Halaman 9

268 TEKNOLOGI DAN PENGUKURAN TEKNIK

diperiksa untuk memastikan bahwa itu memenuhi spesifikasi yang sesuai. Bahan baku
mengalami berbagai proses produksi, dan produk jadi diluncurkan kepada pelanggan setelah
inspeksi terakhir. Insinyur produksi dan QC harus memastikan kepatuhan yang ketat terhadap
kualitas pada setiap tahap siklus produksi. Strategi QC melibatkan penyebaran berbagai alat
QC.Teknik statistik seperti diagram kontrol dan rencana penerimaan memberikan hasil yang
andal dan lebih cepat prosedur untuk inspeksi di industri produksi massal.
Cukup sering kita menemukan QA, konsep populer lainnya. Kedengarannya sangat
mirip dengan QC dan Anda mungkin bertanya-tanya apakah keduanya sama. Ada perbedaan
yang jelas antara QC dan QA.Sementara yang pertama terdiri dari sejumlah pengukuran
analitis dan alat yang digunakan untuk menilai kualitas produk, yang terakhir berkaitan
dengan rencana manajemen keseluruhan untuk menjamin integritas data. Ini adalah
pendekatan komprehensif untuk membangun sistem yang ilmiah dan andal untuk memastikan
kualitas.
Menurut ISO, QA terdiri dari semua kegiatan yang direncanakan dan sistematis, yang
menyediakan keyakinan yang memadai bahwa suatu entitas akan memenuhi persyaratan
untuk kualitas. Berikut ini adalah tujuan utama QA:
1. Merencanakan dan mengimplementasikan semua kegiatan untuk memenuhi standar
kualitas suatu produk.
2. Pastikan peningkatan kualitas berkelanjutan
3. Evolve tolok ukur untuk menghasilkan ide untuk peningkatan kualitas.
4. Pastikan kepatuhan dengan persyaratan hukum dan keselamatan yang relevan.
5. Memberikan jaminan kepada semua pelanggan dan pihak berwenang terkait
(a) ketertelusuran total produk
(B) kesesuaian produk dengan kebutuhan pelanggan
Tabel 11.2 memberikan perbandingan antara QC dan QA.
Tabel 11.2 Perbandingan antara kontrol kualitas dan jaminan kualitas
Kontrol kualitas
 Menemukan penyimpangan dari kualitas yang dinyatakan standar dan
memperbaikinya
 Menempatkan tanggung jawab besar pada inspektur QC
 Pada dasarnya fungsi garis
 Kegiatan: pengujian, inspeksi, kontrol gambar grafik, dll.
Kualitas asuransi
 Meningkatkan proses QC daripada memperbaiki kesalahan dalam pembuatan
 Pergeseran tanggung jawab ke tingkat menengah dan atas manajer
 Pada dasarnya fungsi staf
 Kegiatan utama: menentukan proses kualitas, kualitas audit, pemilihan alat, dll.

Gambar 11.3 mengilustrasikan hubungan antara

konsep kualitas. Pada intinya adalah proses inspeksi,yang menciptakan data dasar untuk
semua proses selanjutnya dan pengambilan keputusan. QC, seperti yang sudah dikatakan,
terdiri alat dan teknik untuk menangkap pengukuran dan memeriksa data, dan menjadikannya
untuk dianalisis lebih lanjut. Alat QC memberikan dasar untuk menerima atau menolak a
bagian. QA adalah fungsi manajerial, yang memastikan hal itu semua kegiatan yang
berhubungan dengan kualitas dilakukan dengan tekun dan secara optimal. Namun, semua
yang disebutkan di atas
Inspeksi TQM QA QC
Gambar 11.3 Hubungan antara berbagai
konsep kualitas

