BESARAN SATUAN

DAN PENGUKURAN
FISIKA
 TEKNIK PENGUKURAN
• Mengukur adalah membandingkan parameter pada
obyek yang diukur terhadap besaran yang telah
distandarkan.
• Pengukuran merupakan suatu usaha untuk
mendapatkan informasi deskriptif-kuantitatif dari
variabel-variabel fisika dan kimia suatu zat atau benda
yang diukur,

**misalnya panjang 1m atau massa 1 kg dan sebagainya

Secara umum sistem pengukuran dapat dibagi menjadi
tiga tahap, yaitu
1. Tahap detektor – transduser
2. Tahap intermediat, pengkondisian sinyal
3. Tahap pembacaan
Uncertainty in Measurement
A measurement always has some degree of
uncertainty
Graphical
Methods
 3.0 Why Graphs ?
A picture is worth a thousand words.
Humans generally find it easier to
understand information when presented
as a picture rather than as a table ofA graph will indicate:
figures. (a) The range of the measurements taken
(b) The uncertainty in each measurement

Temperature
(c) The existence or otherwise of trends
0C

80 (d) The existence of “outlying data”

Data point showing
60 error bars for both
Temperature (vertical)
40 and Time (horizontal)

20
outlying data point
0
0 20 40 60 80 100 120
Time (sec)
 3.1 Graphs – The Basics
The most used graph in science
is the Cartesian Coordinate
Graph, better known as the x – y
graph.
The y axis is known as the
ordinate and the x axis as the
abscis.
Y axis (0C)
Temp
Ordinate
Dependent Variable
The quantity that is controlled or
deliberately varied throughout the
experiment is the INDEPENDENT
Variable and is plotted on the x
axis
The quantity that varies in
response to changes in the
independent variable is
called the DEPENDENT
Variable and is plotted on
the y axis

and AXIS labels and UNITS

X axis
Time (Sec)
Abscissa

Independent Variable
 3.2 Graphs – Origins, Scales &
Symbols
On most graphs the numbering of However there is no law that states
both the axes begins at zero, so the that an origin must be included in a
bottom left hand corner of the graph.
graph is the point (0,0) and is called Sometimes including an origin will
the ORIGIN. produce too coarse a scale which may
Bad data point
Temperature hide important information.
0C Good data points
80
The scale should be chosen
. so as to allow the graph to fill
the whole page, while leaving
60 ORIGIN
enough space for labels units
and a title
40
Data points (with or without
20 error bars) should be too big
rather than too small so as
0 they cannot be mistaken for
0 20 40 60 80 100 120
Time (sec) a smudge on the page
 3.3 Error Bars & Line Drawing
Uncertainties in the
quantities being graphed are Error bars may:
indicated by attaching “error •remain the same size
bars” to each of the data for all data points or,
•vary in size from data
points. They can be vertical, point to data point.
horizontal or both.
Their length indicates the size of
the uncertainty associated with Where error bars are very
that data point. small, due to the scales
Temperature used, it is advisable to
0C
omit them from the graph.
80

