Tujuan Pembelajaran
FTUI @2011
Pengertian terbatas:
data atau fakta berupa angka yang dihasilkan dari
data, yang menggambarkan karakteristik suatu
sampel
1
1/27/2011
2
1/27/2011
3
1/27/2011
Statistik D
Sajikan, sampaikan
ringkasan informasi
Deskriptif
Gunakan informasi dari
Informasi
sampel untuk
dari sampel ? Y
menyimpulkan populasi
inferensial
Statistik
T Uji/Tarik kesimpulan
Gunakan data sensus untuk tentang karakteristik
menganalisis karakteristik populasi (parameter) yang
populasi yang dikaji dikaji
selesai
4
1/27/2011
5
1/27/2011
6
1/27/2011
7
1/27/2011
8
1/27/2011
Tujuan Pembelajaran
Menjelaskan bagaimana mengumpulkan dan
mengorganisasi data mentah ke dalam suatu
susunan dan bagaimana membuat dan
menginterpretasikan sebuah distribusi frekuensi
Menyajikan data secara grafis dalam bentuk
g , poligon
histogram, p g frekuensi,, diagram
g batang,
g,
diagram garis, pie charts, piktogram, dll
Menghitung ukuran-ukuran pemusatan dan
penyebaran
FTUI @2011
9
1/27/2011
Jajaran Data (Data Array) 1020 1058 1110 1152 1175 1208 1235 1274 1316 1416
Sebuah jajaran data merupakan susunan dari data mentah 1021 1062 1124 1152 1181 1209 1246 1275 1327 1437
menurut urutan besar nilai numeriknya secara: 1028 1065 1133 1156 1185 1216 1249 1285 1333 1449
menaik (ascending) dari nilai yang terkecil
1040 1077 1136 1158 1185 1217 1250 1289 1338 1464
sampai terbesar
menurun (descending) dari yang terbesar 1042 1081 1141 1160 1186 1218 1254 1290 1341 1482
sampai terkecil 1042 1083 1141 1161 1192 1218 1258 1298 1361 1492
10
1/27/2011
(kN/m2) (f)
20
50-59 8 15
60-69 10
900 - 999 4
15
70-79 16
1000 - 1099 19 80-89 15 10
90-99 10
1100 - 1199 29 10
100-119 8
1200 - 1299 28 120-179 3 5
1300 - 1399 13 5
1400 - 1499 7
Total 70
Total 100 50 60 70 80 90 100 120 180
900 1000 1100 1200 1300 1400 1500
11
1/27/2011
Poligon frekuensi
distribusi frekuensi kumulatif direpresentasikan dalam
25
Jumlah spesimen (f)
20
grafik yang disebut ogive
Jika banyaknya data dalam distribusi tersebut dinyatakan
15
10
dalam prosentase terhadap banyaknya seluruh data disebut
5
distribusi frekuensi kumulatif relatif
900 1000 1100 1200 1300 1400 1500
80
(kN/m2) (fc)
60
< 899,5 0
40
< 999,5 4
<1099,5 23
<1199,5 52 20
< 1299,5 80
< 1399,5 93
< 1499,5 100
899,5 999,5 1099,5 1199,5 1299,5 1399,5 1499,5
12
1/27/2011
∑
K
f i x m ,i ∑
K
f i x m ,i Contoh 2.4:
μX = i =1
K
= i =1
(untuk suatu populasi) Mean aritmatika dari data sampel tegangan rusak yang terdiri
N
∑ fi dari 100 data yang sudah terkelompokkan adalah:
