Materi dan Jadual Statistika (MMS 2401)
Tatap Muka
Pokok Bahasan
Sub Pokok Bahasan
1.
Statistika Deskriptif
1. 2. 3. 4.
2.
Statistika Deskriptif
1. Distribusi Frekuensi 2. Ukuran Tengah 3. Ukuran Dispersi
3.
Peluang dan Variabel Random
1. Kejadian dan Peluang 2. Variabel Random dan Distribusinya 3. Harga Harapan, Variansi dan Sifat-Sifatnya
4.
Distribusi Variabel Random Diskret dan Kontinu
1. Distribusi Variabel Random Diskret 2. Distribusi Variable Random Kontinu
Dr. Danardono, MPH
[email protected]
Program Studi Statistika Jurusan Matematika FMIPA UGM
Tentang perkuliahan MMS-2401 Peran Statistika Terminologi Representasi Grafik
MMS2401:Pendahuluan – p.1/231
Materi dan Jadual
Materi dan Jadual
5.
Distribusi Sampling Statistik
1. Distribusi Sampling Statistik untuk Rerata 2. Pendekatan Normal untuk Binomial
6.
Inferensi Statistik
1. Estimasi Parameter 2. Uji Hipotesis
7.
Inferensi Statistik Satu Populasi Sembarang
1. 2. 3. 4.
Inferensi Statistik Satu Populasi Normal
1. Interval konfidensi Untuk Mean 2. Uji Hipotesis Mean 3. Hubungan Interval Konfidensi dan uji Hipotesis
8.
Interval Konfidensi Untuk Mean Uji Hipotesa Mean Interval Konfidensi Untuk Proporsi Uji Hipotesis Proporsi
MMS2401:Pendahuluan – p.2/231
9.
Inferensi Statistik Dua Populasi Sembarang
1. Interval konfidensi Untuk Selisih Mean Dua Populasi 2. Uji Hipotesis Selisih Mean Dua populasi 3. Interval konfidensi Untuk Selisih Proporsi Dua Populasi 4. Uji Hipotesis Selisih Proporsi Dua populasi
10.
Inferensi Statistik Dua Populasi Normal
1. Interval Konfidensi Perbandingan Variansi Dua Populasi 2. Uji Hipotesis Perbandingan Variansi Dua Populasi 3. Interval konfidensi Selisih Mean Dua Populasi 4. Uji Hipotesis Selisih Mean Dua Populasi
11.
Analisis Variansi Satu Arah
1. Dasar-dasar ANAVA 2. Tabel ANAVA dan Uji F 3. Pembandingan Ganda
MMS2401:Pendahuluan – p.3/231
Materi dan Jadual 12.
Analisis Regresi Linear Sederhana
13.
Review dan Ringkasan
1. 2. 3. 4.
Data Penghasilan mingguan 40 buruh bangunan di suatu kota (dalam ribuan rupiah): 58 72 64 65 67 92 55 51 69 73 64 59 65 55 75 56 89 60 84 68 74 67 55 68 74 43 67 71 72 66 62 63 83 64 51 63 49 78 65 75
Dasar-dasar Model Regresi Estimasi Model regresi Analisis Korelasi Inferensi dalam Regresi
MMS2401:Data dan Skala Pengukuran – p.5/231
MMS2401:Pendahuluan – p.4/231
Data
Data
Hasil pengukuran keasaman (PH) dari 35 kolam di suatu daerah: 6,4 6,6 6,2 7,2 6,2 8,1 7,0 7,0 5,9 5,7 7,0 7,4 6,5 6,8 7,0 7,0 6,0 6,3 5,6 6,3 5,8 5,9 7,2 7,3 7,7 6,8 5,2 5,2 6,4 6,3 6,2 7,5 6,7 6,4 7,8
Tinggi (cm) dan berat badan (kg) 10 orang mahasiswa: Mahasiswa Tinggi Berat 1 170 70 2 162 65 3 169 59 4 165 62 5 171 67 6 170 65 7 168 60 8 163 61 9 166 63 10 172 64
MMS2401:Data dan Skala Pengukuran – p.6/231
MMS2401:Data dan Skala Pengukuran – p.7/231
Data
Skala Pengukuran
Banyaknya penjualan telepon seluler di suatu toko: Merek Banyak penjualan Sony-Ericsson 72 Motorola 60 Nokia 85 Samsung 54 LG 32 Siemens 64
Skala Nominal Ordinal Interval Rasio
Yang dapat ditentukan untuk dua pengamatan sembarang persamaan (klasifikasi) persamaan dan urutan persamaan, urutan dan jarak (satuan pengukuran) persamaan, urutan, jarak dan rasio (titik nol yang murni ada)
MMS2401:Data dan Skala Pengukuran – p.8/231
MMS2401:Data dan Skala Pengukuran – p.9/231
Skala Pengukuran
Statistika Deskriptif
Contoh:
Metode atau cara-cara yang digunakan untuk meringkas dan menyajikan data dalam bentuk tabel, grafik atau ringkasan numerik data.
Nominal: jenis pekerjaan, warna Ordinal: kepangkatan, tingkat pendidikan Interval: tahun kalender (Masehi, Hijriyah), temperatur (Celcius, Fahrenheit) Rasio: berat, panjang, isi
MMS2401:Data dan Skala Pengukuran – p.10/231
MMS2401:Representasi Data dan Ringkasan Numerik – p.11/231
Grafik Stem-and-leaf
Distribusi Frekuensi
Untuk menunjukkan bentuk distribusi data Data berupa angka dengan minimal dua digit Contoh (Data penghasilan buruh): 4 3 9 5 1 1 5 5 5 6 8 9 6 0 2 3 3 4 4 4 5 5 5 6 7 7 7 8 8 9 7 1 2 2 3 4 4 5 5 8 8 3 4 9 9 2 Stem= 10, Leaf = 1
Merupakan suatu tabel menunjukkan frekuensi kemunculan data atau frekuensi relatifnya yang berguna untuk meringkas data numerik maupun kategori. Untuk data diskret atau data kategori, banyaknya nilai yang dihitung kemunculannya biasanya sesuai dengan banyaknya nilai data yang berbeda dari data diskret atau kategori tersebut Untuk data kontinu, biasanya dibuat kelas interval 5-20 banyaknya.
MMS2401:Representasi Data dan Ringkasan Numerik – p.12/231
MMS2401:Representasi Data dan Ringkasan Numerik – p.13/231
Distribusi Frekuensi
Histogram
Contoh (Data penghasilan buruh): Kelas Frekuensi Frekuensi Relatif
Representasi grafik dari distribusi frekuensi data kontinu.
15 10 5
0,050 0,200 0,425 0,225 0,075 0,025
0
2 8 17 9 3 1
Contoh (Data penghasilan buruh):
Frekuensi
[40, 50) [50, 60) [60, 70) [70, 80) [80, 90) [90, 100)
Frekuensi Relatif Kumulatif 0,050 0,250 0,625 0,900 0,975 1,000
40
50
60
70
80
90
100
Penghasilan (ribu rupiah) MMS2401:Representasi Data dan Ringkasan Numerik – p.14/231
MMS2401:Representasi Data dan Ringkasan Numerik – p.15/231
Ogive Frekuensi Kumulatif
Representasi grafik dari distribusi frekuensi data kontinu dengan mengambil nilai tengah tiap kelas.
Plot frekuensi kumulatif dengan batas atas interval dari distribusi frekuensi.
Contoh (Data penghasilan buruh):
Contoh (Data penghasilan buruh):
30 20 0
10
Frekuensi Kumulatif
10 0
5
Frekuensi
15
40
Poligon Frekuensi
40
50
60
70
80
90
100
40
50
Penghasilan (ribu rupiah)
60
70
80
90
100
Penghasilan (ribu rupiah) MMS2401:Representasi Data dan Ringkasan Numerik – p.16/231
MMS2401:Representasi Data dan Ringkasan Numerik – p.17/231
Diagram Batang
Diagram Lingkaran
Representasi grafik dari distribusi frekuensi data diskret atau kategori.
Representasi grafik dari distribusi frekuensi data diskret atau kategori.
Contoh (Data telepon seluler):
Contoh (Data telepon seluler):
60
80
Motorola
20
40
Sony−Ericsson
0
Nokia
Sony−Ericsson
Motorola
Nokia
Samsung
LG
Siemens
Siemens Samsung LG MMS2401:Representasi Data dan Ringkasan Numerik – p.18/231
MMS2401:Representasi Data dan Ringkasan Numerik – p.19/231
Notasi Himpunan Data
Notasi Himpunan Data
Data statistik sering dilambangkan dengan huruf X , Y dilengkapi dengan indeks.
