Statistika Industri - Pertemuan 2

STATISTIKA DESKRIPTIF &
SAMPLING
STATISTIKA INDUSTRI
MINGGU KE-2
Statistika Industri TI UNMUL 1

Presentasi Data
 Diagram batang: adalah presentasi secara
grafis untuk data terkelompok (categorical
data). Biasa digunakan untuk variabel random
diskrit.
1200
1000
800
600
400
200
0
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Sales 102 94 156 853 1067 960 1129 887 562 226 79 165

Presentasi Data
 Pie Charts: merupakan alternatif dalam
mempresentasikan data terkelompok yang ditujukan
untuk menunjukkan proporsi setiap kelompok.
Production
Fall
Spring
Summer
Winter

Presentasi Data
 Histogram: juga merupakan presentasi data
terkelompok yang digunakan untuk variabel
random kontinyu.
30 10
9
25 8
7
20
6
15 5
4
10
3
2
5
1
0 0
5 0 5 0 5 0
0. 1. 1. 2. 2. 3.
9
0.
0.
0.
0.
0.
1.
1.
1.
1.
1.
2.
2.
2.
2.
2.
0- 5- 0- 5- 0- 5-
0-
2-
4-
6-
8-
0-
2-
4-
6-
8-
0-
2-
4-
6-
8-
0. 0. 1. 1. 2. 2.
0.
0.
0.
0.
0.
1.
1.
1.
1.
1.
2.
2.
2.
2.
2.
16 6
14
5
12
4
10
8 3
6
2
4
1
2
0 0
0. .05
0. .20
0. .35
0. .50
0. .65
0. .80
1. .95
1. .10
1. .25
1. .40
1. .55
1. .70
1. .85
2. .00
2. .15
2. .30
2. .45
2. .60
2. .75
0
2 4 6 8 0 2 4 6 8 0 2 4 6 8 0
0. 0. 0. 0. 1. 1. 1. 1. 1. 2. 2. 2. 2. 2. 3.
.9
-0
-0
-0
-0
-0
-0
-0
-1
-1
-1
-1
-1
-1
-2
-2
-2
-2
-2
-2
-2
0- 2- 4- 6- 8- 0- 2- 4- 6- 8- 0- 2- 4- 6- 8-
00
15
30
45
60
75
90
05
20
35
50
65
80
95
10
25
40
55
70
85
0. 0. 0. 0. 0. 1. 1. 1. 1. 1. 2. 2. 2. 2. 2.
0.

Presentasi Data
 Stem and Leaf Plots: adalah cara untuk
mempresentasikan data numerik.
46 52 27 22 36 19 33 29
42 76 30 20 17 25 85 60
29 39 18 36 63 52 46 39
24 55 41 31 45 50
STEM LEAF
1 9 7 8
2 7 2 9 0 5 9 4
3 6 3 0 9 6 9 1
4 6 2 6 1 5
5 2 2 5 0
6 0 3
7 6
8 5

Presentasi Data
 Outliers: adalah sebuah data yang secara nyata
terpisah dari data-data lain. Outlier dapat
mengindikasikan adanya kejanggalan pada
pengambilan data. Untuk itu perlu diteliti sebelum
dihilangkan dari set data.
16
14
12
10
0
2
0
0.
0.
0.
0.
1.
1.
1.
1.
1.
2.
2.
2.
2.
2.
3.
3.
3.
3.
3.
4.
0-
2-
4-
6-
8-
0-
2-
4-
6-
8-
0-
2-
4-
6-
8-
0-
2-
4-
6-
8-
0.
0.
0.
0.
0.
1.
1.
1.
1.
1.
2.
2.
2.
2.
2.
3.
3.
3.
3.
3.
Presentasi Data
 Boxplots: adalah presentasi skematis untuk median,
kuartil atas dan bawah, serta data observasi terbesar
dan terkecil.
Sebuah asterik digunakan untuk menunjukkan
outliers.
Lower Sample Possible Outlier
Upper Sample
Quartile (25%) Quartile (75%)
Smallest Data Sample Median (50%) Largest Data

