M3 Bab 2&3 Rev Ark

Laporan Praktikum Teori Probabilitas
Modul 3 – Distribusi Statistik

Kelompok 37
BAB II
TINJAUAN PUSTAKA
2.1 Parameter Statistik

Parameter statistik adalah kuantitas yang masuk ke dalam distribusi probabilitas suatu statistik atau variabel acak. Parameter statistik
dianggap sebagai karakteristik numerik dari populasi statistik atau model statistik (Wiley, 2006). Pada distribusi statistik ada tiga jenis
parameter yang digunakan sebagai dasar pembanding dan pengganti distribusi sebenarnya. Adapun pembagian parameter statistik tersebut
(Walpole, 2007) adalah Location parameter (), Scale parameter (β), Shape parameter (α).
Location parameter () berguna dalam menentukan lokasi titik axis horizontal dari suatu nilai dalam distribusi. Biasanya  adalah
midpoint (contohnya mean µ untuk distribusi normal) atau lower end point. Location parameter sering disebut shift parameters. Jika distribusi
random variabel X mempunyai location parameter 0, kemudian distribusi dari random variabel Y = x +  mempunyai parameter .
Scale parameter (β) berguna untuk menentukan unit dari ukuran nilai dalam suatu distribusi. Standar deviasi adalah salah satu contoh
scale parameter dalam distribusi normal. Suatu perubahan dalam β menekan atau memperluas pengelompokkan distribusi tanpa merubah
bentuk dasarnya. Jika distribusi dengan random variabel X mempunyai scale parameter 1, kemudian distribusi random variabel Y = βX
mempunyai scale parameter β.
Shape parameter (α) berguna dalam membedakan location dan scale parameter, bentuk dasar dari distribusi dengan memperhatikan
kelompok distribusi secara umum. Perubahan di dalam α secara umum merubah isi/properties distribusi (misalnya skewness) lebih
mendasarkan pada perubahan location dan scale parameter. Beberapa distribusi seperti distribusi eksponensial dan normal tidak mempunyai
shape parameter namun distribusi beta memiliki 2 buah, yaitu parameter α dan β.
2.2 Distribusi Statistik

Distribusi statistik merupakan himpunan nilai peluang dari variabel acak x yang ditampilkan dalam bentuk tabel atau gambar. Distribusi
statistik memiliki kegunaan yaitu mampu membantu dalam pengujian hipotesis, berguna dalam penelitian dan pengambilan keputusan, dan
mengukur derajat ketidakpastian dari analisis hingga hasil penelitian. Distribusi statistik dibagi menjadi dua macam yaitu distribusi diskrit dan
distribusi kontinu.
Departemen Teknik Industri
Universitas Diponegoro
2020
Kelompok 37
Hubungan antara nilai variabel acak dan peluangnya dicerminkan oleh distribusi peluang yang dalam hal ini dapat dianalogikan dengan
frekuensi relatif variabel acak. Dalam teori statistika, dikenal berbagai distribusi peluang yang masing-masing memiliki karakteristik tertentu.
Secara umum distribusi statistik dibedakan menjadi distribusi diskrit dan distribusi kontinu (Siagian & Sugiarto, 2000).
2.2.1 Distribusi Diskrit

Pada dasarnya semua fungsi diskrit p(.) yang memenuhi syarat p(x) ≥ 0 untuk semua x dan ∑p (x) =1, memenuhi syarat sebagai fungsi
peluang diskrit. Demikian juga semua fungsi kontinu f(.) pada X, yang menuhi syarat nonnegatif dan membentuk luas satu unit dapat dijadikan
fungsi kepadatan peluang suatu peubah acak. Namun, ada beberapa distribusi diskrit dan kontinu yang penting yang akan dibahas, diantaranya
untuk distribusi diskrit adalah distribusi yang berasal dari percobaan Bernoulli (Binomial, Negatif Binomial, Geometrik), distribusi Poisson. Untuk
distribusi kontinu disampaikan distribusi uniform, distribusi eksponensia, Normal dan Gamma. Peubah acak diskrit adalah peubah acak yang
ruang rentangnya merupakan himpunan yang berhingga (infinite) atau tak berhingga tapi terhitung ( denumerable/countably infinite) dengan
sifat-sifat berikut:
f ( x ) ≥0 (2.1)
∑ f ( x )=1 (2.2)
P ( x=x )=f (x) (2.3)
Keterangan:
𝑓(𝑥) = fungsi nilai numerik x
P(X=x) = fungsi massa peluang
2.2.1.1 Jenis-Jenis Distribusi Diskrit

