Anda di halaman 1dari 31

# BEBERAPA DISTRIBUSI KHUSUS (DISKRIT)

1. Distribusi Seragam
Misalkan x mengalami harga-harga
k
x x x , , ,
2 1

x dikatakan mempunyai distribusi seragam bila
k
x f
i
1
) ( = , i = 1, 2, 3, , k

X
1
X
2
X
3
X
K

Contoh:
x = 1, 2, 3, 4, 5, 6
,
6
1
) ( = x f x = 1, 2, 3, 4, 5, 6
k
x f
1
) ( = ,
k
x x x x x , , , ,
3 2 1
=
k
x x x x
Ex
k
+ + + +
=

3 2 1

=
k
x
k
i
i
=1
(tidak bisa dirumuskan)

2. Distribusi Binomial
Usaha Bernoulli: suatu eksperimen yang hasilnya kita klasifikasikan sebagai S
(sukses) dan G (gagal) dengan p S P = ) ( dan p q G P = = 1 ) (
Contoh:
1. Ujian pilihan ganda (4 pilihan).
Memilih mendapat jawaban benar
4
1
) ( = S P dan
4
3
) ( = G P
2. Pengertian sukses relatif
Penyelundup barang illegal masuk sukses
Pabean barang illegal masuk gagal
n n = 3 2 1 !
1 ! 0 =
1 ! 1 =
2 1 ! 2 =
( )
)! ( !
!
r n r
n
C
n
r
n
r

= =

( )
( )
( )
( )

. ..........
2 1 0
3
3
2
3
1
3
0
3

3 3
2
2
1
2
0
2
2
1
1
0
1
0 2 2 1 1 0
3 0 2 1 1 2 0 3
3 2 2 3 3
2 0 1 1 0 2 2 2 2
1 0 0 1 1
n n n n n
b a
n
n
b a
n
b a
n
b a
n
b a
b a b a b a b a
b ab b a a b a
b a b a b a b ab a b a
b a b a b a b a
|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
= +
|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
=
+ + + = +
|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
= + + = +
|
|
.
|

\
|
+
|
|
.
|

\
|
= + = +

Usaha Bernoulli
P(S) = P P(G) = g=1-p
Usaha Bernoulli kita ulang sebanyak 3 kali secara independent (n = 3)
X = banyaknya sukses
X = 0 GGG P(X = 0) = g
3
=
3 0
0
3
g p
|
|
.
|

\
|

X = 1 SGG = pg
2
P(X = 1) = 3pg
2
=
2 1
1
3
g p
|
|
.
|

\
|

GSG = pg
2

GGS = pg
2

X = 2 SSG = p
2
g P(X = 2) = 3p
2
g =
1 2
2
3
g p
|
|
.
|

\
|

SGS = p
2
g
GSS = p
2
g

X = 3 SSS = P(X = 3) = p
3
=
0 3
3
3
g p
|
|
.
|

\
|

P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) =
0
3
3 0
+
|
|
.
|

\
|
g p +
|
|
.
|

\
|
2 1
1
3
g p +
|
|
.
|

\
|
1 2
2
3
g p
6 3
3
3
g p
|
|
.
|

\
|

= (p + g)
3
= 1
3
= 1

Secara umum
Usaha Bernoulli kita ulang sebanyak u kali secara independent
X menyatakan sukses
F(X) = P(X = X) = n 0,1,2,.... X =
|
|
.
|

\
|
x n x
g p
x
n

F(X) ini disebut distribusi binomial
1 1 ) ( ) (
0 0
= = + =
|
|
.
|

\
|
=

=

=
n n
n
x
x n x
n
x
g p g p
x
n
x F

X mempunyai distribusi binomial
Maka E(X) = np
E(X) =

=

=
|
|
.
|

\
|
=
n
x
x n x
n
x
g p
x
n
x F
0 0
) (
=
x n
n
x
g
x n x
n
X

=

x
0
p
)! ( !
!
.
=
x n
n
x
g
x n x
n
X

=

x
1
p
)! ( !
!
.
=
x n
n
x
g
x n x
n

=

x
1
p
)! ( )! 1 (
!