Observation Observation
4 5 6 7
SCALE
Contoh The Box Plot
 Berikut adalah data diameter (mm) lubang pada Wing

Leading Edge Ribs untuk pesawat terbang komersial.
Statistik sampel
 Rata-rata Sampel :
Untuk sampel random X1, X2, ... , Xn berukuran n,
rata-rata sampel didefinisikan n
oleh statistik
 Xi
X  i 1
n
 Median Sampel:
Untuk sampel random X1, X2, ... , Xn berukuran n
yang disusun menurut urutan, median sampel
didefinisikan oleh statistik
 X ( n1) / 2 if n is odd
~ 
X   X n / 2  X ( n / 2)1
 if n is even
 2
Statistik sampel
 Sampel Trimmed Mean:
Rata-rata terpotong diperoleh dengan membuang
beberapa data terbesar dan terkecil, biasanya 10%
sebelum menghitung rata-ratanya. Hal ini dilakukan
jika diduga ada outliers dalam set data.
 Modus Sampel:
Untuk sampel random X1, X2, ... , Xn berukuran n,
modus sampel adalah nilai sampel yang paling
sering muncul. Modus tidak selalu ada, dan jika ada
dapat tidak unik.

Statistik sampel
 Variansi Sampel:
Untuk sampel random X1, X2, ... , Xn berukuran
n, variansi sampel didefinisikan oleh statistik
2
 X 
n
 i
 X 2   nX 2  X 2    i 1 
 X i  X 
n n n
 i   i 
2
S 2  i 1   i 1    i 1  n
n 1 n 1 n 1

Statistik sebagai estimator
 Statistik adalah ukuran Parameter populasi
karakteristik sampel. adalah ukuran
karakteristik populasi.
• Estimator adalah statistik yang digunakan untuk
mengestimasi parameter populasi.
• Estimasi dari sebuah parameter adalah nilai numerik
tertentu (dari statistik sampel) yang diperoleh melalui
sampling.
• Titik estimasi adalah sebuah nilai yang digunakan
untuk mengestimasi sebuah parameter populasi.

Estimator
• The sample mean, X , is the most common
estimator of the population mean, 
• The sample variance, s2, is the most common
estimator of the population variance, 2.
• The sample standard deviation, s, is the most
common estimator of the population standard
deviation, .
• The sample proportion, p,
^ is the most common
estimator of the population proportion, p.

Proporsi populasi & sampel
• Proporsi populasi adalah rasio antara jumlah elemen
populasi dalam kelompok tertentu dengan jumlah
elemen populasi seluruhnya:
X
p
N
• Proporsi sampel adalah rasio antara jumlah elemen
sampel dalam kelompok tertentu dengan jumlah
elemen sampel seluruhnya:
x
p 
n

Distribusi dan rata-rata
Rata-rata populasi ()
Distribusi frekuensi
populasi
X X X X X X X
X X X X X X X
X X X X
Titik sampel
Sample mean (X )

Cara sampling
 Convenience sampling
 Judgement sampling
 Probability sampling
 Random sampling Tugas #1
 Systematic sampling
 Stratified random sampling
 Cluster sampling

Cara sampling
Random sampling: sampel
(ni) diambil secara random
dari populasi (Ni).
Systematic sampling: sampel

diambil secara random untuk
pertama kali, dan selanjutnya
diambil secara sistematis.
Random dari 5 titik Sistematis setiap 5 titik sampel

sampel pertama
Cara sampling
Group
1 2 3 4 5 6 7
Population Distribution
Sample Distribution
Stratified sampling: sampel Cluster sampling: observasi

random (ni) dipilih dari dilakukan pada m cluster dari
setiap kelompok populasi M cluster populasi.
(Ni).

Konsep Distribusi Sampling
 Jika kita memiliki populasi yang terdiri
dari 3 orang, yaitu A, B, dan C, lalu
mengambil sampel sebanyak 2 orang.
Maka akan ada 𝐶23 atau 3 kombinasi
sampel yang mungkin terpilih.