Data statistik sering dilambangkan dengan huruf X , Y dilengkapi dengan indeks. Contoh (Data penghasilan buruh): X : penghasilan mingguan buruh (dalam ribuan rupiah) X1 = 58; X2 = 72; X10 = 73; X40 = 75;
▽MMS2401:Representasi Data dan Ringkasan Numerik – p.20/231
Notasi Himpunan Data
▽MMS2401:Representasi Data dan Ringkasan Numerik – p.20/231
Notasi Sigma
Data statistik sering dilambangkan dengan huruf X , Y dilengkapi dengan indeks.
n X
Xi = X1 + X2 + . . . + Xn
i=1
Contoh (Data tinggi dan berat mahasiswa):
m n X X
X : tinggi mahasiswa (cm) Y : berat mahasiswa (kg)
Xij = X11 + X12 + . . . + Xnm
i=1 j=1
X1 = 170; Y1 = 70; X7 = 1683; Y7 = 60;
MMS2401:Representasi Data dan Ringkasan Numerik – p.20/231
MMS2401:Representasi Data dan Ringkasan Numerik – p.21/231
Notasi Sigma
Notasi Sigma
Beberapa aturan:
Beberapa aturan:
Jika Xi = k , k suatu konstan, maka n X
Jika Xi = k , k suatu konstan, maka n X
Xi = nk
i=1
Xi = nk
i=1
Jika k suatu konstan, maka n X
kXi = k
i=1
n X
▽MMS2401:Representasi Data dan Ringkasan Numerik – p.22/231
▽MMS2401:Representasi Data dan Ringkasan Numerik – p.22/231
Notasi Sigma
Ringkasan Numerik
Beberapa aturan:
Ringkasan Numerik atau statistik:
Jika Xi = k , k suatu konstan, maka n X
Data tunggal (tidak dikelompokkan), dengan n observasi dinotasikan sebagai
Xi = nk
x1 , x2 , . . . , xn
i=1
Data berkelompok (distribusi frekuensi), dengan k nilai tunggal dinotasikan sebagai
Jika k suatu konstan, maka n X
kXi = k
i=1
n X i=1
(Xi + Yi ) =
Xi
i=1
n X
x1 , x2 , . . . , xk
Xi
i=1
n X i=1
Xi +
yang masing-masing mempunyai frekuensi n X
f1 , f2 , . . . , fk
Yi
i=1
MMS2401:Representasi Data dan Ringkasan Numerik – p.22/231
dengan n =
Pk
i=1 fi
adalah total observasi MMS2401:Representasi Data dan Ringkasan Numerik – p.23/231
Mean Aritmetik
Mean Terbobot Misalkan wi ≥ 0 adalah bobot (weight) untuk data tunggal xi
Data tunggal: x ¯=
1 n
n X
xi
n X
1
x ¯ w = Pn
i=1
i=1 wi i=1
Data berkelompok:
w i xi
n
x ¯=
1X fi xi n i=1
MMS2401:Representasi Data dan Ringkasan Numerik – p.24/231
Variansi
MMS2401:Representasi Data dan Ringkasan Numerik – p.25/231
Variansi
Data tunggal:
Data berkelompok: s2 =
1 n−1
n X i=1
(xi − x ¯ )2
n
1 X s = fi (xi − x ¯ )2 n−1 2
i=1
atau n
1 X 2 s = (xi − n¯ x2 ) n−1 2
i=1
MMS2401:Representasi Data dan Ringkasan Numerik – p.26/231
atau n
s2 =
1 X (fi x2i − n¯ x2 ) n−1 i=1
MMS2401:Representasi Data dan Ringkasan Numerik – p.27/231
Konsep Peluang
Konsep Peluang
Statistika Inferensial: Mengambil kesimpulan, inferensi atau generalisasi tentang suatu populasi berdasarkan informasi yang diperoleh dari sampel.
Statistika Inferensial: Mengambil kesimpulan, inferensi atau generalisasi tentang suatu populasi berdasarkan informasi yang diperoleh dari sampel.
Peluang (probabilitas): Harga angka yang menunjukkan seberapa besar kemungkinan suatu peristiwa akan terjadi.
Peluang (probabilitas): Harga angka yang menunjukkan seberapa besar kemungkinan suatu peristiwa akan terjadi.
Konsep Peluang
Terminologi
Statistika Inferensial: Mengambil kesimpulan, inferensi atau generalisasi tentang suatu populasi berdasarkan informasi yang diperoleh dari sampel.
Eksperimen (percobaan, trial): Prosedur yang dijalankan pada kondisi yang sama dan dapat diamati hasilnya (outcome).
Peluang (probabilitas): Harga angka yang menunjukkan seberapa besar kemungkinan suatu peristiwa akan terjadi. sangat tidak mungkin
Peristiwa (kejadian, event): Himpunan bagian dari suatu ruang sampel.
sangat mungkin
0 tidak mungkin
Ruang sampel (semesta, universe: Himpunan semua hasil yang mungkin dari suatu eksperimen.
1 mungkin ya mungkin tidak
pasti
MMS2401:Peluang dan Variabel Random – p.28/231
MMS2401:Peluang dan Variabel Random – p.29/231
Contoh Eksperimen Eksperimen
:
Hasil Ruang sampel
: :
Peristiwa
:
Contoh Eksperimen
Pelemparan sebuah mata uang logam dua kali Sisi mata uang yang tampak S = {MM,MB,BM,BB} dengan M: sisi muka dan B: sisi belakang A = paling sedikit muncul satu belakang = {MB,BM,BB} B = muncul sisi yang sama = {MM,BB}
Eksperimen Hasil Ruang sampel
: : :
Peristiwa
:
Sebuah biji kedelai ditanam Tumbuh atau tidak tumbuh S = {tidak tumbuh, tumbuh} atau S = {0, 1} A = biji kedelai tumbuh = {1}
MMS2401:Peluang dan Variabel Random – p.30/231
Contoh Eksperimen Eksperimen
:
Hasil Ruang sampel
: :
Peristiwa
:
MMS2401:Peluang dan Variabel Random – p.31/231
Contoh Eksperimen
Pemilihan seorang mahasiswa secara random dan dicatat IPnya Bilangan antara 0 sampai dengan 4 S = {0 ≤ X ≤ 4 | X ∈ R} Himpunan bilangan real antara 0 sampai dengan 4 A = IP di atas 2 = {2 ≤ X ≤ 4 | X ∈ R} B = IP di bawah 1 = {0 ≤ X ≤ 1 | X ∈ R}
MMS2401:Peluang dan Variabel Random – p.32/231
Eksperimen Hasil Ruang sampel Peristiwa
: : : :
Sebuah dadu dilempar sekali
▽MMS2401:Peluang dan Variabel Random – p.33/231
Contoh Eksperimen Eksperimen Hasil Ruang sampel Peristiwa
: : : :
Contoh Eksperimen
Sebuah dadu dilempar sekali mata dadu 1, 2, 3, 4, 5, 6
Eksperimen Hasil Ruang sampel Peristiwa
: : : :
Sebuah dadu dilempar sekali mata dadu 1, 2, 3, 4, 5, 6 S = {1, 2, 3, 4, 5, 6}
▽MMS2401:Peluang dan Variabel Random – p.33/231
Contoh Eksperimen Eksperimen Hasil Ruang sampel Peristiwa
: : : :
▽MMS2401:Peluang dan Variabel Random – p.33/231
Contoh Eksperimen
Sebuah dadu dilempar sekali mata dadu 1, 2, 3, 4, 5, 6 S = {1, 2, 3, 4, 5, 6} A = muncul mata dadu genap
▽MMS2401:Peluang dan Variabel Random – p.33/231
Eksperimen Hasil Ruang sampel Peristiwa
: : : :
Sebuah dadu dilempar sekali mata dadu 1, 2, 3, 4, 5, 6 S = {1, 2, 3, 4, 5, 6} A = muncul mata dadu genap = {2, 4, 6}
▽MMS2401:Peluang dan Variabel Random – p.33/231
Contoh Eksperimen Eksperimen Hasil Ruang sampel Peristiwa
: : : :
Peluang Suatu Peristiwa
Sebuah dadu dilempar sekali mata dadu 1, 2, 3, 4, 5, 6 S = {1, 2, 3, 4, 5, 6} A = muncul mata dadu genap = {2, 4, 6} B = muncul mata dadu gasal = {1, 3, 5}
Definisi Klasik Dianggap tiap-tiap elemen ruang sampel S mempunyai peluang yang sama untuk terjadi. Peluang terjadinya peristiwa A, P (A) =
n(A) n(S)
dengan n(A) = banyaknya anggota dalam peristiwa A, dan n(S) = banyaknya anggota ruang sampel
MMS2401:Peluang dan Variabel Random – p.34/231
MMS2401:Peluang dan Variabel Random – p.33/231
Peluang Suatu Peristiwa
Peluang Suatu Peristiwa
Contoh (Definisi Klasik): Sebuah dadu dilempar sekali. S = {1, 2, 3, 4, 5, 6} dan n(S) = 6. Misal didefinisikan A : muncul mata dadu 3 dan B : muncul mata dadu bilangan prima A = {3} dan n(A) = 1 ; B = {2, 3, 5} dan n(B) = 3 dan 1 n(A) = P (A) = n(S) 6
Definisi Frekuensi Relatif Peluang suatu peristiwa ditentukan berdasarkan frekuensi kemunculannya
dan P (B) =
n(B) 3 1 = = n(S) 6 2
MMS2401:Peluang dan Variabel Random – p.35/231
Contoh: Seorang ahli tanaman ingin tahu berapa peluang tanaman yang dicangkoknya akan hidup setelah pencangkokan. Peluang hidup atau mati tanaman diperoleh dari pengalaman atau catatan pencangkokan tanaman yang sama sebelumnya dengan melihat frekuensi tanaman yang hidup atau mati.
