adalah data yang sudah terurut dari
kecil ke besar, maka untuk n ganjil dan
untuk n genap .
Modus yaitu nilai yang paling sering muncul dalam suatu gugus data
Dalam penggunaannya, mean lebih sering digunakan dari pada ukuran pemusatan lainnya karena keakuratannya dalam menentukan nilai tengah suatu gugus data, walaupun ada
Statistika Deskriptif 2
Politeknik Telkom Statistika
beberapa kasus yang membuat nilai mean menjadi kurang tangguh, misalkan ada nilai yang dianggap ekstrim.
2.2 Ukuran Penyebaran
Beberapa ukuran penyebaran antara lain : Range atau jangkauan yaitu menyatakan selisih
antara nilai maksimum dengan nilai minimum. Variansi adalah nilai tengah dari kuadrat
penyimpangan antara xi terhadap . Variansi merupakan ukuran penyebaran yang sering digunakan dalam statistika inferensia. Variansi dinotasikan S2 untuk sampel dan 2 untuk populasi. Variansi memiliki rumusan sebagai berikut :
, di mana n banyaknya sampel
, di mana N banyaknya populasi
Simpangan baku merupakan akar dari variansi.
2.3 Ukuran Letak
Kuartil menyatakan nilainilai yang membagi gugus data menjadi empat bagian yang sama besar. Q1 menyatakan kuartil 1 yang memiliki sifat bahwa ¼ data terletak di bawah Q1. Q2 sama dengan median. Sedangkan Q3 memiliki sifat bahwa ¾ data terletak di bawah Q3. Untuk ukuran letak yang lainnya adalh desil, persentil dll.
Statistika Deskriptif 3
Politeknik Telkom Statistika
2.4 Distribusi Frekuensi
Distribusi frekuensi yaitu penyajian data dalam bentuk tabel. Di mana pada tabel tersebut menampilkan ciriciri penting sejumlah data yang diperoleh dengan cara mengelompokkan data menjadi beberapa kelas, kemudian dari masingmasing kelas dihitung banyaknya pengamatan yang masuk.Langkah-langkah membuat tabel frekuensi :1. Menentukan banyaknya kelas dengan kaidah Sturges
yaitu , dimana . Banyaknya kelas sebaiknya antara 5 sampai 15.
2. Menentukan interval kelas (KI)
KI sebaiknya kelipatan 5. 3. Untuk komposisi kelas, perhatikan bahwa kelas tidak
tumpang tindih.4. Bila tabel distribusi frekuensi, nantinya digunakan untuk
membuat histogram atau poligon, maka komposisinya diubah ke bentuk batas kelas (batas bawah kikurangi setengah dan batas atas di tambah setengah)
Bila data disajikan sebagai data kelompok (tabel frekuensi), maka ukuran pemusatan, penyebaran dan letak dapat dihitung dengan menggunakan rumusan sebagai berikut :
- Ukuran Pemusatan
Mean :
Statistika Deskriptif 4
Politeknik Telkom Statistika
= titik tengan kelas, = frekuensi kelas
Median :
= batas bawah kelas median = frekuensi total
= frekuensi kelas median = interval kelas
= frekuensi kumulatif sebelum median
Modus :
= frekuensi kelas modus
= frekuensi sebelum kelas modus
= frekuensi sesudah kelas modus
- Ukuran Penyebaran
- Ukuran LetakKuarti ( )
= frekuensi pada kelas kuartil ke-i
Statistika Deskriptif 5
Politeknik Telkom Statistika
= frekuensi sebelum kuarti
Pada tabel distribusi frekuensi, dapat juga diberikan coding untuk mempermudah perhitungan statistik. Coding dilakukan dengan cara membagi kelas menjadi dua yaitu kelas yang ditengah-tengah diberi kode nol, sedangkan dua kelas di bawah dan di atasnya diberi kode negatif dan positif.
2.5 Penyajian dalam Bentuk Grafik Histogram dibuat berdasarkan tabel distribusi frekuensi.
Bila datanya memiliki skala interval atau rasio, maka histogram dapat digunakan untuk menyajikan data.
Box plot merupakan bentuk penyajian data yang hanya menggunakan beberapa statistik yang disebut ringkasan lima angka yaitu nilai minimum, Q1, median, Q3, nilai maksimum. Pada box plot dapat juga ditentukan adanya pencilan atau tidak. Pencilan yaitu suatu nilai pada data yang apabila dibandingkan dengan nilai data yang lain tidak konsisten. Pencilan dibedakan menjadi pencilan jauh (dalam) dan pencilan jauh sekali (luar). Untuk menentukan pencilan digunakan rumusan sebagai berikut :Pagar dalam (p)
Pagar luar (P)
Pencilan dikatagorikan sebagai pencilan jauh bila letaknya data di antara pagar dalam dan pagar luar. Sedangkan pencilan jauh sekali, bila data di luar pagar luar.
Statistika Deskriptif 6
Politeknik Telkom Statistika
Diagram dahan daun adalah salah satu teknik penyajian data yang menggunakan data asli secara langsung. Pada dasarnya dalam diagram dahan daun, penyajian data terbagi atas dua kolom yaitu dahan dan daun, dimana dahan berisi data dengan satuan yang lebih besar dari pada kolom daun.
Dari ketiga bentuk penyajian data di atas, dapat dilihat bentuk distribusi data, apakah simetri, menjulur ke kiri atau ke kanan. Sedangkan untuk memeriksa kemencengan
digunakan metode Pearson yaitu . Jika , data
menceng ke kiri dan , data menceng ke kanan.
Contoh 1Data berikut adalah data penjualan voucher telepon di lima kota provinsi Jawa barat :Bulan
Bandung
Sukabumi
Garut
Tasik
Bogor
1 42 8 32 56 512 45 14 33 60 583 51 25 41 58 574 61 43 52 62 675 69 54 62 63 816 76 64 72 68 887 78 71 77 69 948 78 69 75 71 939 72 58 68 69 85
10 62 47 58 67 7411 51 29 47 61 6112 44 16 35 58 55
Hasil yang diperoleh (dari pengolahan dengan minitab 15) adalah sebagai berikut :
Statistika Deskriptif 7
Politeknik Telkom Statistika
Statistika Deskriptif 8
Politeknik Telkom Statistika
Statistika Deskriptif 9
Politeknik Telkom Statistika
Statistika Deskriptif 10
Politeknik Telkom Statistika
Dari keempat kota (Bandung, Sukabumi, garut, dan tasik) rata-rata penjualan voucher telepon tiap bulannya adalah kota tasik yaitu 63.5 dengan variansi terkecil 26,091. Untuk kota Bandung dan Garut penjualan voucher tiap bulannya hampir merata, kota sukabumi penjualan terbanyak pada bulan-bulan terakhir, sedangkan untuk kota tasik penjualan terbanyak pada bulan-bulan pertama pada tahun tersebut.
Contoh 2Data berikut adalah banyaknya turis asing yang masuk ke kota-kota di negara bagian Amerika tiap bulannya. Bila informasi yang diperoleh seperti tampilan di bawah tabel, analisis apa yang dapat anda berikan?