Populasi
A, B, C
Sampel 1 Sampel 2 Sampel 3

A&B A&C B&C

 Menurut central limit theorm, jika populasi
terdistribusi secara normal, maka 𝑥ҧ dari
banyak sampel juga akan terdistribusi secara
normal. Distribusi 𝑥ҧ tersebut adalah distribusi
sampling rata-rata. Distribusi ini merupakan
distribusi normal yang berbentuk lonceng,
simetris, dan memiliki rata-rata serta deviasi
standar.

Distribusi Sampling bagi Nilai
Rata-rata (𝑋)
ത
 Pengambilan sampel dapat dilakukan dengan
cara pengambilan dan tanpa pengembalian.
 Sampling dengan pengembalian (sampling
with replacement) adalah pengambilan
sampel dimana setiap unsur dari populasi
dapat terpilih lebih dari satu kali →
populasi tak terhingga

Rata-rata (𝑋)
ത
 Sampling tanpa pengembalian (sampling
without replacement) adalah pengambilan
sampel dimana setiap unsur dari populasi
dapat terpilih tidak lebih dari satu kali →
populasi berhingga

Rata-rata (𝑋)
ത
 Apabila semua sampel yang mungkin
diperoleh yang besarnya n diambil tanpa
pengembalian dari populasi terbatas
sebesar N dan N > n, maka:
𝜎 𝑁 −𝑛
𝜇𝑥 = 𝜇 dan 𝜎𝑥 =
𝑛 𝑁 −1

Rata-rata (𝑋)
ത
 Apabila populasi tersebut adalah tak
terhingga atau apabila pengambilan sampel
dilakukan dengan pengembalian, maka
nilai 𝜇𝑥 dan 𝜎𝑥 menjadi:
𝜎
𝜇𝑥 = 𝜇 dan 𝜎𝑥 =
𝑛

Rata-rata (𝑋)
ത
 Keterangan:
𝜇 = rata-rata populasi
𝜎 = deviasi standar populasi
𝜇𝑥 = rata-rata dari distribusi sampling rata-rata sampel
𝜎𝑥 = deviasi standar dari distribusi sampling rata-rata
sampel

Contoh #1
 Dalam sebuah etalase toko mas Kemilau
terdapat 5 kotak cincin yang bentuknya
sama yang setiap kotak berisi cincin dengan
berat 2, 3, 5, 6, dan 9 gram. Sebuah sampel
random diambil sebanyak dua buah kotak
cincin, dimana pengambilan kotaknya
dilakukan satu per satu tanpa
pengembalian.

Contoh #1
Carilah:
 Berat rata-rata seluruh cincin dalam kotak tersebut
 Deviasi standar berat dari seluruh cincin dalam kotak
tersebut
 Berat rata-rata dari distribusi sampling berat rata-rata
sampel
 Deviasi standar dari distribusi sampling berat rata-rata
sampel

Penyelesaian #1
Berat rata-rata seluruh cincin dalam kotak adalah:
2+3+5+6+9 25
𝜇= = = 5,0 gram
5 5
Deviasi standar berat dari seluruh cincin dalam kotak adalah:

2 −5 2 + 3 −5 2 + 5 −5 2 + 6 −5 2 + 9 −5 2 30
𝜎= = = 2,45 gram
5 5

Penyelesaian #1
Berat rata-rata dari distribusi sampling rata-rata sampel dapat
dicari sebagai berikut. Terdapat 10 kombinasi sampel yang
terdiri atas 2 cincin yang diambil satu per satu tanpa
pengembalian. Dalam kasus ini urutan berat cincin tidak
diperhatikan, jadi pengambilan (3,5) = (5,3).
(2,3) (2,5) (2,6) (2,9) (3,5)

(3,6) (3,9) (5,6) (5,9) (6,9)