MMS2401:Peluang dan Variabel Random – p.36/231
Peluang Suatu Peristiwa
Beberapa Ketentuan
Definisi Peluang Subyektif Peluang suatu peristiwa ditentukan berdasarkan penilaian subyektif Biasanya digunakan bila tidak ada catatan tentang frekuensi peristiwa yang ingin dihitung peluangnya dan tidak dapat pula digunakan definisi klasik. Contoh: - Peluang JK akan menjadi presiden. - Peluang Timnas sepakbola Indonesia akan menjadi juara dunia
0 ≤ P (A) ≤ 1
P (S) = 1 (peluang dari ruang sampel) P (∅) = 0 (peluang dari peristiwa yang tidak akan pernah terjadi) P (A) = 1 − P (Ac ) (aturan komplemen)
P (A ∪ B) = P (A) + P (B) − P (A ∩ B) (aturan penjumlahan) Bila A dan B adalah kejadian yang saling asing, A ∩ B = ∅, maka P (A ∪ B) = P (A) + P (B) P (B) = P (A ∩ B) + P (Ac ∩ B) A ∩ B dan Ac ∩ B saling asing
MMS2401:Peluang dan Variabel Random – p.37/231
MMS2401:Peluang dan Variabel Random – p.38/231
Peluang Bersyarat dan Independensi
Peluang Bersyarat dan Independensi
Peluang Bersyarat Diketahui A dan B dua peristiwa dari ruang sampel S , dan P (B) > 0, maka peluang bersyarat terjadinya A jika diketahui B telah terjadi, ditulis P (A | B), didefinisikan sebagai
Contoh (Peluang Bersyarat): Sepasang dadu dilempar bersama jika diketahui jumlah kedua mata dadu yang keluar adalah 6, hitunglah peluang bahwa satu diantara dua dadu tersebut adalah mata dadu 2. B = {jumlahan mata dadu adalah 6} = {(1, 5), (2, 4), (3, 3), (4, 2), (5, 1)} dan A = {mata dadu 2 muncul dari salah satu dadu} = {(2, 4), (4, 2)}
P (A | B) =
P (A ∩ B) P (B)
Independensi Dua kejadian A dan B disebut kejadian independen jika
P (A | B) =
n(A ∩ B) 2 = n(B) 5
P (A ∩ B) = P (A).P (B)
MMS2401:Peluang dan Variabel Random – p.39/231
MMS2401:Peluang dan Variabel Random – p.40/231
Peluang Bersyarat dan Independensi
Peluang Bersyarat dan Independensi
Contoh (Peluang Bersyarat): Peluang suatu penerbangan yang telah terjadwal teratur berangkat tepat waktu adalah P (A) = 0,83; peluang sampai tepat waktu adalah P (B) = 0,82; peluang berangkat dan sampai tepat waktu adalah P (A ∩ B) = 0,78. Peluang bahwa suatu pesawat sampai tepat waktu jika diketahui berangkat tepat waktu adalah
Contoh (independensi): Suatu kota kecil mempunyai satu unit mobil pemadam kebakaran dan satu ambulans yang bekerja saling independen untuk keadaan darurat. Peluang mobil kebakaran siap saat diperlukan adalah 0,98. Peluang ambulans siap waktu diperlukan adalah 0,92. Dalam suatu kejadian kebakaran gedung, hitung peluang keduanya siap. Misalkan A dan B menyatakan kejadian mobil pemadam kebakaran dan ambulans siap. Karena A dan B independen, peluang mobil pemadam kebakaran dan ambulans siap :
P (B | A) =
P (A ∩ B) 0, 78 = 0,94 = P (A) 0,83
Peluang bahwa suatu pesawat berangkat tepat waktu jika diketahui sampai tempat waktu adalah P (A | B) =
P (A ∩ B) = P (A).P (B) = 0,98 × 0,92 = 0,9016
P (A ∩ B) 0,78 = 0,95 = P (B) 0,82 MMS2401:Peluang dan Variabel Random – p.41/231
MMS2401:Peluang dan Variabel Random – p.42/231
Variabel Random
Variabel Random
Variabel random adalah suatu cara memberi harga angka kepada setiap elemen ruang sampel, atau suatu fungsi bernilai real yang harganya ditentukan oleh setiap elemen dalam ruang sampel
Contoh (variabel random) S BBB
Contoh: Eksperimen (proses random) melemparkan uang logam tiga kali, S = {BBB, BBM, BMB, MBB, BMM, MBM, MMB, MMM}. Didefinisikan variabel random X : banyak M (muka) muncul dalam pelemparan uang logam tiga kali.
BBM BMB MBB BMM MBM MMB MMM
MMS2401:Peluang dan Variabel Random – p.43/231
R 0
1
2
3
MMS2401:Peluang dan Variabel Random – p.44/231
Peluang dan Variabel Random
Variabel Random
Contoh (variabel random)
Contoh (variabel random):
S
X:S→R
BBB
R
S BBB
0
BBM BMB
BMM
BMB
MMB
BMM
2
MBM MMB
3
MMM
1
MBB
2
MBM
R 0
BBM
1
MBB
X:S→R
3
MMM
MMS2401:Peluang dan Variabel Random – p.45/231
MMS2401:Peluang dan Variabel Random – p.46/231
Variabel Random
Variabel Random
Contoh (variabel random):
Contoh (variabel random):
S BBB BBM BMB MBB BMM MBM MMB MMM
X:S→R
R
S BBB
0
BBM BMB
1
MBB BMM
2
MBM MMB
3
MMM
MMS2401:Peluang dan Variabel Random – p.47/231
X:S→R
R 0
1
2
3
MMS2401:Peluang dan Variabel Random – p.48/231
Variabel Random
Jenis Variabel Random
Contoh (variabel random):
Variabel random diskret: Suatu variabel random yang hanya dapat menjalani harga-harga yang berbeda yang berhingga banyaknya (sama banyaknya dengan bilangan bulat)
S
X:S→R
R
BBB
Variabel random kontinu: Suatu variabel random yang dapat menjalani setiap harga dalam suatu interval (tak berhingga banyaknya)
0
BBM BMB
1
MBB BMM
Distribusi Peluang: Model matematik yang menghubungkan semua nilai variabel random dengan peluang terjadinya nilai tersebut dalam ruang sampel. Distribusi peluang dapat direpresentasikan dalam bentuk fungsi, tabel, atau grafik. Distribusi peluang dapat dianggap sebagai frekuensi relatif jangka panjang.
2
MBM MMB
3
MMM
MMS2401:Peluang dan Variabel Random – p.50/231
MMS2401:Peluang dan Variabel Random – p.49/231
Variabel Random Diskret
Variabel Random Diskret
Distribusi Peluang Diskret Fungsi f (x) disebut sebagai fungsi peluang dari variabel random diskret X , jika untuk setiap harga x yang mungkin :
Distribusi Peluang Diskret Distribusi peluang X dalam bentuk tabel: Harga X P (X = x) = f (x) x1 P1 x2 P2 ... ... xk Pk
1. f (x) ≥ 0 P 2. x f (x) = 1
Peluang untuk nilai x tertentu: P (X = x) = f (x)
Distribusi kumulatif F (x) F (x) = P (X ≤ x) =
X
f (t)
t≤x
MMS2401:Peluang dan Variabel Random – p.51/231
MMS2401:Peluang dan Variabel Random – p.52/231
Variabel Random Diskret
Variabel Random Kontinu
Contoh Distribusi banyaknya sisi muka yang muncul dalam pelemparan mata uang logam tiga kali. Harga X P (X = x) = f (x) 0 1/8 1 3/8 2 3/8 3 1/8 P P (x) = 1
Distribusi Peluang Kontinu (Fungsi Densitas) Distribusi peluang untuk variabel random kontinu. Fungsi f (x) disebut sebagai fungsi densitas peluang dari variabel random kontinu X , jika untuk setiap harga x yang mungkin : 1. f (x) ≥ 0 R∞ 2. −∞ f (x)dx = 1
Nilai peluang untuk interval tertentu Z b P (a ≤ X ≤ b) = f (x)dx a
Distribusi kumulatif F(x) F (x) = P (X ≤ x) =
Z
x
f (u)du −∞ MMS2401:Peluang dan Variabel Random – p.54/231
MMS2401:Peluang dan Variabel Random – p.53/231
Variabel Random Kontinu
Harga harapan dan Variansi
Contoh Fungsi densitas suatu variabel random X
Harga Harapan (Ekspektasi, Expected Value)
f (x) =
(
x 2
0
untuk 0 < x < 2 untuk x yang lain
E(X) =
P x xf (x)
R ∞ xf (x)dx −∞
bila X diskret bila X kontinu
E(X) sering ditulis sebagai µX atau µ
Variansi (Variance) Var(X) = E(X − µ)2
= E(X 2 ) − µ2
MMS2401:Peluang dan Variabel Random – p.55/231
MMS2401:Peluang dan Variabel Random – p.56/231
Harga harapan dan Variansi
Distribusi Bernoulli
Sifat-sifat Harga Harapan
Eksperimen Bernoulli Eksperimen dengan hanya dua hasil yang mungkin Contoh
E(aX + b) = aE(X) + b, a, b konstan E [g(X) + h(X)] = E [g(X)] + E [h(X)]
melempar mata uang logam satu kali Mengamati telur ayam, apakah anak ayam itu jantan atau betina
Sifat-sifat Variansi Var(aX + b) = a2 Var(X), a, b konstan
Mengamati kedelai yang ditanam, tumbuh atau tidak Reaksi obat pada tikus, positif atau negatif
Deviasi standar (akar dari variansi): p σX = Var(X)
MMS2401:Peluang dan Variabel Random – p.57/231
MMS2401:Variabel Random Diskret dan Kontinu – p.58/231
Distribusi Bernoulli
Distribusi Bernoulli
Sifat-sifat Eksperimen Bernoulli
Distribusi Peluang Bernoulli
tiap usaha (trial) menghasilkan satu dari dua hasil yang mungkin, dinamakan sukses (S ) dan gagal (G); peluang sukses, P (S) = p dan peluang gagal P (G) = 1 − p, atau P (G) = q ;
P (X = x; p) = px (1 − p)1−x ,
dengan x = 0, 1 (gagal, sukses) dan p adalah peluang mendapatkan hasil sukses.
usaha-usaha tersebut independen
MMS2401:Variabel Random Diskret dan Kontinu – p.59/231
MMS2401:Variabel Random Diskret dan Kontinu – p.60/231
Distribusi Binomial
Distribusi Binomial Eksperimen Bernoulli dengan n usaha dan X : banyaknya sukses dalam n usaha tersebut.