Penjelasan mengenai jenis-jenis distribusi diskrit ditunjukan pada table 2.1 dibawah ini.
2020
Kelompok 37
No Distribusi Pengertian Fungsi Padat Parameter Grafik Kegunaan

Masa
1 Distribusi uniform diskrit Mencari
ialah distribusi diskrit peluang
yang paling sederhana munculnya mata
dan nilai variabel random dadu bernomor
Uniform sama pada setiap 1 a (boundary) satu.
f ( x )=
Diskrit kejadian, tidak b−a+1 b (boundary)
dikategorikan, dan ruang
Sumber: pngegg.com
sampelnya tidak dibatasi
dalam suatu percobaan
(Lucia, dkk., 2003).
Tabel 2.1 Distribusi Diskrit (Lanjutan)

Masa
2020
Kelompok 37
2 Bernaoulli Distribusi Bernoulli ialah Mencari peluang

distribusi yang bersumber banyaknya terjadi
dari percobaan Bernoulli, kejadian sukses
f (x) 1−p (x=0)
yang merupakan percobaan {p( x =1)
p (peluang
sukses)
dari sampel
dengan dua kemungkinan sebanyak n=1
hasil, yaitu sukses dan Sumber: statistic.com
atau hanya satu
gagal (Kaharuddin, 2018). kali percobaan.
3 Binomial Distribusi Binomial adalah p (peluang Mencari peluang
distribusi yang mempunyai sukses) banyaknya terjadi
dua macam kategori yaitu n (number kejadian sukses
f (x)= n p x (1− p)n−x
sukses dan gagal dimana x () of trials) dari sampel
distribusi ini merupakan dengan
kasus khusus dari distribusi Sumber: slideplayer.info percobaan
Bernoulli yang memiliki n sebanyak n,
No Distribusi Pengertian Fungsi Padat Masa Parameter Grafik Kegunaan

seperti mencari
2020
Kelompok 37
peluang
kali percobaan banyaknya
(Lucia, dkk., 2003) terjadi 5 produk
cacat jika
diketahui
peluang
menghasilkan
produk cacat
sebesar 0,3.
4 Multinomial Percobaan binomial Pi (peluang Mencari
akan menjadi sukses), i=l, peluang terjadi
percobaan f¿ ….k dua jenis cacat
multinomial jika tiap N(number yang berbeda
usaha dapat of trials) Sumber: mathworks.com dalam satu

Masa
memberikan lebih dari 2 sampel yang
2020
Kelompok 37
hasil yang mungkin sama

Misalnya hasil produksi
pabrik dapat dikelompokan
menjadi barang baik, cacat,
dan masih bisa diperbaiki
(Brata,2015).
5 Hipergeometrik Distribusi peluang peubah n (sample Mencari peluang
acak hipergeometrik adalah size) k terjadi produk
banyaknya sukses (x) dalam k N −k (jumlah cacat dari sampel
sampel acak ukuran n yang f (x)=
( x )( n−k )
sukses) N yang diambil
N
diambil dari populasi ( n ) (population dari satu batch
sebanyak N yang size) produksi.
Sumber: www.boost.org
mengandung jumlah

Masa
sukses sebanyak k
(Harinaldi, 2005).
2020
Kelompok 37
6 Geometrik Distribusi geometrik adalah p (peluang Mencari peluang

kasus khusus dari distribusi sukes) menemukan
binomial negatif untuk k=1, produk cacat
yaitu distribusi peluang pada
banyaknya usaha yang pemeriksaaan
diperlukan untuk f (x)= p (1− p)x−1 kelima.
mendapatkan sukses
pertama. Dengan kata lain Sumber: slideplayer.info
distribusi ini mewakili suatu

kejadian random hingga
sukses yang

Masa
pertama kali terjadi
(Banar,2016).
2020
Kelompok 37
7 Negatif Distribusi peubah acak r (number Mengetahui

Binomial dari peluang terjadinya of success) tingkat
sukses ke-r pada p (peluang kesuksesan pada
percobaan kex dari sukses) kejadian sukses
sejumlah proses
f (x)= x−1 p r−1 (1− p)x−r
Bernoulli, dengan r−1 ( )
Sumber: zoonek2.free.fr
peluang sukses p dan
peluang tidak sukses q
(Montgomery dan
Runger, 2015).