Halaman 10
 269 KONTROL INSPEKSI DAN KUALITAS 
kegiatan adalah himpunan bagian dari strategi manajemen tingkat perusahaan,yang populer
disebut sebagai total manajemen mutu . Sedangkan tiga kegiatan pertama berkaitan dengan
tingkat operasional dan menengah tingkat manajemen, TQM melibatkan strategi perusahaan
dan komitmen manajemen puncak untuk memastikan tingkat kualitas yang tinggi, tidak
hanya dalam hal kualitas produk, tetapi juga di masing-masing dan setiap bidang aktivitas.
11.8 KONTROL KUALITAS STATISTIK
Idealnya, perlu memeriksa setiap jenis bahan baku, dan setengah jadi dan jadi
komponen pada setiap tahap produksi. Ini lebih mudah diucapkan daripada dilakukan, karena
ini adalah a Tugas raksasa dalam industri besar. Teknik statistik memberikan andal dan
ekonomis metode untuk memastikan QC, yang dikenal sebagai kontrol kualitas
statistik ( SQC ). Bagian ini memperkenalkan berbagai alat statistik dan metodologi yang
diterapkan di industri.
Meskipun statistik sebagai cabang matematika telah dipahami dengan baik untuk
beberapa berabad-abad, pentingnya dalam aplikasi teknik mulai direalisasikan pada abad ke-
19. Dr Walter A. Shewhart dari Bell Telephone Laboratories dari AS pertama kali
menetapkan teknik ini menerapkan statistik pada kontrol produksi industri. Dia menemukan
diagram kontrol untuk menilai apakah suatu proses produksi berada di bawah QC atau
tidak. Meskipun terbukti memiliki kelebihan SQC, itu tidak digunakan secara ekstensif
sampai tuntutan yang belum pernah terjadi sebelumnya dari Perang Dunia II. Ada permintaan
besar untuk pesawat terbang, tank tempur, senjata, dan amunisi di medan perang. Di AS,
pabrik-pabrik baru dibangun pada awal 1940-an untuk memasok peralatan perang. Namun,
perang upaya menuntut produk berkualitas tinggi dan sumber daya untuk melakukan inspeksi
100% adil tidak tersedia. Teknik-teknik Shewhart menyediakan bantuan tepat waktu untuk
mengontrol kualitas dan mengirimkan pasokan ke garis depan tepat waktu. Shewhart
menciptakan sistem untuk melacak variasi dan mengidentifikasi nya
penyebab. Sistem kontrol proses statistiknya (SPC) dikembangkan lebih lanjut dan
dipopulerkan oleh rekan satu kali, Edward Deming. Deming menunjukkan bagaimana SPC
dapat dicapai oleh
memahami variabilitas proses.

11.8.1 Variabilitas Proses

Perhatikan contoh poros yang dibuat dalam jumlah besar pada mesin bubut. Jika diameternya
masing-masing poros diukur setelah operasi belok, kita akan mengharapkan untuk melihat
beberapa variabilitas pengukuran di sekitar nilai rata-rata. Variasi acak yang teramati dalam
pengukuran ini mungkin disebabkan oleh variasi dalam kekerasan material, lonjakan daya
yang mempengaruhi alat mesin, atau bahkan kesalahan dalam melakukan pengukuran pada
poros yang sudah jadi. Kesalahan ini disebut sebagai acak kesalahan dan melekat dalam
proses pembuatan.
Di sisi lain, perhatikan kasus alat pemotong mulai kusam. Dengan terus menerus
tumpul dari ujung tombak, diameter komponen akan meningkat secara bertahap. Sebagai
bantalan spindel aus, variasi dimensi akan terus meningkat. Variasi seperti itu disebabkan
karena penyebab yang dapat ditentukan dan tidak acak; ini disebut sebagai kesalahan
sistematis .
Kedua jenis variasi ini memerlukan respons manajerial yang berbeda. Meskipun salah
satunya tujuan manajemen mutu adalah peningkatan konstan dengan pengurangan variasi
yang melekat,ini biasanya tidak dapat dicapai tanpa mengubah proses. Itu tidak masuk akal
untuk mengubah proses kecuali ada yang yakin bahwa semua penyebab yang ditetapkan
untuk variasi telah diidentifikasi dan dikendalikan. Pelajaran di sini adalah bahwa jika
prosesnya di luar kendali.