Binomial dengan n = 6, p = 0, 5
0.25
x = 0, 1, 2, . . . , n
0.20
n x P (X = x; n, p) = p (1 − p)n−x , x
0.30
Distribusi Binomial
0.00
0.05
0.10
0.15
Mean dan variansi E(X) = np; Var(X) = np(1 − p)
0
1
2
3
4
5
MMS2401:Variabel Random Diskret dan Kontinu – p.62/231
MMS2401:Variabel Random Diskret dan Kontinu – p.61/231
Distribusi Binomial
Binomial dengan n = 6, p = 0, 2
Binomial dengan n = 6, p = 0, 8
0.2 0.1 0.0
0.0
0.1
0.2
0.3
Distribusi Binomial
0.3
6
0
1
2
3
4
5
6
MMS2401:Variabel Random Diskret dan Kontinu – p.63/231
0
1
2
3
4
5
6
MMS2401:Variabel Random Diskret dan Kontinu – p.64/231
Distribusi Binomial
Distribusi Binomial
Contoh:
Contoh:
Suatu uang logam yang baik (seimbang) dilempar 4 kali. X adalah banyaknya muka muncul dalam 4 kali pelemparan tersebut. Pelemparan dipandang sebagai usaha, dan sukses adalah muka muncul. X merupakan variabel random binomial dengan n = 4 dan p = 1/2 dengan distribusi peluang:
Suatu uang logam yang baik (seimbang) dilempar 4 kali. X adalah banyaknya muka muncul dalam 4 kali pelemparan tersebut. Pelemparan dipandang sebagai usaha, dan sukses adalah muka muncul. X merupakan variabel random binomial dengan n = 4 dan p = 1/2 dengan distribusi peluang:
1 P (X = x; 4, ) = 2
x 1 4 1 (1 − )4−x , 2 2 x
x = 0, 1, 2, 3, 4
1 P (X = x; 4, ) = 2
x 1 4 1 (1 − )4−x , 2 2 x
x = 0, 1, 2, 3, 4
Peluang muka muncul dua kali, X = 2 1 P (X = 2; 4, ) 2
= =
2 4 1 1 (1 − )4−2 2 2 2 3 8 ▽MMS2401:Variabel Random Diskret dan Kontinu – p.65/231
▽MMS2401:Variabel Random Diskret dan Kontinu – p.65/231
Distribusi Binomial
Distribusi Hipergeometrik
Contoh:
Eksperimen hipergeometrik:
Suatu uang logam yang baik (seimbang) dilempar 4 kali. X adalah banyaknya muka muncul dalam 4 kali pelemparan tersebut. Pelemparan dipandang sebagai usaha, dan sukses adalah muka muncul. X merupakan variabel random binomial dengan n = 4 dan p = 1/2 dengan distribusi peluang: 1 P (X = x; 4, ) = 2
x 4 1 1 (1 − )4−x , 2 2 x
Dalam populasi berukuran N sebanyak k dinamakan sukses sedangkan sisanya N − k dinamakan gagal sampel berukuran n diambil dari N benda
Cara pengambilan sampel tanpa pengembalian
x = 0, 1, 2, 3, 4
Peluang muka muncul paling tidak dua kali, X ≥ 2 1 P (X ≥ 2; 4, ) 2
=
P (X = 2) + P (X = 3) + P (X = 4)
=
11 16 MMS2401:Variabel Random Diskret dan Kontinu – p.65/231
MMS2401:Variabel Random Diskret dan Kontinu – p.66/231
Distribusi Hipergeometrik
Distribusi Hipergeometrik
Distribusi peluang:
Contoh:
P (X = x; N, n, k) =
k x
N −k n−x N n
,
x = 0, 1, 2, . . . , min(n, k)
Suatu kotak berisi 40 suku cadang dengan 3 rusak. Sampel berukuran 5 diambil sekaligus dari kotak. Pengambilan sampel ini adalah suatu eksperimen hipergeometrik dengan X adalah banyaknya suku cadang rusak, N = 40, n = 5 dan k = 3 dengan distribusi peluang:
Mean dan Variansi: −n E(X) = n Nk ; Var(X) = n nk NN−k N N −1
P (X = x; 40, 5, 3) =
3 x
37 5−x 40 5
,
x = 0, 1, 2, 3
▽MMS2401:Variabel Random Diskret dan Kontinu – p.68/231
MMS2401:Variabel Random Diskret dan Kontinu – p.67/231
Distribusi Hipergeometrik
Distribusi Hipergeometrik
Contoh:
Contoh:
Suatu kotak berisi 40 suku cadang dengan 3 rusak. Sampel berukuran 5 diambil sekaligus dari kotak. Pengambilan sampel ini adalah suatu eksperimen hipergeometrik dengan X adalah banyaknya suku cadang rusak, N = 40, n = 5 dan k = 3 dengan distribusi peluang:
Suatu kotak berisi 40 suku cadang dengan 3 rusak. Sampel berukuran 5 diambil sekaligus dari kotak. Pengambilan sampel ini adalah suatu eksperimen hipergeometrik dengan X adalah banyaknya suku cadang rusak, N = 40, n = 5 dan k = 3 dengan distribusi peluang:
P (X = x; 40, 5, 3) =
3 x
37 5−x 40 5
,
x = 0, 1, 2, 3
Peluang ditemukan satu suku cadang rusak dalam pengambilan sampel tersebut P (X = 1; 40, 5, 3)
=
3 1
37 4 40 5
= 0, 3011
▽MMS2401:Variabel Random Diskret dan Kontinu – p.68/231
P (X = x; 40, 5, 3) =
3 x
37 5−x 40 5
,
x = 0, 1, 2, 3
Peluang ditemukan paling tidak satu suku cadang rusak dalam pengambilan sampel tersebut P (X ≥ 1; 40, 5, 3) =
P (X = 1) + P (X = 2) + P (X = 3)
=
0, 301 + 0, 0354 + 0, 0010
=
0, 3376 MMS2401:Variabel Random Diskret dan Kontinu – p.68/231
Distribusi Poisson
Distribusi Poisson
Sifat-sifat eksperimen Poisson:
Distribusi Peluang Poisson
banyaknya sukses terjadi dalam suatu selang waktu atau daerah tertentu tidak terpengaruh (bebas) dari apa yang terjadi pada interval waktu atau daerah yang lain, peluang terjadinya sukses dalam interval waktu yang singkat atau daerah yang sempit sebanding dengan panjang interval waktu, atau luas daerah dan tidak tergantung pada banyaknya sukses yang terjadi di luar interval waktu atau daerah tersebut,
X adalah banyaknya sukses dalam eksperimen Poisson, yang mempunyai distribusi probabilitas P (X = x; λ) =
e−λ λx , x!
x = 0, 1, 2, . . .
Mean dan Variansi: E(X) = λ ; Var(X) = λ
peluang terjadinya lebih dari satu sukses dalam interval waktu yang singkat atau daerah yang sempit tersebut dapat diabaikan.
MMS2401:Variabel Random Diskret dan Kontinu – p.70/231
MMS2401:Variabel Random Diskret dan Kontinu – p.69/231
Distribusi Poisson
Poisson dengan λ = 2
Poisson dengan λ = 5
0.00
0.00
0.05
0.05
0.10
0.15
0.10
0.20
0.15
0.25
Distribusi Poisson
0
1
2
3
4
5
6
7
8
9
10
MMS2401:Variabel Random Diskret dan Kontinu – p.71/231
0
1
2
3
4
5
6
7
8
9
11
13
15
MMS2401:Variabel Random Diskret dan Kontinu – p.72/231
Distribusi Poisson
Poisson dengan λ = 8
Contoh: Rata-rata banyaknya partikel radioaktif yang melewati suatu counter selama 1 milidetik dalam suatu percobaan di laboratorium adalah 4. Peluang 6 partikel melewati counter dalam suatu milidetik tertentu adalah
0.10
0.12
Distribusi Poisson
e−4 4x = 0, 1042 6!
0.00
0.02
0.04
0.06
0.08
P (X = 6; λ = 4) =
0
2
4
6
8
10
12
14
16
18
20
MMS2401:Variabel Random Diskret dan Kontinu – p.73/231
MMS2401:Variabel Random Diskret dan Kontinu – p.74/231
Distribusi Normal
Distribusi Normal
Distribusi Normal dengan mean E(X) = µ dan variansi Var(X) = σ 2 mempunyai fungsi peluang,
Distribusi Normal dengan mean E(X) = µ dan variansi Var(X) = σ 2 (ditulis N (µ, σ 2 )) mempunyai fungsi peluang,
f (x; µ, σ 2 ) = √
1 2πσ 2
e−
(x−µ)2 2σ 2
,
−∞ < x < ∞
dan −∞ < µ < ∞, σ 2 > 0
f (x; µ, σ 2 ) = √
1 2πσ 2
e−
(x−µ)2 2σ 2
,
−∞ < x < ∞
dengan −∞ < µ < ∞, σ 2 > 0, π = 3, 141593 . . . dan e = 2, 718282 . . . Distribusi Normal standar: distribusi Normal dengan mean 0 dan variansi 1, ditulis N (0, 1)
MMS2401:Variabel Random Diskret dan Kontinu – p.75/231
MMS2401:Variabel Random Diskret dan Kontinu – p.76/231
Distribusi Normal
Distribusi Normal
Kurva Normal
Kurva Normal
-∞ Sumbu x : −∞ < x < ∞
∞
-∞ Sumbu x : −∞ < x < ∞ Fungsi peluang (sumbu y ): f (x; µ, σ 2 ) = √
1 2πσ 2
Distribusi Normal
Distribusi Normal
Kurva Normal
Kurva Normal
-∞ Sifat-sifat:
∞
-∞ Sifat-sifat:
∞
e−
(x−µ)2 2σ 2
,
−∞ < x < ∞
µ
simetris terhadap sumbu vertikal melalui µ,
∞
Distribusi Normal
Distribusi Normal
Kurva Normal
Kurva Normal
-∞ Sifat-sifat:
∞
-∞ Sifat-sifat:
µ
∞
simetris terhadap sumbu vertikal melalui µ,
simetris terhadap sumbu vertikal melalui µ,
memotong sumbu mendatar (sumbu x) secara asimtotis,
memotong sumbu mendatar (sumbu x) secara asimtotis, harga modus (maksimum) terletak pada x = µ,
Distribusi Normal
Distribusi Normal
Kurva Normal
Kurva Normal
-∞ Sifat-sifat:
µ−σ
µ
µ+σ
∞
-∞ Sifat-sifat:
µ
∞
simetris terhadap sumbu vertikal melalui µ,
simetris terhadap sumbu vertikal melalui µ,
memotong sumbu mendatar (sumbu x) secara asimtotis,
memotong sumbu mendatar (sumbu x) secara asimtotis,
harga modus (maksimum) terletak pada x = µ,
harga modus (maksimum) terletak pada x = µ,
mempunyai titik belok pada x = µ ± σ ,
mempunyai titik belok pada x = µ ± σ , luas kurva Normal sama dengan 1.