Statistika Deskriptif 11
Politeknik Telkom Statistika
Month
Atlanta
Bismarck
New York
San Diego
Phoenix
1 42 8 32 56 512 45 14 33 60 583 51 25 41 58 574 61 43 52 62 675 69 54 62 63 816 76 64 72 68 887 78 71 77 69 948 78 69 75 71 939 72 58 68 69 8510 62 47 58 67 7411 51 29 47 61 6112 44 16 35 58 55
Informasi yang diperoleh : Ukuran pemusatan, penyebaran, dan letak
N : 60Mean : 58.42Median : 61Modus : 58Range : 86Variansi : 338.383Simpangan baku : 18.395Minimum : 8Maksimum : 94Quarti 1, 2, 3 : 48, 61, 70.5
Statistika Deskriptif 12
Politeknik Telkom Statistika
- histogram dan boxplotnya sebagai berikut :
908070605040302010
15
10
5
0
C7
Fre
quen
cy
Histogram of C7
1009080706050403020100
C7
Boxplot of C7
Statistika Deskriptif 13
Politeknik Telkom Statistika
Latihan1. Untuk menentukan kelayakan air sungai pada suatu
daerah yang dikonsumsi oleh penduduk setempat, suatu suspensi diteteskan pada sampel air sungai tersebut dengan konsentrasi tertentu. Berikut adalah data yang diperoleh 50 penelitian dari beberapa bagian suatu sungai yang diberi suspensi dengan konsentrasi yang berbeda-beda :
55.8
60.9
37.0
91.3
65.8
42.3
33.8
60.6
76.0
69.0
45.9
39.1
35.5
56.0
44.6
71.7
61.2
61.5
47.2
74.5
83.2
40.0
31.7
36.7
62.3
47.3
94.6
56.3
30.0
68.2
75.3
71.4
65.2
52.6
58.2
48.0
61.8
78.8
39.8
65.0
60.7
77.1
59.1
49.5
69.3
69.8
64.9
27.1
87.1
66.3
Peluang, Peluang Bersyarat, Kaidah Bayes 1
Politeknik Telkom Statistika
a. Buatlah diagram dahan daun
b. Buat tabel distribusi frekuensi dan histogramnya
c. Hitung ukuran pemusatan, penyebaran, dan letak, kemudian buat box plotnya
d. Kesimpulan apa yang bisa dinyatakan dari data tersebut, berdasarkan a, b, c.
2. Diketahui tabel distribusi frekuensi di bawah yang menyatakan jarak (dalam ribuan mil) yang ditempuh oleh 191 bis dari suatu travel dan bis gagal mencapai tujuan.
Batas kelas Frekuensi
0.5 – 20.5 6
20.5 – 40.5 11
40.5 – 60.5 16
60.5 – 80.5 25
80.5 – 100.5 34
100.5 – 120.5 46
120.5 – 140.5 33
140.5 – 160.5 16
160.5 – 180.5 2
180.5 – 200.5 2
a. Buat histogramnya
Peluang, Peluang Bersyarat, Kaidah Bayes 2
Politeknik Telkom Statistika
b. Hitung mean ,simpangan baku Q1 , Q2 dan Q3 nya, beri penjelasan !
c. Buat Boxplot, periksa apakah terdapat pencilan/outlier ?
d. Estimasi proporsi dari semua bis yang beroperasi paling sedikit 100.000 mil dan gagal
e. Berapakah proporsi dari semua bis yang beroperasi antara 50.000 sampai 125.000 mil dan gagal
3 PELUANG, PELUANG BERSYARAT, DAN KAIDAH BAYES
Overview
Dalam kehidupan nyata, sering kali kita dihadapkan dengan situasi yang tidak pasti dan dipaksa untuk mengambil keputusan yang paling tepat. Dalam Statistika, masalah yang berkaitan dengan ketidakpastian dapat dihubungkan dengan masalah probabilitas (peluang). Kejadian yang pasti terjadi memiliki peluang = 1, kejadian yang mustahil memiliki peluang = 0 sedangkan kejadian tidak pasti memiliki peluang
Peluang, Peluang Bersyarat, Kaidah Bayes 3
Politeknik Telkom Statistika
antara 0 – 1. Dengan memahami konsep peluang ini, diharapkan kita dapat mengambil keputusan yang tepat berdasarkan nilai peluang yang terbesar.
Tujuan
1. Mahasiswa memahami konsep ruang sampel, kejadian dan peluang.
2. Mahasiswa dapat menghitung peluang suatu kejadian3. Mahasiswa dapat peluang kejadian A bila kejadian B
terjadi dengan menggunakan konsep peluang bersyarat dan teorema Bayes
3.1 Ruang Sampel dan Kejadian
Ruang sample dari suatu eksperimen merupakan suatu himpunan semua kemungkinan hasil suatu eksperimen. Ruang sample dinotasikan dengan . Sedangkan kejadian adalah himpunan bagian dari ruang sample. Kejadian dikelompokkan menjadi dua yaitu kejadian sederhana (kejadian yang terdiri dari satu hasil eksperimen) dan kejadian majemuk (kejadian yang terdiri lebih dari satu hasil eksperimen).
Contoh Misal suatu eksperimen dilakukan dengan mengamati tiga buah mobil yang akan keluar dari pintu keluar parkir suatu supermarket, apakah belok ke kiri (L) atau ke kanan (R). Ruang sample untuk eksperimen tersebut adalah
. Berikut adalah beberapa contoh kejadian :
Peluang, Peluang Bersyarat, Kaidah Bayes 4
Politeknik Telkom Statistika
Kejadian Sederhana - = adalah kejadian ketiga mobil keluar pintu parkir
belok ke kiri- = adalah kejadian ketiga mobil keluar pintu parkir
belok ke kanan
Kejadian Majemuk - = adalah kejadian tepat satu mobil
yang keluar pintu parkir belok ke kanan- = adalah kejadian paling
banyak satu mobil yang keluar pintu parkir belok ke kanan
3.2 Peluang
Menurut Athanasios papoulis, untuk mempelajari teori peluang terdapat beberapa pendekatan yaitu :
1. Definisi Aksioma
Misal adalah ruang sampel yang berhingga dan A suatu kejadian dalam . Definisi dari pendekatan aksiomatik adalah : untuk setiap kejadian A, peluang dari A ditulis sebagai yang merupakan bilangan real dan memenuhi aksioma :
1.
2.
3.
Bila ruang sampel tak hingga, maka
Sedangkan sifat-sifat peluang adalah :
Peluang, Peluang Bersyarat, Kaidah Bayes 5
Politeknik Telkom Statistika
1.
2.
3.
4.
5.
6. Bila kejadian dalam , maka
7. Bila kejadian saling lepas, maka
2. Objektif
frekuensi relatifAndaikan percobaan acak diulang sebanyak n kali. Bila kejadian A terjadi n kali, maka peluang kejadian A terjadi adalah yang didefiniskan sebagai berikut
adalah frekuensi relatif
kejadian ASifat-sifat :
1.
2. Bila A dan B kejadian yang saling lepas, maka
Peluang, Peluang Bersyarat, Kaidah Bayes 6
Politeknik Telkom Statistika
kejadian equally likelyMisal adalah ruang sampel berhingga dengan n
kejadian sederhana, yaitu . Andaikan
, maka
1.
2.
3. Bila , maka
3.3 Peluang Bersyarat
Peluang bersyarat dari kejadian A bila diberikan atau diketahui kejadian B, yang dinyatakan dengan notasi
didefinisikan sebagai berikut :
-
-
Dari definisi tersebut diatas, dapat diperoleh bahwa :
Berikut adalah beberapa aksioma peluang bersyarat :1.
Peluang, Peluang Bersyarat, Kaidah Bayes 7
Politeknik Telkom Statistika
2.
3.
Contoh 1Data di bawah ini menyatakan banyaknya resistor berikut toleransinya :
Resistor (ohm)Toleransi
Jumlah5% 10%
22 10 14 2447 28 16 44
100 24 8 32Jumlah 62 38 100
- Berikut adalah definisi dari beberapa kejadianA adalah kejadian terambilnya resistor 47 ohmB adalah kejadian terambilnya resistor dengan toleransi 5%C adalah kejadian terambilnya resistor 100 ohm
- Hitung : a. b. c.
d. e. - Jawab :
a.
b.
c.
d.