= n.p
) 1 ( 1 x
1
p
)! 1 ( 1 ( )! 1 (
)! 1 (

=

x n
n
x
g
x n x
n

y = x-1
x = 1 => y = 0
x = n => y = n 1
= n.p
y n
n
y
g
y n y
n

1 y
1
0
p
)! 1 ( !
)! 1 (

= n.p (p + g)
n -1

= n.p(1)
n -1

= np

DISTRIBUSI BINOMIAL
( )
x n x
q p
n
x
x f

|
.
|

\
|
= ; x = 0, 1, 2, . n
Tentukan probabilitas dari kiriman 10 barang elektronik, 8 diantaranya masuk dalam
9 , 0 ) ( = S P 1 , 0 ) ( = G P n = 10 x = 8
19 , 0 ) 1 , 0 ( ) 9 , 0 (
! 2 ! 8
! 10
) 1 , 0 ( ) 9 , 0 (
10
8
) 8 (
2 8 2 8
=

=
|
|
.
|

\
|
= = x P

DISTRIBUSI GEOMETRIK
Misalkan kita mempunyai usaha Bernoulli dengan p S P = ) ( dan p q G P = = 1 ) (
Usaha ini kita ulang sampai mendapatkan sukses pertama
1 = x G p x P = = ) 1 (
2 = x GS qp x P = = ) 1 (
3 = x GGS
p q x P
2
) 1 ( = =
4 = x GGGS
p q x P
3
) 1 ( = =

G G G G G S

x
Secara umum p q x f x x P
x
. ) ( ) (
1
= = = x=1, 2,
Contoh:
Suatu proses produksi diketahui bahwa rata-rata 1 diantara 100 butir hasil produksi cacat.
Berapa probabilitas memeriksa 5 butir dan baru menemukan yang cacat pada yang ke lima?
P(S) = 0,01
o o o o o
B B B B C
P(x=5) = (0,99)
4
. (0,01)

DISTRIBUSI POISSON
Misalkan x adalah variabel random diskrit yang menyatakan banyaknya sukses dalam suatu
selang waktu suatu daerah tertentu. Selang waktu bisa dari milidetik sampai dengan tahun.
Daerah pengamatan bisa luasan dari mm
2
sampai dengan ha atau km
2
.
Contoh:
1. Banyaknya langganan yang datang di suatu toko dalam selang waktu 5 menitan.
2. banyaknya telepon yang masuk suatu kantor dalam selang waktu 30 menitan.
3. Banyak salah ketik perhalaman.
4. banyaknya pertandingan sepak bola yang tertunda selama satu musim kompetisi.

Maka
!
e
) ( ) (
x
x x P x f
x

= = = , x = 0, 1, 2,
= parameter
= = ) (x E x
Var (x) = o =
2
x
Biasanya ciri-ciri dari distribusi poison adalah diketahui harga rata-ratanya.
Contoh:
1. Rata-rata banyaknya partikel radioaktif yang melewati suatu penghitung selama satu
milidetik dalam suatu percobaan laboratorium adalah empat. Berapakah probabilitas
terdapat 6 partikel yang melewati penghitung selama 1 milidetik tertentu?
4 =
6 = x
! 6
4 e
) 6 (
6 4
= = x P
2. Rata-rata banyaknya tanker minyak yang tiba tiap hari di suatu pelabuhan adalah
10. Pelabuhan tersebut hanya mampu menampung 15 tanker perhari. Berapakah
probabilitas pada suatu hari tertentu tanker terpaksa disuruh pergi, karena pelabuhan
tidak mampu melayaninya.
Pelabuhan tidak mampu melayani bila 15 > x

Probabilitas (tanker disuruh pergi) ) 15 ( > = x P
) 15 ( 1 s = x P
) 15 ( ) 1 ( ) 0 ( 1 = = = = x P x P x P

diperlukan
tabel

Misalkan pada distribusi binomial, n besar, p kecil sedemikian hingga np , maka
perhitungan distribusi binomial bisa menggunakan perhitungan distribusi Poisson.

