64A712

Pemodelan dan Simulasi

Jurusan Teknik Informatika

Universitas Surabaya
 MATERI PERKULIAHAN (Baru)
(1) Introduction to simulation + simulation examples
(2-3) Discrete event simulation

(4) Statistical models in simulation

(5-6) RNG + RNV
(7) Quiz + Review + Penjelasan tugas
(8) UTS
(9-10) Input Modelling
(11) Presentasi awal mengenai tugas yang akan dibuat(tiap-tiap
kelompok 3 orang dg C++)
(12) Presentasi tugas (harus selesai sampai input modelling)
(13) Presentasi tugas (penggabungan tugas sehingga menjadi suatu
program simulasi yang utuh tapi tampilan masih diabaikan)
(14) Output analysis
(15) Presentasi tugas hasil Minggu ke-13 tetapi sudah dengan
tampilan yang user friendly
(16) UAS
Statistical models
Used in simulation
Network Of
Distribution
 Variabel Random

Sebuah percobaan
adalah sebuah proses di mana hasil percobaan tidak
diketahui dengan pasti (Law dan Kelton 1991).

Sample Space (S)

Himpunan dari semua hasil yang mungkin pada
sebuah percobaan.

Sample point / titik sampel

Sebuah elemen dari S.
 Variabel Random
Contoh : tentukan sample space dari :
• Sebuah dadu dilemparkan 1 kali.
• Jenis kelamin 2 anak pertama di sebuah
keluarga.
• Sebuah survey dilakukan terhadap sepuluh
orang untuk mengetahui kopi jenis ‘X’ atau jenis
‘Y’ yang lebih disukai orang. Data yang ingin
dikumpulkan adalah banyaknya orang yang
lebih menyukai kopi jenis ‘X’ dari pada jenis ‘Y’.
 Variabel Random
Kasus
• Sebuah koin terdiri dari 2 sisi, sisi Gambar (G)
dan sisi Angka (A).
• Dua buah koin dilempar secara bersamaan.
• Kemungkinan hasil pelemparan terlihat pada
Tabel 1.
 Variabel Random

Tabel 1. Hasil Pelemparan 2 buah koin secara bersamaan.

Hasil Probabilitas
GG ¼
GA ¼
AG ¼
AA ¼
 Variabel Random
• Jika hasil pengamatan yang diinginkan adalah
banyaknya angka yang muncul, maka Tabel 1
berubah menjadi Tabel 2.

Tabel 2. Distribusi Probabilitas Banyaknya Angka

yang Muncul pada Pelemparan dua buah Koin.

Banyaknya Angka yang Muncul Probabilitas

0 ¼
1 ½
2 ¼
 Variabel Random
• Jika hasil pengamatan “banyaknya angka
yang muncul pada pelemparan dua buah
koin” ditampung di sebuah variabel, maka
variabel tersebut dinamakan variabel
random.

• Tabel 2 disebut tabel distribusi

probabilitas.
 Variabel Random
Sebuah variabel random
adalah sebuah fungsi (atau aturan) yang memetakan
setiap sample point dari suatu sample space ke sebuah
bilangan real (antara - sampai ) (Law dan Kelton
1991).

adalah suatu fenomena yang diamati yang memberikan

respon / hasil yang dapat diekspresikan secara numerik
(buku : Statistik for Managers).
 Variabel Random
Variabel random diskrit
Jika anggota dari sebuah variabel random
adalah bilangan bulat.

Variabel random kontinyu

Jika anggota dari sebuah variabel randon
adalah bilangan real.
Network Of
Distribution
 Variabel Random
Contoh
• S = {PP, PL, LP, LL}
Jika X adalah sebuah fungsi yang mendefinisikan S sbb :
X(PP) = 2; X(PL) = 1; X(LP) = 1; X(LL) = 0.
Maka X = {x | x = 0, 1, 2}  X variabel random.

• S = {P, L}
Jika P disimbolkan dengan 0 dan L disimbolkan dengan
1.
Maka X = {x | x = 0, 1}  X variabel random.
 Distribusi Probabilitas
Probabilitas dari suatu sample point 
Ukuran kemungkinan munculnya suatu sample
point dari semua kemungkinan yang ada.

Distribusi probabilitas
Semua kemungkinan hasil numerik dari sebuah
variabel random yang saling lepas (mutually
exclusive) beserta probabilitasnya. (Buku :
Statistic for Managers)
 Distribusi Probabilitas
Probability Density Function (PDF)
Probabilitas dari sebuah anggota variabel random, X.