Peluang, Peluang Bersyarat, Kaidah Bayes 8
Politeknik Telkom Statistika
e.
Contoh 2Untuk memenuhi kebutuhan jumlah tenaga kerja, tiap tahun PT Telkom melaksanakan proses rekruitasi karyawan. Dari 100% pendaftar, yang lulus proses adalah 80%. Sebelum terjun ke lapangan, para karyawan baru diwajibkan tes pendidikan di divlat, ternyata yang lulus hanya 90%. Karena untuk memenuhi kebutuhan jumlah karyawan yang besar, PT Telkom memanggil lagi para pendaftar yang tidak lulus untuk tes pendidikan di divlat, dan yang lulus hanya 50%. Berapa prosenkah para pendaftar yang lulus divlat ?
Jawab Berikut adalah diagram pohon dari pernyataan di atas :
KeteranganLR : Lulus proses rekruitasi
Peluang, Peluang Bersyarat, Kaidah Bayes
Rekruitasi
LR
TLR
LD
TLD
LD
TLD
0.8
0.2
0.9
0.1
0.5
0.5
9
Politeknik Telkom Statistika
TL : Tidak Lulus proses rekruitasiLD : Lulus DivlatTLD : Tidak Lulus Divlat
Misal prosentase pendaftar yang lulus divlat = DP, maka
Jadi pendaftar yang lulus divlat 82%
3.4 Kaidah Bayes
Sebelum membahas kaidah bayes, terlebih dahulu dipelajari mengenai definisi partisi dari ruang sample. Partisi dari suatu ruang sample yaitu suatu himpunan dari kejadian-kejadianyang saling lepas (mutually exclusive)
sedemikian sehingga .
Theorema : Bila adalah partisi dari ,
maka untuk suatu kejadian E dalam , berlaku
.
Theorema tersebut dapat digambarkan pada diagram di bawah ini
Peluang, Peluang Bersyarat, Kaidah Bayes 10
Politeknik Telkom Statistika
Theorema Bayes
Andaikan kejadian-kejadian merupakan
partisi dari ruang sample dan E adalah suatu kejadian,
maka untuk suatu k berlaku
Contoh 1
Sebuah pabrik penghasil video cassette recorder, membeli microchip khusus LS-24 dari tiga supplier yang berbeda, yaitu
Peluang, Peluang Bersyarat, Kaidah Bayes
F1
F2
F3
F4
F5
F6
F7
F8
F9 E
11
Politeknik Telkom Statistika
Hall electronics (HE), Schuller Sales (SS), dan Cranford Components (CC). Untuk memenuhi kebutuhan microchip tersebut, 30% dibeli dari HE, 20% dari SS, dan sisanya dari CC. Pabrik tersebut memiliki banyak pengalaman dalam hal microchip dari tiga supplier tersebut. Dari microchip pasokan tiga supplier tersebut 3% chip dari HE cacat, 5% dari SS cacat, 4% dari CC cacat. Pada saat chip LS-24 tiba, para kuli langsung mengangkut ke gudang, tanpa memeriksa asal supplier chip tersebut. Pada saat proses perangkaian, seorang karyawan memilih chip untuk dipasang pada sebuah VCR, dan menemukan chip tersebut cacat. Berapa peluang chip tersebut dipasok oleh SS?
Jawab
Misalkan berikut adalah kejadian – kejadian yang terjadiHE : Terpilih supplier Hall electronicsSS : Terpilih supplier Schuller SalesCC : Terpilih supplier Cranford Components
Pernyataan tersebut dapat didiagramkan sebagai berikut :
Peluang, Peluang Bersyarat, Kaidah Bayes 12
Politeknik Telkom Statistika
Peluang bahwa chip yang cacat tersebut dipasok oleh SS adalah
Contoh 2Suatu pabrik memproduksi 3 buah produk A,B dan C yang
masing – masing berjumlah 1000,2000 dan 4000 buah.
Peluang terambil akan cacat dari produk A =2%, Peluang
Peluang, Peluang Bersyarat, Kaidah Bayes
HE
SS
CC
cacat
cacat
bagus
bagus
bagus
cacat
Supplier Chip
0.3
0.2
0.5
0.03
0.05
0.04
13
Politeknik Telkom Statistika
terambil akan cacat dari produk B =3% dan Peluang terambil
akan cacat dari produk C =5%.
Bila diambil sebuah produk secara acak
a. Berapa peluang produk tsb cacat ?
b. Bila ternyata produk tsb cacat, berapa peluang produk
tsb adalah produk B ?
Jawab
Misalkan
A : Terambil produk A
B : Terambil produk B
C : Terambil produk C
F : Terambil produk Fail / Cacat
P(A) = 1/7 P(F|A) = 0,02
P(B) = 2/7 P(F|B) = 0,03
P(C) = 4/7 P(F|C) = 0,05
a. P(F) ?
b. P(B|F) ?
Peluang, Peluang Bersyarat, Kaidah Bayes 14
Politeknik Telkom Statistika
Latihan 1. Suatu PT yang bergerak dalam bidang konsultan computer
saat ini memiliki 3 buah proyek. Misal menyatakan
proyek ke-i, i = 1, 2, 3 dan diketahui ,
, , ,
, ,
. Hitung peluang :
a. b.
2. Suatu pabrik mempunyai empat buah mesin, yang menghasil barang yang sama. Mesin I dan II masing-masing menghasilkan 20% dari seluruh produk, sedangkan mesin III dan IV masing-masing menghasilkan 30% dari seluruh produk. Dari barang yang diproduksi oleh 4 mesin tersebut, diketahui cacat dengan rincian, 6% dari mesin I, 5% dari mesin II, 8% mesin III, dan 8% dari mesin IV. Pada saat pemeriksaan produk, diambil secara acak suatu barang.a. Berapa peluang barang tersebut cacat ?b. Bila barang tersebut cacat, berapa peluang bahwa
barang tersebut hasil produksi mesin II ?
3. Salah satu tujuan diadakannya audit adalah untuk menemukan terjadinya beberapa kesalahan materi, kesalahan prosedur, maupun kesalahan-kesalahan dalam pencatatan informasi. Sebuah Kantor Akuntan Publik yang disewa oleh sebuah perusahaan X yang selama ini telah aktif melakukan pembukuan terhadap penjualan grosir maupun eceran. Selanjutnya diketahui bahwa 70% pelanggan merupakan pelanggan eceran dan diketahui
Peluang, Peluang Bersyarat, Kaidah Bayes 15
Politeknik Telkom Statistika
kesalahan pembukuan penjualan eceran 10%, sedangkan kesalahan pembukuan penjualan grosir 20%. Apabila seorang auditor menemukan kesalahan, berapa peluang bahwa pembukuan tersebut berasal dari penjualan eceran ?
4 PEUBAH ACAK, DISTRIBUSI PELUANG DISKRET, DAN DISTRIBUSI
PELUANG KONTINU
Overview
Konsep yang mendasari distribusi peluang adalah peubah acak. Peubah acak biasanya didefinisikan berdasarkan tujuan penelitian yang akan dilakukan. Berdasarkan jenis bilangannya, peubah acak dapat memiliki nilai yang diskret dan juga kontinu. Distribusi peluang diskret diturunkan berdasarkan peubah acak diskret, demikian juga distribusi peluang kontinu juga diturunkan berdasarkan peubah acak kontinu
Peluang, Peluang Bersyarat, Kaidah Bayes 16
Politeknik Telkom Statistika
Tujuan
1. Mahasiswa mengetahui beberapa jenis distribusi khusus diskret dan kontinu
2. Mahasiswa dapat menghitung peluang kejadian dari beberapa distribusi khusus diskret dan kontinu
3. Mahasiswa dapat meyelesaikan berbagai persoalan dan fenomena nyata yang terkait dengan distribusi peluang diskret dan kontinu.