!
) (
x
e
x f
x

= , x = 0, 1, 2,
Contoh:
Dalam suatu proses produksi yang menghasilkan barang dari gelas. Tejadi gelembung atau
rata-rata 1 dari 1000 barang yang dihasilakan mempunyai satu atau lebih gelembung.
Berapakah probabilitas bahwa dalam sampel random berjumlah 8000 akan terdapat 7 yang
mempunyai gelembung?
Ini adalah distribusi binomial dengan p=0,001
n = 8000
x = 7
8 ) 0001 , 0 ( ) 8000 ( = = = np
( ) ( )
7 8000 7
999 , 0 001 , 0
8000
7
) 7 (

|
|
.
|

\
|
= = x P
Maka
! 7
) 8 (
) 7 ( ) (
7 8
= = =
e
x P x f

VARIABEL RANDOM KONTINU
x disebut diskrit: x menjalani harga-harga x
1
, x
2
, x
3
, .

x
1
x
2
x
3
x
4

Pandang x pengamatan suhu air yang dimasak

0

100
x disebut variabel random kontinu bila x mengalami harga-harga kontinu pada suatu selang
atau interval.
x diskrit: bila dapat menyusun fungsi distribusi probabilitas, atau fungsi massa probabilitas
dalam suatu tabel.
Untuk x kontinu kita tidak mungkin membuat daftar atau tabel demikian. Tetapi ada fungsi
f(x) yang disebut fungsi kepadatan probabilitas yang fungsinya menyerupai fungsi massa
probabilitas untuk kasus diskrit.

f(x) disebut fungsi kepadatan probabilitas bila
(a.) 0 ) ( > x f
(b.) dx x f dx x f
b
a
) ( 1 ) ( } = = }

(c.) ) ( b x a P s s
(d.) ) ( b x a P s s = ) ( ) ( b x a P b x a P < s = < <
= dx x f b x a P
b
a
) ( ) ( } = s <
) ( a x P = = 0 ) ( = } dx x f
b
a

Contoh:
Buktikan bahwa

lain
yang
x
x
untuk
x
x f
2 1
0
) (
3
2
< <

=

Meupakan fungsi kepadatan probabilitas dan hitunglah ) 1 0 ( s s x P

0 ) ( > x f
dx x f ) (

} = dx x f ) (
1

} + dx x f ) (
2
1
}

+ dx x f ) (

}
= 0 + dx
x
3
2
2
1
}

+ 0
=
2
1
3
9
1

x = ( )
3
) 1 ( 8
9
1

=
9
9
= 1
) 1 0 ( s s x P = dx
x
3
2
1
0
} =
1
0
3
9
1
x =
9
1

Mean dan variasi variabel random kontinu
Mean atau harga harapan dari x ditulis E(x) atau kita definisikan sebagai:
dx x f x x E ) ( ) ( } = =

Variasi dari x ditulis
2
2
o = ( ) ( ) dx x f x x E ) (
2 2
} =

Deviasi standar atas adalah akar positif dari variasi seperti dalam kasus diskrit berlaku:
2
o = ( )
2 2
) ( ) ( x E x E
Bukti:
2
o = ( )
2
x E
= ( ) dx x f x ) (
2
}

= ( ) dx x f x x ) ( 2
2 2
+ }

= dx x f x ) (
2
}

dx x f x ) ( 2 }

+ dx x f ) (
2

}
=
2 2 2
2 ) ( + x E
= | |
2 2
) ( ) ( x E x E
Dimana:
dx x f x ) ( 2 }

=
dx x f ) (
2

} = 1

Contoh:
Tentukan dan
2
o dari distribusi pada contoh diatas!
= ) (x E + dx x f x ) (
2
1
}

= dx x
3 2
1
3
1
}

=
2
1
4
4 3
1

x
= | | 1 16
12
1
=
12
15
=
4
5
= 1,25

) (
2
x E = dx x x
2 2 2
1
3
1
}

= dx x
4 2
1
3
1
}

=
2
1
5
5 3
1

x
= | | 1 32
15
1
+ =
15
33
=
5
11

2
o = | |
2 2
) ( ) ( x E x E =
2
4
5
5
11
|
.
|

\
|
=
16
25
5
11
=
80
125 176
=
80
51

BEBERAPA DISTRIBUSI KHUSUS (KONTINU)

1. Distribusi Seragam
Variabel random kontinu x dikatakan mempunyai distribusi seragam (uniform) dalam
(a,b) bila
a b
x f