• Simbol : P(X = x) atau f(x).

• Sifat-sifat f(x):
* 0  f(x)  1, x  R (bilangan real),
* P(A) =  x  A f(x) ; A  X,

*  f ( x.)  1
x  
 pdf dan CDF Suatu Distribusi -1-
• Probability density function atau pdf
adalah representasi probabilitas ke dalam
sebuah formulasi distribusi
• CDF suatu random variabel X disimbolkan
dengan F(x ≤ a), dengan proses
penghitungan sbb:
 a
 p ( xi )
 i 0
F (a)   a
 f ( x)dx
 
 
 pdf dan CDF Suatu Distribusi -2-
• Kumulatif suatu pdf dari beberapa nilai
random variabel X dalam domain-nya
dinamakan Cummulative Distribution
Function (CDF)
– p(x) untuk x yang berubah secara diskrit
– f(x) untuk x yang berubah secara kontinyu
• Sesuai dengan nilai probabilitas, maka
0≤f(x), p(x)≤1
 Distribusi Probabilitas
Aturan permutasi nPr = n ! / (n - r) !
Banyaknya cara untuk menyusun r objek di
antara n objek dengan urutan atau aturan
tertentu.
 
Aturan kombinasi nCr = n ! / {r! * (n - r)!}
Banyaknya cara menyusun r objek yang sama di
antara n objek yang berbeda.
 Distribusi Probabilitas

Contoh
Buat tabel distribusi probabilitas dari banyaknya
anak perempuan yang dimiliki dari 2 kelahiran
anak pertama.

Jawab
S = {PP, PL, LP, LL}
X = banyaknya anak perempuan yang dimiliki dari 2
kelahiran anak pertama.
= {x | x = 0, 1, 2}
 Distribusi Probabilitas
P(X = 0) = ¼, P(X = 1) = ½, P(X = 2) = ¼
 
Tabel 3. Distribusi Probabilitas dari banyaknya anak
perempuan yang dimiliki dari 2 kelahiran anak pertama.

X P(x)
0 ¼
1 ½
2 ¼
 Distribusi Probabilitas

Soal
Bila ada 15 handphone, 5 diantaranya rusak.
Diambil 3 handphone secara acak. Jika yang
ingin diamati adalah banyaknya handphone rusak
yang terambil, maka :
1. Buat tabel distribusi probabilitasnya
2. Hitung probabilitas banyaknya handphone
rusak yang terambil < 2.
3. Hitung probabilitas banyaknya handphone
rusak yang terambil  2.
 Distribusi Probabilitas
Jawab
1. X = Banyaknya handphone rusak yang terambil.

Tabel 4. Distribusi Probabilitas dari banyaknya

handphone rusak yang terambil.
X P(x)
0 5 C0 * 10C3 / 15C3 = 24 / 91
1 5 C1 * 10C2 / 15C3 = 45 / 91
2 5 C2 * 10C1 / 15C3 = 20 / 91
3 5 C3 * 10C0 / 15C3 = 2 / 91
 Distribusi Probabilitas
2. P(X < 2) = P(X = 0) + P(X = 1)
= 24 / 91 + 45 / 91 = 69 / 91

3. P(X  2) = P(X = 2) + P(X = 3)

= 20 / 91 + 2 / 91 = 22 / 91
 Distribusi Probabilitas
Soal
Ada 2 produk, A dan B yang dipertimbangkan oleh 4
konsumen untuk memilih A atau B.

1. Buat tabel distribusi probabilitasnya

2. Hitung probabilitas paling banyak 2 konsumen
memilih A.
3. Hitung probabilitas 1 sampai 3 konsumen
memilih A.
 Cumulative Distribution Function
Simbol : F(x) = P(X  x) =  f(t)

Sifat - sifat :
1. 0  F(x)  1,
2. F(x) tidak menurun.
 Cumulative Distribution Function
Contoh soal distribusi probabilitas :
P(X < 0) = 0
P(0  X < 1) = 24 / 91
P(1  X < 2) = 69 / 91
P(2  X < 3) = 89 / 91
P(X  3) = 91 / 91= 1
 Expected Value

Expected value = E(X)