i =1
k 6
dimana:
= mean μ
x
= mean aritmatika
aritmatika
dari suatu sampel
dari suatu populasi
∑ fi xm,i ∑ fi xm,i (4)(949,5) + (19)(1049,5) + ... + (7)(1449,5)
= frekuensi
X
f i atau jumlah pengamatan dalam sebuah interval kelas x= i =1
= i =1
= = 1197,5
k 6
4 + 19 + ... + 7
= nilai tengah
xm ,i dari interval kelas
k = jumlah interval kelas dalam suatu sampel ∑ fi ∑ fi
K = jumlah interval kelas dalam suatu populasi i =1 i =1
n = banyaknya data x dalam suatu sampel
N = banyaknya data x dalam suatu populasi
13
1/27/2011
i =1
xw
14
1/27/2011
15
1/27/2011
Q3 − Q1
Qd =
2
b. Data Terkelompok n
k k 923 − 1198,5 + 924 − 1198,5 + ... + 1482 − 1198,5 + 1492 − 1198,5
∑ fi xm ,i − x ∑ fi xm ,i − x = = 98, 4
100
Mean Deviation = MDx = i =1
k
= i =1
n
∑ fi
i =1
16
1/27/2011
N
⎛ 2⎞
N
xm ,i − x ∑ ( xi − μ x ) ⎜ ∑ xi ⎟
2
Breaking Stress (x) (fi) xm,i f i xm ,i − x
σx = i =1
= ⎝ i =1 ⎠ − μ 2 (populasi)
x
N N
900 - 999 4 949,5 248 992
1000 - 1099 19 1049,5 148 2812
b. Data
2
⎛ k ⎞ ⎛ k ⎞
∑ fi ( xm,i − x )
k
n ⎜ ∑ f i xm2 ,i ⎟ − ⎜ ∑ f i xm ,i ⎟
2
1100 - 1199 29 1149,5 48 1392
1200 - 1299 28 1249,5 52 1456 Terkelompok sx = i =1
= ⎝ i =1 ⎠ ⎝ i =1 ⎠ (sampel)
1300 - 1399 13 1349,5 152 1976 n −1 n(n − 1)
1400
∑- 1499 7 1449,5 252 1764
100 10392 ⎛K 2 ⎞
∑ fi ( xm,i − μ x )
K
⎜ ∑ f i xm ,i ⎟
2
k σx = i =1
= ⎝ i =1 ⎠ −μ 2 (populasi)
∑ fi
x
xm ,i − x N N
10392
MDx = i =1
k
= = 103,92
100
∑ fi
i =1
∑ fi ( xm,i − x )
k 2
1549600
sx = i =1
= = 125,1
n −1 100 − 1
17
1/27/2011
Moment Moment
Moment Moment
b. Data Terkelompok Hubungan Antar Moment
- momen ke-r simpangan terhadap sembarang m2, x = m2,′ x − m1,′2x
k k
∑ fi ( xm,i − x ) ∑ fi ( xm,i − x )
k r k r
Perlu dicatat bahwa m1,′ x = x − A
mr , x = i =1
k
= i =1
n
∑ fi
i =1
∑ fi ( xm,i − A) ∑ fi ( xm,i − A)
k r k r
mr , x mr , x mr , x
mr′, x = = ar , x = Tidak
Moment Dalam Bentuk = Berdimensi =
)
i =1 i =1
( ) (
r
k
sr
∑ fi n m2, x m2,r x
i =1
18
1/27/2011
Ukuran lainnya
1 ( Q3 − Q1 )
Qd
κ= = 2
P90 − P10 P90 − P10
19
1/27/2011
Tujuan Pembelajaran
Tujuan Pembelajaran
20
1/27/2011
Definisi Probabilitas
Konsep
Bilangan dan
antara 0 dan 1 yangDefinisi
berkaitan dengan Konsep dan Definisi
suatu peristiwa (even) tertentu
¾ Peristiwa pasti terjadi Æ probabilitas =1
¾ Peristiwa mustahil terjadi Æ probabilitas =0
Contoh :
Definisi Klasik : Definisi klasik cocok digunakan misalnya
Jika sebuah peristiwa A dapat terjadi dengan fA pada permainan tembakan/undian (games of
cara dari sejumlah
j total N cara y
yangg mungkin
g chance).