60 When connecting data points it is

difficult to draw freehand “smooth
40 curve”
A rubberised flexible ruler called a “flexi
- curve” is probably the best way to
20
draw curves through data.
0
0 20 40 60 80 100 120
Time (sec)
 3.4
It is hard to determine exact
Linear Graphs
mathematical relationships Recognising that the
from curved graphs. temperature – time
Converting the graph to a linear or graph shown previously
“straight line” graph allows
quantitative relationships to be
indicates an inverse
determined. relationship (Temp α 1/
Time) and manipulating
Temperature
Linear graphs are important in the 0C the data will give:
analysis of experimental data
80
because:
(a) The slope or gradient and y
60
intercept can be calculated
(b) Departure from linearity can be
40
easily seen
(c) Outliers are easily identified
(d) A mathematical relationship 20
between “y” and “x” is easily
0
determined 0 5.0
2.5
1/Time x 10-2 (sec)
 Temperature
3.5 Line of Best Fit
0C
Is the red line the only
80
line that can be drawn
60 to join thenot,
Obviously dataother
points ?
40 lines can be drawn.
Is the red line the “best”
20 line to join the data ?
0 Yes, because it meets
0 2.5 5.0 the criteria for a “line of
1/Time x 10-2 (sec)
best fit”.
Rules for drawing a Line of Best Fit: It passes through all the
1. Place a clear plastic ruler over the data points. error bars.
2. Move the ruler until the data points are
equally placed above and below the straight
It has as many data
edge. points above the line as
3. Generally the origin is not a special point, below and the distances
don’t force the line through it.
4. Use a pencil to draw a fine line along the
above and below total
straight edge. about the same.
 3.6 Determining Relationships
Linearising the relationship between variables allows you
to use the general equation for a straight line (y = mx + c)
to determine the mathematical law which relates the
variables.
Temperature
0C In this case:
80 y = Temperature (oC)
m = Slope of Graph
60
x = 1/Time (sec)
40 c = Temperature axis intercept
Rise
20 Slope = Rise/Run
Ru = (75 – 5)/(5 x 10-2 - 0)
0
0 n
2.5 5.0 = 1400
1/Time x 10-2 (sec) = 1.4 x 103
c = +5 Thus: Temp = 1.4 x 103 (1/Time)
 3.7 Interpolation & Extrapolation
Once a line of best fit has been drawn for the available
it becomes quite easy to determine a “y” value from a given “x”
data,
value or visa versa.
When the “y” or “x” value falls
within the range of known data Determining a value of a
points INTERPOLATION is variable (y and/or x) outside
occurring. the range of those already
known, EXTRAPOLATION is
Temperature
0C Interpolation Region occurring.
80

60 Extrapolation
40 Regions

20 Of the two processes,

interpolation is inherently more
0
0 5.0
reliable than extrapolation.
2.5
1/Time x 10-2 (sec)
Distribusi Frekuensi dan
Histogram
 Pengertian
• Susunan data menurut kelas-kelas interval tertentu
atau menurut kategori tertentu dalam sebuah
daftar
• Dari distribusi frekuensi dapat diperoleh keterangan
atau gambaran sederhana dan sistematis dari data
yang diperoleh.
 Penyajian Data
• Data penelitian harus disusun dan
disajikan dalam bentuk yang mudah
dipahami.
• Penyusunan dan penyajian data penting
untuk memudahkan :Analisis dan
pembacaan data hasil penelitian.
• Penyajian data dapat dengan tabel
frekuensi atau diagram (grafik)
 Penyajian data
• Penyajian Data Dalam bentuk Tabel
frekuensi
No Tabel
Judul Tabel
Jumlah Data (n=)

Kategori Frekuensi Persentase

Sumber data:
 Penyajian Data
• Penyajian data dalam bentuk diagram
(grafik)
– Berisi seluruh informasi data disajikan sehingga pembaca tdk
perlu mencari informasi utk memahami grafik di dalam teks.
– Nomor diagram, judul, serta jumlah data, data interval rasio
angka dari setiap kategori harus jelas terlihat.
Grafik Jumlah Siswa Bimbel Jakarta
 Penyajian Data
• Kelebihan dan kekurangan melakukan
penyajian dengan grafik
Kelebihan Kekurangan
-lebih mudah diingat -penyajiannya harus sesuai
-lebih menarik tujuan
-informasi visual dan dapat -gambaran umum
diperbandingkan -dipengaruhi skala
-menyajikan perubahan
hubungan
Contoh Pie Chart
Contoh Diagram Batang
 Data Kuantitatif
• Data kuantitatif berdasarkan pengukuran
interval dan rasio
– Data dari responden umumnya bervariasi
sehingga memerlukan penyederhanaan data
dengan cara mengelompokkan data menjadi
kelas-kelas dan interval tertentu
– Kaidah yang dipakai untuk penyederhanaan
data biasanya menggunakan kaidah sturgess
 Langkah – langkah Penyederhanaan data
(Distribusi Frekuensi)

• Mengurutkan data
• Membuat ketegori atau kelas data
• Membuat Interval data
• Membuat Tabel Frekuensi
Melakukan penturusan atau tabulasi,
memasukan nilai ke dalam interval kelas
 DISTRIBUSI FREKUENSI DAN
DISTRIBUSI FREKUENSI KUMULATIF
 Latihan

LATIHAN :

Berikut dilaporkan sebaran data waktu

keterlambatan 50 pegawai yang tidak mengikuti
apel pagi (menit

Buatlah - Tabel Distribusi Frekuensi

Latihan :