Penyelesaian #1
Berat rata-rata dari sampel di atas adalah:
2,5 3,5 4,0 5,5 4,0

4,5 6,0 5,5 7,0 7,5
Berat rata-rata dari distribusi sampling berat rata-rata sampel

adalah:
𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑚𝑢𝑎 𝑛𝑖𝑙𝑎𝑖 𝑟𝑎𝑡𝑎−𝑟𝑎𝑡𝑎 𝑠𝑎𝑚𝑝𝑒𝑙
𝜇𝑥 =
𝑗𝑢𝑚𝑙𝑎ℎ 𝑠𝑎𝑚𝑝𝑒𝑙
2,5+3,5+4,0+ …+7,5
𝜇𝑥 = = 5,0 gram (ternyata 𝜇𝑥 = 𝜇)
10
Penyelesaian #1
Deviasi standar dari distribusi sampling rata-rata 𝜎𝑥ҧ
2,5 −5 2 + 3,5 −5 2 +…+ 7,5 −5 2 22,5

𝜎𝑥ҧ = = = 1,50 gram
10 10
Atau
𝜎 𝑁 −𝑛 6 5 −2
𝜎𝑥ҧ =
2 = = (3) (0,75) = 2,25; sehingga
𝑛 𝑁 −1 2 5 −1
𝜎𝑥ҧ = 2,25 = 1,50 gram

Contoh #2
Bank “Pasti Aman” menghitung tabungan
seluruh nasabahnya. Setelah penghitungan,
bank tersebut mendapati bahwa rata-rata
tabungan setiap nasabahnya sebesar Rp
2.000,- dengan deviasi standar Rp 600,-.
Seorang peneliti mengambil sampel sebanyak
100 sampel dari populasi berjumlah 600.

Contoh #2
Hitunglah probabilitas dari:
 Rata-rata sampel akan terletak antara Rp
1.900,- dan Rp 2.050,-
 Rata-rata sampel akan lebih besar dari Rp
2.050,-
 Rata-rata sampel akan lebih kecil dari Rp
1.900,-

Penyelesaian #2
Jika peneliti mengambil sampel 100 dari 600, maka akan
terdapat 𝐶100
600
kombinasi sampel yang mungkin. Dengan kata
lain, akan terdapat sebanyak 𝐶100
600
rata-rata sampel. Distribusi
sampling rata-rata ini memiliki rata-rata dan deviasi standar
sebagai berikut:
𝜇𝑥 = 𝜇 = 2.000
𝜎 600
𝜎𝑥 = = = 60
𝑛 100

Penyelesaian #2
Selanjutnya, untuk menyelesaikan soal tersebut, kita akan
menerapkan konsep menghitung luas daerah kurva normal.
 P (1900 < 𝑥ҧ < 2050)

𝑥ҧ − 𝜇𝑥ҧ
𝑍=
𝑥𝑥ҧ
1900 −2000
Untuk 𝑥ҧ = 1900, 𝑍 = = -1,67 = 45,25%
60
2050 −2000
Maka 𝑥ҧ = 2050, 𝑍 = = 0,83 = 29,67%
60
Maka P (1900 < 𝑥ҧ < 2050) = 45,25% + 29,67% = 74,9%

Penyelesaian #2
 P (𝑥ҧ > 2050)
2050 −2000
Maka 𝑥ҧ = 2050, 𝑍 = = 0,83 = 29,67%
60
Maka P (𝑥ҧ > 2050) = 50% - 29,67% = 20,33%
 P (𝑥ҧ < 1900)

1900 −2000
Maka 𝑥ҧ = 1900, 𝑍 = = -1,67 = 45,25%
60
Maka P (𝑥ҧ < 1900) = 50% - 45,25% = 4,75%

Tugas #2
 Dalam sebuah etalase toko mas Kemilau terdapat 5
kotak cincin yang bentuknya sama yang setiap
kotak berisi cincin dengan berat 2, 3, 5, 6, dan 9
gram. Sebuah sampel random diambil sebanyak
dua buah kotak cincin, dimana pengambilan
kotaknya dilakukan satu per satu dengan
pengembalian.