) Misalnyay dalam satu set kartu
terjadi, maka: bridge yang terdiri dari 52 kartu terdapat 4
- probabilitas P(A) dari terjadinya peristiwa A: buah kartu As, maka probabilitas
fA
P ( A) = pengambilan satu kartu mendapatkan kartu
N
As adalah: P(As) = 4/52 = 1/13 = 0,077
- probabilitas tidak terjadinya peristiwa A
N − fA f
P ( A) = P ( A% ) = P (~ A) = = 1 − A = 1 − P ( A)
N N
Teknik Mesin – FTUI © Dr. Ir. Harinaldi, M.Eng
21
1/27/2011
fA
P ( A) = lim
N →∞ N
Teknik Mesin – FTUI © Dr. Ir. Harinaldi, M.Eng
22
1/27/2011
23
1/27/2011
24
1/27/2011
25
1/27/2011
Contoh:
Vendor I, II, III, dan IV menyediakan seluruh keperluan
bantalan bush yang dibeli oleh perusahaan Sumber Teknik
sebanyak masing-masing 25 %, 35 %, 10 % dan 30 %. Dari
pengalaman selama ini diketahui bahwa vendor I, II, III, dan IV
masing-masing mengirimkan 80 %, 95 %, 70 % dan 90 %
bantalan bush yang baik (tanpa cacat). Maka probabilitas
bahwa sebuah bantalan yang dipilih secara acak merupakan Kemudian jika terpilih sebuah bantalan cacat, maka
bantalan yang cacat dapat dihitung sebagai berikut. Misalkan probabilitas bantalan cacat itu berasal dari vendor III adalah
A adalah
d l h peristiwa
i ti pemilihan
ilih sebuah
b h bantalan
b t l yang cacat,t
dan B1, B2, B3, dan B4, adalah peristiwa pemilihan bantalan P( B3 ∩ A) 0, 03
dari vendor I, II, III, dan IV. Maka P( B3 | A) = = = 0, 2353
P ( A) 0,1275
4 4
P( A) = ∑ P( A ∩ Bi ) = ∑ P( Bi ) × P ( A | Bi )
i =1 i =1
26
1/27/2011
Permutasi
Suatu permutasi dari n obyek yang berbeda dan setiap
kalinya dipilih sebanyak r obyek adalah suatu cara
penyusunan r obyek dari n obyek tersebut dengan
memperhatikan urutan susunannya
Didefinisikan:
27
1/27/2011
Kombinasi
Suatu kombinasi dari n obyek yang berbeda dan setiap
kalinya dipilih sebanyak r obyek adalah suatu cara
penyusunan r obyek dari n obyek tersebut tanpa
memperhatikan urutan susunannya
Didefinisikan:
28
1/27/2011
29
1/27/2011
0 ≤ p( x ) ≤ 1 0 ≤ p( x ) ≤ 1
0 ≤ p( x ) ≤ 1
F ( x ) = P( X ≤ x ) = ∑ p(ξ )
ξ ≤x
30
1/27/2011
Teknik Mesin – FTUI © Dr. Ir. Harinaldi, M.Eng Teknik Mesin – FTUI © Dr. Ir. Harinaldi, M.Eng
Mean n
μ x = ∑ x i p( x i )
i =1
Varians n
σ x2 = ∑ ( x i − μ x )2 p ( x i )
i =1
31
1/27/2011
Catatan :
• Untuk variabel kontinu : P(X=c) = p(c) = 0
32
1/27/2011
Teknik Mesin – FTUI © Dr. Ir. Harinaldi, M.Eng Teknik Mesin – FTUI © Dr. Ir. Harinaldi, M.Eng
33
1/27/2011
p( xlb ≤ x ≤ xub )
tinggi histogram = h( xlb ≤ x ≤ xub ) =
Varians σ = ∫ ( x − μ x ) f ( x )dx
2
x
2 xub − xlb
Teknik Mesin – FTUI © Dr. Ir. Harinaldi, M.Eng Teknik Mesin – FTUI © Dr. Ir. Harinaldi, M.Eng
34
1/27/2011
Teknik Mesin – FTUI © Dr. Ir. Harinaldi, M.Eng Teknik Mesin – FTUI © Dr. Ir. Harinaldi, M.Eng
35
1/27/2011
Nilai Harapan
(Harapan Matematik)
n
E( X ) = ∑ xi p( xi ) Variabel Diskrit
i =1
Mean value
E ( X ) = ∫ x ⋅ f ( x )dx Variabel Kontinu
Tujuan Pembelajaran
Menjelaskan pengertian distribusi binomial,
mengidentifikasi eksperimen binomial dan menghitung
probabilitas binomial, menghitung ukuran pemusatan
dan penyebaran distribusi binomial
Menjelaskan pengertian distribusi Poisson,
mengidentifikasi eksperimen Poisson dan menghitung
probabilitas
b bili Poisson,
P i menghitung
hi ukuran
k pemusatan
dan penyebaran distribusi Poisson
Mengetahui adanya jenis-jenis distribusi probabilitas
variabel acak diskrit lainnya
Menjelaskan sifat-sifat suatu distribusi normal,
menggunakan mean dan deviasi standard dari variabel
acak kontinyu yang terdistribusi secara normal untuk
mengubah nilai variabel acak menjadi skor standard
36
1/27/2011
37
1/27/2011
( 4) ( 34) 5! 1
( ) ( 34)
1 4 1 4
P ( X = 1) = p(1) = 5 C1 1 = = 0,3955
P ( X = x) = p ( x ) = n C x p x q n − x = n C x p x (1 − p ) n − x 1!4! 4
( 4) ( 4) 5! 1
( ) ( 4)
2 3 2 3
P ( X = 2) = p (2) = 5 C2 1 3 = 3 = 0, 2637
n Cx = kombinasi dari n obyek yang setiap kali dipilih x obyek 2!3! 4
( 4) ( 34) 5! 1
( ) ( 34)
3 2 3 2
P( X = 3) = p(3) = 5 C3 1 = = 0, 0879
Distribusi kumulatif dari probabilitas binomial : 3!2! 4
( 4 ) ( 3 4 ) = 4!1!