4.1 Peubah Acak
Pada suatu percobaan statistik, terdapat satu atau lebih karakteristik yang dapat diamati atau diukur. Tetapi kadangkadang seseorang hanya tertarik untuk mengamati satu macam karakteristik saja. Biasanya setelah proses pengambilan titik sampel, dilanjutkan dengan pengelompokan yang berkaitan dengan nilai numerik . Misalkan percobaan pelemparan uang logam sebanyak 3 kali, dengan ruang sampel sebagai berikut, dimana A menyatakan angka dan G menyatakan gambar :
S = { AAA, AAG, AGA, GAA, AGG, GAG, GGA, GGG}
Selanjutnya bila hanya munculnya angka saja yang diamati, maka nilai numeriknya adalah 0, 1, 2, 3, dimana 0 menyatakan angka tidak pernah muncul, 1 menyatakan angka satu kali, 2 menyatakan angka dua kali, dan 3 menyatakan angka tiga kali. Untuk mengkaitkan ruang sampel dengan nilai numeriknya yang berupa bilangan real diperlukan suatu fungsi yang dinamakan peubah acak. Peubah acak dinotasikan dengan huruf kapital, misal X, Y atau
Peluang, Peluang Bersyarat, Kaidah Bayes 17
Politeknik Telkom Statistika
lainnya. Sedangkan nilainilainya dinyatakan dengan huruf kecil, misal , atau lainnya.
Bila peubah acak tersebut didefinisikan pada ruang sampel diskret, maka peubah acaknya disebut peubah acak diskret, dan bila didefinisikan pada ruang sampel kontinu disebut peubah acak kontinu.
4.2 Distribusi Peluang Diskret
Distribusi peluang diskret yaitu sebuah tabel yang mencantumkan semua kemungkinan nilai dari suatu peubah acak beserta peluangnya, dimana fungsi peluang dari peubah acak diskret X didefinisikan sebagai .
Sedangkan fungsi distribusi kumulatif dari peubah acak diskret X yaitu F(x) didefinisikan sebagai berikut
Mean dan Variansi
Mean X didefinisikan dengan rumusMean =
Variansi = dimana
Mean (kX) = K Mean(X)
4.3 Distribusi Peluang Kontinu
Peluang, Peluang Bersyarat, Kaidah Bayes 18
Politeknik Telkom Statistika
Misalkan X adalah peubah acak kontinu, maka distribusi peluang dari X dari suatu fungsi peluang di antara dan , didefinisikan sebagai berikut :
yang menyatakan luas daerah dibawah kurva di antara dan .
Sedangan fungsi distribusi kumulatif dari peubah acak kontinu X, yaitu didefinisikan sebagai berikut :
Mean dan Variansi
Mean X didefinisikan dengan rumus
Mean =
Variansi = dimana
Contoh 1Suatu pengamatan mengenai nomor telepon yang di dial oleh mesin penerima secara acak untuk suatu area tertentu, dedefinisikan peubah acak X sebagai berikut:
Bila peluang sebuah nomor terdaftar = 0,3, maka dapat dibuat tabel distribusi peluang diskret dari pengamatan diatas yaitu
Peluang, Peluang Bersyarat, Kaidah Bayes 19
Politeknik Telkom Statistika
x P(x)
0 0,7
1 0,3
Mean(X) =
Contoh 2
Misal diberikan tabel distribusi peluang diskret sebagai berikut
X 1 2 3 4 Jumlah
0.4
0.3
0.2
0.1
1
x.p(x) 0,4
0,6
0,6
0,4
2
X2. p(x)
0,4
1,2
1,8
1,6
5
Dengan perhitungan manual , peluang kumulatifnya adalah:F(1) = p(1) = 0.4F(2) = P(X 2) = p(1) + p(2) = 0.4 + 0.3 = 0.7F(3) = P(X 3) = p(1) + p(2) + p(3) = 0.4 + 0.3 + 0.2 = 0.9F(4) = P(X 4) = p(1) + p(2) + p(3) + p(4) = 0.4 + 0.3 +0.2 + 0.1=1
Peluang, Peluang Bersyarat, Kaidah Bayes 20
Politeknik Telkom Statistika
Mean(X) =
Contoh 3
Misalkan saya berangkat ke kantor naik bus dan setiap 5 menit bus tiba di halte. Karena saya berangkat ke kantor tiap hari tidak selalu pada waktu yang sama, maka saya sampai di halte juga pada waktu yang tidak sama. Misalkan peubah acak X adalah waktu (kontinu) saya menunggu bus berikutnya dan X dalam interval [0, 5]. Fungsi padat peluang X didefinisikan sebagai berikut
Grafik dari adalah
Akan dihitung :a. peluang saya akan menunggu antara 1 sampai 3 menitb. peluang saya menunggu paling lama 5 menitc. Rata – rata waktu saya menunggud. Peluang kumulatif
Sehingga :
Peluang, Peluang Bersyarat, Kaidah Bayes
0,2
f(x)
21
Politeknik Telkom Statistika
a.
b.
c.
menitd. Sedangkan CDF dari dapat ditabelkan sebagai berikut :
X 0 1 2 3 4 5CDF
0 0.2
0.4
0.6
0.8
1
Latihan 1. Buatlah suatu percobaan statistik dan tentukan peubah
acaknya baik yang diskret maupun kontinu
2. Suatu bisnis layanan surat lewat komputer mempunyai 6 saluran telepon. Misalkan X menyatakan banyaknya saluran telepon yang digunakan pada suatu waktu tertentu. Diberikan tabel berikut yang berisi nilai x dan p(x) :X 0 1 2 3 4 5 6P(x)
0.10
0.15
0.20
0.25
0.20
0.06
0.04
Hitung peluang berikut ini :a. paling banyak 3 saluran yang digunakanb. paling sedikit tiga saluran yang digunakanc. antara 2 dan 5 saluran yang digunakan
Peluang, Peluang Bersyarat, Kaidah Bayes 22
Politeknik Telkom Statistika
3. Misalkan fungsi padat peluang dari magnitude X dari suatu dynamic load sebuah jembatan (dalam newtons) diberikan sebagai berikut :
Cari rumus F(x) dari f(x) tersebut Hitung P( 1 X 1.5) dengan menggunakan rumus F(x) Hitung P( X > 1)
Peluang, Peluang Bersyarat, Kaidah Bayes 23
5 DISTRIBUSI PELUANG KHUSUS DISKRET DAN KONTINU
Overview
Dalam kehidupan nyata, terdapat beberapa kejadian yang memiliki bentuk sebaran tertentu. Bentuk sebaran data tersebut dapat didekati dengan beberapa jenis distribusi peluang khusus yang terdapat dalam statistika. Dalam suatu penelitian, adanya pengetahuan tentang bentuk/jenis distribusi suatu data akan sangat membantu peneliti dalam membuat estimasi – estimasi terkait dengan data yang diteliti.
Tujuan
1. Mahasiswa mengetahui beberapa jenis distribusi khusus diskret dan kontinu
2. Mahasiswa dapat menghitung peluang kejadian dari beberapa distribusi khusus diskret dan kontinu
3. Mahasiswa dapat meyelesaikan berbagai persoalan dan fenomena nyata yang terkait dengan distribusi peluang
Distribusi Peluang Khusus 1
diskret dan kontinu.