Tugas #2
Carilah:
 Berat rata-rata seluruh cincin dalam kotak tersebut
 Deviasi standar berat dari seluruh cincin dalam kotak
tersebut
 Berat rata-rata dari distribusi sampling berat rata-rata
sampel
 Deviasi standar dari distribusi sampling berat rata-rata
sampel

Distribusi Sampling (1)
• Distribusi sampling dari statistik adalah
distribusi probabilitas semua nilai statistik
yang dihitung dari sampel random berukuran
sama (yang diambil dari populasi tertentu).
• Distribusi sampling X adalah distribusi
probabilitas semua nilai statistik X dari
sampel random berukuran n.

Distribusi Sampling(2)
Populasi uniform dari integer 1 s/d 8:
X P(X) XP(X) (X-x) (X-x)2 P(X)(X-x)2 Uniform Distribution (1,8)
0.2
1 0.125 0.125 -3.5 12.25 1.53125
2 0.125 0.250 -2.5 6.25 0.78125
3 0.125 0.375 -1.5 2.25 0.28125
4 0.125 0.500 -0.5 0.25 0.03125
P(X)
5 0.125 0.625 0.5 0.25 0.03125 0.1
6 0.125 0.750 1.5 2.25 0.28125
7 0.125 0.875 2.5 6.25 0.78125
8 0.125 1.000 3.5 12.25 1.53125
0.0
1.000 4.500 5.25000 1 2 3 4 5 6 7 8
X
E(X) =  = 4.5
V(X) = 2 = 5.25
SD(X) =  = 2.2913

 Ada 8x8 = 64 sampel Setiap sampel memliki rata-rata.
berbeda berukuran 2 dari Contoh, rata-rata sampel (1,4)
distribusi uniform 1s/d8: adalah 2.5.
Samples of Size 2 from Uniform (1,8) Sample Means from Uniform (1,8), n =
1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8
1 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5
2 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0
3 3,1 3,2 3,3 3,4 3,5 3,6 3,7 3,8 3 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5
4 4,1 4,2 4,3 4,4 4,5 4,6 4,7 4,8 4 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0
5 5,1 5,2 5,3 5,4 5,5 5,6 5,7 5,8 5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5
6 6,1 6,2 6,3 6,4 6,5 6,6 6,7 6,8 6 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0
7 7,1 7,2 7,3 7,4 7,5 7,6 7,7 7,8 7 4.0 4.5 5.0 5.5 6.0 6.5 7.0 7.5
8 8,1 8,2 8,3 8,4 8,5 8,6 8,7 8,8 8 4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0

Distribusi probabilitas dari rata-rata sampel disebut
distribusi sampling rata-rata sampel. Sampling Distribution of the Mean
X P(X) XP(X) X-X (X-X)2 P(X)(X-X)2
1.0 0.015625 0.015625 -3.5 12.25 0.191406

0.10
1.5 0.031250 0.046875 -3.0 9.00 0.281250
2.0 0.046875 0.093750 -2.5 6.25 0.292969
P(X)
2.5 0.062500 0.156250 -2.0 4.00 0.250000
3.0 0.078125 0.234375 -1.5 2.25 0.175781 0.05
3.5 0.093750 0.328125 -1.0 1.00 0.093750
4.0 0.109375 0.437500 -0.5 0.25 0.027344
4.5 0.125000 0.562500 0.0 0.00 0.000000 0.00
5.0 0.109375 0.546875 0.5 0.25 0.027344 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0
5.5 0.093750 0.515625 1.0 1.00 0.093750 X
6.0
6.5
0.078125
0.062500
0.468750
0.406250
1.5
2.0
2.25
4.00
0.175781
0.250000 E ( X )   2X  4.5
7.0 0.046875 0.328125 2.5 6.25 0.292969 V ( X )   X  2.625
SD( X )   X  16202
7.5 0.031250 0.234375 3.0 9.00 0.281250
8.0 0.015625 0.125000 3.5 12.25 0.191406 .
1.000000 4.500000 2.625000

Sifat Distribusi Sampling Uniform Distribution (1,8)
• Bandingkan dist. populasi

0.2
dan dist. sampling rata-
P(X)
0.1
rata:
Keduanya memiliki pusat 0.0
1 2 3 4 5 6 7 8
yang sama.
X
Distribusi sampling Sampling Distribution of the Mean
cenderung membentuk 0.10
kurva lonceng, simetris dan