Rata-rata () dari suatu distribusi probabilitas.
N
 xi * P ( xi )
E(X) =  = i 1
 
Contoh : Tabel 1.
E(X) = 0 * ¼ + 1 * ½ + 2 * ¼ = 1
 
 Expected Value
Contoh
Dalam sebuah permainan seseorang akan
mendapat 5 juta jika muncul 3 angka atau 3
gambar dari 3 buah uang logam yang
dilemparkan. Seseorang harus membayar 3 juta
jika muncul 1 angka atau 2 angka. Yang ingin
diamati adalah kemenangan yang diperoleh.
Buat tabel distribusi probabilitasnya dan rata-rata
kemenangan. 
 Expected Value
S = {AAA, AAG, AGA, AGG, GAA, GAG, GGA, GGG}
Jumlah Angka yang Muncul X(juta) P(x)
0 atau 3 5 1/8 + 1/8 = ¼

1 atau 2 -3 3/8 + 3/8 = 6/8

E(X) = 5 * 1/4 + (-3) * 6/8 = -1.

Jadi jika suatu permainan dilakukan berulang kali maka

seseorang rata-rata rugi 1 juta.
 Expected Value
Soal
Manajer pemasaran mencatat penjualan 2 macam
produk selama seminggu sbb. :

Produk A X 0 1 2 3 4 5
f(x) 0.1 0.1 0.2 0.3 0.2 0.1

Produk B Y 0 1 2
f(y) 0.23 0.48 0.29

Hitung mean dari produk A dan B !.

 Expected Value
Soal
Sebuah kasino memberikan uang ($)
sebanyak mata dadu yang muncul pada
setiap kali pelemparan. Jika
permainannya adil, berapakah seorang
pemain harus membayar untuk satu kali
main dengan harapan tidak rugi.
 Expected Value
Sifat-sifat expektasi :
• E(a) = a ; a = konstanta
• E(aX) = aE(X)
• E(X + a) = E(X) + a
 Expected Value
Jika X adalah jumlah produk yang terjual dalam 1 minggu
dengan distribusi probabilitas sbb :

X P(x)
0 0.1
1 0.1
2 0.2
3 0.3
4 0.2
5 0.1
Jika keuntungan dari setiap unit yang terjual $50 dan biaya
tetap mingguan $20. Berapa harapan keuntungan yang
diperoleh ?
Variance dan Standart Deviasi
Simbol :
• Varians = ²
• Standart deviasi = 

Sifat-sifat varians :
 ² (X) = E{(X - )²} = E(X²) - ² ≥ 0
 ²(aX) = a² ²(X) ; a = konstanta
 ²(a) = 0
 ²(a + X) = ²(a) + ²(X) = ²(X)
 ²(aX + bY) = a² ²(X) + b² ²(Y) + 2ab(XY)
 ²(aX - bY) = a² ²(X) + b² ²(Y) - 2ab(XY)
bila X dan Y saling bebas maka 2ab(XY) = 0.
 Variance dan Standart Deviasi
Contoh : kasus hal 24.
² = (5 + 1) ² * 2/8 + {(-3) + 1}² * 6/8
= 9 + 3 = 12

 =12
 Distribusi Diskrit – Distribusi Poisson

Suatu percobaan dikatakan berdistribusi Poisson jika

memiliki sifat-sifat sebagai berikut :
1. Banyaknya sukses yang terjadi dalam selang
waktu tertentu tidak terpengaruh (bebas dari) oleh apa
yang terjadi pada selang waktu atau daerah lain
yang terpilih.
2. Probabilitas terjadinya sukses dalam selang
waktu pendek sebanding dengan panjang selang
waktu bukan pada banyaknya sukses diluar selang
tersebut.
 Distribusi Diskrit – Distribusi Poisson

3. Probabilitas terjadinya lebih dari satu

sukses dalam waktu pendek dapat
diabaikan.

Distribusi probabilitas variabel random

Poisson, X, menyatakan banyaknya sukses
yang terjadi dalam selang waktu tertentu.
 Distribusi Diskrit – Distribusi
Poisson
Rumus e  x
p ( x;  ) 
x!

Means distribusi poisson p(x, ) = 

Varians distribusi poisson p(x, ) = 

Di mana :
 = rata-rata banyaknya sukses yang terjadi
dalam selang waktu tertentu.
e = 2.71828...
 Distribusi Diskrit – Distribusi Poisson
Contoh
Rata-rata ada 3 orang yang datang ke bank
dalam 1 menit selama jam makan siang. Hitung
berapa probabilitas 2 orang yang datang dalam
menit tertentu ?