=
1
) ( , b x a < <

2. Distribusi Eksponensial
x dikatakan mempunyai distribusi eksponensial bila
}

=

x
x f
1
) ( , 0 1>
0 untuk x yang lain
Distribusi eksponensial ini banyak dipakai untuk memodelkan tahan hidup
(keandalan) berbagai komponen seperti bola lampu, alat-alat elektronik, dan
sebagainya.
x

) (x E =
}

0
) ( dx x f x
=
}

0
1
dx
e
x

=
}

|
.
|

\
|

0
e
x
d x

=

0
e
x
x

+
}

0
dx
e
x

=
}

|
.
|

\
|

0
e
x
d

=

0
e
x

=
e
x
x f

=
2
1
) ( , 0 > x
) (x E = =
Dengan cara yang sama dapat dibuktikan bahwa:
2
o =
2 2 2
) ( = x E
Contoh:
Misalkan daya tahan suatu komponen dinyatakan dalam variabel random x yang
mempunyai distribusi eksponensial dengan rata-rata sama dengan 5. Tentukan
probabilitas bahwa komponen itu akan berfungsi pada akhir tahun kedelapan atau
) 8 ( > x P
) (x E = = 5
e
x
5
5
1
, 0 > x
) 8 ( > x P =
}

8
5
5
1
dx
e
x

=

8
e
x

=
e
5
8

= 2 , 0
6 , 1
~

e

Distribusi yang lebih umum dari distribusi eksponensial untuk menyatakan ketahanan

x dikatakan mempunyai distribusi weibull bila:
) (x f =
|
o
o
o|
e
x
x
1
, 0 > x
) (x E =
|
|
.
|

\
|
+

|
o
1
1
3
1
P
Var (x) =

|
|
.
|

\
|
+
|
|
.
|

\
|
+

2
3
2
1
1
2
1
| |
o P P
P(n) = dx x
n x
e
1
0

}

Khusus 1 = |
) (x f =
x o
o| distribusi eksponensial

3. Distribusi Normal
Distribusi yang paling penting dalam statistika adalah distribusi normal karena
kebanyakan data dapat dimodelkan sebagai distribusi normal.
x dikatakan mempunyai distribusi normal bila:
1 = | 2 = |
3 = |

) (x f =
2
2
1
2
1
|
.
|

\
|

o

o t
x
e

Sifat-sifat:
) (x E =
Var (x) =
2
o
< < x
< <
0 > o

5
o

o +

Notasi:
Bila x mempunyai distribusi normal dengan mean dan variasi
2
o maka x ditulis:
( )
2
,o N x ~
Khusus 0 = dan 1 = o maka distribusi normal disebut distribusi normal standar dan
distribusi notasi Z.
N Z ~ (0, 1)

besar o
kecil o
1

2

3

Tersedia tabel probabilitas distribusi normal standar. Lihat tabel 4 luas dibawah
kurva normal akan dicari ( ) z Z P s

Dibawah z

Z = disebelah kanan z

0
-0,49
( ) 3121 , 0 49 , 0 = s P z

0,00 0,01 0,02 0,04 0,05 0,09
-3,4 . . .
-0,4 ... ... ... ... ... .. 0,3121
0,5 . .
1,0 . .
1,4 ... ... ... .. 0,9245
2,0 .
2,3 ... ... ... 0,9904
3,4

( ) 9904 , 0 34 , 2 = s P z
2,34

Mencari kembali
Diketahui prababilitas akan dicari harga z yang bersesuaian.
Contoh:
Temtukan z agar ) ( z Z z P s s = 0,90
) ( z Z z P s s = ) 0 ( z Z P s s
= 0,45
( ) ( )
0735 , 0
9265 , 0 1
45 , 1 1 45 , 1
=
=
s P = > P z z

0 1,45
-1,27 1,65
( )
( ) ( )
8485 , 0
1020 , 0 9505 , 0
27 , 1 65 , 1
65 , 1 27 , 1
=
=
s P s P =
s s P
z z
z

) ( Z z P s = ) 0 ( ) 0 ( z Z P z P s s + s
= 0,5 + 0,45
= 0,95

0,04 0,05
. .
1,6 ... ... 0,9495 ... ... 0,9505

z yang bersesuaian = 645 , 1
2
65 , 1 64 , 1
=
+

x ~ ) , (
2
o N
Dengan transformasi : Z =
o
x
, maka N Z ~ (0, 1)
) ( b x a P s s = |
.
|