Masa
2020
Kelompok 37
8 Poisson Distribusi Poisson adalah  (rata-rata Digunakan dalam

jenis distribusi diskrit jumlah teori antrian
yang sesuai dengan kejadian) untuk
percobaan poisson menghitung
dimana jika suatu panjang antrian
percobaan menghasilkan dan waktu
e−t (t)x
variabel random X yang f (x)= tunggu
x!
menyatakan banyaknya
sukses dalam daerah
tertentu atau selama Sumber: oc.its.ac.id
interval waktu tertentu

(Spiegel &
Stephens,2007)
2.2.2 Distribusi Kontinu
2020
Kelompok 37
Distribusi peluang kontinu adalah peubah acak yang dapat memperoleh semua nilai pada skala kontinu. Ruang sampel kontinu
adalah bila ruang sampel mengandung titik sampel yang tak terhingga banyaknya. Syarat dari distribusi kontinu adalah apabila fungsi f(x)
adalah fungsi padat peluang peubah acak kontinu X yang didefinisikan di atas himpunan semua bilangan riil R bila (Tan, 2018):
1. F (x) ≥0 untuk semua x ϵ R
∞
2. ∫ f ( x ) dx=1
∞
3. P(a< X <b)=∫ f ( x ) dx
∞
2.2.2.1 Jenis-Jenis Distribusi Kontinu

Berikut ini merupakan penjelasan mengenai jenis-jenis distribusi kontinu.
1.1.1.1 Tabel 2.2 Distribusi Kontinu
No Distribusi Pengertian Fungsi Padat Massa Parameter Grafik Kegunaan
1 Uniform Distribusi peubah acak x 1 a dan b Untuk mencari
Kontinu yang
sejumlah
terdiri dari
kejadian
{
f ( x , a , b )= b−a
,a≤ x≤b
0 , x lainnya
merupakan
location
peluang dalam suatu
selang tertentu.
dengan interval antara a parameter.
hingga b sebagai dua (Sumber:
location paramater, pngwing.com)
dengan masing-masing
2020
Kelompok 37
nilai x memiliki peluang

yang sama
(Montgomery dan
Runger, 2015).
2 Normal Sebuah fungsi 1
1
− ¿¿¿  (location) Untuk pengendalian
probabilitas yang
f ( x )= ( σ √2 π)e 2
 (scale) dan pengujian
menunjukkan distribusi hipotesis.
atau penyebaran suatu (Sumber:
rumuspintar.com)
variabel (Niko, 2020).
3 Gamma Distribusi yang dapat 1  (shape) Untuk
diaplikasikan untuk
waktu pengerjaan suatu
{
f ( x )= β Γ ( α )
α
x α −1 e−x / β , x ≥ 0
0 , x lainnya
 (shape) menyelesaikan
berbagai persoalan
tugas (Modul Praktikum dalam bidang sains.
(Sumber:
Teori Probabilitas, jagostat.com) Diantaranya
2021). distribusi Gamma
dapat diaplikasikan
dalam teori antrian
(kedatangan) dan
keandalan
2020
Kelompok 37
(reliabilitas),
misalnya distribusi
waktu tunggu
pelanggan yang
akan tiba di suatu
toko, dan distribusi
waktu kegagalan
suatu sistem.
4 Erlang Distribusi dengan λ λ e r r−1 −λx
 (shape) Untuk menentukan
f ( x )=
peubah acak x ( r −1 ) ! model antrian.
 (shape)
Untuk x > 0 dan r = 1, 2, 3,
menyatakan waktu yang
diperlukan hingga
(Sumber:
terjadi sukses ke-r 123dok.com)
dengan rata-rata
banyaknya kejadian
selama selang waktu
tertentu dinotasikan λ
(Montgomery dan
Runger, 2015).
2020
Kelompok 37
5 Eksponensial Salah satu distribusi 1 −x / β β(location) Untuk memodelkan