Contoh :

Data berikut merupakan nilai ujian Mata Ku-

liah Pengantar Statistika Sosial dari 34 Praja

71 75 57 88 64 80 75 82 90
68 90 88 71 75 71 81 81 48
82 72 62 68 74 79 84 75 57
75 75 68 65 68 75 80
 Histogram
Distribusi Frekuensi
 Penyederhanaan data (Distribusi
Frekuensi)
• Distribusi frekuensi
– Pengelompokan data ke dalam beberapa
kategori yang menunjukan banyaknya data
dalam setiap kategori dan setiap data tidak
dapat dimasukan ke dalam dua atau lebih
kategori
• Tujuan
– Data menjadi informatif dan mudah dipahami
 Langkah Pertama
• Mengurutkan data : dari yang terkecil (Min)
ke yang terbesar (Max) atau sebaliknya
• Tujuan :
– Untuk memudahkan dalam melakukan
perhitungan pada langkah ketiga
 Langkah Kedua
• Membuat kategori atau kelas data
– Tidak ada aturan pasti, berapa banyaknya
kelas !
• Langkah :
– Banyaknya kelas/kategori sesuai dengan
kebutuhan
 Bagian-bagian distribusi
frekuensi
• Kelas-kelas (class)
• Batas kelas (class limits)
• Tepi kelas (class boundary)
• Titik tengah kelas/tanda kelas (class mid
point/class marks)
• Interval kelas (class interval)
• Panjang Interval kelas atau kelas (interval
kelas)
• Frekuensi kelas (class frequency)
 Contoh
Modal (jutaan Rp)
:Frekuensi (f)
50-59 16
60-69 32
70-79 20
80-89 17
90-99 15
Jumlah 100
Dari distribusi frekuensi di atas:
1. Banyaknya kelas adalah 5.
2. Batas kelas-kelas adalah 50, 59, 60, 69,…
3. Batas bawah kelas-kelas adalah 50, 60, 70,…
4. Batas atas kelas-kelas adalah 59, 69, 79,…
5. Batas nyata kelas-kelas adalah 49.5, 59.5, 69.5,…
6. Tepi bawah kelas-kelas adalah 49.5, 59.5, 69.5,…
7. Tepi atas kelas-kelas adalah 59.5, 69.5, 79.5,…
8. Titik tengah kelas-kelas adalah 54.4, 64.5, 75.5,…
9. Interval kelas-kelas adalah 50-59, 60-69, 70-79,…
10.Panjang interval kelas-kelas adalah 10.
11.Frekuensi kelas-kelas adalah 16, 32, 20,…
 Penyusunan Distribusi
Frekuensi
1. Mengurutkan data dari yang terkecil ke yang terbesar.
2. Menentukan jangkauan (range) dari data.
Jangkauan = data terbesar – data terkecil
3. Menentukan banyaknya kelas (k).
k = 1 + 3.3 log n; k Є bulat
ket : k = banyaknya kelas
n = banyaknya data
Hasil dibulatkan, biasanya ke atas.
4. Menentukan panjang interval kelas.
Panjang interval kelas (i) = jangkauan (R) / banyaknya kelas (k)
5. Menentukan batas bawah kelas pertama.
6. Menuliskan frekuensi kelas secara melidi dalam kolom turus sesuai
banyaknya data.
 Contoh soal :
Dari hasil pengukuran diameter pipa-pipa yang dibuat oleh sebuah
mesin
(dalam mm 78 terdekat),
72 74diperoleh
79 74data71
sebagai
75 berikut
74 :
72 68
72 73 72 74 75 74 73 74 65 72
66 75 80 69 82 73 74 72 79 71
70 75 71 70 70 70 75 76 77 67
Buatlah distribusi frekuensi dari data tersebut!
Penyelesaian :
a. Urutan data:
65 66 67 68 69 70 70 70 70 71
71 71 72 72 72 72 72 72 73 73
73 74 74 74 74 74 74 74 75 75
75 75 75 76 77 78 79 79 80 82
b. Jangkauan (R) = 82 – 65 =17
c. Banyaknya kelas (k) adalah k = 1 + 3.3 log 40
= 1 + 5.3 = 6.3 ≈ 6
d. Panjang interval kelas (i) adalah
i = 17/6 =2.8 ≈ 3
e. Batas kelas pertama adalah 65 (data terkecil)
f. Tabel :
Diameter Turus Frekuensi
65 – 67 III 3
68 – 70 IIIII I 6
71 – 73 IIIII IIIII II 12
74 – 76 IIIII IIIII III 13
77 – 79 IIII 4
80 – 82 II 2
Jumlah 40
 Histogram, Poligon, Frekuensi, dan Kurva
Histogram dan Poligon Frekuensi
• Histogram dan poigon frekuensi adalah dua grafik yang sering
digunakan
untuk menggambarkan distribusi frekuensi.