\
|
s

o

o

o
b x a
P
= |
.
|

\
|
s s

o

o
b
z
a
P
-z z
0,90

o

=
x
Z
0 = = z x
0
1
1 1
<

= <
o

x
Z x
0
2
2 2
>

= >
o

x
Z x
Misalkan x ~ N(60,16)
Tentukan | | 63 55 s s x P
o
x
=
4
60 x

= 63 x
o
Z =
4
60 63
=
4
3
= 0,75
= 55 x Z =
4
60 55
=
4
3
= -1,25

X
1

X
2
Z
1
0 Z
2

) 63 55 ( s s x P = ) 75 , 0 25 , 1 ( s s z P
= ) 25 , 1 ( ) 75 , 0 ( s s z P z P
= 0,7734 0,1056
= 0,6678
Selanjutnya misalkan x ~ N(60,16)
Menyatakan distribusi nilai akhir mahasiswa. Bila 10% diantaranya mendapat A,
berapakah nilai terendah untuk mendapat A?

Misalkan X
0
adalah batas terendah untuk mendapatkan nilai A.
Maka 90 , 0 ) ( atau 10 , 0 ) (
0 0
= s = > X x P X x P
55 60 63 -1,25 0 0,25
60 X
0
10%

90 , 0
4
60
40
60
= |
.
|

\
|
s

o
x x
P
90 , 0
4
60
0
= |
.
|

\
|
= s
o
x
Z Z P
Z
0
= 1,28
4
60
o
x
= 1,28
X
o
= 60 + 4 (1,28) = 60+ 5,12 = 65,12

0,08

.

1,2 .. 0,8447

4. Distribusi Sampling Harga Statistik
Misalkan kita mempunyai populasi dengan mean dan variasi
2
o . Diambil sampel
random berukuran n.
x = mean sampel
Mean ini akan berbeda dari sampel ke sampel tetapi diharapkan mempunyai pola
tertentu yang bisa kita selidiki.
Contoh populasi { } 4 , 3 , 2
= 3
3
4 3 2
=
+ +

Diambil sampel random berukuran:
Sampel x
(2,2)
(2,3)
(2,4)
(3,2)
2
2,5
3
2,5

(3,3)
(3,4)
(4,2)
(4,3)
(4,4)
3
3,5
3
3,5
4

x = 3
9
27
9
4 5 , 3 3 5 , 3 3 5 , 2 3 5 , 2 2
= =
+ + + + + + + +

= x
Sifat distribusi sampling = x

n
x
2
2

o
o =
3
3
4 3 2
=
+ +
=

Sampel berukuran 2
(2,2) 2 = x
(2,3) 5 , 2 = x
(2,4) 3 = x
(4,4) 4 = x
= x

n
x
2
2

o
o =
x
x
Z
n
x
Z

o

o

=

=
Sifat-sifat distribusi sampling harga mean.
Misalkan kita mempunyai populasi dengan mean dan variasi
2
o . Diambil sampel
random berukuran n.
Maka:

1. = x
2.
n
x
n
x
o
o
o
o = =
2
2
disebut standar error atau galat standar dari x
3. Bila populasi mempunyai distribusi normal maka x juga mempunyai distribusi normal.
4. Apapun bentuk distribusi populasi bila ukuran sampel 30 > n maka x mempunyai
distribusi normal. Hasil terakhir ini dikenal sebagai teorema limit pusat.

Contoh:
1. Dari suatu populasi diketahui bahwa 82 = dan 12 = o . Dari populasi tersebut
diambil sampel random berukuran 64 = n . Tentukan ) 2 , 83 8 , 80 ( s s x P

) ; (
2
x x N x o ~
Karena 30 61> = n maka teorema limit pusat berlaku atau )
64
144
; 82 ( N x ~ atau
5 , 1
8
12
= = x o