kontinu
digunakan
yang sering
untuk
f ( x )= β
e
{ ,x ≥0
0 , x lainnya
 (scale) waktu,
waktu
misalnya:
tunggu,
memodelkan waktu (Sumber: hardware lifetime,
yang berlaku antara jagostat.com) failure time, waktu
peristiwa (Pishro-Nik, di antara panggilan
2014). telepon, dll.
6 Weibull Distribusi yang memiliki β x β−1 β β (shape) Untuk memodelkan
peranan yang penting
f ( x )=
δ δ () [ ( )]
exp − x
δ δ (scale) waktu yang
terutama pada persoalan , untuk x > 0 diperlukan hingga
keandalan (reliability) terjadi kegagalan
(Sumber:
dan analisis rawatan researchgate.net) dalam berbagai
(mantainability). (Otaya, jenis sistem fisik.
2016)
7 Beta Distribusi peubah acak x Γ (α + β ) α−1  (shape) Untuk memodelkan
f ( x )= x (1−x)β −1
yang digunakan untuk Γ ( α)+ Γ (β ) proporsi dari waktu
 (shape)
memodelkan proporsi maksimum yang
dari waktu maksimum dibutuhkan untuk
(Sumber: ichi.pro)
yang dibutuhkan untuk menyelesaikan
2020
Kelompok 37
menyelesaikan pekerjaan dan

pekerjaan dan proporsi proporsi jumlah
jumlah cacat cacat.
(Montgomery dan
Runger, 2015).
8 Lognormal Distribusi probabilitas −( ln ( x) −θ)
(location) Untuk memodelkan
2
dengan logaritma
terdistribusi normal. Variabel
1
yang f ( x )= x ω 2 π exp
√ [ ]
2ω 2 (scale
, 0< x <∞
umur atau lifetime
dari sebuah produk
acak berdistribusi lognormal
jika logaritmanya
yang menurun
(Sumber:
terdistribusi normal kualitasnya seiring
researchgate.net)
(Stephanie, 2015). dengan berjalannya
waktu.
2.2.1 Perbedaan Distribusi Diskrit dan Kontinu

2020
Kelompok 37
Penjelasan perbedaan antara distribusi diskrit dan distribusi kontinu ditunjukan pada table 2.3 di bawah ini.
Tabel 2.3 Perbedaan Distribusi Diskrit dan Kontinu
No Perbedaan Distribusi Diskrit Distribusi Kondtinu

1 Karakteristik - Menggunakan variabel acak - Menggunakan variabel acak
diskrit. kontinu
- Plot frekuensi tidak kontinu. - Plot frekuensi kontinu.
- Tidak dapat mengasumsi nilai - Dapat mengasumsi nilai
tertentu 0 tertentu 0
2 Grafik
-
-
3 Kegunaan - Mencari peluang terjadi dua - Pengukuran kecepatan angin
jenis cacat yang berbeda yang dilakukan untuk
dalams atu sampel yang sama menghitung kekuatan struktur
- Dengan distribusi diskrit kita lepas pantai terhadap beban
dapat menghitung probabilitas angin
bahwa X persis sama dengan - Untuk menyatakan ukuran waktu
2020
Kelompok 37
suatu nilai. dan hasil dari pengukuran.
2.3 Uji Goodness of Fit

Uji Goodness of Fit adalah uji hipotesis statistik yang digunakan untuk menaksir bentuk apakah observasi X1, X2, …, Xn adalah
independen sampel dari distribusi khusus dengan fungsi distribusi. Uji Goodness of Fit dapat digunakan untuk menguji serangkaian uji hipotesis
nol (Brownlee, 1965). Uji Goodness of Fit dipakai untuk menguji apakah data dari sebuah sampel yang diambil secara acak atau tidak acak
memiliki kemampuan untuk menunjang hipotesis yang menyatakan populasi asal dari sampel tersebut telah mengikuti distribusi yang telah
ditetapkan. Karena data uji ini berbentuk kuantitatif, uji ini biasanya diarahkan untuk menguji pernyataann tentang kebenaran sebuah persepsi
dari konsumen dalam menilai sesuatu. Ada 3 macam uji Goodness of Fit, yaitu uji Anderson Darling, uji Chi-Square, dan uji Kolmogorov-Smirnov
(Brownlee, 1965)
2.3.1 Macam-Macam Uji Goodnessos Fit