P(X)
variansi yang lebih kecil. 0.05
0.00
1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0
X

Sampling dari Populasi Normal
Sampling dari populasi normal dengan rata-rata  dan
deviasi standar , akan menghasilkan distribusi sampling
normal: 
2
X ~ N ( , )
n
Sampling Distribution of the Sample Mean
Artinya: 0.4
•Rata-rata tetap.
Sampling Distribution: n =16
0.3
•Variansi mengecil. f(X) 0.2
0.1
Normal population
Normal population
0.0

Teorema Central Limit
n=5
0.25
0.20
Distribusi sampling akan
P(X)
0.15
0.10
0.05
cenderung mendekati distribusi 0.00
X
normal dengan rata-rata  dan n=20


deviasi standar seiring 0.2
P(X)
dengan meningktanya ukuran 0.1
sampel. X ~ N ( ,  2 ) 0.0
X
Large n
0.4
Seberapa besar ukuran sampel 0.3
f(X)
0.2
n: 5? 20? or 100? 0.1

0.0

-
X

 Jika ukuran sampel (n) cukup besar,
distribusi rata-rata sampel akan mendekati
normal, tidak peduli apakah populasinya
terdistribusi secara normal atau tidak.
 Tidak ada angka yang pasti tentang “ukuran
sampel yang cukup besar”, tetapi biasanya n
> 30 sudah dianggap cukup memadai.

Normal Uniform Skewed General
Population
n=2
n = 30
 X  X  X  X

𝜎
 𝜇𝑥ҧ = 𝜇 dan 𝜎𝑥ҧ =
𝑛
Keterangan:
𝜇𝑥ҧ = rata-rata dari distribusi sampling rata-rata
𝜇 = rata-rata populasi
𝜎𝑥ҧ = deviasi standar dari distribusi sampling rata-rata
𝜎 = deviasi standar populasi
n = ukuran sampel

Tiga kondisi variabel random:
• Well behaved, bentuk bell shaped, dan simetris
di sekitar modus tunggal.
• Fairly behaved, bentuk hampir uniform dan
memiliki modus tunggal yang tidak terlalu nyata.
• Ill behaved, bentuk modus ganda (bimodal)
atau lebih dan modus terletak di sekitar tails.

IndoAuto membuat engine dengan rata-rata power 220 hp dan
deviasi standar 15 hp. IndoJeep memeriksa 100 sampel, berapa
probabilitas power kurang dari 217 hp?
 
 X   217   
P( X  217)  P  
   
 n n 
   
 217  220   217  220
 P Z    P  Z  
 15   15 
 100   10 
 P( Z  2)  0.0228

Degrees of Freedom (1)
Sebuah sampel berukuran n=4 memiliki data
x1=10 x2=12 x3=16 x4=?
Sedemikian sehingga rata-rata sampel adalah x 

 x
 14
n
Dengan 3 nilai data dan rata-rata, nilai sampel ke-4 dapat
ditentukan:
 x 12  14  16  x4 x4  56  12  14  16
x=   14
n 4
x 4  56
12  14  16  x  56
4

Jika hanya diketahui dua nilai data
x1=10 x2=12 x3=? x4=? x  14
Dua nilai data yang lain tidak dapat ditentukan secara unik.
12  14  x  x4
x 3
x=   14
n 4
12  14  x  x4  56
3

Degrees of freedom adalah jumlah pengukuran (tidak
selalu jumlah data mentah) dikurangi batasan dalam
pengukuran. Sebuah batasan adalah kuantitas yang dihitung
dari pengukuran.
Rata-rata sampel adalah sebuah “batasan” dari pengukuran

sampel. Setelah menghitung rata-rata, degrees of freedom
tersisa adalah (n-1). Variansi sampel dihitung dari sisa (n-1)
data yang masih bebas:
 (x  x) 2
s2 
( n  1)
Seorang manager mendapat alokasi anggaran €150.000 untuk 4
proyek investasi. Berapa banyak degrees of freedom yang dimiliki
manager tersebut?
Rumuskan : x1 + x2 + x3 + x4 = 150,000
Proyek ke 4 dapat ditentukan setelah mendapatkan perkiraan 3
anggaran proyek lainnya. Misalkan x1=40,000; x2=30,000 ;
x3=50,000, maka
x4=150,000-40,000-30,000-50,000=30,000
Manager tersebut memiliki (n-1)=3 degrees of freedom.