Halaman 11
270 TEKNOLOGI DAN PENGUKURAN TEKNIK
karena beberapa penyebab khusus untuk variasi masih ada, identifikasi dan koreksi
penyebabnya variasi. Kemudian, ketika proses telah dikendalikan, kualitasnya dapat
ditingkatkan dengan merancang proses untuk mengurangi variabilitas yang melekat.
Ada dua kategori utama dalam SQC: SQC oleh atribut dan SQC oleh variabel. Sebuah
atribut adalah karakteristik yang bertipe ya atau tidak. Pengukur inspeksi GO dan NO GO
adalah contoh pemeriksaan atribut. Di sisi lain, sebuah variabel adalah karakteristik yang bisa
dinyatakan dalam nilai skalar sepanjang skala kontinu. Perhatikan bahwa hasil pemeriksaan
variabel dapat selalu dinyatakan dalam hal atribut, tetapi tidak sebaliknya. Kami akan
membahas SQC dengan atribut, diikuti oleh SQC oleh variabel.
11.8.2 Pentingnya Sampling
SQC didasarkan pada pengambilan sampel . Sampel didefinisikan sebagai bagian
representatif dari kelompok yang diambil sebagai bukti tingkat kualitas atau karakter seluruh
kelompok. Namun, selalu ada risiko bahwa sampel yang diambil mungkin tidak mewakili
kelompok. Aspek ini telah menyebabkan pengembangan sejumlah teori pengambilan sampel,
dengan tujuan memastikan seleksi sampel yang representatif. Insinyur QC harus bijaksana
dalam memilih yang sesuai metode pengambilan sampel serta ukuran sampel yang sesuai.
Sebagai contoh, pertimbangkan sebuah kotak berisi 1000 bagian di antaranya 100
rusak (yaitu 10% dari bagian rusak), dan mari kita asumsikan bahwa kebijakan perusahaan
adalah menolak seluruh lot jika 10% dari item yang ditarik rusak. Jika sampel 10 diambil,
tidak ada jaminan bahwa salah satu dari mereka akan rusak; itu bisa mengandung tidak ada,
satu, atau beberapa item yang rusak. Jika ukuran sampel ditingkatkan menjadi 100,
kemungkinan mengandung perwakilan 10% akan jauh lebih besar. Di ukuran sampel 500,
hampir dijamin bahwa 10% dari bagian yang ditarik akan rusak. Jadi, semakin besar sampel,
semakin dekat untuk mewakili seluruh lot. Ini penting bahwa pemilihan representatif dibuat
dalam pengambilan sampel. Ini disebut sampel acak . Ini dicapai hanya ketika bagian diambil
secara acak dari lot. Dalam banyak kasus, ini dilakukan dengan menggali sampel individu
dari berbagai tempat di wadah curah mereka. Ketika bagian dapat diidentifikasi dengan
nomor individual, tabel angka acak dapat dihasilkan dan digunakan untuk memilih sampel.
 Kita dapat menyimpulkan hal berikut: semakin besar ukuran sampel, semakin
representatif sampel lot dari tempat itu telah diambil. Namun, ini meniadakan tujuan itu
pengambilan sampel, yaitu untuk menghindari inspeksi 100% dan mengurangi waktu dan
biaya inspeksi menjadi a gelar yang bagus. Ahli statistik merekomendasikan rencana
pengambilan sampel ekonomi untuk menyeimbangkan dua dasar Persyaratan.
Rencana Pengambilan Sampel Ekonomi
Saat merencanakan sampel, kita perlu mempertimbangkan dua faktor:
1. Apa ukuran batch paling tidak dapat diterima? Ini dikenal sebagai toleransi lot cacat
(LTPD).
2. Apa risiko yang terlibat dalam menerima batch yang lebih rendah daripada LTPD secara
optimis mencicipi? Ini dikenal sebagai risiko konsumen .
Rencana yang paling ekonomis adalah yang memberikan tingkat perlindungan yang
diperlukan kepada produsen untuk jumlah total inspeksi per batch paling sedikit. Dalam
jangka panjang, proses pembuatan akan menghasilkan, ketika berjalan secara normal, rata-
rata persen cacat, yang dikenal sebagai rata-rata proses.