Penjelasan mengenai macam-macam Uji Goodness of Fit ditunjukan pada table 2.3 dibawah ini
Tabel 2.3 Macam-Macam Uji Goodness of Fit
No Macam Uji Pengertian Rumus Langkah Penyelesaian

Goodness of
Fit
k
1 Uji Chi-Square Chi-Square adalah teknik statistik 2 (oi−ei)2 1. Menentukan H0, H1, taraf
x =∑
nonparametrik digunakan untuk i=1 ei signifikansi.
menentukan apakah distribusi 2. Membuat tabel distribusi
frekuensi yang diamati berbeda Keterangan: frekuensi berkelompok
dari frekuensi yang diharapkan Oi = banyaknya kasus yang diamati 3. Menghitung mean dan
dalam kategori ke-i
2020
Kelompok 37
teoritis. Statistik Chi-Squared simpangan baku.

menggunakan nominal (kategori) 4. Membuat daftar frekuensi
atau ordinal. Uji Chi-Square harapan dengan cara
digunakan untuk melakukan mencari nilai Z untuk tiap-
Ei = kasus yang diharapkan dalam
estimasi. Sebagai alat estimasi, tiap batas bawah dan batas
kategori ke-i dibawah
Chi-Square digunakan untuk atas kelas interval dengan
H0=∑ki=1= notasi sigma
menaksir apakah ada perbedaan rumus sebagai berikut.
signifikan atau tidak antara x −x́
Z= …….(2.3)
s
frekuensi yang diobservasi dalam
sampel dengan
2 Uji Anderson Uji Anderson-Darling adalah uji A2=−n−S 1. Menentukan Ho, H1, dan
Darling normalitas yang memiliki 1
n taraf signifikansi
S= ∑ [ 2i−1 ] [ ln(F ( Zi ))+ ln (1−F ( Zn +1−i))]
kemiripan dengan uji n i=1 Membuat tabel distribusi
Kolmogorov-Smirnov uji Z= x −x́ ………………………(2.3)
dan frekuensi berkelompok
s
Cramer Von Mises, yaitu sama- 2. Menghitung mean dan
Sehingga diperoleh
sama berdasarkan pada empirical simpangan baku
n
1
DistributionFunction (EDF). A=−n− ∑ [ 2i−1 ] [ ln ( F (Zi ))+ ln (1−F3.( Z n+1−i
Menghitung
)) ] nilai Z dari
n i=1
masing-masing data
Keterangan:
dengan rumus sebagai
𝐴= statistik uji untuk metode Anderson
2020
Kelompok 37
Darling berikut.
𝑛 = ukuran sampel 𝑥 x −x́
Z= …..(2.3)
s
𝑖 = data ke-i yang telah
Keterangan
diurutkan
Z : Nilai Z
𝑍𝑖 = data ke 𝑥𝑖 yang
X : Batas atas atau batas
distandarisasi
bawah
𝑥̅ = rata rata data
X̅ : Mean
𝑠 = standar deviasi
S : Simpangan baku
𝐹(𝑍𝑖)= nilai fungsi distribusi kumulatif
4. Mencari Z-szore dari
normal baku di 𝑍𝑖
masing-masing nilai Z
yang didapat di langkah
nomor 4
5. Menghitung selisih nilai
Z-szore batas atas dan
batas bawah untuk tiap-
tiap interval
6. Mengalikan hasil langkah
nomor 5 dengan total
2020
Kelompok 37
frekuensi
Menghitung nilai
anderson darling dengan
rumus
7. Membandingkan nilai
Anderson darling hasil
perhitungan dengan hasil
table.
8. Membuat kesimpulan.
Jika nilai perhitungan <
nilai tabel, maka jangan
tolak H0.
Anderson darling hasil
perhitungan dengan hasil
table.
Jika nilai perhitungan <
nilai tabel, maka jangan
2020
Kelompok 37
tolak H0.
3 Uji Uji Kolmogorov-Smirnov Dmax = |F(x) – Sn(x)|, maks i = 1,2, 1. Menentukan Ho, H1, dan
Kolmogorov- merupakan salah satu uji …,n taraf signifikansi
Smirno goodness of fit yang digunakan 2. Membuat tabel distribusi
untuk membandingkan tingkat frekuensi
kesesuaian sampel dengan suatu 3. Menghitung mean dan
distribusi tertentu. Uji simpangan baku\
Kolmogorov-Smirnov merupakan 4. Menghitung nilai Z dari
suatu goodness-of-fit, artinya masing-masing data
yang perlu diperhatikan adalah dengan rumus sebagai
tingkat kesesuaian antara berikut.
distribusi serangkaian harga x −x́
Z= …..(2.3)
s
sampel (skor yang diobservasi)
Keterangan
dengan suatu distribusi teoritis
Z : Nilai Z
tertentu (Khrisna, 2013).
X : Batas atas atau batas
bawah
2020
Kelompok 37
X̅ : Mean
S : Simpangan baku
5. Mencari Z-szore dari
masing-masing nilai Z
yang didapat di langkah
nomor 4
6. Menghitung Sn(x), yaitu
frekuensi relatif kumulatif
7. Menghitung D, yaitu
selisih F(x) dan Sn(x)
8. Menentukan D yang
paling besar
Dmax dengan nilai D
pada tabel kritis
Kolmogorov-Smirnov
Jika nilai Dmax < nilai
2020
Kelompok 37
2.5 Software Easyfit

