statistika [var random distribusi prob.] · pdf filestatistika industri ... maka...
TRANSCRIPT
1
STATISTIKA INDUSTRI STATISTIKA INDUSTRI [VAR RANDOM & DISTRIBUSI PROB.][VAR RANDOM & DISTRIBUSI PROB.]
ADITHYA SUDIARNO, ST., MT.
1
STATISTIKA INDUSTRI ‐ JURUSAN TEKNIK INDUSTRI ‐ ITS
ANALISIS PEMBELAJARANANALISIS PEMBELAJARAN
STATISTIK DESKRIPTIF
KONSEP PELUANG/ PROBABILITAS
KONSEP DASAR STATISTIKA
TEKNIK PENGAMBILAN SAMPLING
RANDOM VARIABLE
DISTRIBUSI PROBABILITAS : DISKRIT
2
DESCRIPTIVE STATISTICS BASIC FOR INFERENCE INFERENCE STATISTICS
INTRODUCTION & PENGANTAR STATISTIKA
PROBABILITAS : DISKRIT, KONTINYU, SAMPLING
PENAKSIRAN PARAMETER
2
STATISTIKA INDUSTRI ‐ JURUSAN TEKNIK INDUSTRI ‐ ITS
TUJUAN PEMBELAJARANTUJUAN PEMBELAJARAN
1.1. MemahamiMemahami definisidefinisi variabelvariabel randomrandom
2.2. MemahamiMemahami definisidefinisi distribusidistribusi probabilitasprobabilitaspp
3.3. MengetahuiMengetahui beberapabeberapa macammacam distribusidistribusi probabilitasprobabilitas
STATISTIKA INDUSTRI ‐ JURUSAN TEKNIK INDUSTRI ‐ ITS
PENGANTARPENGANTARModel peluang untuk suatu fenomena biasanya selalu dispesifikasikandalam suatu ruang sampel, yaitu kumpulan hasil eksperimen yang mungkin. Tetapi tidak semua eksperimen dapat dinyatakan secarag p p p yKUANTITATIF, ada juga yang dinyatakan secara KUALITATIF. Contoh :– Kekuatan cahaya di suatu ruang dapat dikategorikan menjadi kuat,
sedang, maupun lemah.– Pencemaran udara di suatu kota dapat dikatakan parah atau tidak
parah.
Untuk mengkuantifikasikan masalah – masalah yang bersifat kualitatifUntuk mengkuantifikasikan masalah masalah yang bersifat kualitatif, maka perlu diperkenalkan konsep VARIABEL ACAK/ RANDOM DAN DISTRIBUSI PROBABILITAS.
3
STATISTIKA INDUSTRI ‐ JURUSAN TEKNIK INDUSTRI ‐ ITS
VARIABEL RANDOMVARIABEL RANDOMSecara umum terdapat dua tipe data :
– VARIABLE DATA : disebut jugameasurement atau continuous data. Seperti namanya, data ini biasanya merupakan hasildata. Seperti namanya, data ini biasanya merupakan hasilpengukuran/ perhitungan, merupakan data yang kontinyu darisuatu range tertentu. Misal :
Nilai rupiah per 1 USD sepanjang tahun
Hasil pengukuran tinggi badan pada 1000 orang murid
Laju kecepatan fluida dalam pipa distribusi minyak
– ATTRIBUTE DATA : ciri khas data ini adalah tidak dilakukanATTRIBUTE DATA : ciri khas data ini adalah tidak dilakukanpengukuran dan bersifat tidak kontinyu. Misal :
Jenis kelamin (pria/ wanita)
Hasil ujian (lulus/ tidak lulus)
Jenis warna mobil (hitam, merah, hijau, dll)
STATISTIKA INDUSTRI ‐ JURUSAN TEKNIK INDUSTRI ‐ ITS
Oleh karena itu, variabel random juga bisa dibagi menjadi dua bagian besar, yaitu :
– DISCRETE RANDOM VARIABLE
VARIABEL RANDOMVARIABEL RANDOM
Suatu variabel yang hanya mempunyai nilai pada titik tertentu. Contoh : x = 0, 1, 2, 3. Tidak ada nilai lain yang dapat dilihat.
– CONTINUOUS RANDOM VARIABLESuatu variabel dapat mempunyai nilai pada suatu rangetertentu. Contoh : y > 10, dimana mungkin didapatkan nilai y = 11,294 ataupun y = 11.
4
STATISTIKA INDUSTRI ‐ JURUSAN TEKNIK INDUSTRI ‐ ITS
Contoh discrete random variable :– Mahasiswa/ i yang hadir tiap kuliah.
Sepeda motor yang parkir antara pukul 7 00 12 00
VARIABEL RANDOMVARIABEL RANDOM
– Sepeda motor yang parkir antara pukul 7.00 – 12.00.– Lamanya waktu yang diperlukan suatu reaksi kimia dengan
derajat ketelitian tertentu.