Halaman 12
 271 PENGENDALIAN INSPEKSI DAN KUALITAS 
Produsen mengambil risiko bahwa, ketika berjalan pada rata-rata proses, sampel pesimistis
akan melakukannya tolak batch yang dapat diterima.
1. Biarkan N menjadi ukuran bets (atau ukuran lot), n ukuran sampel, dan R risiko
produser.
2. Kemudian, total inspeksi per batch I dalam jangka panjang, untuk rencana
pengambilan sampel yang diberikan, diberikan oleh Saya = n + ( N - n ) R .
Terlihat bahwa saya adalah fungsi ukuran bets dan R adalah fungsi ukuran
sampel. Jika saya diplot terhadap ukuran sampel untuk ukuran batch yang diberikan, kurva
jenis yang ditunjukkan pada Gambar. 11.4 diperoleh. Ini memberikan ukuran sampel paling
ekonomis untuk ukuran batch yang diberikan.
Metode Pengambilan Sampel
Ada empat metode pengambilan sampel yang populer:
1. Simple random sampling
2. Pengambilan interval interval konstan
3. Pengambilan sampel bertingkat
4. Pengambilan sampel cluster
Contoh acak sederhana
Acak sederhana
Sampling memilih sampel dengan metode itu memungkinkan setiap sampel yang mungkin
untuk memiliki yang sama probabilitas untuk dipilih dan setiap item dalam seluruh populasi
memiliki peluang yang sama dimasukkan dalam sampel. Cara termudah untuk memilih
sampel secara acak adalah dengan menggunakan acak angka. Angka-angka ini dapat
dihasilkan juga oleh komputer yang diprogram untuk mengacak angka atau dengan tabel
angka acak.
Pengambilan interval interval konstan
Pengambilan sampel ini dilakukan berdasarkan urutan bagian mana tinggalkan operasi
produksi. Ini mungkin setiap bagian ketiga atau mungkin setiap bagian ke 10. Itu rencana
pengambilan sampel dilakukan berdasarkan pengalaman profesional SQC. Misalnya, jika
ukuran lot adalah 200 dan diperlukan 10 sampel, interval pengambilan sampel adalah 200/10
= 20. Titik di produksi di mana sampel pertama diambil dapat ditentukan dengan angka acak
dalam Interval 1–19. Setelah itu, semua sampel lain diambil sesuai dengan interval yang
dipilih, dalam kasus ini, 20 bagian. Misalkan, angka pertama ternyata menjadi 7, lalu nomor
bagian yang akan ditarik adalah 7, 27, 47, 67, 87, 107, 127, 147, 167, dan 187.
Pengambilan sampel berstratifikasi 
Dalam situasi tertentu, satu sampel berkelanjutan mungkin tidak memberikan yang
diinginkan informasi. Misalnya, perhatikan proses produksi dari satu bagian yang dibagi di
antara beberapa bagian mesin yang berbeda atau operator yang berbeda. Dalam kasus seperti
itu, ukuran sub-lot mungkin berbeda. Karena itu, ukuran sampel untuk setiap sub-lot harus
ditentukan secara terpisah. Dengan demikian, pengambilan sampel bertingkat adalah sesuai
ketika populasi sudah dibagi menjadi kelompok-kelompok dengan ukuran yang berbeda dan
kami ingin akui fakta ini. Mari kita asumsikan bahwa bagian dapat dikerjakan pada salah satu
dari empat mesin dari jenis yang sama, tetapi dari umur yang berbeda. Untuk melakukan
inspeksi untuk akurasi dimensi, sampel acak dapat diambil dari masing-masing dari empat
mesin dengan memberikan bobot pada umur Mesin-mesin. Rencana pengambilan sampel
yang mungkin untuk kasus ini ditunjukkan pada Tabel 11.3.
1
2
3
4
Nomor penerimaan
SEBUAH
verage total inspeksi per batch,
saya
Gbr. 11.4 Inspeksi per batch vs ukuran batch