5! 1
( 4 ) ( 3 4 ) = 0, 0146
4 1 4 1
x x P( X = 4) = p (4) = 5 C4 1
F ( x) = ∑ n Ck p k q n − k = ∑ n Ck p k (1 − p) n − k
( 4) ( 3 4 ) ( ) ( 34)
5! 1
5 0 5 0
k =0 k =0 P( X = 5) = p (5) = 5 C5 1 = = 0, 0010
5!0! 4
μ x = E ( X ) = np = (12)(0, 67) = 8, 04
Varians dan σ x2 = npq = (12)(0, 67)(0,33) = 2,6532
St d d Deviasi
Standard D i i: σ = npq
2
x → σ x = npq σ x = npq = 2,6532 = 1,6289
q p 2 0,33 0, 67 2
Kemencengan q p 2 q− p β1 = + − = + − =1
(skewness) : β1 = + − → α 3 = β1 = np nq n (12)(0, 67) (12)(0, 33) 12
np nq n npq
1 − 6 pq 1 − 6(0, 67)(0,33)
Keruncingan 1 − 6 pq β2 = +3= +3= 2
(kurtosis) : β2 = α4 = +3 npq (12)(0, 67)(0,33)
npq
38
1/27/2011
39
1/27/2011
40
1/27/2011
41
1/27/2011
stress) harus dapat diukur dengan ketelitian (resolusi) P ( X | a < x < b) = p (a < x < b) = ∫ f ( x)dx
a
yang kecil tak hingga (infinitesimal), artinya nilai yang
diukur memiliki jjumlah angka
g penting
p g yang
y g tak terbatas
Jik
Jika dik
diketahui
t h i PDF dari
d i sebuah
b h variabel
i b l acak
k f(x),
f( ) maka
k
Sampel yang diuji jumlahnya juga tidak terbatas
banyak perhitungan berguna yang dapat dilakukan:
Lebar kelas interval dapat kecil sekali (jumlah kelas interval
a
semakin banyak), sehingga histogram yang berbentuk
seperti tangga akan menjadi sebuah kurva yang mulus
P( X | x < a ) = p( x < a) = ∫ f ( x)dx
−∞
Kurva ini adalah kurva sebuah fungsi f dari variabel x, f(x). ∞
42
1/27/2011
Setiap fungsi yang memenuhi persyaratan tersebut adalah ¾ Nilai dari σx menentukan bentangan dari kurva sedangkan
model matematik yang berguna dan potensial untuk menjadi μx menentukan pusat (center)nya
fungsi kepadatan probabilitas. ¾ Kemencengannya (skewness) = α3 = β1 = 0
¾ keruncingannya (kurtosis) = α4 = β2 = 3
43
1/27/2011
44
1/27/2011
45
1/27/2011
46
1/27/2011
Contoh 5.1:
Sampling Dengan dan Tanpa Pergantian
Sampling dengan pergantian Æ setiap anggota
Jika kita memeriksa rata-rata harian banyaknya produk sebuah populasi bisa terpilih lebih dari sekali
cacat di sebuah pabrik selama 12 bulan terakhir, maka
Sampling tanpa pergantian Æ anggota populasi yang
populasi yang diperoleh adalah populasi terhingga
telah terpilih tidak bisa dipilih lagi
yang meliputi produk cacat dari semua jalur produksi
di pabrik
b ik itu
i Contoh 5.2:
Jika kita mengukur kecepatan prosesor komputer yang Dalam memilih sebuah nomor yang mewakili komponen
dibuat oleh sebuah perusahaan tertentu maka populasi sebagai sampel dari sebuah batch produksi, kita bisa
yang diperoleh adalah populasi tak terhingga, karena mengembalikan lagi atau tidak mengembalikan kembali
produk tersebut akan terus diproduksi dan nomor yang telah terpilih kedalam batch produksi.