Contoh continuous random variable :– Jarak yang ditempuh sebuah mobil dengan bahan bakar 10 liter
bensin.– Berat seorang bayi yang baru lahir.– Lamanya waktu yang diperlukan suatu reaksi kimia.
STATISTIKA INDUSTRI ‐ JURUSAN TEKNIK INDUSTRI ‐ ITS
Ruang sampel discrete random variable banyaknya berhingga atausederetan anggota yang banyaknya sebanyak bilangan bulat.
VARIABEL RANDOMVARIABEL RANDOM
– Data dari cacah/ counting adalah diskrit. Contoh adalah jumlahbarang cacat
SEDANGKANRuang sampel continuous random variable banyaknya tak berhinggadan banyaknya sebanyak titik pada sepotong garis.
barang cacat.
– Data dari pengukuran biasanya adalah kontinyu. Contoh adalahtinggi, temperatur, jarak, dll.
5
STATISTIKA INDUSTRI ‐ JURUSAN TEKNIK INDUSTRI ‐ ITS
VARIABEL RANDOM didefinisikan sebagai :Fungsi bernilai real yang harganya berhubungan dengan kejadiansederhana dalam ruang sampelnya.
VARIABEL RANDOMVARIABEL RANDOM
g p y
CONTOH :– Jika kandungan mineral dalam beberapa ton air diukur dalam
gram per 1000 galon, maka nilai kandungan tersebut adalahvariabel random.
– Pelemparan mata uang sebanyak tiga kali, hasil yang mungkinmuncul dinyatakan dalamS {GGG GGA GAA GAG AGG AGA AAG AAA}S = {GGG, GGA, GAA, GAG, AGG, AGA, AAG, AAA}bila diperlukan adalah banyak gambar (G) yang muncul, makahasil numerik (kuantitatifnya)‐nya adalah 0, 1, 2, 3. Nilaitersebut merupakan variabel random.
STATISTIKA INDUSTRI ‐ JURUSAN TEKNIK INDUSTRI ‐ ITS
CONTOH :
Gambar dibawah menjelaskan variabel random dari suatu ruang l i t d X( ) d l h
VARIABEL RANDOMVARIABEL RANDOM
sampel yang mempunyai anggota c1, c2, c3, dan c4. X(c3) adalah variabel random yang menghubungkan nilai real 2,0 dengan elemen c3. Artinya c3 bernilai 2,0. Istilah random digunakan karena nilai dari hasil eksperimen c belum dapat dipastikan sebelumnya.
6
STATISTIKA INDUSTRI ‐ JURUSAN TEKNIK INDUSTRI ‐ ITS
Suatu variabel random dinyatakan dalam huruf besar, misalnya adalah X, sedangkan nilainya dinyatakan dalam huruf kecilnya, x.
VARIABEL RANDOMVARIABEL RANDOM
CONTOH 1 :
Sebuah kontraktor memiliki 4 buah mesin yang digunakan pada suatu proses produksi. Diramalkan mesin tersebut memiliki rata – rata usia pakai 10 tahun. Namun diharapkan setelah 10 tahun masin tersebut masih dapat berfungsi dengan baik. Jika X menyatakan keadaan mesin yang baik tentukan ruang sampel dari variabel random Xyang baik, tentukan ruang sampel dari variabel random X.
STATISTIKA INDUSTRI ‐ JURUSAN TEKNIK INDUSTRI ‐ ITS
PENYELESAIAN :
Kondisi mesin setelah 10 tahun masih BAIK dinotasikan B dan apabilatelah RUSAK dinotasikan R. Jika keempat mesin masih baik, maka
VARIABEL RANDOMVARIABEL RANDOM
telah RUSAK dinotasikan R. Jika keempat mesin masih baik, makaditulis BBBB, artinya x = 4. Bila satu mesin rusak, maka ditulis BBBR danx = 3. Kemungkinan mesin rusak adalah sbb :
KONDISI MESIN BIL. REALRRRR 0BBBR, BBRB, BRBB, RBBB 3BBRR, BRBR, RBBR, RBRB, RRBB, BRRB 2BRRR, RBRR, RRBR, RRRB 1BBBB 4
Dari tabel di atas, dapat disimpulkan bahwa nilai variabel random X adalah 0, 1, 2, 3, 4. Sehingga ruang sampelnya S={x/x= 0, 1, 2, 3, 4}
7
STATISTIKA INDUSTRI ‐ JURUSAN TEKNIK INDUSTRI ‐ ITS
CONTOH 2:
Asumsikan sebuah koin logam dilemparkan dua kali. Maka outcome yang mungkin dihasilkan adalah :
VARIABEL RANDOMVARIABEL RANDOM
MMMBBMBB
2110
OUTCOME
Jika diperhatikan jumlah muka yang muncul dalam setiap
eksperimen, maka outcome yang non – numerik tersebut dapat ditransformasikan ke
dalam nilai numerik
y g g
Diambil X = variabel random yang menyatakan jumlah muka yang muncul.