5.1 Distribusi Peluang Diskret
5.1.1 Distribusi Bernoulli dan Binomial
Suatu percobaan dikatakan sebagai percobaan binomial, bila memenuhi asumsiasumsi berikut :
1. Percobaan dapat diulang sebanyak n kali2. Ulanganulangan identik dan setiap ulangan dapat
menghasilkan satu dari dua kemungkinan outcome yang sama, biasanya dinotasikan dengan S (sukses) dan F (gagal).
3. Masingmasing ulangan saling bebas4. Peluang sukses dari ulangan konstan , misalkan
peluang sukses p
Bila percobaan tersebut hanya terdiri dari 1 ulangan, maka percobaan tersebut dinamakan percobaan bernoulli.
Fungsi peluang dari peubah acak X yang berdistribusi binomial sebagai berikut
Distribusi kumulatif dari peubah acak X yang berdistribusi binomial (X B (n, p) ) didefinisikan sebagai berikut
Untuk menghitung peluang maupun distribusi kumulatif dari peubah acak X selain dengan perhitungan di atas dapat
Distribusi Peluang Khusus 2
menggunakan tabel binomial. Sedangkan mean dan variansi dari peubah acak X yang berdistribusi binomial didefiniskan sebagai berikut :
E(X) = n pVar(X) = n p (1 p)
Pada distribusi binomial, bila n dan p diubah-ubah sedemikian rupa, maka akan berpengaruh pada bentuk distribusinya. Dengan menggunakan program matlab berikut diperoleh gambar distribusi di bawah :
Gambar 5.1. Distribusi binomial n = 10 dan p = 0.5
Distribusi Peluang Khusus 3
Gambar 5.2 Distribusi binomial n = 10 dan p = 0.3
Gambar 5.3 Distribusi binomial n = 10 dan p = 0.8
Distribusi Peluang Khusus 4
Gambar 5.4 Distribusi binomial n = 15 dan p = 0.5
Dari keempat gambar tersebut dapat dikatakan bahwa :- untuk n yang sama, p = 0.5, distribusi binomial mendekati
distribusi normal.- untuk n yang sama, p diperkecil, distribusinya menjulur ke kanan- untuk n yang sama, p diperbesar, distribusinya menjulur ke kiri- bila n diperbesar, p = 0.5, distribusinya menjulur ke kiri
5.1.2 Distribusi Poisson
Ciriciri dari percobaan poisson adalah :1. Banyaknya hasil percobaan yang terjadi pada selang
waktu atau suatu daerah tertentu tidak tergantung pada banyaknya hasil percobaan yang terjadi pada selang waktu atau daerah lain yang terpisah
Distribusi Peluang Khusus 5
2. Peluang terjadinya satu hasil percobaan selama suatu selang waktu yang singkat sekali atau dalam suatu daerah yang kecil sebanding dengan panjang selang waktu tersebut atau besarnya daerah tersebut
3. Peluang bahwa lebih dari satu hasil percobaan akan terjadi dalam selang waktu yang singkat atau dalam derah yang kecil tersebut dapat diabaikan
Suatu peubah acak X yang berdistribusi poisson, fungsi peluangnya didefinisikan sebagai berikut :
dimana > 0Distribusi kumulatif dari peubah acak X yang berdistribusi poisson (XP(n,)) didefinisikan sebagai berikut
Untuk menghitung peluang maupun distribusi kumulatif dari peubah acak X selain dengan perhitungan di atas dapat menggunakan tabel poisson. Sedangkan mean dan variansi dari peubah acak X yang berdistribusi poisson dengan parameter , mempunyai nilai yang sama yaitu .
Pada distribusi poisson, bila nilai diubah-ubah sedemikian rupa, maka akan berpengaruh pada bentuk distribusinya. Dengan menggunakan program matlab berikut diperoleh gambar distribusi di bawah :
Distribusi Peluang Khusus 6
Gambar 5.5 Distribusi poisson dengan = 5
Gambar 5.6 Distribusi poisson dengan = 2
Distribusi Peluang Khusus 7
Gambar 5.7 Distribusi poisson dengan = 7
Gambar 5.8 Distribusi poisson dengan = 8
Distribusi Peluang Khusus 8
Gambar 5.9 Distribusi poisson dengan = 10
Dari kelima gambar tersebut, dapat dikatakan bahwa untuk x = 0…15 bila nilai lebih kecil dari 7, distribusinya menjulur ke kanan. Sedangkan untuk nilai lebih besar dari 7, distribusinya menjulur ke kiri. Sedangkan untuk nilai = 7 dan 8, distribusinya mendekati normal.
Contoh 1Misalkan suatu percobaan yang memenuhi percobaan binomial dengan n = 4, dan peluang sukses p. Dari percobaan tersebut dapat dihitung peluang dari semua outcome yang mungkin dan hasilnya sebagai berikut :
Outcome
x Peluang Outcome x Peluang
SSSS 4 p4 FSSS 3 p3 (1 p)SSSF 3 p3 (1 p) FSSF 2 p2 (1 p)2
SSFS 3 p3 (1 p) FSFS 2 p2 (1 p)2
SSFF 2 p2 (1 p)2 FSFF 1 p (1 p)3
SFSS 3 p3 (1 p) FFSS 2 p2 (1 p)2
Distribusi Peluang Khusus 9
SFSF 2 p2 (1 p)2 FFSF 1 p (1 p)3
SFFS 2 p2 (1 p)2 FFFS 1 p (1 p)3
SFFF 1 p (1 p)3 FFFF 0 (1 p)4
Sehingga dapat dihitung :b(3 ; 4, p) = P(FSSS) + P(SFSS) + P(SSFS) + P(SSSF) = 4 p3 (1 p)
Contoh 2Misalkan 20% dari semua copy suatu textbook yang diuji kekuatan sampulnya rusak. Dan peubah acak X menyatakan banyaknya textbook yang sampulnya rusak dari 15 copy yang diambil secara acak.Hitung :a. Peluang paling banyak 8 copy textbook yang sampulnya
rusakb. Peluang ada 8 copy textbook yang sampulnya rusak
JawabPerhitungan manual (dapat menggunakan tabel) :
a.
b.
Contoh 3Seorang penerbit bukubuku non teknik menyatakan bahwa bukubukunya bebas dari kesalahan typograpical, sehingga peluang kesalahan dari sebuah halaman buku paling sedikit satu kesalahan adalah 0.005 dan kesalahan tiap halaman saling bebas. a. Berapa peluang bahwa satu dari novelnovel yang jumlah
halamannya 400 akan tepat satu halaman yang salah
Distribusi Peluang Khusus 10
b. Berapa peluang paling banyak tiga halaman yang salah
Jawab :
Bila S menyatakan bahawa sebuah halaman buku paling sedikit satu kesalahan dan F menyatakan tidak ada kesalahan pada halaman buku tersebut. Misalkan X menyatakan paling sedikit satu kesalahan pada tiap halaman dan berdistribusi binomial dengan n = 400, p = 0.005. Karena n nya besar dan p kecil mendekati 0, maka bisa dilakukan pendekatan dengan menggunakan distribusi poisson, dengan = n p = 2, sehingga :
a.
b.
5.2 Distribusi Peluang Kontinu
5.2.1 Distribusi Normal
Distribusi peluang kontinu yang paling penting adalah distribusi normal. Grafik dari suatu distribusi normal disebut kurva normal, bentuknya seperti lonceng pada gambar dibawah ini. Suatu peubah acak X yang distribusinya berbentuk lonceng, dinamakan peubah acak normal. Persamaan matematika dari distribusi peluang peubah acak normal kontinu bergantung pada dua parameter yaitu
Distribusi Peluang Khusus 11
(rataan) dan (simpangan baku). Dengan demikian fungsi densitas X dapat dinyatakan oleh :
– < X < .