MMS2401:Variabel Random Diskret dan Kontinu – p.77/231
Distribusi Normal
Distribusi Normal
Luasan di bawah Kurva Normal
Luasan di bawah Kurva Normal
L
L b
b
Luasan kurva di bawah kurva normal sampai batas b: L=
Z
b −∞
√
1 2πσ 2
e−
(x−µ)2 2σ 2
Dapat dihitung menggunakan tabel Normal Standar dengan terlebih dahulu mentransformasikan skala X ∼ N (µ, σ 2 ) ke Z ∼ N (0, 1), X −µ Z= σ
dx
▽MMS2401:Variabel Random Diskret dan Kontinu – p.78/231
▽MMS2401:Variabel Random Diskret dan Kontinu – p.78/231
Distribusi Normal
Distribusi Normal
Luasan di bawah Kurva Normal
Luasan di bawah Kurva Normal
L
L x = 76
X−b σ z
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
-3,4 -3,3 ...
Contoh 1: Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12, N (60, 122 ) Hitunglah luas kurva Normal mulai ekor paling kiri (−∞) sampai 76
0,0 ... 3,3 3,4 MMS2401:Variabel Random Diskret dan Kontinu – p.78/231
▽MMS2401:Variabel Random Diskret dan Kontinu – p.79/231
Distribusi Normal
Distribusi Normal
Luasan di bawah Kurva Normal
Luasan di bawah Kurva Normal
L
L Z = 1, 33
Z = 1, 33
Contoh 1: transformasi dari X ke Z,
Contoh 1: z
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
...
Z
X −µ σ 76 − 60 12 1, 33
= = =
0,0 ... 1,3
▽MMS2401:Variabel Random Diskret dan Kontinu – p.79/231
▽MMS2401:Variabel Random Diskret dan Kontinu – p.79/231
Distribusi Normal
Distribusi Normal
Luasan di bawah Kurva Normal
Luasan di bawah Kurva Normal
L = 0, 9082
L
Z = 1, 33
60
Contoh 1: z
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
... 0,0
76
Contoh 2: Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12, N (60, 122 ) Hitunglah luas kurva Normal antara 60 sampai 76
... 1,3
0,9082
MMS2401:Variabel Random Diskret dan Kontinu – p.79/231
▽MMS2401:Variabel Random Diskret dan Kontinu – p.80/231
Distribusi Normal
Distribusi Normal
Luasan di bawah Kurva Normal
Luasan di bawah Kurva Normal
L 0 Contoh 2: transformasi dari X = 60 ke Z, Z
= = =
L2 = 0, 9082
1, 33 transformasi dari X = 76 ke Z,
X −µ σ 60 − 60 12 0
1, 33
0
Z
= = =
Contoh 2:
X −µ σ 76 − 60 12 1, 33
L
= =
L2 − L1
0, 9082 − L1
▽MMS2401:Variabel Random Diskret dan Kontinu – p.80/231
▽MMS2401:Variabel Random Diskret dan Kontinu – p.80/231
Distribusi Normal
Distribusi Normal
Luasan di bawah Kurva Normal
Luasan di bawah Kurva Normal
L
L1 = 0, 5
0
1, 33
0
Contoh 2:
1, 33
Contoh 2:
L
= =
L2 − L1
L
0, 9082 − 0, 5
▽MMS2401:Variabel Random Diskret dan Kontinu – p.80/231
=
L2 − L1
=
0, 9082 − 0, 5
=
0, 4082
MMS2401:Variabel Random Diskret dan Kontinu – p.80/231
Distribusi Normal
Distribusi Normal
Luasan di bawah Kurva Normal
Luasan di bawah Kurva Normal
L
68
L
84
Contoh 3: Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12, N (60, 122 ). Hitunglah luas kurva Normal antara 68 sampai 84.
68
Contoh 3: Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12, N (60, 122 ). Hitunglah luas kurva Normal antara 68 sampai 84. L = P (68 ≤ X ≤ 84)
▽MMS2401:Variabel Random Diskret dan Kontinu – p.81/231
▽MMS2401:Variabel Random Diskret dan Kontinu – p.81/231
Distribusi Normal
Distribusi Normal
Luasan di bawah Kurva Normal
Luasan di bawah Kurva Normal
L1
L
0, 67
84
2, 00
Contoh 3: Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12, N (60, 122 ). Hitunglah luas kurva Normal antara 68 sampai 84. L = P (68 ≤ X ≤ 84) = P (0, 67 ≤ Z ≤ 2, 00)
▽MMS2401:Variabel Random Diskret dan Kontinu – p.81/231
0, 67
2, 00
Contoh 3: Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12, N (60, 122 ). Hitunglah luas kurva Normal antara 68 sampai 84. L = P (68 ≤ X ≤ 84) = P (0, 67 ≤ Z ≤ 2, 00) = P (−∞ < Z ≤ 2, 00) − P (−∞ < Z ≤ 0, 67)
▽MMS2401:Variabel Random Diskret dan Kontinu – p.81/231
Distribusi Normal
Distribusi Normal
Luasan di bawah Kurva Normal
Luasan di bawah Kurva Normal
L1
L2
0, 67
2, 00
Contoh 3: Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12, N (60, 122 ). Hitunglah luas kurva Normal antara 68 sampai 84. L = P (68 ≤ X ≤ 84) = P (0, 67 ≤ Z ≤ 2, 00) = 0, 9772 − P (−∞ < Z ≤ 0, 67)
0, 67
Contoh 3: Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12, N (60, 122 ). Hitunglah luas kurva Normal antara 68 sampai 84. L = P (68 ≤ X ≤ 84) = P (0, 67 ≤ Z ≤ 2, 00) = 0, 9772 − P (−∞ < Z ≤ 0, 67)
▽MMS2401:Variabel Random Diskret dan Kontinu – p.81/231
▽MMS2401:Variabel Random Diskret dan Kontinu – p.81/231
Distribusi Normal
Distribusi Normal
Luasan di bawah Kurva Normal
Luasan di bawah Kurva Normal
L2
2, 00
L
0, 67
2, 00
Contoh 3: Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12, N (60, 122 ). Hitunglah luas kurva Normal antara 68 sampai 84. L = P (68 ≤ X ≤ 84) = P (0, 67 ≤ Z ≤ 2, 00) = 0, 9772 − 0, 7486
▽MMS2401:Variabel Random Diskret dan Kontinu – p.81/231
0, 67
2, 00
Contoh 3: Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12, N (60, 122 ). Hitunglah luas kurva Normal antara 68 sampai 84. L = P (68 ≤ X ≤ 84) = P (0, 67 ≤ Z ≤ 2, 00) = 0, 2286
MMS2401:Variabel Random Diskret dan Kontinu – p.81/231
Distribusi Normal
Distribusi Normal
Luasan di bawah Kurva Normal
Luasan di bawah Kurva Normal
1, 5
1, 5
Contoh 4: Diketahui N (0, 1), hitunglah P (Z ≥ 1, 5).
Contoh 4: Diketahui N (0, 1), hitunglah P (Z ≥ 1, 5). P (Z ≥ 1, 5) = 1 − P (−∞ ≤ Z ≤ 1, 5)
Distribusi Normal
Distribusi Normal
Luasan di bawah Kurva Normal
Luasan di bawah Kurva Normal
1, 5 Contoh 4: Diketahui N (0, 1), hitunglah P (Z ≥ 1, 5). P (Z ≥ 1, 5) = 1 − P (−∞ ≤ Z ≤ 1, 5)
1, 5 Contoh 4: Diketahui N (0, 1), hitunglah P (Z ≥ 1, 5). P (Z ≥ 1, 5) = 1 − P (−∞ ≤ Z ≤ 1, 5) = 1 − 0, 9332 = 0, 0668
MMS2401:Variabel Random Diskret dan Kontinu – p.82/231
Distribusi Normal
Distribusi Normal
Luasan di bawah Kurva Normal
Luasan di bawah Kurva Normal
X ∼ N (µ, σ 2 )
−3
−2
−1
0
1
2
3
Z ∼ N (0, 1)
X ∼ N (µ, σ 2 )
µ
−3
−2
−1
0
1
2
▽MMS2401:Variabel Random Diskret dan Kontinu – p.83/231
Distribusi Normal
Luasan di bawah Kurva Normal
Luasan di bawah Kurva Normal
−3
−2
µ
µ+σ
−1
0
1
X ∼ N (µ, σ 2 )
2
3
Z ∼ N (0, 1)
▽MMS2401:Variabel Random Diskret dan Kontinu – p.83/231
Z ∼ N (0, 1)
▽MMS2401:Variabel Random Diskret dan Kontinu – p.83/231
Distribusi Normal
µ−σ
3
µ − 2σ µ − σ
−3
−2
−1
µ
0
X ∼ N (µ, σ 2 )
µ + σ µ + 2σ
1
2
3
Z ∼ N (0, 1)
▽MMS2401:Variabel Random Diskret dan Kontinu – p.83/231
Distribusi Normal
Distribusi Normal
Luasan di bawah Kurva Normal
Luasan di bawah Kurva Normal
68% µ
µ − 3σ µ − 2σ µ − σ
−3
−2
−1
0
µ + σ µ + 2σ µ + 3σ
1
2
3
X ∼ N (µ, σ 2 ) Z ∼ N (0, 1)
µ
µ − 3σ µ − 2σ µ − σ
−3
−2
−1
0
µ + σ µ + 2σ µ + 3σ
1
2
▽MMS2401:Variabel Random Diskret dan Kontinu – p.83/231
Distribusi Normal
Luasan di bawah Kurva Normal
Luasan di bawah Kurva Normal
95%
−3
−2
−1
µ
0
Z ∼ N (0, 1)
▽MMS2401:Variabel Random Diskret dan Kontinu – p.83/231
Distribusi Normal
µ − 3σ µ − 2σ µ − σ
3
X ∼ N (µ, σ 2 )
99% µ + σ µ + 2σ µ + 3σ
1
2
3
X∼
N (µ, σ 2 )
Z ∼ N (0, 1)
▽MMS2401:Variabel Random Diskret dan Kontinu – p.83/231
µ − 3σ µ − 2σ µ − σ
−3
−2
−1
µ
0
µ + σ µ + 2σ µ + 3σ
1
2
3
X ∼ N (µ, σ 2 ) Z ∼ N (0, 1)
MMS2401:Variabel Random Diskret dan Kontinu – p.83/231
Distribusi Normal
Distribusi Normal
Contoh 5: Nilai-nilai ujian seleksi penerimaan mahasiswa baru secara nasional dianggap berdistribusi Normal dengan mean 45 dan deviasi standar 13. Jika hanya 32,5% calon mahasiswa yang akan diterima, berapakah nilai terendah calon mahasiswa yang diterima?
