Statistika Industri 2

Pertemuan 1

YASMIN MAULIDDINA
Agenda
1 Tata tertib, kontrak kuliah, deskripsi mata
kuliah

2 Distribusi Sampling : Normal, Chi-Square, T-

Student
 Tata Tertib dan Kontrak Kuliah
• Fokus selama jam perkuliahan
• Toleransi keterlambatan 10 menit
• UTS pada pertemuan ke 8
• UAS pada pertemuan ke 16
• Kejujuran (absensi, ujian)
• Komponen penilaian :
• Kehadiran dan keaktivan (bertanya, menanggapi diskusi, menjawab pertanyaan) :
10%
• Tugas : 20%
• UTS : 35%
• UAS : 35%
 Deskripsi mata kuliah
Deskripsi
Mata kuliah ini membahas tentang terminology terkait statistika dan
probabilitas, metode analisis data secara induktif, metode regresi,
metode statistika yang terkait dengan ilmu komputasi atau ilmu yang
berkaitan, serta statistika inferensial (penaksiran, pengujian hipotesis,
analisis percobaan dan analisis varians). Dari materi yang diajarkan,
mahasiswa diharapkan mampu menganalisis dan menyelesaikan
masalah statistika dalam bidang industri/manufaktur secara
terstruktur

REFERENSI : Walpole 9th Edition (ada di SCE)

 Learning outcome

• Mahasiswa mampu
mengenal,
mengetahui, mengerti
Tujuan
dan memahami konsep
dan implementasi dari
statistika.
 Statistik vs Statistika

Statistik Statistika

Kumpulan data atau fakta yang Suatu pengetahuan mengenai

disajikan dalam bentuk daftar, cara/metode/ teknik
tabel, grafik, diagram, dan lain- pengumpulan data dan analisa
lain, untuk mempermudah data, menyajikan data untuk
interpretasi dan tujuan tertentu dibuat keputusan-keputusan
Distribusi Sampling
 Distribusi Sampling : apa itu sampel?
Populasi : keseluruhan subjek penelitian. Jadi
jika pendataan dilakukan pada seluruh populasi,
dinamakan “sensus”

Sampel : bagian dari populasi tersebut

Misal : untuk melakukan pendataan uji coba vaksin yang kelak akan diberikan pada
seluruh rakyat Indonesia pada semua umur. Dilakukan pada relawan yang merupakan
rakyat Indonesia.
• Populasi adalah seluruh rakyat Indonesia
• Sampel adalah rakyat Indonesia yang berusia xxx hingga xxx
 Distribusi Sampling
Populasi Sampel

Rata-rata populasi :  rata-rata sampel : X

Varians / simpangan baku Simpangan baku (Standar

(standar deviasi populasi ) : 2 deviasi) sampel: s

Ukuran populasi : N Ukuran sampel : n

Central Limit Theorem
 Central Limit Theorem
Distribusi Normal dengan Z

• The central limit theorem (CLT) states that

the distribution of sample means
approximates a normal distribution as the
sample size gets larger, regardless of the
population's distribution.
• Sample sizes equal to or greater than 30 are
often considered sufficient for the CLT to
hold.
• A key aspect of CLT is that the average of the
sample means and standard deviations will
equal the population mean and standard
0 Z
deviation.
• A sufficiently large sample size can predict
the characteristics of a population more
accurately.
 Central Limit Theorem
Walpole Table A3

Jika X merupakan rataan dari sebuah sampel

berukuran n yang diambil secara random dari
sembarang populasi dengan rataan  dan variansi
terbatas (finite) 2, maka bentuk limit dari distribusi

saat n  ∞, adalah distribusi normal n(z; 0,1)

 Contoh Penggunaan CLT (1)

• Sebuah mesin mengisi minuman dalam botol dengan volume

yang tidak diketahui distribusinya tetapi memiliki rataan 221 ml
dan variansi 20 ml.
• Berapa probabilitas dari satu krat (24 botol) minuman,
didapatkan isi rata-rata botol-botol dalam krat tersebut kurang
dari 220 ml?
 Contoh Penggunaan CLT (2)
Jawab:
Berdasarkan dalil limit sentral X 
Z
/ n
akan mendekati distribusi normal baku manakala n sangat besar. Di sini
angka n = 24 kita anggap cukup besar sehingga z dapat dianggap
berdistribusi normal baku. Maka :
220  221 1
P(x  220)  P(z  )  P(z  )  P(z  1.095)
20 / 24 0.91
 0.137
Jadi probabilitas didapatkan rataan isi suatu krat kurang dari 220 ml
adalah 0.137

Walpole 9th Edition : halaman 234

 Teorema:
Sifat Distribusi Normal
Jika X1, X2, …, Xn adalah variabel-variabel random yang saling
bebas (independen) dan berdistribusi normal dengan rataan 1,
2, …, n dan deviasi standar 1, 2, …, n
Maka variabel random:
Y  a1 X 1  a2 X 2  ...  an X n
akan berdistribusi normal juga dengan rataan
Y  a11  a2 2  ...  an n
dan variansi:
 2  a 2 2  a 2 2  ...  a 2 2
Y 1 1 2 2 n n
Contoh Pemakaian Sifat Merampat
Distribusi Normal
Diketahui pabrik A menghasilkan komponen dengan usia
pakai rata-rata 120 jam dan deviasi standar 10 jam
sedangkan pabrik B rata-rata 125 jam dan deviasi
standar 20 jam.
Jika diambil sampel sebanyak 20 buah dari masing-
masing pabrik, berapa probabilitas selisih usia rata- rata
sampel dari perusahaan B lamanya lebih dari 10 jam dari
usia rata-rata sampel dari perusahaan A?
Contoh Pemakaian Sifat Distribusi
Normal
Berdasarkan CLT dan mengasumsikan 20 cukup besar sebagai
ukuran sampel, maka distribusi rataan sampel perush. A dan B ( X A
dan X B ) dapat dianggap normal, sehingga berdasarkan
teorema sifat merampat distribusi normal didapatkan X A - X B akan
berdistribusi normal dengan:
dan variansi:
X B XA  B   A  125 120  5