• Histogram merupakan grafik batang dari distribusi frekuensi dan
poligon frekuensi merupakan grafik garisnya.
• Batang-batang pada histogram saling melekat atau berimpitan.
• Poligon frekuensi dibuat dengan cara menarik garis dari satu titik
tengah batang histogram ke titiktengah batang histogram yang
lain.
• Pada pembuatan histogram digunakan sistem salin sumbu.
Sumbu-sumbu mendatar (sumbu X) menyatakan interval kelas
(tepi bawah kelas dan tepi atas masing-masing kelas) dan sumbu
tegak (sumbu Y) menyatakan frekuensi.
 Histogram, Poligon, Frekuensi, dan
Kurva
Bentuk Kurva Frekuensi
• Simetris atau berbentuk lonceng, ciri-
cirinya ialah nilai variabel di samping kiri
dan kanan yang berjarak sama terhadap
titik tengah (frekuensi terbesar)
mempunyai frekuensi yang sama.
Dinamakan juga distribusi normal.
• Tidak simetris/condong. Condong ke
kanan (kocondongan positif) , Condong ke
kiri (kecondongan negatif).
 Histogram, Poligon, Frekuensi, dan
Kurva
Bentuk Kurva Frekuensi
• Bentuk J atau J terbalik, ciri-cirinya ialah salah
satu nilai ujung kurva memiliki frekuensi
maksimum.
• Bentuk U, dengan ciri kedua ujung kurva memiliki
frekuensi maksimum.
• Bimodal, dengan ciri mempunyai dua maksimal.
• Multimodal, dengan ciri mempunyai lebih dari dua
maksimal.
• Uniform, terjadi bila nilai-nilai variabel dalam
suatu interval mempunyai frekuensi yang sama.
 Jenis-jenis Distribusi Frekuensi
 Distribusi Frekuensi Biasa
adalah distribusi frekuensi ysng hanya berisikan
jumlah frekuensi dari setiap kelompok data atau kelas.
Jenis DFB:
 Distribusi Frekuensi Numerik
adalah distribusi frekuensi yang pembagian kelasnya
dinyatakan dalam angka.
Contoh : Tabel Frekuensi pelamar suatu perusahaan
berdasarkan umur.
 Distribusi Frekuensi Peristiwa atau kategori
adalah yang pembagian kelasnya dinyatakan berdasarkan
data atau golongan data yang ada.
Contoh : Tabel banyaknya peristiwa pada hasil pelemparan
dadu berdasarkan anga dadu.
Jenis-jenis Distribusi Frekuensi
• Distribusi Frekuensi Relatif
adalah distribusi frekuensi yang berisikan
nilai-nilai hasil bagi antara frekuensi kelas
dan jumlah pengamatan yang terkandung
dalam kumpulan data yang terdistribusi
tertentu.
Rumus :
 Contoh DFR
Frekuensi relatif dapat dinyatakan dalam
bentuk perbandingan, desimal atau
persen.
Interval Kelas f Frekuensi Relatif
(Tinggi (cm)) (Banyak Murid) Perbandingan Desimal Persen
140-144 2 2/50 0.04 4
145-149 4 4/50 0.08 8
150-154 10 10/50 0.2 20
155-159 14 14/50 0.28 28
160-164 12 12/50 0.24 24
165-169 5 5/50 0.1 10
170-174 3 3/50 0.06 6
Jumlah 50 1 1 100
 Jenis-jenis Distribusi Frekuensi
Distribusi Frekuensi Kumulatif
 Adalah distribusi frekuensi yang berisikan frekuensi
kumulatif.
 Frekuensi kumulatif adalah frekuensi yang
dijumlahkan.
 Distribusi frekuensi kumulatif memiliki grafik atau
kurva yang disebut ogif.
 Jenis DFK
 Distribusi Frekuensi Kumulatif Kurang Dari
adalah distribusi frekuensi yang memuat jumlah frekuensi
yang memiliki nilai kurang dari nilai batas kelas suatu interval
tertentu.
 Distribusi Frekuensi Kumulatif Lebih Dari
adalah distribusi frekuensi yang memuat jumlah frekuensi
yang memiliki nilai lebih dari nilai batas kelas suatu interval
tertentu.
 Contoh
 Berikut ini adalah mid point dari pengukuran 40
diameter pipa-pipa beserta frekuensinya.
Diameter X Frekuensi
65 - 67 66 3
68 - 70 69 6
71 - 73 72 12
74 - 76 75 13
77 - 79 78 4
80 - 82 81 2