Distribusi Sampling Proporsi
𝑋
Didefinisikan bahwa proporsi populasi adalah 𝑝 =
𝑁
𝑥
sedangkan proporsi sampel adalah 𝑝 = . Apabila
𝑛
sampel random sebanyak n dipilih dari populasi
binominal dengan cara pengembalian, maka distribusi
sampling p akan mengikuti distribusi probabilitas
binominal dengan fungsi probablitas:
𝑥
𝑃 ≤ 𝑝Ƹ = 𝑛𝑥 𝑝 𝑥 (1 − 𝑝)𝑛 −𝑥
𝑛

𝑛𝑝
Rata-rata; E 𝑝Ƹ = 𝜇𝑝ො = = p,
𝑛
𝑝 (1 −𝑝)
Variansi; var 𝑝Ƹ = 𝜎𝑝ො =
2
𝑛
𝑝 (1 −𝑝)
Deviasi standar; 𝜎𝑝ො =
𝑛

Apabila sampling dilakukan tanpa pengembalian,
maka:
𝑛𝑝
Rata-rata; E 𝑝Ƹ = 𝜇𝑝ො = = p,
𝑛
𝑝 (1 −𝑝) 𝑁 −𝑛
Variansi; var 𝑝Ƹ = 𝜎𝑝ො =
2
𝑛 𝑁 −1
𝑝 (1 −𝑝) 𝑁 −𝑛
Deviasi standar; 𝜎𝑝ො =
𝑛 𝑁 −1

Contoh
Dari 1000 mobil yang diproduksi, diketahui 100
diantaranya cacat. Jika diambil sampel random
sebanyak 500 buah mobil dari populasi
tersebut dan diteliti, berapa besar probabilitas
mobil yang cacat lebih besar dari 12%?

Penyelesaian
 P = proporsi populasi mobil yang rusak =
100/1000 = 10%
 𝜇𝑝ො = P = 10% = 0,1
𝑃 (1 −𝑃) 0,1 (1 −0,1)
 𝜎𝑝ො = = = 0,013
𝑛 500

Penyelesaian
Probabilitas (P > 0,12) = ?
𝑥− 𝜇 ത 𝜇𝑝ҧ
𝑃− 0,12 −0,10
𝑍= = = = 1,54 = 43,82%
𝜎 𝜎 𝑝ҧ 0,013
Prob (P > 0,12) = 50% - 43,82% = 6,18%

Proporsi Sampel
Anggap 25% orang tertarik pada produk air mineral H2O. Sebuah
sampel random 100 calon pembeli dipilih. Berapa probabilitas bahwa
paling tidak 20% sampel menyatakan ingin membeli H2O.
n  100
 
p  0.25
 p  p .20  p 
P ( p > 0.20 )  P
 p (1  p )
>

p (1  p ) 
 n n

 
p (1  p )

(.25)(.75)
 0.001875  V ( p )  .20  .25    .05 
 P z >   P z > 
n 100
 .0433
 (.25)(.75)