Jawab 
P(X = 2) = p(2, 3) = (e-3 (3)²) / (2!) = 0.224
 
 Distribusi Diskrit – Distribusi Poisson

Berapa probabilitas lebih dari 2 orang yang datang

dalam menit tertentu ?

Jawab
P(X > 2) = P(X = 3) + P(X = 4) + …
= 1 – P(X  2)
= 1 – {P(X = 0) + P(X = 1) + P(X = 2)}
= 1 – e-3{30 / 0! + 31 / 1! + 3² / 2!}
= 0.5768
 Distribusi Diskrit – Distribusi Poisson

Soal
Rata-rata banyaknya partikel radioaktif
yang melewati suatu penghitung selama 1
mili detik dalam suatu percobaan di
laboratorium adalah 4. Berapa
probabilitas 6 partikel melewati penghitung
dalam suatu mili detik tertentu.
 Distribusi Diskrit – Distribusi Poisson

Soal
Rata-rata banyaknya tanker minyak yang tiba
setiap hari di suatu pelabuhan adalah 10.
Pelabuhan tersebut hanya mampu menerima
paling banyak 15 tanker sehari. Berapa
probabilitas pada suatu hari tertentu tanker
terpaksa disuruh pergi karena pelabuhan tidak
mampu melayani tanker tersebut.
 Kovarian
Kovarian digunakan untuk menunjukkan hubungan
antara 2 variabel random.

Kovarian antara 2 variabel random diskrit X dan Y

adalah : N
 ( xi  E ( X )) * ( yi  E (Y )) * P( xi yi )
Var(XY) = XY = i 1

= E{(X – E(X)) * (Y - E(Y))}

 Kovarian

Probabilitas dari 2 macam pilihan investasi, DJ dan S

untuk beberapa macam kondisi ekonomi adalah sbb. :
Probabilitas terjadi Kondisi DJ S
pengembalian investasi ekonomi

0.2 Krisis - $100 - $200

0.5 Stabil $100 $50
0.3 Meningkat $250 $350

Hitung kovarian antara kedua macam investasi tersebut.

Distribusi Probabilitas Kontinyu
 Distribusi Probabilitas Kontinyu
Probabilitas dari variabel random kontinyu di setiap titik x
adalah nol.

f(x) adalah PDF dari variabel random kontinyu, X yang

didefinisikan atas himpunan semua bilangan real R, jika :
• f(x)  0, untuk semua x  R
•

• P(a f ( x<) dx
x <
 1b) = P(a ≤ x ≤ b) =

b
• F(x) = P(X ≤ x) =  f ( x) dx
a

• E(X) = x
 f (t ) dt


 x * f ( x ) dx

 Distribusi Uniform Kontinyu

Sebuah variabel random kontinyu dikatakan mempunyai

distribusi uniform jika variabel tersebut mempunyai interval
tertutup [a, b] dan setiap titik mempunyai probabilitas yang
sama.

1
PDF distribusi uniform : f ( x )  , a xb
ba

Mean = E(X) = (a + b) / 2
Varians = (b – a)² / 12
 Distribusi Uniform Kontinyu
Contoh

Seorang ahli burung membuat hipotesis bahwa burung puyuh

yang terkejut akan terbang menuju arah yang tidak dapat
ditentukan sebelumnya. Tentukan probabilitas arah terbang
burung.

Jawab
Digunakan satuan radian.
1
Probabilitas arah terbang burung = f ( x)  , 0  x  2
2
Distribusi Kontinyu – Distribusi Normal

Distribusi normal sangat penting di statistik

karena :
• Bermacam-macam fenomena kontinyu
mengikuti / mendekati distribusi ini,
• Dapat digunakan untuk mendekati
distribusi probabilitas diskrit,
• Merupakan basis untuk belajar statistik
inference.
Distribusi Kontinyu – Distribusi Normal

Sifat distribusi normal :

• Modus, yaitu titik pada sumbu mendatar yang
membuat fungsi mencapai maksimum terjadi
pada x = ,
• Kurva kelihatan simetris,
• Kurva mendekati sumbu mendatar secara
asimptotik,
• Luas daerah di bawah kurva = 1.
Distribusi Kontinyu – Distribusi Normal

PDF dari distribusi normal :