dikembangkan di masa-masa mendatang Dalam kasus pertama disebut sampling dengan
pergantian sedangkan kasus yang kedua adalah sampling
tanpa dengan pergantian
47
1/27/2011
48
1/27/2011
Distribusi sampling dari mean-mean sampel adalah distribusi Untuk nilai n yang besar (n > 30), distribusi sampling mean
mean-mean aritmetika dari seluruh sampel acak berukuran n mendekati suatu distribusi normal terlepas dari bentuk asli
yang mungkin yang dipilih dari sebuah populasi distribusi populasinya
Jika populasinya memiliki distribusi normal,maka distribusi
Mean dan Deviasi Standard Distribusi Sampling Mean sampling mean juga terdistribusi secara normal untuk nilai n
berapapun
p p (tidak
( tergantung
g g ukuran sampel)
p )
Jika sampling dilakukan Jika sampling dilakukan Deviasi standard dari sebuah distribusi sampling mean disebut
tanpa pergantian dari suatu dengan pergantian atau juga dengan error standard daripada mean
populasi terhinga berukuran populasinya tak terhingga,
N, maka: maka:
μx = μx μx = μx
σx N −n σx
σx = σx =
n N −1 n
μx =
2 + 3 + 6 + 8 + 11 30
= = 6, 0 μ x = μ x = 5, 02 N
5 5
σx N − n 0,30 500 − 100
σx =
((2 − 6)) 2 + ((3 − 6)) 2 + ((6 − 6)) 2 + ((8 − 6)) 2 + ((11 − 6)) 2 +
= 3,
3 29 σx = = = 0,
0 027
5 n N −1 100 500 − 1
14
∑ fi xi Seratus sampel cetakan memiliki berat total 496 sampai 500 N jika rata-
(1)(2) + (2)(2,5) + ... + (1)(11) 150 ratanya adalah 4,96 sampai 5,00 N. Jadi dengan menggunakan tabel
μx = i =1
= = = 6, 0
14
1 + 2 + ... + 1
∑ fi 25
distribusi normal standard skor z adalah:
4,96 − 5, 02
i =1
14 x = 4,96 → z x = = −2, 22
∑ fi ( xi − μ x )2 (1)(2 − 6) 2 + (2)(2,5 − 6) + ... + (1)(11 − 6) 135
0, 027
σx = i =1
= = = 2, 32
14
∑ fi 25 25 5, 00 − 5, 02
i =1
x = 5, 00 → z x = = −0, 74
σx
0, 027
Terlihat bahwa μ x = μ x dan dapat ditunjukkan σ x =
bahwa n P(4,96 ≤ x < 5, 00) = P(−2, 22 ≤ z x ≤ −0, 74) = (0, 22965 − 0, 01321) = 0, 2164 = 21, 64%
dengan n = 2
49
1/27/2011
Maka probabilitas mata bor yang cacat dengan proporsi lebih dari 3 %:
σ S −S = σ + σ 2 2
σ S + S = σ + σ S2
2
P( zP > 1, 25) = 1 − P( zP ≤ 1, 25) = 1 − 0,8944 = 0,1056 = 10,56% 1 2 S1 S2 1 2 S1 2
50
1/27/2011
Tujuan Pembelajaran
Menjelaskan konsep-konsep dasar yang mendukung
pendugaan rata-rata populasi, persentase dan varians
Menghitung dugaan-dugaan (estimates) rata-rata populasi
pada tingkat kepercayaan (level of confidence) berbeda-beda
jika deviasi standard populasi tidak diketahui ataupun jika
diketahui
Menghitung dugaan-dugaan persentase populasi pada
ti k t kepercayaan
tingkat k yang b
berbeda-beda
b d b d
Menghitung dugaan-dugaan varians populasi pada tingkat
kepercayaan yang berbeda-beda
Memahami kapan dan bagaimana menggunakan distribusi-