p (1  p )
 100

 0.001875  0.04330127  SD ( p )  P ( z > 1.15)  0.8749
n
Latihan soal
1. IP mahasiswa di suatu perguruan tinggi mendekati sebaran
normal dengan rata-rata populasi 2,14 dan simpangan baku
1,21.
a) Berapa persen mahasiswa yang IP-nya antara 2,00 dan 3,00?
b) Pimpinan perguruan berjanji akan memberikan beasiswa
kepada 10% mahasiswa yang IP-nya terbaik. Berapa IP
seorang mahasiswa agar bisa mendapatkan beasiswa
tersebut?
c) Mahasiswa yang IP-nya di bawah 1,00 mendapatkan
peringatan agar lebih giat belajar. Untuk itu, mereka di
masukkan ke kelas khusus guna mendapatkan bimbingan.
Ada berapa persen mereka?
Latihan soal
2. Berdasarkan hasil survey diketahui bahwa pendapatan
masyarakat di suatu kota mendekati sebaran normal
dengan rata-rata Rp 850rb per bulan dan simpangan baku
Rp 300rb. Suatu perusahaan elektronik akan memasarkan
produk barunya berupa VCD-player dengan harga Rp
600rb. Dengan demikian, sasaran atau target pasar yang
diharapkan adalah mereka yang penghasilannya di atas Rp
1 juta per bulan. Bila di kota tsb terdapat 1.000 keluarga,
berapa keluarga yang menjadi konsumen potensial produk
tersebut?

Statistika Industri - Pertemuan 2

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

Statistika Industri - Pertemuan 2

Diunggah oleh

Hak Cipta:

Format Tersedia

STATISTIKA DESKRIPTIF &

Statistika Industri TI UNMUL 1

Statistika Industri TI UNMUL 2

Statistika Industri TI UNMUL 3

Statistika Industri TI UNMUL 4

Statistika Industri TI UNMUL 5

Smallest Data Sample Median (50%) Largest Data

 Berikut adalah data diameter (mm) lubang pada Wing

Statistika Industri TI UNMUL 10

Statistika Industri TI UNMUL 11

Statistika Industri TI UNMUL 12

Statistika Industri TI UNMUL 13

Statistika Industri TI UNMUL 14

Statistika Industri TI UNMUL 15

Statistika Industri TI UNMUL 16

Systematic sampling: sampel

Random dari 5 titik Sistematis setiap 5 titik sampel

Stratified sampling: sampel Cluster sampling: observasi

Statistika Industri TI UNMUL 18

Statistika Industri TI UNMUL 19

Sampel 1 Sampel 2 Sampel 3

Statistika Industri TI UNMUL 20

Statistika Industri TI UNMUL 21

Statistika Industri TI UNMUL 22

Statistika Industri TI UNMUL 23

Statistika Industri TI UNMUL 24

Statistika Industri TI UNMUL 25

Statistika Industri TI UNMUL 26

Statistika Industri TI UNMUL 27

 Deviasi standar berat dari seluruh cincin dalam kotak

Statistika Industri TI UNMUL 28

Deviasi standar berat dari seluruh cincin dalam kotak adalah:

Statistika Industri TI UNMUL 29

(2,3) (2,5) (2,6) (2,9) (3,5)

Statistika Industri TI UNMUL 30

2,5 3,5 4,0 5,5 4,0

Berat rata-rata dari distribusi sampling berat rata-rata sampel

2,5 −5 2 + 3,5 −5 2 +…+ 7,5 −5 2 22,5

𝜎𝑥ҧ = 2,25 = 1,50 gram

Statistika Industri TI UNMUL 33

Statistika Industri TI UNMUL 34

Statistika Industri TI UNMUL 35

 P (1900 < 𝑥ҧ < 2050)

Statistika Industri TI UNMUL 36

 P (𝑥ҧ < 1900)

Statistika Industri TI UNMUL 37

Statistika Industri TI UNMUL 38

 Deviasi standar berat dari seluruh cincin dalam kotak

Statistika Industri TI UNMUL 39

Statistika Industri TI UNMUL 40

Statistika Industri TI UNMUL 41

Statistika Industri TI UNMUL 42

1.0 0.015625 0.015625 -3.5 12.25 0.191406

Statistika Industri TI UNMUL 43

• Bandingkan dist. populasi

dan dist. sampling rata-

Distribusi sampling Sampling Distribution of the Mean

cenderung membentuk 0.10

kurva lonceng, simetris dan

Statistika Industri TI UNMUL 44

Sampling Distribution of the Sample Mean

•Variansi mengecil. f(X) 0.2

Statistika Industri TI UNMUL 45