Halaman 13
272 METROLOGI DAN PENGUKURAN TEKNIK
Tabel 11.3 Rencana pengambilan sampel bertingkat
Nomor mesin Usia mesin Persentase dari total
1 kurang dari 1 tahun 08
2 Antara 1 dan 3 tahun 12
3 Antara 3 dan 5 tahun 18
4 Antara 5 dan 8 tahun 27
5 Lebih dari 8 tahun 35
Pengambilan sampel cluster
Dalam pengambilan sampel cluster, kami membagi populasi menjadi beberapa kelompok dan
memilih sampel acak dari masing-masing cluster ini. Asumsi yang mendasarinya adalah
bahwa setiap cluster mewakili seluruh populasi. Misalnya, jika perusahaan memproduksi
motor siklus ingin memperkirakan jumlah rata-rata laki-laki muda per rumah tangga di kota
besar, mereka akan menggunakan peta kota untuk membagi wilayah menjadi beberapa
kelompok dan kemudian memilih sejumlah cluster untuk wawancara. Setiap rumah tangga di
masing-masing kelompok ini akan diwawancarai. SEBUAH prosedur pengambilan sampel
kluster yang dirancang dengan baik dapat menghasilkan sampel yang lebih tepat pada tingkat
yang jauh biaya lebih rendah daripada pengambilan sampel secara acak.
Populasi dibagi menjadi kelompok-kelompok yang terdefinisi dengan baik dalam
stratified dan cluster sampling metode. Kami menggunakan pengambilan sampel bertingkat
ketika masing-masing kelompok memiliki variasi kecil dalam dirinya sendiri tetapi luas
variasi antar kelompok. Di sisi lain, cluster sampling melibatkan variasi yang cukup besar
dalam masing-masing kelompok sedangkan kelompok pada dasarnya serupa.
11.8.3 Kontrol Kualitas Statistik berdasarkan Atribut
Dalam SQC, variabel kualitatif yang hanya dapat mengambil dua nilai disebut atribut. Atribut
paling sering digunakan adalah kesesuaian atau ketidaksesuaian unit output ke spesifikasi
proses. Misalnya, dalam pengukuran, pengukur GO memeriksa materi maksimum batas
komponen, sedangkan pengukur NO GO memeriksa batas material minimum. Demikian,
inspeksi dibatasi untuk mengidentifikasi apakah suatu komponen berada dalam batas
toleransi atau tidak.
Diagram Kontrol untuk Atribut
Tujuan dasar SQC adalah untuk mengidentifikasi parameter yang mudah diukur dan yang
nilainya penting untuk kualitas output proses, plot sedemikian rupa sehingga kita dapat
mengenali variasi non-acak, dan memutuskan kapan membuat penyesuaian untuk suatu
proses. Plot-plot ini adalah populer disebut diagram kontrol . Diagram kontrol tipikal
memiliki garis tengah, yang mungkin mewakili nilai rata-rata pengukuran atau persentase
cacat yang dapat diterima, dan dua batas kontrol, batas kontrol atas (UCL) dan batas kontrol
bawah (LCL). Dua batas kontrol didasarkan tetap pada penyimpangan yang dapat diterima
secara statistik dari nilai rata-rata, karena variasi acak. Jika suatu proses terkendali, semua
pengamatan harus berada dalam batas kontrol. Sebaliknya, pengamatan itu berada di luar
batas kontrol menunjukkan bahwa prosesnya di luar kendali. Ini menjamin lebih lanjut
penyelidikan untuk melihat apakah beberapa penyebab khusus dapat ditemukan untuk
menjelaskan mengapa mereka jatuh di luar batasnya. Seperti yang sudah dijelaskan, variabel
kualitatif yang hanya dapat mengambil dua nilai disebut a atribut . ' Grafik p ' digunakan
untuk atribut SQC. Misalkan p = probabilitas bahwa paket tetra

Halaman 14
 273 PENGENDALIAN INSPEKSI DAN KUALITAS
mengandung kurang dari 0,495 l susu.
Garis tengah bagan p , CL = p
(11.1)
Jika ada nilai p yang diketahui atau ditargetkan , nilai itu harus digunakan di sini. Jika
tidak, hal
nilai dapat diperkirakan dengan fraksi sampel keseluruhan p 11 = Σ hlm
j
k
dimana p adalah fraksi sampel dalam sampel per jam ke- j dan k adalah jumlah total per jam
sampel.
Dalam hal ini, p = 0,03
Standar deviasi dari proporsi sampel, s p = pq / n (11.2)
di mana q = 1 - p , dan n adalah ukuran sampel.
Batas kontrol untuk bagan p
UCL = p + 3 pq
n
LCL = p – 3 pq
n
11.8.4 Kontrol Kualitas Statistik berdasarkan Variabel
Kita telah melihat bahwa SQC berdasarkan atribut menggunakan prinsip pengukuran GO
tradisional dan NO GO. Saya t menilai apa yang telah dilakukan, tetapi hanya dengan
perluasannya ia berupaya untuk mengendalikan apa yang akan dilakukan. Sebaliknya, SQC
oleh variabel menentukan kemampuan alami dari manufaktur proses, baik itu permesinan,
fabrikasi, perakitan, atau proses lain yang terlibat dalam produksi. Ini mengakui bahwa
semua proses tidak sempurna dan bertanggung jawab untuk variasi kecil atau besar. Ini
variasi disebut variasi acak. Kita perlu membangun kemampuan alami seorang mesin atau
proses tertentu, karena kita perlu memberikan toleransi yang realistis. Yang efektif cara untuk
memahami kemampuan alami adalah dengan memplot kurva distribusi normal .
Kurva Distribusi Normal
Distribusi probabilitas berkesinambungan yang paling penting adalah distribusi normal. Itu
ahli matematika-astronom Karl Gauss berperan penting dalam perkembangan normal
distribusi sedini abad ke-18. Untuk menghormati kontribusinya pada statistik, normal
distribusi disebut sebagai distribusi Gaussian .
Distribusi normal telah mendapatkan popularitas dalam aplikasi praktis karena dekat
distribusi frekuensi yang diamati dari banyak fenomena seperti proses fisik (dimensi dan
hasil) dan karakteristik manusia (bobot, ketinggian, dll.). Gambar 11.5 menggambarkan
bentuknya dari distribusi probabilitas normal.
Fitur berikut unik untuk distribusi probabilitas normal:
1. Kurva memiliki puncak tunggal dan karenanya uni-modal. Ini memiliki bentuk
lonceng yang khas.
2. Rata-rata populasi yang berdistribusi normal terletak di tengah kurva normalnya.
3. Kurva simetris tentang sumbu vertikal dan, karenanya, median dan mode dari
4. distribusi juga di pusat.
5. Kedua ekor memanjang tanpa batas dan tidak pernah menyentuh sumbu horizontal.
Deviasi standar Kurva distribusi normal tergantung pada variabilitas proses. Satu dari alat
terbaik untuk menilai variabilitas proses adalah standar deviasi . Ini diungkapkan oleh