• Susunlah mid point tersebut ke dalam distribusi frekuensi biasa

dan gambarkan histogram dan poligonnya!
• Buatlah distribusi frekuensi relatif!
• Buatlah distribusi frekuensi kumulatif kurang dari dan lebih dari
serta gambarkan ogifnya masing-masing
Penyelesaian batas atas dan
bawah
Distribusi Frekuensi Biasa

Diameter X Frekuensi
65 - 67 66 3
68 - 70 69 6
71 - 73 72 12
74 - 76 75 13
77 - 79 78 4
80 - 82 81 2
Jumlah   40
Perhitungan Frekuensi Relatif
 Distribusi Frekuensi Relatif

Frekuensi Relatif
Diameter f
Perbandingan Desimal Persen
65-67 3 3/40 0.075 7.5
68-70 6 6/40 0.15 15
71-73 12 12/40 0.3 30
74-76 13 13/40 0.325 32.5
77-79 4 4/40 0.1 10
80-82 2 2/40 0.05 5
jumlah 40 40/40 1 100
 Soal Bonus
Umur(tahun) Frekuensi Relatif
16-20 12,31
21-25 15,38
26-30 24,62
31-35 21,54
36-40 15,38
41-45 7.69
46-50 3,08

• Susunlah ke dalam distribusi frekuensi

asalnya (distribusi frekuensi biasa) dan
gambarkan histogram dan poligonya.
• Buatlah distribusi frekuensi kumulatif
kurang dari dan lebih dari beserta ogifnya!
SISTEM DISTRIBUSI NORMAL
dalam PENGUKURAN
 Berbagai macam sistem
distribusi

1
 ( x  )
2
1
,  )  2
2
n ( x; e
2 
• Poisson Distribution: An approximation to
the binomial distribution for the special
case when the average number of
successes is very much smaller than the
possible number i.e. µ << n because p << 1.
– Important for the study of such
phenomena as radioactive decay.
Distribution is NOT necessarily
symmetric! Data are usually bounded
on one side and not the other.
Advantage is that   = 

1  

n
n!
f (E )    ( x  )
2 2
p (1  p )
x n x
  np (1  p)
E F x ! n  x !
1e
(E ) / kT x 0  
Other Probability Distributions: Special Cases
• Poisson Distribution: An approximation to the
binomial distribution for the special case when the
average number of successes is very much smaller
than the possible number i.e. µ << n because p << 1.
– Important for the study of such phenomena as radioactive
decay. Distribution is NOT necessarily symmetric! Data are
usually bounded on one side and not the other. Advantage is
that   = 

µ = 1.67 µ = 10.0
 =   = 
 Distribusi Normal
Distribusi probabilitas yg terpenting dalam statistik adalah distribusi
normal atau Gaussian.
Fungsi rapat probabilitas variabel random X dengan mean μ dan
variansi σ2 yang memiliki distribusi normal adalah:
1
 ( x  )
2
1
,  )  2
2
n ( x; e
2 