Sifat-sifat distribusi normal :
1.
2.
3. dan
4.
5. Nilai maksimum dari f terjadi pada 6. Titik belok dari f terjadi pada Kurva setiap distribusi kontinu dibuat sedemikian rupa sehingga luas daerah dibawah kurva diantara dua koordinat
dan sama dengan peluang peubah acak X antara
dan . Hal tersebut dapat digambarkan sebagai berikut :
Distribusi Peluang Khusus 12
x
=
= Luas daerah yang diarsir
Untuk mengatasi kesulitan dalam menghitung integral fungsi densitas maka dibuat table luas kurva normal sehingga akan memudahkan dalam penggunaannya.
5.2.2 Distribusi Normal Baku
Perhitungan luas dibawah kurva normal antara dua ordinat sembarang sangat bergantung pada nilai dan . Dalam hal ini, tak mungkin dibuat tabel yang berlainan untuk setiap nilai dan . Oleh karena itu, kita perlu mentransformasikan setiap peubah acak yang bermacam-macam nilai dan nya , menjadi peubah acak normal dengan = 0 dan = 1. Transformasi tersebut berbentuk :
X
Z
dimana X merupakan peubah acak awal sebelum ditransformasi yang mempunyai rataan = dan variansi = . Sementara itu, Z merupakan peubah acak setelah ditransformasi.Distribusi normal dengan mean 0 dan variansi 1, dinamakan distribusi normal baku.
Distribusi Peluang Khusus 13
x2x1 x
Contoh 1a. P (Z 1.25) = (1.25) = 0.8944 ( pada tabel dilihat baris 1.2 kolom 0.05)b. P ( - 0.38 Z 1.25 ) = P ( Z 1.25 ) – P ( Z - 0.38 ) = (1.25 ) - (- 0.38 ) = 0.8944 – 0.3520 = 0.5424Contoh 2Misal peubah acak X menyatakan ketidaksesuaian voltase yang dispesifikasikan pada suatu diode yang dipilih secara acak. X berdistribusi normal dengan = 40 volt dan = 1.5 volt. Berapa peluang bahwa :a. Ketidakcocokan voltase antara 39 dan 42 volt
Distribusi Peluang Khusus 14
0z1 z2z
=1
b. Ketidakcocokan voltase minimal 45 voltJawab
a. Ketidakcocokan voltase antara 39 dan 42 volt
= P ( - 0.67 Z 1.33 ) = (1.33 ) - (- 0.67 ) = 0.9082 – 0.2514 = 0.6568
b. Ketidakcocokan voltase minimal 45 volt
5.1
4045
5.1
4045
XPXP
= P ( Z 3.33 ) = 1 - (3.33) = 1 – 0.9996 = 0.0004
5.2.3 Distribusi Uniform
Bila X merupakan variabel random uniform kontinu yang terdefinisi pada selang (A,B) maka fungsi peluang dari X adalah
Distribusi Peluang Khusus 15
5.1
4042
5.1
40
5.1
40394239
XPXP
Distribusi kumulatif dari peubah acak X yang berdistribusi uniform didefinisikan sebagai berikut
Sedangkan mean dan variansi dari peubah acak X yang berdistribusi uniform dapat dihitung dan bernilai:
5.2.4 Distribusi Eksponensial
Bila X merupakan variabel random eksponensial dengan parameter yang terdefinisi pada selang (0,) maka fungsi peluang dari X adalah
lainnya
xeBAxf x
0
0),;(
Distribusi eksponensial paling sering digunakan sebagai model distribusi waktu dalam fasilitas pelayanan customers( waktu tunggu). Pengertian customers disini tidak harus berupa orang tetapi bisa berupa panggilan telepon misalnya. Dalam penggunaannya dalam model ini, distribusi eksponensial sangat berkaitan dengan distribusi Poisson yang telah dibicarakan dalam bab sebelumnya.
Bila X menyatakan jumlah kejadian yang terjadi dalam selang waktu t, maka X akan berdistribusi Poisson. Jika adalah mean X yaitu rata – rata jumlah kejadian per unit waktu,
Distribusi Peluang Khusus 16
maka distribusi dari waktu antar 2 kejadian adalah eksponensial dengan parameter .
Penggunaan disribusi eksponensial yang lain adalah sebagai model waktu hidup dari suatu komponen. Biasanya dalam model ini disebut sebagai tingkat kegagalan.Mean dan variansi dari distribusi eksponensial dengan
parameter berturut – turut . Pada distribusi
eksponensial, bila nilai diubah-ubah sedemikian rupa, maka akan berpengaruh pada bentuk distribusinya. Dengan menggunakan program matlab berikut diperoleh gambar distribusi di bawah :
Gambar 13. Distribusi eksponensial dengan = 2
Distribusi Peluang Khusus 17
Gambar 14. Distribusi eksponensial dengan = 5
Gambar 15. Distribusi eksponensial dengan = 0.5
Dari ketiga gambar tersebut, dapat dikatakan bahwa untuk x = 0…10 bila nilai semakin besar, kurvanya semakin landai.
Contoh 1
Distribusi Peluang Khusus 18
Dalam sebuah survai dilakukan pengamatan terhadap waktu kedatangan angkutan kota yang melewati sebuah jalan tertentu. Dari pengamatan selama 2 jam didapatkan hasil sebagai berikut :
TABEL 1No
Jam No
Jam No
Jam No
Jam No
Jam
1 06.01.03
11 06.17.57
21 06.33.43
31 06.47.18
41 07.07.07
2 06.02.56
12 06.20.57
22 06.33.50
32 06.49.55
42 07.09.37
3 06.03.14
13 06.24.32
23 06.34.14
33 06.50.04
43 07.09.49
4 06.04.10
14 06.27.44
24 06.36.32
34 06.50.22
44 07.09.51
5 06.06.57
15 06.28.15
25 06.37.53
35 06.56.51
45 07.14.30
6 06.08.46
16 06.28.27
26 06.38.43
36 06.57.59
46 07.14.43
7 06.10.45
17 06.28.33
27 06.39.11
37 07.00.59
47 07.16.45
8 06.12.03
18 06.28.38
28 06.44.25
38 07.01.11
48 07.17.04
9 06.16.03
19 06.29.45
29 06.44.47
39 07.04.52
49 07.17.23
10 06.17.16
20 06.31.19
30 06.46.00
40 07.06.19
50 07.17.26
Dari data tersebut, kita dapat menghitung waktu tunggu / antar kedatangan angkutan kota antara pengamatan i dan i+1. Diperoleh 49 nilai yang dihitung dalam detik
TABEL 2No
Lama
No
lama
No
lama
No
lama
No
lama
1113
11 180
217
31 157
41 150
218
12 215
2224
329
4212
3 56 13 19 23 13 33 18 43 2
Distribusi Peluang Khusus 19
2 84
12114
3124
8134 38
944 27
95
11015
1225 29
035
6845
136
11916
626
2836 18
046 12
37
1817
527 31
437
1247
198
24018
6728
2238 22
148
99 73 19 94 29 73 39 87 49 310
4120 14
430
7840
4850
Bila dihitung rata ratanya nilainya adalah 96 detik. Ini menunjukkan bahwa rata rata kedatangan angkutan kota adalah 96 detik. Menurut teori sebelumnya, waktu antar kedatangan ini akan berdistribusi eksponensial dengan
.