distribusi probabilitas yang semestinya, yang diperlukan
untuk tujuan-tujuan pendugaan
51
1/27/2011
52
1/27/2011
x − zσ x < μ x < x + zσ x
53
1/27/2011
54
1/27/2011
Interval Estimasi
55
1/27/2011
Tujuan Pembelajaran
Menjelaskan langkah-langkah yang diperlukan prosedur
umum uji hipotesis
Menghitung uji hipotesis mean sampel tunggal dan ganda
Menghitung uji hipotesis proporsi sampel tunggal dan ganda
Menghitung uji hipotesis varians sampel tunggal dan ganda
Menghitung Uji ANOVA dan Uji Chi-Kuadrat
56
1/27/2011
1. Hipotesis nol (H0) adalah asumsi yang akan diuji. Uji Dua Ujung
Hipotesis nol dinyatakan dalam hubungan =
2. Hipotesis alternatif (H1) adalah hipotesis yang
menolak hipotesis nol. Hipotesis alternatif
di
dinyatakan
k dalam
d l hubungan
h b : > ; < ;≠
3. Tingkat kepentingan/level of significance (α)
menyatakan suatu tingkat resiko kesalahan dengan
jika hipotesis nol. (Yang biasa digunakan α = 0,05 atau
0,01)
57
1/27/2011
Teknik Mesin – FTUI © Dr. Ir. Harinaldi, M.Eng Teknik Mesin – FTUI © Dr. Ir. Harinaldi, M.Eng
1. Rasio Uji :
p − π H0
RUz = ztest =
σP
2. Error Standard
π H0 (100 − π H0 )
σP =
n
58
1/27/2011
59
1/27/2011
Asumsi :
¾ Data di kedua populasi terdistribusi normal
¾ Independent sample
60
1/27/2011
Asumsi:
¾ Populasi terdistribusi normal
¾ Sampling acak dan independen
¾ Varians populasi-populasnya sama
61
1/27/2011
Teknik Mesin – FTUI © Dr. Ir. Harinaldi, M.Eng Teknik Mesin – FTUI © Dr. Ir. Harinaldi, M.Eng
62
1/27/2011
Tujuan Pembelajaran
63
1/27/2011
64
1/27/2011
Terlihat jelas bahwa interpretasi dari persamaan garis regresi yang diperoleh
dari data sampel dapat memberikan pemahaman yang menyesatkan
(misleading) jika akan diterapkan pada populasinya.
s y ,x
b − BHo sb =
RUt = ttest = (∑ x )
2
UJI- t
sb ∑(x2 ) − n
65
1/27/2011
∑(x2 ) − n
UJI ANOVA
yˆ ± z ( sy ,x )
n < 30
66
1/27/2011
67
1/27/2011
68
1/27/2011
69
1/27/2011
70
1/27/2011
Peta Kontrol p:
Persentase atau proporsi dari produk yang defective per
sample untuk menilai masing-masing produk dapat diterima
(acceptable)atau ditolak (defective)
Peta Kontrol c:
Jumlah defect dalam unit produk yang tetap
dalam inspeksi terhadap jumlah seluruh produk yang di inspeksi. bahan diterima. Hasil tabulasi dari data yang dicatat selama
11-Sep-00
12-Sep-00
6
3
12
6
p dapat dinyatakan, dalam fraksi disebut "fraction defective“ atau phase permulaan produksi sebagai berikut: 15-Sep-00 1 2
16-Sep-00 3 6
persentase disebut "percentage defective“ 17-Sep-00 2 4
71
1/27/2011
72
1/27/2011
73
1/27/2011
⎡UCL − μ μ − LCL ⎤
Cppk = min⎢ ,
⎣ 3σ 3σ ⎥⎦
Cpk > 1 Æ proses terkendali (makin besar Cpk kinerja
proses makin baik)
Cpk ≤ 1 Æ proses tidak terkendali
74