μ
 Distribusi Normal : Sifat
Contoh variabel random yg memiliki distribusi normal misalnya:
distribusi error dalam pengukuran
pengukuran dalam meteorologi
pengukuran curah hujan
sebagai pendekatan bagi distribusi binomial
dan distribusi hipergeometrik, dan lainnya
Sifat-Sifat Distribusi Normal:
1 Rata-ratanya (mean) μ dan standard deviasinya = σ
2 Mode (maximum) terjadi di x=μ
3 Bentuknya simetrik thd x=μ
4 Titik belok tepat di x=μ±σ
5 Kurva mendekati nol secara asimptotis semakin x jauh dari x=μ
6 Total luasnya = 1
 Distribusi Normal : Sifat
Contoh variabel random yg memiliki distribusi normal misalnya:
distribusi error dalam pengukuran
pengukuran dalam meteorologi
pengukuran curah hujan
sebagai pendekatan bagi distribusi binomial
dan distribusi hipergeometrik, dan lainnya
Sifat-Sifat Distribusi Normal:
1 Rata-ratanya (mean) μ dan standard deviasinya = σ
2 Mode (maximum) terjadi di x=μ
3 Bentuknya simetrik thd x=μ
4 Titik belok tepat di x=μ±σ
5 Kurva mendekati nol secara asimptotis semakin x jauh dari x=μ
6 Total luasnya = 1
 Distribusi Normal : Sifat
Bentuk distribusi normal ditentukan oleh μ dan σ.

2
1
1
2
μ1 < μ2 σ1 = σ2
μ1 = μ2 σ1 > σ2

2
1

μ1 < μ2 σ1 < σ2
 Luas di Bawah Kurva dan Probabilitas
P(x1<x<x2) = probabilitas variabel random x memiliki nilai antara x1
dan x2
P(x1<x<x2) = luas di bawah kurva normal antara x=x1 dan x=x2

x1 μ x2

Oleh karena perhitungan integral normal tsb sulit, maka disusunlah

tabel nilai rapat probabilitas. Akan tetapi karena nilai rapat
probabilitasnya tergantung pada μ dan σ maka sangatlah tidak
mungkin mentabelkan untuk semua nilai μ dan σ
 Kurva DIstribusi Normal Standard
Distribusi normal standard adalah distribusi normal dengan mean μ=0
dan standard deviasi σ=1.
x 
Transformasi z memetakan distribusi normal menjadi

distribusi normal standard, sebab distribusi normal dengan variabel z ini
memiliki mean =0 dan standard deviasi = 1.
Transformasi ini juga mempertahankan luas dibawah kurvanya, artinya:

Luas dibawah kurva Luas dibawah kurva

distribusi normal antara
x1 dan x2
= distribusi normal
standard antara z1 dan
z2
Dengan z1 = (x1-μ)/σ dan z2 = (x2-μ)/σ.
Sehingga cukup dibuat tabel distribusi normal standard kumulatif saja!
 Tabel Distribusi Normal Standard Kumulatif

Z
-3.4
-3.3
-3.2
-3.1
-3.0
 Contoh: Hitung Luas
Pergunakanlah tabel distribusi normal standard untuk menghitung luas
daerah :
a) Di sebelah kanan z=1.84
b) Antara z=-1.97 s/d z=0.86

Jawab.
Ingat bahwa luas yg diberikan dalam tabel distribusi normal kumulatif
adalah luas dari z=-∞ s/d z0 tertentu: P(z<z0).
a) P(z>1.84) = 1 – P(z≤1.84) = 1 -0.9671 = 0.0329
b) P(-1.97 <z<0.86) = P(z<0.86) – P(z<-1.97) = 0.8051 – 0.0244 = 0.7807
 Contoh: Cari z
Carilah nilai z=k di distribusi normal standard sehingga
a) P(Z>k) = 0.3015
b) P(k<z<-0.18) =0.4197

Jawab:
a) P(Z>k) = 0.3015 berarti P(Z<k) = 1- P(z>k) = 1 – 0.3015 = 0.6985
Dari tabel terbaca luas ke kiri = 0.6985 adalah untuk z=0.52.

b) P(k<z<-0.18) = P(z<-0.18) – P(z<k) = 0.4197

= 0.4286 – P(z<k) = 0.4197
Jadi P(z<k) = 0.4286- 0.4197 = 0.0089
Dari tabel z = -2.37
Contoh: Luas di bawah kurva normal non standard
Contoh.
Variaber X terdistribusi normal dengan mean 50 dan standard deviasi
=10. Carilah probabilitas untuk menemukan X bernilai antara 45 dan
62?