Software EasyFit merupakan program yang membantu pengguna menganalisis data probabilitas melalui pemilihan distribusi
yang terbaik guna pembuatan keputusan. Easyfit memudahkan kita untuk memilih dengan cepat suatu distribusi peluang dan memilih
suatu distribusi terbaik. Keunggulan dari Easyfit di antaranya menghemat waktu dan biaya, mencegah kesalahan analisis dan
membuat keputusan yang lebih baik. Selain itu, software EasyFit mudah dipelajari dan digunakan serta mendukung semua distribusi
kontinu yang umum digunakan. (Modul Praktikum,2021). Di bawah ini merupan langkah-langkah dalam pengolahan data
menggunakan bantuan software EasyFit :
1. Ketika membuka apliaksi Easy Fit, ini lah tapilan awal dari Software Easy Fit
Gambar 2.25 Langkah 1 Easy Fit

(Sumber : Screenshoot)
2. Memasukkan data yang akan diolah dengan meng – copy dri excel atau juga bisa dengan mengetik manual
2020
Kelompok 37

3. Untuk mengolah data, pilih menu analyze lalu fit distribution.
Gambar 2.27 Langkah31 Easy Fit

4. Lalu akan muncul tabel input data. Karena data ada pada var1, maka pilih var 1. Karena data yang akan diolah adalah data
2020
Kelompok 37
diskrit maka ubah pilihan ke diskrit juga.

5. Setelah itu klik Ok, lalo akan muncul output grafik distribusi seperti ini

2020
BAB III
METODE PRAKTIKUM
3.1 Flowchart Metode Praktikum

Metode yang digunakan pada praktikum modul 3 sebagai berikut.
Mulai
Identifikasi dan Perumusan Masalah
Studi Pustaka
Pengumpulan data
Pengolahan Data
1. Software EasyFit
2. Perhitungan Probabilitas Distribusi
Normal
Analisis
Kesimpulan dan Saran
Selesai
Gambar 3.1 Metode Praktikum Modul 3

3.2 Penjelasan Flowchart
Dalam praktikum modul 3 ini, ada beberapa langkah yang kurang lebih sama
seperti pada praktikum modul 2. Untuk langkah pertama adalah mengidentifikasi
masalah pokok dalam praktikum. Kemudian mencari studi pustaka dari sumber-sumber
terpercaya (seperti buku,literatut,dan jurnal).
Langkah selanjutnya yaitu studi Pustaka dimana para praktikan akan
melakukan studi lebih lanjut terkait praktikum dan juga mengumpulan beberapa data
terkait praktikum melalui buku, literatur, maupun curnal. Untuk memperudah
pengumpulan data.
Setelah melakukan studi Pustaka, praktikan akan mengumpulakan data yang
dibutuhkan terkait praktikum. Pada Langkah ini praktikan akan mencari data-data
pada sumber yang valid, baik itu sebuah website resmi maupun blog ataupun jurnal,
Ketika data sudah didapat praktikan dapat melangkah ke step selanjutnya
Pada Langkah ini praktikan harus mengolah data menggunakan software yang
sudah ditentukan pada modul, yaitu software Easy Fit . Para praktikan diharapkan
dapat menggunakan software untuk melakukan pengolahan pada data yang sudah
didapat pada Langkah sebelumnya
Ketika praktikan berhasil melakukan pengolahan data sesuai modul dengan