) 2 , 83 8 , 80 ( s s x P
= |
.
|

\
|
s

5 , 1
82 2 , 83
5 , 1
82
5 , 1
82 8 , 80 x
P
= |
.
|

\
|
s s

5 , 1
2 , 1
5 , 1
2 , 1
Z P = ) 8 , 0 8 , 0 ( s s Z P
80,8 82
83,2 X

Z

= ) 8 , 0 ( ) 8 , 0 ( s s Z P Z P
= 0,7881 0,2119
= 0,5762

2. Sebuah perusahaan memproduksi lampu yang umumnya berdistribusi normal dengan
mean 800 jam dan deviasi standar 40 jam. Hitunglah probabilitas bahwa suatu sampel
random dengan 16 bola lampu akan mempunyai umur rata-rata kurang dari 775 jam.
Walaupun 30 16 s = n , karena populasi mempunyai distribusi normal maka x juga
mempunyai distribusi normal.
)
16
) 40 (
; 800 (
2
N x ~
10
4
40
= = x o

775 800
X

) 775 ( s x P = |
.
|

\
|
s

10
800 775
10
800 x
P
= ) 25 (
10
25
s = |
.
|

\
|
s Z P Z P
= 0,0062

Teori Penaksiran (Theory of Estimation)
Statistika adalah ilmu yang mempelajari generalisasi harga parameter berdasar harga
statistika.
Generalisasi ini juga disebut dengan inferensi
Inferensi statistik Teori Estimasi
Uji Hipotesa
Secara umum teori estimasi berurusan dengan penaksiran harga parameter berdasar harga
Estimasi mean populasi () statistik yang digunakan adalah x
30 > n
) 1 , 0 ( ,
2
N
n
x
Z
n
N x ~

=
|
|
.
|

\
|
~
o
o

0 Z

|
|
|
.
|

\
|
s s
2 2
o
o
o
Z
n
x
Z P = 1 o
atau
|
|
.
|

\
|
+ s s
2

2
n
Z x
n
Z x P
o o

o o
= 1 o

Interval
|
|
.
|

\
|
+
2
,
2
n
Z x
n
Z x
o o o o
disebut interval konfidensi (1 o ) untuk . .
Untuk 30 > n bila o tidak diketahui maka o bisa kita dekati dengan deviasi standar
sampel S =
( )
1
1
2

=
n
x x
n
i
i

Contoh:
Mean dari deviasi standar indeks prestasi 36 mahasiswa adalah 2,6 dan 0,3. tentukan
interval konfidensi 95% untuk indeks prestasi seluruh mahasiswa.
(1 o ) 100% = 95%
o = 0,05
2
o
= 0,025
2
o
Z
2
o
Z
(1-o )
n
Z X
o o
2

n
Z X
o o
2
+

Cari Z sedemikian sehingga | | 975 , 0 = s z Z P
z = 1,96
n
S
Z x
n
S
Z x
2

2
+ s s
o

o

6
3 , 0
96 , 1 2,6
6
3 , 0
96 , 1 6 , 2 + s s
,70 2 ,50 2 s s
Ukuran sampel 30 < n
Bila populasi mempunyai distribusi normal maka
n S
x
t
o
= mempunyai distribusi t
dengan derajat kebebasan (n 1)

0,025 0,025
1 ;
2
n t
o
1 ;
2
n t
o

|
|
.
|

\
|
s

s 1 ;
2
1 ;
2
n t
n S
x
n t P
o o
= 1 o

Interval konfidensinya berbentuk
|
|
.
|

\
|
+ s s 1 ;
2
1 ;
2
n
S
n t x
n
S
n t x P
o

o
= 1 o

Contoh :
Tujuh botol yang mirip masing-masing berisi asam sulfat 9,8; 10,2; 10,4; 9,8; 10,0; 10,2
dam 9,6. Tentukan interval kepercayaan 95% untuk mean isi botol semacam itu bila
distribusinya dianggap normal.
10,0
7
6 , 9 8 , 9
=
+ +
=

x
0,283
6
10) - (9,6 10) - (9,8

2 2
=
+ +
=

S
o = 0,05
2
o
= 0,025
Derajat kebebasan 6

V
o
0,10 0,025 0,005

6

2,447

|
|
.
|

\
|
+ s s
|
|
.
|

\
|

7
283 , 0
447 , 2 10
7
283 , 0
447 , 2 10
atau 26 , 10 74 , 9 s s

o
1 ; n to

### Dapatkan aplikasi gratis kami

Hak cipta © 2022 Scribd Inc.

### Dapatkan aplikasi gratis kami

Hak cipta © 2022 Scribd Inc.