TITIK SAMPEL : MM MB BM BBX : 2 1 1 0
STATISTIKA INDUSTRI ‐ JURUSAN TEKNIK INDUSTRI ‐ ITS
CONTOH 3:
Dimisalkan volume lalu lintas dan kondisi jalan sepanjang 100 km hampirsama maka terdapat kecenderungan terjadinya kecelakaan disepanjang
VARIABEL RANDOMVARIABEL RANDOM
sama, maka terdapat kecenderungan terjadinya kecelakaan disepanjangjalan tersebut seragam. Jika X adalah variabel random yang nilainyamenyatakan jarak dari km 0 sampaisuatu titik tempat terjadinya kecelakaan.
MAKA :
Nilai variabel random X adalah setiap titik disepanjang km 0 sampai dengankm 100, dan dapat ditulis sbb : 0 ≤ x ≤ 100.
Sehingga didapatkan pula ruang sampel S = {x/ 0 ≤ x ≤ 100}Sehingga didapatkan pula ruang sampel S {x/ 0 ≤ x ≤ 100}
8
STATISTIKA INDUSTRI ‐ JURUSAN TEKNIK INDUSTRI ‐ ITS
DISTRIBUSI PROBABILITASDISTRIBUSI PROBABILITASPeluang terjadinya nilai variabel random X yang meliputi semua nilaiditentukan melalui distribusi peluang. Distribusi peluang suatu variabelrandom X adalah himpunan nilai peluang dari variabel random X yangrandom X adalah himpunan nilai peluang dari variabel random X yang ditampilkan dalam bentuk tabel dan atau gambar.
Nama lain dari distribusi probabilitas :
– Distribusi peluang
– Fungsi probabilitas
Fungsi peluang– Fungsi peluang
STATISTIKA INDUSTRI ‐ JURUSAN TEKNIK INDUSTRI ‐ ITS
CONTOH :
Asumsikan sebuah koin logam dilemparkan dua kali. Maka outcome yang mungkin dihasilkan adalah :
DISTRIBUSI PROBABILITASDISTRIBUSI PROBABILITAS
MMMBBMBB
2110
OUTCOME
Jika diperhatikan jumlah muka yang muncul dalam setiap
eksperimen, maka outcome yang non – numerik tersebut dapat ditransformasikan ke
dalam nilai numerik
yang mungkin dihasilkan adalah :
Diambil X = variabel random yang menyatakan jumlah muka yang muncul.
TITIK SAMPEL : MM MB BM BBX : 2 1 1 0
9
STATISTIKA INDUSTRI ‐ JURUSAN TEKNIK INDUSTRI ‐ ITS
Jika diasumsikan koin tersebut ideal. Maka kita memiliki :
SIMPLE EVENT TITIK SAMPEL X P(Ei)E1 MM 2 1/4
DISTRIBUSI PROBABILITASDISTRIBUSI PROBABILITAS
1 /E2 MB 1 1/4E3 BM 1 1/4E4 BB 0 1/4
Jika fungsi probabilitas atau distribusi probabilitas dinotasikan :
P(X=x) = f (x)
MAKA :Fungsi probabilitas atau distribusi probabilitas kasus ini adalah :
x 0 1 2f(x) 1/4 1/2 1/4
STATISTIKA INDUSTRI ‐ JURUSAN TEKNIK INDUSTRI ‐ ITS
MACAM MACAM –– MACAM DISTRIBUSI PROBABILITASMACAM DISTRIBUSI PROBABILITAS
Distribusi
Distribusi peluang
peluangdiskrit
Distribusi peluangp gkontinyu
10
STATISTIKA INDUSTRI ‐ JURUSAN TEKNIK INDUSTRI ‐ ITS
Distribusi binomial
MACAM MACAM –– MACAM DISTRIBUSI PROBABILITASMACAM DISTRIBUSI PROBABILITAS
Distribusi peluangdiskrit
Distribusi binomial -
Distribusi geometrik
Distribusi hipergeometrik
Distribusi poison
STATISTIKA INDUSTRI ‐ JURUSAN TEKNIK INDUSTRI ‐ ITS
Distribusi seragam
MACAM MACAM –– MACAM DISTRIBUSI PROBABILITASMACAM DISTRIBUSI PROBABILITAS
Distribusi gamma
Distribusi eksponensial
Distribusi weibull
Distribusi peluangkontinyu
Distribusi tipe beta
Distribusi normal