Dari data pada tabel terakhir dapat dihitung antara lain nilai peluangnya. Misalkan dihitung waktu kedatangan kurang 80 detik. Dalam hal ini rumus yang digunakan adalah
55,049
27
)S(n
)80x(n)80X(P
Dalam hal ini )80x(n menyatakan banyaknya titik sampel yang nilainya kurang atau sama dengan 80, sedangkan n(S) menyatakan banyak titik sampel.
Contoh 2Misal X peubah acak yang menyatakan waktu respon dari suatu komputer yang on-line (waktu antara user input dan
Distribusi Peluang Khusus 20
tampil output-nya). Peubah acak X berdistribusi eksponensial dengan mean 5 detik. Berapa peluang waktu respon paling lama 10 detik dan waktu responya antara 5 sampai 10 detik.
Jawab Bila = 1/ = 5 , maka = 0.2P ( X 10 ) = F (10) = 1 – e- (0.2) (10) = 1 – 0.135 = 0.865 P ( 5 X 10 ) = F (10) – F(5) = 0.233
Latihan
1. Bila 90% dari siswa yang baru mulai belajar pemrograman komputer akan gagal pada waktu menjalankan program pertamanya, Berapa peluang bahwa dari 15 siswa yang dipilih secara acak :a. Paling sedikit 12 siswa gagal menjalankan program
pertamanya b. Antara 10 dan 13 siswa akan gagal menjalankan
program pertamanyac. Paling banyak 2 siswa berhasil menjalankan program
pertamanya
2. Misal X menyatakan daya regang suatu komponen logam tertentu yang berdistribusi normal dengan = 10000 kg/ cm2 dan = 100 kg/cm2. Semua pengukuran dicatat sampai 50 kg/cm2 terdekat. Hitung peluang bahwa daya regang minimal 10150 kg/cm2 dan daya regang antara 9800 kg/cm2 sampai 10200 kg/cm2
3. Diketahui bahwa mesin penerima panggilan dari suatu kantor konsultan per menitnya ratarata menerima 6 panggilan. Berapa peluang bahwa :a. paling sedikit satu panggilan permenitb. dalam 4 menit paling sedikit 15 panggilan
Distribusi Peluang Khusus 21
4. Dalam satu minggu suatu komputer pada suatu rental akan mengalami kelambatan merupakan peubah acak yang berditribusi poisson dengan = 0.3. Berapa peluang bahwa a. suatu komputer akan beroperasi tanpa mengalami
kelambatan dalam waktu 2 minggub. paling sedikit lima komputer akan mengalami
kelambatan dalam satu minggu
5. Misal X peubah acak yang menyatakan waktu yang diperlukan petugas perpustakaan untuk mengecek buku yang baru dipinjam dengan yang kembali. Nilai harapan untuk waktu pengecekan sekitar 20 detik. Hitung P ( X 30 ) dan P ( 20 X 30 )
6. Peubah acak X menyatakan waktu antar kedatangan pesawat pada sebuah bandara, dengan fungsi padat peluang sebagai berikut :
Berapa peluang menunggu paling sedikit 1 menit
7. Diketahui umur dinamo listrik yang diproduksi perusahaan tertentu menyebar normal dengan mean 6.4 dan simpangan baku 1.1 tahun. a. Jika sebuah dinamo diberi garansi 5 tahun, berapa
peluang bahwa perusahaan akan memperbaiki dinamo tersebut sebelum habis masa garansinya ?
b. Jika perusahaan menetapkan bahwa hanya sampai 1% produksinya diperbaiki sebelum habis masa garansinya, berapa tahun masa garansi yang diperlukan ?
8. Suatu sistem elektronika mengandung komponen dengan daya tahan T yang menyebar eksponensial dengan
Distribusi Peluang Khusus 22
parameter . Bila 5 komponen dipasang pada sistem yang berbeda, berapa peluang bahwa paling sedikit 2 komponen masih berfungsi setelah akhir tahun ke-8 ?
9. Jika dalam setiap satu jam rata-rata terdapat 3 pesawat yang lepas landas. Tentukan peluang bahwa dalam periode satu jam tertentu jumlah pesawat yang lepas landas adalah :a. tepat tiga pesawatb. kurang dari 4 pesawatc. paling kurang 3 pesawatd. antara 2 dan 6 pesawat
Distribusi Peluang Khusus 23
6 DISTRIBUSI SAMPLING DAN DALIL LIMIT PUSAT
Overview
Dalam sebuah penelitian, keberadaan data sampel sangat diperlukan. Seorang peneliti biasanya jarang menggunakan data populasi sebagai dasar pengolahannya karena penggunaan data populasi akan membuat biaya dan waktu menjadi tidak efisien. Bervariasinya bentuk distribusi data sampel terkadang juga dapat menyulitkan seorang peneliti untuk membuat kesimpulan tentang suatu populasi. Keberadaan dalil limit pusat cukup membantu kita dapat membuat estimasi peluang terkait dengan data sampel yang kita miliki.
Tujuan
1. Mahasiswa memahami konsep dalil limit pusat2. Mahasiswa dapat menggunakan dalil limit pusat untuk
membuat estimasi peluang dari suatu data sampel dari
Distribusi Sampling, Dalil Limit Pusat 1
berbagai macam populasi
6.1 Distribusi Sampling
Dalam suatu penelitian, dengan berbagai pertimbangan, pengambilan sampel dilakukan dari pada pengambilan populasi, di mana sampel harus mewakili populasi. Pengambilan sampel dari populasi yang sama dilakukan secara acak, sehingga kombinasi yang muncul banyak sekali. Hal tersebut akan menyebabkan nilai statistik yang bervariasi dari sampel yang satu dengan yang lain. Sehingga suatu statistik dapat dipandang sebagai suatu peubah acak yang hanya bergantung pada sampel yang diamati dan mempunyai distribusi peluang yang disebut distribusi sampling. Misal dari suatu populasi diambil sampel berukuran n yang diulang sebanyak k kali. Kemudian dihitung rataannya, maka nilai tengah akan mempunyai distribusi yang dinamakan distribusi sampling dari nilai tengah. Sebaliknya, jika variansi yang diamati, maka distribusinya disebut distribusi sampling dari variansi. Tentunya distribusi sampling tersebut bergantung pada ukuran populasi, ukuran sampel, dan metode pengambilan sampel yaitu pengambilan sampel dengan pengembalian atau tanpa pengembalian. Keacakan dari sampel akan sangat menguntungkan dalam bentuk parameter dan bentuk distribusi. Adapun distribusi sampling dalam bentuk parameter adalah sebagai berikut :
Misal X berdistribusi sabarang, dengan nilai tengah dan variansi 2, maka :a. Rata-rata dari rata-rata sampel sama dengan mean populasi
Distribusi Sampling, Dalil Limit Pusat 2
b. Variansi dari rata-rata sampel sama dengan variansi dari populasi dibagi ukuran sampel
Nilai diatas sebenarnya adalah nilai untuk pengambilan sampel dengan pengembalian, hanya saja bila ukuran N relative besar terhadap n, maka untuk pengambilan nilai sampel tanpa pengembalian akan mendekati nilai tersebut.
6.2 Dalil Limit Pusat
Banyak sekali uji dalam statistik yang mengasumsikan data berdistribusi Normal. Bila syarat ini tidak dipenuhi tentunya akan berakibat pada analsis serta kesimpulan yang diperoleh. Dalam penelitian kita sering menggunakan data sampel untuk menyimpulkan sesuatu. Menurut teorema limit Pusat serta teorema sampling bahwa bila suatu sampel berukuran n diambil dari suatu populasi yang besar atau takhingga dengan mean = dan Simpangan Baku = maka rataan sampel ( ) akan berdistribusi Normal dengan mean =
dan Simpangan Baku = . Dengan eksperimen yang
sederhana akan ditunjukkan bahwa teorema ini berlaku. Esperimen ini mungkin belum sempurna karena jumlah sampel yang dibangkitkan bukan merupakan keseluruhan kombinasi yang mungkin.