Jawab.
Dalam soal ini μ = 50 dan σ=10. x1 = 45 dan x2 =62
Pertama kita mapping x ke z (melakukan normalisasi atau
standardisasi):
z1 = (x1 -μ)/σ  z1 = (45-50)/10 = -0.5
z2 = (x2 -μ)/σ  z2 = (62-50)/10 = 1.2
Sehingga
P(45 <x< 62) = P(-0.5<z<1.2)
P(-0.5<z<1.2) = P(z<1.2) – P(z<-0.5) = 0.8849-0.3085=0.5764
 Memakai Distribusi Normal Dalam Arah Kebalikan
Diketahui luas dibawah distribusi normal yg diinginkan yang terkait
dengan besar probabilitas, ingin dicari nilai variabel random X yg
terkait.

Contoh.
Misalkan distribusi normal memiliki μ=40 σ=6, carilah nilai x0 sehingga:
a) P(x<x0) = 45%
b) P(x>x0)=14%

Jawab.
a) Kita mulai dengan mencari nilai Z yg sama luasnya.
P(z<z0) = 45% = 0.45  dari tabel z0  -0.13
z0  (x0-μ)/σ  x0  μ  σz0  40 6*(-0.13)  39.22
Memakai Distribusi Normal Dalam Arah Kebalikan
Jawab.
b) Kita mulai dengan mencari nilai Z yg sama luasnya.
P(z>z0) = 14%  P(zz0)  1- P(zz0)  1-0.14  0.86
P(zz0)  0.86  dari tabel z0  1.08

z0  (x0-μ)/σ  x0  μ  σz0  40 6*(1.08)  46.48

 Contoh Penerapan Distribusi Normal
Sebuah perusahaan bolam lampu mengetahui bahwa umur lampunya
(sebelum putus) terdistribusi secara normal dengan rata-rata
umurnya 800 jam dan standard deviasinya 40 jam. Carilah
probabilitas bahwa sebuah bolam produksinya akan:
 Berumur antara 778 jam dan 834 jam
 Berumur kurang dari 750 jam atau lebih dari 900 jam

Jawab.
μ 800 σ40.
 P(778x834)
x1778  z1  (x1-μ)/σ  (778-800)/40  -0.55
x2834  z2  (x2-μ)/σ  (834-800)/40  0.85
P(778x834)  P(-0.55z0.85)  P(z0.85)-P(z-0.55)
 0.8023 – 0.2912  0.5111
 Contoh Penerapan Distribusi Normal
b) Berumur kurang dari 750 jam atau lebih dari 900 jam
μ 800 σ40.
P(x 750 atau x900)
x1750  z1  (x1-μ)/σ  (750-800)/40  -1.25
x2900  z2  (x2-μ)/σ  (900-800)/40  2.5
P(x 750 atau x900)  P(z-1.25)  P(z2.5)
 P(z-1.25)  1- P(z2.5)
 1  P(z-1.25) - P(z2.5)
 1  0.1056-0.9938  0.1118
 Soal
Diameter ball-bearing yg diproduksi sebuah pabrik memiliki mean 3cm
dengan standard deviasi 0.005 cm. Pembeli hanya mau menerima
jikalau ball bearingnya memiliki diameter 3.00.01cm.
a) berapakah persenkah dari produksi pabrik tersebut yg tidak bisa
diterima pembeli?
b) jikalau dalam sebulan pabrik tsb memproduksi 10000 ball-bearing,
berapa banyak yg harus dibuang tiap bulan karena ditolak pembeli?
 Soal
Sebuah pengukur diameter bola besi dipasang secara otomatis dalam
sebuah pabrik. Pengukur tsb hanya akan meloloskan diameter bola
1.50d cm. Diketahui bahwa bola produksi pabrik tersebut memiliki
diameter yg terdistribusi normal dengan rata-rata 1.50 dan standard
deviasi 0.2 cm. Jikalau diinginkan bahwa 95% produksinya lolos
seleksi berapakah nilai d harus ditetapkan?
 Soal
Rata-rata nilai kuliah statistik diketahui 65 dengan standard deviasi 15. a)
Jikalau diinginkan 15% murid mendapat nilai A dan diketahui
distribusi nilai normal, berapakah batas bawah nilai agar mendapat A?
(b) Selanjutanya diinginkan yg mendapat B adalah sebanyak 25%.
Berapakah batas bawah B? (c) Seandainya diinginkan yg tidak lulus
paling banyak 25%, berapakah batas bawah agar siswa lulus?