1 x 2
1  ( )
f ( x)  e 2 
,   x  
2 2

e = 2.71828
 = 3.14159
 = rata-rata populasi
 = standart deviasi populasi

E(x) =  dan Var(x) = ²

 Representasi grafis pdf dan CDF untuk
distribusi Normal

0.5
100

0.4

Cumulative Percent
0.3
Density

50
0.2

0.1

0.0 0

4 5 6 7 8 9 10 11 4 5 6 7 8 9 10 11
Normal Normal
Distribusi Kontinyu – Distribusi Normal

Untuk mengatasi kesulitan menghitung nilai integral di atas

maka dibuat tabel luas kurva normal. Tetapi karena tidak
mungkin membuat tabel yang berlainan untuk setiap harga
 dan , maka dibuat distribusi normal baku. Distribusi
normal baku mempunyai rata-rata = 0 dan varian = 1.

Untuk membawa data dari distribusi normal ke distribusi

normal baku digunakan transformasi Z.
x
Z 

 Distribusi Kontinyu – Distribusi
Normal
Soal

Diketahui rata-rata waktu membuat suatu alat adalah

75 detik dan standart deviasi = 6 detik.
• Hitung probabilitas seorang pekerja yang dipi- lih
secara random dapat menyelesaikannya dalam
waktu lebih dari 81 detik.

• Hitung probabilitas seorang pekerja yang

dipilih secara random dapat menyelesaikannya
dalam waktu antara 75 detik dan 81 detik.
Distribusi Kontinyu – Distribusi Normal
• Jika 10% dari pekerja harus menyelesaikan
pekerjaannya, kurang dari berapa detik waktu yang
diperlukan.

Pendapatan mingguan seorang karyawan di

industri kaca berdistribusi normal dengan mean
$1000 dan standart deviasi $100.
• Berapa probabilitas karyawan yang
berpendapatan paling banyak $ 900 per minggu,
Distribusi Kontinyu – Distribusi Normal

• Berapa probabilitas karyawan yang

berpendapatan paling sedikit $ 1250 per
minggu,
• Berapa probabilitas karyawan yang
berpendapatan antara $ 900 dan $ 1100
per minggu
Distribusi Kontinyu – Distribusi Eksponensial

Jika diketahui suatu variabel random

berdistribusi Poisson (  ) maka dapat
didefinisikan suatu variabel random kontinyu
yang menyatakan waktu tunggu sampai suatu
kejadian terjadi pertama kali.
Variabel random ini dikatakan berdistribusi
Eksponensial dengan rata-rata =  = 1 / .
 Distribusi Kontinyu – Distribusi Eksponensial

PDF dari distribusi eksponensial :

P( waktu tunggu  x)  1 - e - x

e = 2.71828
 = rata-rata populasi yang datang.
X = variabel random kontinyu antara 0 sampai 
 Distribusi Kontinyu – Distribusi Eksponensial

Sifat :
• Memoryless (Pelupa) artinya probabilitas periode 1 =
probabilitas periode i (i = 2, 3, ...).
contoh
Probabilitas kerusakan pada 10 jam Pertama =
Probabilitas kerusakan pada 10 jam ke-i (i = 2,
3, ...).

Mean :  = 
Varians : ² = ²
 Representasi grafis pdf dan CDF
untuk distribusi Eksponensial

0.9
100
0.8
0.7

Cumulative Percent
0.6
Density

0.5
50
0.4
0.3
0.2
0.1
0.0 0

0 1 2 3 4 5 0 1 2 3 4 5
Exponensial Exponensial
 Distribusi Kontinyu – Distribusi Eksponensial

Rata-rata kedatangan nasabah ke bank adalah 20

orang / jam. Jika seorang konsumen baru saja
datang, berapa probabilitas nasabah berikutnya
datang dalam waktu 6 menit ?

Jawab
 = 20 orang / jam
X = 6 menit = 0.1 jam
P(X  0.1) = 1 – e-20 * (0.1) = 0.8647
Distribusi Kontinyu – Distribusi Eksponensial

Contoh

Daya tahan suatu komponen pada suatu sistem

dinyatakan oleh variabel random, T yang
berdistribusi eksponensial. Rata-rata daya tahan
komponen adalah 5 tahun. Bila ada sebanyak 5
komponen yang dipasang pada sistem yang
berlainan.
Berapa probabilitas minimal ada 2 komponen yang
masih berfungsi setelah 8 tahun.
 