Halaman 15
274 TEKNOLOGI DAN PENGUKURAN TEKNOLOGI
huruf kecil huruf Yunani sigma ( s ). Simpangan baku adalah akar kuadrat dari rata-rata
kuadrat penyimpangan dari semua nilai pengukuran individu ( X ) dari rata-rata atau rata-rata
nilai ( X ).
Dengan demikian, s = Σ - (XX / n ) 2

Area di bawah kurva normal Gambar 11.6 menggambarkan hubungan antara area di bawah
kurva normal dan jarak dari rata-rata diukur dalam standar deviasi. Demikian,
1. sekitar 68% dari semua nilai berada dalam ± 1 standar deviasi dari rata-rata;
2. sekitar 96,5% dari semua nilai berada dalam ± 2 standar deviasi dari rata-rata; dan
3. sekitar 99,7% dari semua nilai berada dalam ± 3 standar deviasi dari nilai tengah.
Sekarang, mari kita pahami pentingnya hubungan tersebut. Jika kita menggambar
secara acak sampel dari populasi di mana nilainya berada terdistribusi normal, mudah untuk
menghitung mean dan standar deviasi. Jika semua pengamatan dalam sampel jatuh
dalam batas kontrol 3 s , kami harapkan dengan keyakinan 99,7% bahwa
roses terkendali . Sebaliknya, pengamatan yang berada di luar batas kontrol 3 s menyarankan
bahwa prosesnya di luar kendali dan menjamin investigasi lebih lanjut. Bagan X , bagan
kontrol untuk sarana proses, dan grafik R , diagram kontrol untuk variabilitas proses,
digunakan untuk menentukan apakah suatu proses terkendali atau tidak.

X Chart -  Control Chart untuk Sarana Proses

Jika satu sampel ukuran n diambil dari populasi, batas kontrol mudah ditentukan. Biarkan
nilainya menjadi x 1, x2, ..., xn, dengan rata-rata menjadi X dan standar deviasi s .
CL = X
UCL = X + 3 dtk
LCL = X - 3 dtk
Namun, dalam praktiknya, sejumlah sampel adalah diambil pada titik waktu yang berbeda
dari yang sama proses, dan cara sampel dihitung. Itu sampel berarti memiliki distribusi
sampling dengan berarti m  X dan standar deviasi s X diberikan oleh s / √ n . Oleh karena itu,
diagram kontrol dapat digambar garis tengah dan batas kontrol berikut:
Berarti Tangan kiri ekor
Tangan kanan ekor
Gambar 11.5. Distribusi probabilitas normal
16% dari luas
16% dari luas
68% dari
daerah
s
s
2,25% dari luas
2,25% dari luas
96,5% dari
daerah
2 s
2 s
0,15% dari luas
0,15% dari luas
99,7% dari
daerah
3 s
3 s
Gbr. 11.6 Hubungan antara area di bawah
kurva normal dan standar deviasi