Contoh 5: Nilai-nilai ujian seleksi penerimaan mahasiswa baru secara nasional dianggap berdistribusi Normal dengan mean 45 dan deviasi standar 13. Jika hanya 32,5% calon mahasiswa yang akan diterima, berapakah nilai terendah calon mahasiswa yang diterima? 0,325
▽MMS2401:Variabel Random Diskret dan Kontinu – p.84/231
Distribusi Normal
Distribusi Normal
Contoh 5: Nilai-nilai ujian seleksi penerimaan mahasiswa baru secara nasional dianggap berdistribusi Normal dengan mean 45 dan deviasi standar 13. Jika hanya 32,5% calon mahasiswa yang akan diterima, berapakah nilai terendah calon mahasiswa yang diterima?
Contoh 5: Nilai-nilai ujian seleksi penerimaan mahasiswa baru secara nasional dianggap berdistribusi Normal dengan mean 45 dan deviasi standar 13. Jika hanya 32,5% calon mahasiswa yang akan diterima, berapakah nilai terendah calon mahasiswa yang diterima?
0,325
X =?
0,325
X ∼ N (45, 132 )
X =?
X ∼ N (45, 132 ) Z ∼ N (0, 1)
▽MMS2401:Variabel Random Diskret dan Kontinu – p.84/231
▽MMS2401:Variabel Random Diskret dan Kontinu – p.84/231
Distribusi Normal
Distribusi Normal
Contoh 5: Nilai-nilai ujian seleksi penerimaan mahasiswa baru secara nasional dianggap berdistribusi Normal dengan mean 45 dan deviasi standar 13. Jika hanya 32,5% calon mahasiswa yang akan diterima, berapakah nilai terendah calon mahasiswa yang diterima?
Contoh 5: Nilai-nilai ujian seleksi penerimaan mahasiswa baru secara nasional dianggap berdistribusi Normal dengan mean 45 dan deviasi standar 13. Jika hanya 32,5% calon mahasiswa yang akan diterima, berapakah nilai terendah calon mahasiswa yang diterima?
0,325
0,325
X ∼ N (45, 132 )
X =?
Z ∼ N (0, 1)
Z = 0, 45
X = 13 × 0, 45 + 45 Z = 0, 45
▽MMS2401:Variabel Random Diskret dan Kontinu – p.84/231
X ∼ N (45, 132 ) Z ∼ N (0, 1)
▽MMS2401:Variabel Random Diskret dan Kontinu – p.84/231
Distribusi Normal
Distribusi Sampling Statistik
Contoh 5: Nilai-nilai ujian seleksi penerimaan mahasiswa baru secara nasional dianggap berdistribusi Normal dengan mean 45 dan deviasi standar 13. Jika hanya 32,5% calon mahasiswa yang akan diterima, berapakah nilai terendah calon mahasiswa yang diterima?
Populasi: himpunan keseluruhan obyek yang diamati.
0,325
50, 85 Z = 0, 45
Sampel: himpunan bagian dari populasi. Sampel Random: sampel yang diperoleh dengan cara pengambilan sampel sedemikian sehingga setiap elemen populasi mempunyai kemungkinan yang sama untuk terambil. Parameter: suatu harga (numerik) yang dihitung dari populasi, memberi deskripsi/karakteristik pada populasi.
X ∼ N (45, 132 )
Statistik: suatu harga (numerik) yang dihitung dari sampel. Distribusi sampling statistik: distribusi peluang suatu statistik.
Z ∼ N (0, 1)
MMS2401:Variabel Random Diskret dan Kontinu – p.84/231
MMS2401:Distribusi Sampling – p.85/231
Distribusi Sampling Statistik
Distribusi Sampling Statistik
Populasi
Populasi
X1 , X2 , . . . , XN
X1 , X2 , . . . , XN
µ
σ2
µ
σ2
Sampel 1 X1 , X2 , . . . , Xn ¯1 X S2 1
▽MMS2401:Distribusi Sampling – p.86/231
Distribusi Sampling Statistik
▽MMS2401:Distribusi Sampling – p.86/231
Distribusi Sampling Statistik
Populasi
Populasi
X1 , X2 , . . . , XN
X1 , X2 , . . . , XN
µ
σ2
µ
Sampel 1
Sampel 2
Sampel 1
Sampel 2
X1 , X2 , . . . , Xn ¯1 X S2
X1 , X2 , . . . , Xn ¯2 X S2
X1 , X2 , . . . , Xn ¯1 X S2
X1 , X2 , . . . , Xn ¯2 X S2
1
2
1
▽MMS2401:Distribusi Sampling – p.86/231
σ2
.......
2
▽MMS2401:Distribusi Sampling – p.86/231
Distribusi Sampling Statistik
Distribusi Sampling Statistik Contoh:
Populasi Populasi
X1 , X2 , . . . , XN µ
Sampel 1
Sampel 2
X1 , X2 , . . . , Xn ¯1 X S2
X1 , X2 , . . . , Xn ¯2 X S2
1
{2, 4, 3}, N = 3
σ2
Sampel M X1 , X2 , . . . , Xn ¯M X S2
.......
2
Sampel 1 {2, 2}, n = 2 ¯1 = 2 X
Sampel 2 {2, 3}, n = 2 ¯ 2 = 2, 5 X
Sampel 3 {2, 4}, n = 2 ¯3 = 3 X
Sampel 4 {3, 2}, n = 2 ¯ 4 = 2, 5 X
Sampel 5 {3, 3}, n = 2 ¯5 = 3 X
M
Sampel 6 {3, 4}, n = 2 ¯ 6 = 3, 5 X
Sampel 7 {4, 2}, n = 2 ¯7 = 3 X
Sampel 8 {4, 3}, n = 2 ¯ 8 = 3, 5 X
Sampel 9 {4, 4}, n = 2 ¯9 = 4 X
Sampling dengan pengembalian ⇒ M = N n = 32 = 9 MMS2401:Distribusi Sampling – p.86/231
Distribusi Sampling Statistik
Distribusi Sampling Statistik
Contoh:
Contoh: Populasi {2, 4, 3}, N = 3
Sampel 1 {2, 2}, n = 2 ¯1 = 2 X
Sampel 2 {2, 3}, n = 2 ¯ 2 = 2, 5 X
Sampel 6 {3, 4}, n = 2 ¯ 6 = 3, 5 X
x
P (X = x)
2
1/3
3
1/3
4 1/3 Sampel 3 Sampel 4 Sampel 5 = 33}, n = 2 E(X) = (2 +2 3 + 4) 31 {3, {2, 4}, n = 2 {3, 2}, n= ¯3 = 3 ¯ 4 = 2, 5 ¯5 = 3 X X X Var(X) = (22 + 32 + 42 ) 13 − 32 =2/3 Sampel 7 {4, 2}, n = 2 ¯7 = 3 X
Populasi
Distribusi peluang
Sampel 8 {4, 3}, n = 2 ¯ 8 = 3, 5 X
Sampel 9 {4, 4}, n = 2 ¯9 = 4 X
Sampling dengan pengembalian ⇒ M = N n = 32 = 9
{2, 4, 3}, N = 3
µ = 3, σ 2 = 2/3
Sampel 1 {2, 2}, n = 2 ¯1 = 2 X
Distribusi Sampling Statistik
Distribusi Sampling Statistik
Contoh:
Contoh: Populasi
Populasi
{2, 4, 3}, N = 3
{2, 4, 3}, N = 3
µ = 3, σ 2 = 2/3
Sampel 1 {2, 2}, n = 2 ¯1 = 2 X
µ = 3, σ 2 = 2/3
Sampel 2 {2, 3}, n = 2 ¯ 2 = 2, 5 X
Sampel 1 {2, 2}, n = 2 ¯1 = 2 X
Sampel 2 {2, 3}, n = 2 ¯ 2 = 2, 5 X
Sampel 3 {2, 4}, n = 2 ¯3 = 3 X
Distribusi Sampling Statistik
Distribusi Sampling Statistik
Contoh:
Contoh: Populasi
Populasi
{2, 4, 3}, N = 3
{2, 4, 3}, N = 3
µ = 3, σ 2 = 2/3
Sampel 1 {2, 2}, n = 2 ¯1 = 2 X
Sampel 2 {2, 3}, n = 2 ¯ 2 = 2, 5 X
Sampel 3 {2, 4}, n = 2 ¯3 = 3 X
µ = 3, σ 2 = 2/3
Sampel 4 {3, 2}, n = 2 ¯ 4 = 2, 5 X
Sampel 1 {2, 2}, n = 2 ¯1 = 2 X
Sampel 2 {2, 3}, n = 2 ¯ 2 = 2, 5 X
Sampel 3 {2, 4}, n = 2 ¯3 = 3 X
Sampel 4 {3, 2}, n = 2 ¯ 4 = 2, 5 X
Sampel 5 {3, 3}, n = 2 ¯5 = 3 X