software minitab dan software excel praktikan diharapkan dapat menganalisa hasil
olahan data pada Langkah sebelumnya. Hal ini dilaksanakan agar praktikan juga dapat
menganalisa hasil dari sebuah pengolahan data dengan baik dan benar.
Pada Langkah terkahir, yaitu kritik dan saran. Praktikan akan mendapat
komentar dari asisten berupa kritik dan saran yang diharapkan dapat membantu
praktikan agar dapat melakukan praktikum lebih baik lagi di kemudian hari.

M3 Bab 2&3 Rev Ark

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

M3 Bab 2&3 Rev Ark

Diunggah oleh

Hak Cipta:

Format Tersedia

Laporan Praktikum Teori Probabilitas

Modul 3 – Distribusi Statistik

2.1 Parameter Statistik

2.2 Distribusi Statistik

2.2.1 Distribusi Diskrit

2.2.1.1 Jenis-Jenis Distribusi Diskrit

Departemen Teknik Industri

No Distribusi Pengertian Fungsi Padat Parameter Grafik Kegunaan

Tabel 2.1 Distribusi Diskrit (Lanjutan)

No Distribusi Pengertian Fungsi Padat Parameter Grafik Kegunaan

Departemen Teknik Industri

2 Bernaoulli Distribusi Bernoulli ialah Mencari peluang

Tabel 2.1 Distribusi Diskrit (Lanjutan)

No Distribusi Pengertian Fungsi Padat Masa Parameter Grafik Kegunaan

Departemen Teknik Industri

Tabel 2.1 Distribusi Diskrit (Lanjutan)

No Distribusi Pengertian Fungsi Padat Parameter Grafik Kegunaan

Departemen Teknik Industri

hasil yang mungkin sama

Tabel 2.1 Distribusi Diskrit (Lanjutan)

No Distribusi Pengertian Fungsi Padat Parameter Grafik Kegunaan

Departemen Teknik Industri

6 Geometrik Distribusi geometrik adalah p (peluang Mencari peluang

distribusi ini mewakili suatu

Tabel 2.1 Distribusi Diskrit (Lanjutan)

No Distribusi Pengertian Fungsi Padat Parameter Grafik Kegunaan

Departemen Teknik Industri

7 Negatif Distribusi peubah acak r (number Mengetahui

Tabel 2.1 Distribusi Diskrit (Lanjutan)

No Distribusi Pengertian Fungsi Padat Parameter Grafik Kegunaan

Departemen Teknik Industri

8 Poisson Distribusi Poisson adalah  (rata-rata Digunakan dalam

interval waktu tertentu

2.2.2 Distribusi Kontinu

Departemen Teknik Industri

2.2.2.1 Jenis-Jenis Distribusi Kontinu

location paramater, pngwing.com)

nilai x memiliki peluang

Departemen Teknik Industri

Departemen Teknik Industri

5 Eksponensial Salah satu distribusi 1 −x / β β(location) Untuk memodelkan

Departemen Teknik Industri

menyelesaikan pekerjaan dan

2.2.1 Perbedaan Distribusi Diskrit dan Kontinu

No Perbedaan Distribusi Diskrit Distribusi Kondtinu

Departemen Teknik Industri

suatu nilai. dan hasil dari pengukuran.

2.3 Uji Goodness of Fit

2.3.1 Macam-Macam Uji Goodnessos Fit

No Macam Uji Pengertian Rumus Langkah Penyelesaian

teoritis. Statistik Chi-Squared simpangan baku.

Departemen Teknik Industri

Departemen Teknik Industri

Departemen Teknik Industri

2.5 Software Easyfit

Gambar 2.25 Langkah 1 Easy Fit

Departemen Teknik Industri

Gambar 2.26 Langkah 2 Easy Fit

Gambar 2.27 Langkah31 Easy Fit

diskrit maka ubah pilihan ke diskrit juga.

Gambar 2.28 Langkah 4 Easy Fit

Gambar 2.29 Langkah 5 Easy Fit

Departemen Teknik Industri