Distribusi Sampling, Dalil Limit Pusat 3
Berikut adalah contoh pengacakan dari populasi distribusi Normal dengan mean = 0 dan simpangan baku = 1 dengan jumlah sampel = 80.
0.80.60.40.20.0-0.2-0.4-0.6-0.8-1.0
15
10
5
0
C1
Fre
quency
dist Xbar dg ukuran sampel 5
0.50.40.30.20.10.0-0.1-0.2-0.3-0.4-0.5
20
10
0
C2
Fre
quency
dist Xbar dg ukuran sampel 15 populasi normal
Distribusi Sampling, Dalil Limit Pusat 4
0.30.20.10.0-0.1-0.2-0.3-0.4-0.5-0.6
15
10
5
0
C3
Fre
quen
cydist Xbar dg ukuran sampel 30 populasi normal
Variable N Mean Median Tr Mean StDev SE MeanC1 80 -0.0662 -0.0462 -0.0615 0.4162 0.0465C2 80 0.0237 0.0136 0.0269 0.2213 0.0247C3 80 -0.0188 -0.0000 -0.0190 0.1874 0.0210
P-Value (Anderson-Darling)C1 0.587 C2 0.897 C3 0.554
Dari P-value diatas dapat disimpulkan bahwa semua data berdistribusi Normal untuk ukuran sampel 5,15 dan 30 berdasarkan hasil uji Anderson-Darling. Memang kalau dilihat ukuran sampel= 15 adalah yang paling kuat indikatornya tetapi ini tidak bisa dijadikan pegangan untuk menyimpulkan bahwa ukuran sampel = 15 adalah yang terbaik. Ada beberapa alasan antara lain karena jumlah sampel yang dibangkitkan adalah tidak maksimum. Bila ditinjau dari nilai mean dan StDev nya maka dapat dilihat untuk semakin besar
Distribusi Sampling, Dalil Limit Pusat 5
sampel yang diambil ternyata akan mendekati mean populasinya (=0). Sedangkan simpangan bakunya akan semakin kecil untuk ukuran sampel yang makin besar sesuai teorema limit pusat. Dari hal ini dapat disimpulkan dengan pengambilan sampel yang besar maka taksiran untuk mean populasi akan semakin tepat.
Bila hasil eksperimen diatas ditabelkan, maka akan diperoleh hasil sebagai berikut
mean Simpangan baku
Limit Pusat
Populasi 0 1 mean
Sampangan baku
Sampel n=5
-0.066
2
0.4162 0 0.447
Sampel n=15
0.0237
0.2213 0 0.258
Sampel n=30
-0.018
8
0.1874 0 0,183
Bila dilihat perbandingan antara hasil eksperimen dengan hasil yang berdasarkan teorema limit pusat maka dapat disimpulkan nilai –nilai mean dan simpangan baku pada sampel ukuran 5,15 dan 30 cukup dekat dengan hasil yang berdasarkan teorema limit pusat.
Distribusi Sampling, Dalil Limit Pusat 6
4.53.52.51.50.5
20
10
0
C4
Fre
quen
cy
dist Xbar dg ukuran sampel 5 populasi Poisson lamda 2
3.02.82.62.42.22.01.81.61.4
20
10
0
C5
Fre
quen
cy
dist Xbar dg ukuran sampel 15 populasi Poisson lamda 2
Distribusi Sampling, Dalil Limit Pusat 7
2.52.01.5
15
10
5
0
C6
Fre
quen
cy
dist Xbar dg ukuran sampel 30 populasi Poisson lamda 2
Variable N Mean Median Tr Mean StDev SE MeanC4 80 1.9175 2.0000 1.9139 0.5769 0.0645C5 80 2.0267 2.0000 2.0130 0.3575 0.0400C6 80 1.9833 1.9667 1.9838 0.2489 0.0278P-Value C4 0.008 C5 0.090 C6 0.331
Dari P-value diatas dapat disimpulkan bahwa data berdistribusi Normal untuk ukuran sampel 15 dan 30 saja berdasarkan hasil uji Anderson-Darling. Indikator yang paling kuat ditunjukkan oleh untuk ukuran sampel = 30. Bila ditinjau dari nilai mean dan StDev nya maka kesimpulan yang hampir sama dapat diambil yaitu untuk semakin besar sampel yang diambil ternyata akan mendekati mean populasinya (=2). Sedangkan simpangan bakunya akan semakin kecil untuk ukuran sampel yang makin besar sesuai teorema limit pusat. Dari hal ini dapat disimpulkan dengan pengambilan sampel
Distribusi Sampling, Dalil Limit Pusat 8
yang besar maka taksiran untuk mean populasi akan semakin tepat.Dari hasil pengujian dari beberapa macam populasi yang berbeda kemudian para ahli sepakat bahwa ukuran sampel = 30 adalah cukup baik sehingga distribusi rataan sampel menjadi Normal .
Contoh 1Nilai kesalahan baku dari nilai tengah penarikan sampel berukuran 36 sebuah populasi besar adalah 2. Berapa ukuran sampel tersebut harus dinaikkan agar kesalahan bakunya = 1,2 ?
JawabDiketahui sampel dengan n=36 dan
Bila diinginkan n = ?
Misalkan : variansi populasi maka
(nilai ini tetap)
Bila diinginkan maka
n = 100
Contoh 2Sebuah pesawat terbang membawa 4 penumpang. Beban aman untuk 4 orang penumpang adalah 360 kg. Andaikan seorang penumpang dipilih secara acak dari distribusi normal dengan mean 75 kg dan simpangan baku 16
JawabDiketahui X berdistribusi normal dengan dan
Misal Y=4X maka dan
Distribusi Sampling, Dalil Limit Pusat 9
Peluang (terjadi overload) = P (4x > 360)
Latihan1. Bila diketahui data populasi X = {1,2,2,3,3,4} . Lakukan
eksperimen sederhana untuk menunjukkan dalil limit pusat yaitu dengan mengambil sampel berukuran 3 tanpa pengulangan sebanyak maksimum kombinasi yang mungkin !
2. Bila semua kemungkinan sampel berukuran 16 ditarik dari suatu populasi normal dengan nilai tengah 50 dan simpangan baku 5. hitung peluang nilai tengah sampel akan berada dalam selang sampai ?
3. Sebuah perusahaan baterai mengatakan rata – rata umur baterai mereka 30 jam. Bila 16 unit sampel diambil secara acak dan didapatkan simpangan baku sampel = 5 jam, tentukan nilai rata – rata sampel terendah yang diijinkan bila perusahaan menetapkan batas 3 ?
4. Rata - rata banyaknya panggilan telepon / jam suatu perusahaan dalam 2 tahun terakhir = 4. Bila dicatat banyaknya telp dalam 2 hari dlm 2 thn terakhir tsb, hitung bahwa peluang bahwa rata – rata banyak nya telp/jam >= 5 ?
5. Masa pakai suatu komponen elektronik (dalam tahun) dinyatakan dalam X merupakan suatu peubah acak yang mengikuti distribusi eksponensial dengan pdf
a. Bila 25 buah komponen secara acak, menyatakan rata-rata masa pakai 25 komponen tersebut, hitung
Distribusi Sampling, Dalil Limit Pusat 10
b. Apabila 5 komponen dipasang secara acak pada suatu sistem, hitung peluang sedikitnya 2 komponen masih berfungsi setelah 8 tahun pemakaian
Distribusi Sampling, Dalil Limit Pusat 11