Distribusi Sampling Statistik
Distribusi Sampling Statistik
Contoh:
Contoh: Populasi
Populasi
{2, 4, 3}, N = 3
{2, 4, 3}, N = 3
µ = 3, σ 2 = 2/3
Sampel 1 {2, 2}, n = 2 ¯1 = 2 X
Sampel 2 {2, 3}, n = 2 ¯ 2 = 2, 5 X
Sampel 3 {2, 4}, n = 2 ¯3 = 3 X
µ = 3, σ 2 = 2/3
Sampel 4 {3, 2}, n = 2 ¯ 4 = 2, 5 X
Sampel 5 {3, 3}, n = 2 ¯5 = 3 X
Sampel 6 {3, 4}, n = 2 ¯ 6 = 3, 5 X
Sampel 1 {2, 2}, n = 2 ¯1 = 2 X
Sampel 2 {2, 3}, n = 2 ¯ 2 = 2, 5 X
Sampel 6 {3, 4}, n = 2 ¯ 6 = 3, 5 X
Sampel 3 {2, 4}, n = 2 ¯3 = 3 X
Distribusi Sampling Statistik
Contoh:
Contoh: Populasi {2, 4, 3}, N = 3
Sampel 6 {3, 4}, n = 2 ¯ 6 = 3, 5 X
Sampel 3 {2, 4}, n = 2 ¯3 = 3 X
Sampel 7 {4, 2}, n = 2 ¯7 = 3 X
Sampel 4 {3, 2}, n = 2 ¯ 4 = 2, 5 X
Sampel 5 {3, 3}, n = 2 ¯5 = 3 X
Populasi {2, 4, 3}, N = 3
µ = 3, σ 2 = 2/3
Sampel 2 {2, 3}, n = 2 ¯ 2 = 2, 5 X
Sampel 5 {3, 3}, n = 2 ¯5 = 3 X
Sampel 7 {4, 2}, n = 2 ¯7 = 3 X
Distribusi Sampling Statistik
Sampel 1 {2, 2}, n = 2 ¯1 = 2 X
Sampel 4 {3, 2}, n = 2 ¯ 4 = 2, 5 X
µ = 3, σ 2 = 2/3
Sampel 4 {3, 2}, n = 2 ¯ 4 = 2, 5 X
Sampel 8 {4, 3}, n = 2 ¯ 8 = 3, 5 X
Sampel 5 {3, 3}, n = 2 ¯5 = 3 X
Sampel 1 {2, 2}, n = 2 ¯1 = 2 X
Sampel 2 {2, 3}, n = 2 ¯ 2 = 2, 5 X
Sampel 6 {3, 4}, n = 2 ¯ 6 = 3, 5 X
Sampel 3 {2, 4}, n = 2 ¯3 = 3 X
Sampel 7 {4, 2}, n = 2 ¯7 = 3 X
Sampling dengan pengembalian
Sampel 8 {4, 3}, n = 2 ¯ 8 = 3, 5 X
Sampel 9 {4, 4}, n = 2 ¯9 = 4 X
Distribusi Sampling Statistik
Distribusi Sampling Statistik
Contoh:
Contoh: Populasi
Populasi
{2, 4, 3}, N = 3
{2, 4, 3}, N = 3
µ = 3, σ 2 = 2/3
Sampel 1 {2, 2}, n = 2 ¯1 = 2 X
Sampel 2 {2, 3}, n = 2 ¯ 2 = 2, 5 X
Sampel 6 {3, 4}, n = 2 ¯ 6 = 3, 5 X
Sampel 3 {2, 4}, n = 2 ¯3 = 3 X
Sampel 7 {4, 2}, n = 2 ¯7 = 3 X
µ = 3, σ 2 = 2/3
Sampel 4 {3, 2}, n = 2 ¯ 4 = 2, 5 X
Sampel 8 {4, 3}, n = 2 ¯ 8 = 3, 5 X
Sampel 5 {3, 3}, n = 2 ¯5 = 3 X
x ¯ 2,0 2,5 3,0 3,5 4,0
¯ =x P (X ¯) 1/9 2/9 3/9 2/9 1/9
Sampel 9 {4, 4}, n = 2 ¯9 = 4 X
Sampling dengan pengembalian ⇒ M = N n = 32 = 9
Sampling dengan pengembalian
MMS2401:Distribusi Sampling – p.87/231
▽MMS2401:Distribusi Sampling – p.88/231
Distribusi Sampling Statistik
Distribusi Sampling Statistik
Contoh:
Sampling dengan pengembalian Untuk sampel berukuran n dari populasi berukuran N dengan ¯: mean µ dan variansi σ 2 , mean dan variansi dari statistik X
Populasi {2, 4, 3}, N = 3
µ = 3, σ 2 = 2/3
x ¯ 2,0 2,5 3,0 3,5 4,0
¯ =µ µX¯ = E(X) σ2 2 ¯ σX = Var( X) = ¯ n
¯ =x P (X ¯) 1/9 2/9 3/9 2/9 1/9
¯ = 2( 1 ) + 2, 5( 2 ) + 3( 3 ) + 3, 5( 2 ) + 4( 1 ) = 3 µX ¯ = E(X) 9 9 9 9 9 2 = Var(X) ¯ = 22 ( 1 ) + 2, 52 ( 2 ) + 32 ( 3 ) + 3, 52 ( 2 ) + 42 ( 1 ) − 32 = 1/3 σX ¯ 9 9 9 9 9
Sampling dengan pengembalian MMS2401:Distribusi Sampling – p.88/231
MMS2401:Distribusi Sampling – p.89/231
Distribusi Sampling Statistik
Distribusi Sampling Statistik
Contoh:
Contoh: Populasi
Populasi
{2, 4, 3}, N = 3
{2, 4, 3}, N = 3
µ = 3, σ 2 = 2/3
µ = 3, σ 2 = 2/3
Sampel 1 {2, 3}, n = 2 ¯ 2 = 2, 5 X
Distribusi Sampling Statistik
Distribusi Sampling Statistik
Contoh:
Contoh: Populasi
Populasi
{2, 4, 3}, N = 3
{2, 4, 3}, N = 3
µ = 3, σ 2 = 2/3
Sampel 1 {2, 3}, n = 2 ¯ 2 = 2, 5 X
Sampel 2 {2, 4}, n = 2 ¯2 = 3 X
µ = 3, σ 2 = 2/3
Sampel 1 {2, 3}, n = 2 ¯ 2 = 2, 5 X
Sampel 2 {2, 4}, n = 2 ¯2 = 3 X
Sampling tanpa pengembalian
Sampel 3 {3, 4}, n = 2 ¯ 3 = 3, 5 X
Distribusi Sampling Statistik
Distribusi Sampling Statistik
Contoh:
Contoh: Populasi
Populasi
{2, 4, 3}, N = 3
{2, 4, 3}, N = 3
µ = 3, σ 2 = 2/3
Sampel 1 {2, 3}, n = 2 ¯ 2 = 2, 5 X
µ = 3, σ 2 = 2/3
Sampel 2 {2, 4}, n = 2 ¯2 = 3 X
Sampling tanpa pengembalian ⇒ M =
Sampel 3 {3, 4}, n = 2 ¯ 3 = 3, 5 X
N n
=
3 2
=3
x ¯ 2,5 3,0 3,5
¯ =x P (X ¯) 1/3 1/3 1/3
Sampling tanpa pengembalian ▽MMS2401:Distribusi Sampling – p.91/231
MMS2401:Distribusi Sampling – p.90/231
Distribusi Sampling Statistik
Distribusi Sampling Statistik
Contoh:
Sampling tanpa pengembalian Untuk sampel berukuran n dari populasi berukuran N dengan ¯: mean µ dan variansi σ 2 , mean dan variansi dari statistik X
Populasi {2, 4, 3}, N = 3
µ = 3, σ 2 = 2/3
x ¯ 2,5 3,0 3,5
¯ =µ µX¯ = E(X) σ2 N − n 2 ¯ σX = Var( X) = ¯ n N −1
¯ =x P (X ¯) 1/3 1/3 1/3
¯ =) + 2, 5( 1 ) + 3( 1 ) + 3, 5( 1 ) = 3 µX ¯ = E(X) 3 3 3 ¯ =) + 2, 52 ( 1 ) + 32 ( 1 ) + 3, 52 ( 1 ) − 32 = 1/6 µX ¯ = Var(X) 3 3 3
Sampling tanpa pengembalian MMS2401:Distribusi Sampling – p.91/231
MMS2401:Distribusi Sampling – p.92/231
Distribusi Sampling Statistik
Distribusi Sampling Statistik
Sifat-sifat Distribusi Sampling untuk Mean
Sifat-sifat Distribusi Sampling untuk Mean
Sifat 1: Apabila sampel-sampel random dengan n elemen masing-masing diambil dari suatu populasi yang mempunyai mean µ dan variansi σ 2 , maka distribusi sampling mean akan mempunyai mean µX¯ = µ dan 2 = σ 2 /n. variansi σX ¯
Sifat 3 (Teorema Limit Pusat): Apabila sampel-sampel random diambil dari suatu populasi yang berdistribusi sembarang, yang mempunyai mean µ dan variansi σ 2 , maka untuk n besar, distribusi sampling untuk mean dapat dianggap mendekati Normal dengan µX¯ = µ dan variansi 2 = σ 2 /n, sehingga σX ¯
Sifat 2: Apabila populasi (dalam sifat 1) berdistribusi Normal, maka distribusi sampling untuk mean juga berdistribusi Normal.
Z=
¯ −µ X √ σ/ n
mendekati Normal Standar.
MMS2401:Distribusi Sampling – p.93/231
MMS2401:Distribusi Sampling – p.94/231
Distribusi Sampling Statistik
Distribusi Sampling Statistik
Contoh 1:
Contoh 1:
Seorang peneliti di bidang pertanian akan meneliti hasil dari suatu varietas padi di Indonesia. Akan diteliti 5 tanah pertanian tersebar di seluruh Indonesia yang dapat ditanami padi tersebut.