Distribusi Kontinyu – Distribusi Eksponensial

Lama waktu untuk melayani seorang di suatu

kafetaria berdistribusi eksponensial dengan rata-
rata waktu melayani = 4 menit. Berapa
probabilitas paling sedikit 4 dari 6 hari berikutnya,
seseorang akan dilayani kurang dari 3 menit.

Kedatangan pelanggan toko A berdistribusi

Poisson sebanyak 20 orang per jam. Berapa
probabilitas dibutuhkannya lebih dari 5 menit
waktu tunggu kedatangan konsumen pertama.
 Karakteristik Distribusi sekitar
Distribusi Eksponensial -1-
• Distribusi Eksponensial mempunyai sifat
– Kontinyu
– Memoryless (ingat dalam sistem M/M/1)
– Bentuk dan polanya ditentukan oleh satu parameter ()
• Sifat memoryless ini juga dimiliki oleh satu distribusi
diskrit, yaitu distribusi Geometri
• Distribusi Eksponensial () sangat erat kaitannya dengan
distribusi Poisson ()
– Bila banyaknya kejadian dalam suatu periode waktu tertentu
berdistribusi Poisson (), maka selang waktu antara masing-
masing kejadian akan berdistribusi Eksponensial ().
– Nilai akan setara dengan 
 Karakteristik Distribusi sekitar
Distribusi Eksponensial -2-
• Beberapa distribusi Eksponensial yang bergabung
menjadi satu akan membentuk pola Erlang()
• Distribusi Erlang() adalah anggota dari distribusi
Gamma (), dimana nilai integer.

• Distribusi Eksponensial () sangat erat kaitannya dengan

distribusi Poisson ()
– Bila banyaknya kejadian dalam suatu periode waktu tertentu
berdistribusi Poisson (), maka selang waktu antara masing-
masing kejadian akan berdistribusi Eksponensial ().
– Nilai akan setara dengan 
 Distribusi Kontinyu yang lain
• Lihat dalam Modul Ajar Teknik Simulasi pada
MODUL 3.
– Gamma
– Weibull
– Log-Normal
– Beta Dilanjutkan dengan demo pada
– Pearson Type V MAPLE dan MINITAB
– Pearson Type VI
– Log-Logistic
– Johnson SB
– Johnson Su
– Triangular
Descriptive Statistics
 Numerical Data
Properties
Central Tendency
(Location)

Variation
(Dispersion)

Shape
 Descriptive: Output MINITAB (1)
Results for: Market.MTW
Descriptive Statistics: Sales, Advertis, Capital

Variable N Mean Median TrMean StDev SE Mean

Sales 8 103.25 102.50 103.25 8.83 3.12
Advertis 8 15.88 15.50 15.88 5.38 1.90
Capital 8 21.50 22.50 21.50 12.26 4.33

Variable Minimum Maximum Q1 Q3

Sales 92.00 116.00 95.00 111.75
Advertis 9.00 24.00 10.75 21.00
Capital 6.00 36.00 9.00 32.75
 Data Summary
Descriptive Statistics
Variable: MSData

Anderson-Darling Normality Test

A-Squared: 0.312
P-Value: 0.551

Mean 5.01805
StDev 1.92771
Variance 3.71608
Skewness 4.19E-02
Kurtosis 9.67E-02
N 1000
0 2 4 6 8 10
Minimum -0.7060
1st Quartile 3.7674
Median 4.9697
3rd Quartile 6.2907
95% Confidence Interval for Mu Maximum 11.5726
95% Confidence Interval for Mu
4.8984 5.1377
4.85 4.95 5.05 5.15 95% Confidence Interval for Sigma
1.8468 2.0161
95% Confidence Interval for Median
95% Confidence Interval for Median
4.8384 5.0884
 Mean
1. Measure of Central Tendency
2. Most Common Measure
3. Acts as ‘Balance Point’
4. Affected by Extreme Values (‘Outliers’)
5. Formula (Sample Mean)
n

 Xi X1  X 2    X n
i 1
X 
n n
 Median
1. Measure of Central Tendency
2. Middle Value In Ordered Sequence
– If Odd n, Middle Value of Sequence
– If Even n, Average of 2 Middle Values
3. Position of Median in Sequence
n 1
Positioning Point 
4. Not Affected by Extreme2Values
 Mode
1. Measure of Central Tendency
2. Value That Occurs Most Often
3. Not Affected by Extreme Values
4. May Be No Mode or Several Modes
5. May Be Used for Numerical &
Categorical Data
 Midrange
1. Measure of Central Tendency
2. Middle of Smallest & Largest Observation

