D071181009
Statistik Industri
Jawaban
1. Apabila diketahui sebuah populasi dengan jumlah subjek N, seandainya dari populasi dapat
di tentukan nilai rata-ratanya maka akan diperoleh μ. Apabila dari populasi tersebut ditarik
sebuah sampel, dan dari sampel tersebut dihitung nilai rata-ratanya maka diperoleh X.
Apabila sampel yang diambil tersebut benar-benar baik yaitu benar-benar mewakili
populasinya, maka seharusnya tidak ada perbedaan antara μ dan X . Akan tetapi pada
kenyataannya ada perbedaan antara nilai rata-rata populasi dan nilai rata-rata dari sampel
yang diambil dari populasi tersebut. Ketidaksamaan ini disebabkan karena pengambilan
sampel atau biasa disebut sampling error. Jadi, sampling error adalah perbedaan antara rata-
rata sampel dan rata-rata populasi akibat kesalahan mengambil sampel.
σ
sebagai μ x́ =μ. Standar deviasinya yaitu σ x́ = dengan:
√n
n : ukuran sampel
x́ : rata-rata sampel
µ : rata-rata populasi
σ : standar deviasi populasi
μ x́ : rata-rata pada distribusi sampling rata-rata
σ x́ : standar deviasi pada distribusi sampling rata-rata
3. Distribusi sampling proporsi adalah kumpulan atau distribusi semua perbandingan
samplenya untuk suatu peristiwa. Menentukan mean dari distribusi sampel
proporsi dapat dilakukan dengan menghitung menggunakan persamaannya.
Terlepas dari nilai proporsi populasi, p, (dengan pengecualian yang jelas dari p=0
dan p = 1), distribusi sampling untuk proporsi sampel, p, akan terdistribusi normal
p(1−p)
dengan μ ṕ= p dan tandar deviasinya yaitu σ ṕ=
n√ memberikannp ≥ 5dan
4. Teorema limit pusat (“central limit theorem”) adalah sebuah teorema yang
menyatakan bahwa kurva distribusi sampling (untuk ukuran sampel 30 atau lebih)
akan berpusat pada nilai parameter populasi dan akan memiliki semua sifat-sifat
distribusi normal. Untuk sampel acak sederhana dari n pengamatan yang diambil
dari populasi dengan rata-rata μ dan standar deviasi σ , terlepas dari distribusi
populasi, menyediakan sampel ukurannya cukup besar, distribusi sampel berarti, x́
, akan menjadi normal dengan rata-rata sama dengan populasi rata-rata ( μ x́ =μ ) dan
standar deviasi sama dengan standar deviasi populasi dibagi dengan akar kuadrat
σ
dari ukuran sampel (σ x́ = ). Semakin besar ukuran sampel, semakin baik
√n
perkiraan ke normal distribusi.
Teorema Limit Pusat sangat penting karena dengan itu, kita tahu bentuk distribusi
sampel meskipun kita mungkin tidak tahu bentuk distribusi populasi. Yang perlu
diperhatikan adalah bahwa ukuran sampel harus "cukup besar". Apa yang
dimaksud dengan ukuran sampel harus "cukup besar”? Jawabannya tergantung
pada bentuk populasi. Jika populasinya cukup simetris, maka ukuran sampel
sekecil 2 atau 3 dapat memberikan distribusi sampling yang terdistribusi normal.
Jika populasi sangat miring atau bentuknya tidak beraturan, diperlukan ukuran
sampel akan lebih besar.
5. Contoh Distribusi sample rata-rata dan distribusi sampel proporsi
a. Distribusi sampel rata-rata
ABC Company memproduksi ‘Remote Control’ dengan menggunakan dua
baterai. Rata-rata umur baterai yang digunakan di produk ini adalah 35 jam.
Distribusi umur baterai mendekati distribusi probabilitas normal dengan standar
deviasi 5,5 jam. Sebagai bagian dari program pengujian, diambil sampel
sebanyak 25 baterai. Hitunglah probabilitas umur baterai lebih dari 36 jam?
Dik:
μ x́ =μ=35
σ =5,5
n=25
Dit: P(x́ >35 ¿?
Penyelesaian:
σ 5,5
σ x́ = = =1,1
√ n √25
x́−μ x́ 36−35
z= = =0,91
σ x́ 1,1
Lihat tabel z:
luas sebelah kanan 0 = 0,5000
luas antara 0 - z = 0,5000 - 0,3186 =0,1814
luas sebelah kanan z = 0,1814
b. Distribusi sampel proporsi
Sebuah Bakery Store “BT” menemukan bahwa pembelian dilakukan oleh
20% dari pelanggan yang memasuki tokonya. Suatu pagi terdapat sampel
acak sebanyak 180 orang memasuki toko. Berapa probabilita pelanggan
yang membeli kurang dari 15%?
Dik: n = 180 ; p = 20% = 0,2
Dit: P( ṕ<15 % ¿ ?
Penyelesaian:
μ ṕ=μ=0,2
p(1−p) 0,20(0,18)
σ ṕ=
√ n
=
√ 180
=0,029814239
lihat tabel z:
luas sebelah kiri 0 = 0,5000
luas antara z-0 = 0,5000 - 0,4535
luas sebelah kiri z = 0,0465