 A2  B2 100 400
 2
X BX      25
A
nA nB 20 20

Walpole 9th Edition : halaman 238

Contoh Pemakaian Sifat Distribusi
Normal
Maka,

Jadi probabilitas selisih usia rata-rata sampel dari

perusahaan B lamanya lebih dari 10 jam dari usia
rata-rata sampel dari perusahaan A sama dengan
0.0228
Distribusi Chi Square

Walpole 9th Edition : halaman 244

 Chi-Square
Tabel A5 (Halaman 739-740)

Sebuah uji yang bertujuan : membandingkan apakah ada perbedaan antara frekuensi yang kita
observasi dengan frekuensi yang kita harapkan .
Karakteristik :
• Data kategorik / data nominal :data yang dibedakan hanya berdasarkan kategori
• contoh (pria vs wanita), (senin, selasa, rabu, kamis).
• Tidak pernah negatif. Karena (𝑓𝑜 − 𝑓𝑒)2 , artinya frekuensi data observasi - frekuensi data
estimasi, akan dikuadratkan
• Memiliki df (degree of freedom) untuk mengetahui chi-square tabel (Tabel A5)
• Kurva positif dengan ekor mengarah ke kanan.
α
• Menggunakan
2
Grafik Chi-Square
Chi Square
 Contoh soal (1) : Chi-Square
A manufacturer of car batteries guarantees that the batteries will last, on average, 3 years (rata-rata
populasi) with a standard deviation of 1 year (standar deviasi populasi). If five of these batteries have
lifetimes of 1.9, 2.4, 3.0, 3.5, and 4.2 years, should the manufacturer still be convinced that
the batteries have a standard deviation of 1 year? Assume that the battery lifetime follows a normal
distribution.
(1.9 − 3)2 +(2.4 − 3)2 +(3 − 3)2 +(3.5 − 3)2 +(4.2 − 3)2
𝑠2 = 5−1 = 0.815

5−1 (0.815)
χ2 = 12
= 3.26

3.26 is a value from a chi-squared distribution with 4 degrees of freedom. (Tabel A5) Since 95% of
the χ2 values with 4 degrees of freedom fall between 0.484 and 11.143, the computed value with
σ2 = 1 is reasonable, and therefore the manufacturer has no reason to suspect that the standard
deviation is other than 1 year.
 Sifat Distribusi Chi-square
•Jika X1, X2, …, Xn adalah variabel-variabel random yang saling bebas
(independen) dan berdistribusi chi- square dengan derajat
kebebasan masing-masing 1,
• 2, …, n, maka variabel random:

• Y  X 1  X 2  ...  X n

• akan berdistribusi chi-square juga dengan derajat kebebasan

(degree of freedom) 1+2+…+n
 Distribusi T-Student

Walpole 9th Edition : halaman 246

 Distribusi T-Student (Tabel A4)
Bagaimana jika kita tidak mengetahui simpangan baku populasi () ?

 Digunakan apabila variansi populasi () tidak diketahui dan ukuran sampel
<30.
 Hanya diketahui simpangan baku dari sampel

 Dengan menggantikan  dengan s didapatkan statistik :

Bentuknya mirip distribusi normal. Hanya saja Distribusi T

adalah kombinasi distribusi Chi-Square dan distribusi
normal. Makanya Distribusi T memiliki degree of freedom.
 Bentuk distribusi t
 Bentuk distribusi t mirip dengan bentuk distribusi normal baku (Z).
Perbedaannya adalah bentuk distribusi t unik tetapi tergantung pada nilai
-nya. Pada saat  = , bentuk distribusi Z
 Pada prakteknya, nilai  = 30 cukup untuk menggunakan distribusi Z
sebagai pendekatan terhadap t.
 Perhatian!!! Dari sini sering muncul pernyataan salah kaprah “…karena
datanya lebih dari 30 maka data berdistribusi normal.” Bukan datanya
menjadi berdistribusi normal, tapi perhitungan statistik t-nya dapat
menggunakan pendekatan distribusi normal.
Jika n  ∞,
maka t  N (normal)

Jika ukuran sampel nya sangat besar, kita bisa mendekati nilai t dengan tabel
normal. Bukan distribusi nya jadinormal. Tapi nilainya mendekati normal
 Contoh penggunaan distribusi t
Seorang peneliti mengklaim bahwa varietas padi hasil
pemuliaannya memiliki tingkat produktivitas rata-rata 5
ton per hektar. Menurut anda, apakah klaim ini dapat
diterima jika dari sampel 9 hektar didapatkan rata- rata
produktivitas 4.7 ton dan deviasi standar 1 ton?
Asumsikan bahwa produktivitas per hektar varietas
tersebut berdistribusi normal.
 Contoh penggunaan distribusi t
Statistik t atas sampel 9 hektar padi tersebut adalah:
X   4.7  5
T   0.9
s/ n 1/ 9
Dengan mengacu pada tabel t (Tabel A-4 pada
appendiks buku Walpole), pada d.o.f = 8,
probabilitasnya 95% bahwa -2.306 < t < 2.306,
sehingga cukup masuk akal menerima klaim peneliti
tersebut bahwa produktivitas rata-rata varietas
temuannya adalah 5 ton/hektar.
 95%
2.5% 2.5%

-2.306 2.306