X smallest  X l arg est

Midrange 
2
3. Affected by Extreme Values
 Quartiles
1. Measure of Noncentral Tendency
2. Split Ordered Data into 4 Quarters

25% 25% 25% 25%

Q1 Q2 Q3
3. Position of i-th Quartile

Positioning Point of Qi 
i  n 1 a f
4
 Midhinge
1. Measure of Central Tendency
2. Middle of 1st & 3rd Quartiles

Q1  Q3
Midhinge 
2
3. Not Affected by Extreme Values
 Summary of
Central Tendency Measures
Measure Equation Description
Mean Xi / n Balance Point
Median (n+1) Position Middle Value
2 When Ordered
Mode none Most Frequent
Midrange X smallest  X l argest Middle of Smallest
2 & Largest
Midhinge (Q1 + Q3) Middle of 1st &
2 3rd Quartile where
Qi = i (n+1)/4
 Numerical Data - Properties &
Measures
Numerical Data
Properties

Central
Variation Shape
Tendency
Mean Range Skew
Median Interquartile Kurtosis
Range
Mode Variance
Midrange Standard Deviation
Midhinge Coeff. of Variation
 Variance & Standard Deviation
1. Measures of Dispersion
2. Most Common Measures
3. Consider How Data Are Distributed
4. Show Variation About Mean (X or X)

X = 8.3

4 6 8 10 12
 Coefficient of Variation
1. Measure of Relative Dispersion
2. Always a %
3. Shows Variation Relative to Mean
4. Used to Compare 2 or More Groups
5. Formula (Sample)

S
CV  100%
X
 Coefficient of Variation
Example
Group 1 Data: 1 2 3
Group 2 Data: 100 200 300

S 1
Group 1 CV  X 100%   100%  50%
X 2

S 100
Group 2 CV  X 100%   100%  50%
X 200
 Summary of Variation
Measures
Measure Equation Description
Range Xlargest - Xsmallest Total Spread
Interquartile Range Q3 - Q 1 Spread of Middle 50%
Standard Deviation 2 Dispersion about
(Sample)
 X i
 X
Sample Mean
n 1
Standard Deviation 2 Dispersion about
(Population)
 Xi  X 
Population Mean
N
Variance (Xi -X )2 Squared Dispersion
(Sample) n-1 about Sample Mean
Coeff. of Variation (S /X )100% Relative Variation
 Standard Notation

Measure Sample Population

Mean X X
Stand. Dev. S X
2 2
Variance S X
Size n N
 Descriptive data analysis: Real
Fenomena
• Point Estimation
– Mean
– Median
– Modus Confidence
– Tream mean interval
• Deviation
– Variance
– Range
Skewness?
 Numerical Data - Properties &
Measures
Numerical Data
Properties

Central
Variation Shape
Tendency
Mean Range Skew
Median Interquartile Kurtosis
Range
Mode Variance
Midrange Standard Deviation
Midhinge Coeff. of Variation
 Shape
1. Describes How Data Are Distributed
2. Measures of Shape
– Kurtosis = How Peaked or Flat
– Skew = Symmetry

Left-Skewed Symmetric Right-Skewed

Mean Median Mode Mean = Median = Mode Mode Median Mean
 Box-and-Whisker Plot

1. Graphical Display of Data Using

5-Number Summary

Xsmallest Q1 Median Q3 Xlargest

4 6 8 10 12
Shape & Box-and-Whisker Plot

Left-Skewed Symmetric Right-Skewed

Q1 Median Q3 Q1 Median Q3 Q1 Median Q3
Studi Densitas Setimbang (1)

( x  tolerasi)
Studi Densitas Setimbang (2)
Studi Densitas Setimbang
Confidence Interval (1)
Confidence Interval (2)
Tradisional Control Chart (Contoh 1)
Densitas Setimbang (Contoh 2)
HPD (Highest Probability Distribution)
(1-) Batas Batas
Peta Kendali x Kendali Kendali
100% Bawah Atas

95,0 71,3953 109,4810

97,5 64,4857 110,9149

99,0 55,3356 112,7754