Seorang peneliti di bidang pertanian akan meneliti hasil dari suatu varietas padi di Indonesia. Akan diteliti 5 tanah pertanian tersebar di seluruh Indonesia yang dapat ditanami padi tersebut. Populasi untuk masalah ini adalah hasil padi jenis tersebut yang diperoleh dari seluruh tanah pertanian di Indonesia.
▽MMS2401:Distribusi Sampling – p.95/231
▽MMS2401:Distribusi Sampling – p.95/231
Distribusi Sampling Statistik
Distribusi Sampling Statistik
Contoh 1:
Contoh 1:
Seorang peneliti di bidang pertanian akan meneliti hasil dari suatu varietas padi di Indonesia. Akan diteliti 5 tanah pertanian tersebar di seluruh Indonesia yang dapat ditanami padi tersebut.
Seorang peneliti di bidang pertanian akan meneliti hasil dari suatu varietas padi di Indonesia. Akan diteliti 5 tanah pertanian tersebar di seluruh Indonesia yang dapat ditanami padi tersebut.
Sampel untuk masalah ini adalah hasil padi yang diperoleh dari 5 tanah pertanian yang terpilih. Sampel ini akan merupakan sampel random jika, setiap tanah pertanian di Indonesia mempunyai peluang yang sama untuk terpilih ; dan pemilihan satu tanah pertanian tidak mempengaruhi atau dipengaruhi pemilihan tanah yang lain.
Sampel untuk masalah ini adalah hasil padi yang diperoleh dari 5 tanah pertanian yang terpilih. Sampel ini akan merupakan sampel random jika, setiap tanah pertanian di Indonesia mempunyai peluang yang sama untuk terpilih ; dan pemilihan satu tanah pertanian tidak mempengaruhi atau dipengaruhi pemilihan tanah yang lain. Hal ini dapat dilakukan dengan mendaftar terlebih dahulu semua tanah pertanian di Indonesia dan diberi nomor identitas, kemudian dipilih 5 tanah pertanian secara random berdasarkan nomor identitas (misalnya dengan tabel bilangan random).
▽MMS2401:Distribusi Sampling – p.95/231
MMS2401:Distribusi Sampling – p.95/231
Distribusi Sampling Statistik
Distribusi Sampling Statistik
Contoh 2:
Contoh 2:
Suatu sampel random berukuran 40 diambil dari suatu populasi dengan mean 41,4 dan variansi 84,64. Hitung peluang bahwa mean sampel itu terletak antara 40 dan 45. Anggap ukuran populasinya sangat besar relatif terhadap ukuran sampel.
Suatu sampel random berukuran 40 diambil dari suatu populasi dengan mean 41,4 dan variansi 84,64. Hitung peluang bahwa mean sampel itu terletak antara 40 dan 45. Anggap ukuran populasinya sangat besar relatif terhadap ukuran sampel. ¯ mempunyai Berdasarkan Sifat 1, distribusi sampling untuk mean (X) ¯ ¯ mean (E(X), harga harapan): µX¯ = µ = 41, 4 dan variansi (Var(X)): σX¯ = σ 2 /n = 84, 64/40 = 2, 116.
Distribusi Sampling Statistik
Distribusi Sampling Statistik
Contoh 2:
Contoh 2:
Suatu sampel random berukuran 40 diambil dari suatu populasi dengan mean 41,4 dan variansi 84,64. Hitung peluang bahwa mean sampel itu terletak antara 40 dan 45. Anggap ukuran populasinya sangat besar relatif terhadap ukuran sampel.
Suatu sampel random berukuran 40 diambil dari suatu populasi dengan mean 41,4 dan variansi 84,64. Hitung peluang bahwa mean sampel itu terletak antara 40 dan 45. Anggap ukuran populasinya sangat besar relatif terhadap ukuran sampel.
¯ mempunyai Berdasarkan Sifat 1, distribusi sampling untuk mean (X) ¯ ¯ mean (E(X), harga harapan): µX¯ = µ = 41, 4 dan variansi (Var(X)): 2 σX¯ = σ /n = 84, 64/40 = 2, 116.
¯ mempunyai Berdasarkan Sifat 1, distribusi sampling untuk mean (X) ¯ ¯ mean (E(X), harga harapan): µX¯ = µ = 41, 4 dan variansi (Var(X)): 2 σX¯ = σ /n = 84, 64/40 = 2, 116.
Ukuran sampel n = 40 cukup besar untuk berlakunya Sifat 3,
Ukuran sampel n = 40 cukup besar untuk berlakunya Sifat 3,
40
45
¯ ∼ N (µ; σ 2 /n) X Z ∼ N (0, 1) ▽MMS2401:Distribusi Sampling – p.96/231
Distribusi Sampling Statistik
Distribusi Sampling Statistik
Contoh 2:
Contoh 2:
Suatu sampel random berukuran 40 diambil dari suatu populasi dengan mean 41,4 dan variansi 84,64. Hitung peluang bahwa mean sampel itu terletak antara 40 dan 45. Anggap ukuran populasinya sangat besar relatif terhadap ukuran sampel.
Suatu sampel random berukuran 40 diambil dari suatu populasi dengan mean 41,4 dan variansi 84,64. Hitung peluang bahwa mean sampel itu terletak antara 40 dan 45. Anggap ukuran populasinya sangat besar relatif terhadap ukuran sampel.
¯ mempunyai Berdasarkan Sifat 1, distribusi sampling untuk mean (X) ¯ ¯ mean (E(X), harga harapan): µX¯ = µ = 41, 4 dan variansi (Var(X)): σX¯ = σ 2 /n = 84, 64/40 = 2, 116.
¯ mempunyai Berdasarkan Sifat 1, distribusi sampling untuk mean (X) ¯ ¯ mean (E(X), harga harapan): µX¯ = µ = 41, 4 dan variansi (Var(X)): σX¯ = σ 2 /n = 84, 64/40 = 2, 116.
Ukuran sampel n = 40 cukup besar untuk berlakunya Sifat 3,
Ukuran sampel n = 40 cukup besar untuk berlakunya Sifat 3,
0, 8274 40
45
−0, 97
2, 48
¯ ∼ N (41, 4; 2, 116) X Z ∼ N (0, 1) ▽MMS2401:Distribusi Sampling – p.96/231
40
45
−0, 97
2, 48
¯ ∼ N (41, 4; 2, 116) X Z ∼ N (0, 1) MMS2401:Distribusi Sampling – p.96/231
Distribusi Sampling Statistik
Distribusi Sampling Statistik
Contoh 3:
Contoh 3:
Diketahui suatu populasi dengan mean 82 dan deviasi standar 12.
Diketahui suatu populasi dengan mean 82 dan deviasi standar 12.
a. Jika suatu sampel random berukuran 64 diambil, berapa peluang bahwa mean sampel akan terletak antara 80,8 dan 83,2 ?
a. Jika suatu sampel random berukuran 64 diambil, berapa peluang bahwa mean sampel akan terletak antara 80,8 dan 83,2 ? Karena n = 64 cukup besar, dapat digunakan Teorema limit ¯ akan mendekati normal dengan pusat (sifat 3). Distribusi X √ mean µX¯ = 82 dan deviasi standar σX¯ = 12/ 64 = 1, 5 ¯ ¯ ≤ 83, 2) dapat dihitung melalui Z = X−82 P (80, 8 ≤ X 1,5 ¯ ≤ 83, 2) P (80, 8 ≤ X
= = =
80, 8 − 82 83, 2 − 82 ≤Z≤ ) 1, 5 1, 5 P (−0, 8 ≤ Z ≤ 0, 8) P(
0, 5762
MMS2401:Distribusi Sampling – p.98/231
MMS2401:Distribusi Sampling – p.97/231
Distribusi Sampling Statistik
Distribusi Sampling Statistik
Contoh 3:
Contoh 3:
Diketahui suatu populasi dengan mean 82 dan deviasi standar 12.
Diketahui suatu populasi dengan mean 82 dan deviasi standar 12.
b. Berapa probabilitasnya jika ukuran sampel random 100 ?
b. Berapa probabilitasnya jika ukuran sampel random 100 ? Untuk √ n = 100, σX¯ = 12/ 100 = 1, 2 ¯ ≤ 83, 2) P (80, 8 ≤ X
= = =
MMS2401:Distribusi Sampling – p.99/231
80, 8 − 82 83, 2 − 82 ≤Z≤ ) 1, 2 1, 2 P (−1, 0 ≤ Z ≤ 1, 0)
P(
0, 6826
MMS2401:Distribusi Sampling – p.100/231
Pendekatan Normal untuk Binomial
Teorema Bila X adalah variabel random binomial dengan mean µ = np dan variansi σ 2 = npq , maka untuk n besar
Binomial(n = 10, p = 0, 5) → Normal
0.20
X − np Z= √ npq
0.25
Pendekatan Normal untuk Binomial
0.00
0.05
0.10
0.15
merupakan variabel random normal standar.
0
2
4
6
8
10
MMS2401:Distribusi Sampling – p.101/231
MMS2401:Distribusi Sampling – p.102/231
Pendekatan Normal untuk Binomial
Binomial(n = 10, p = 0, 5) → Normal
Binomial(n = 100, p = 0, 5) → Normal
0.00
0.00
0.05
0.02
0.10
0.04
0.15
0.06
0.20
0.08
0.25
Pendekatan Normal untuk Binomial
0
2
4
6
8
10
30
MMS2401:Distribusi Sampling – p.103/231
40
50
60
70
MMS2401:Distribusi Sampling – p.104/231
Peluang vs. Inferensi
Binomial(n = 100, p = 0, 5) → Normal
Permasalahan dalam peluang
0.00
0.02
0.04
0.06
0.08
Pendekatan Normal untuk Binomial
30
40
50
60
70
MMS2401:Distribusi Sampling – p.105/231
▽MMS2401:Inferensi Statistik – p.106/231
Peluang vs. Inferensi
Peluang vs. Inferensi
Permasalahan dalam peluang
Permasalahan dalam peluang
Berapa peluang mendapatkan satu bola hitam dalam satu pengambilan
?
▽MMS2401:Inferensi Statistik – p.106/231
MMS2401:Inferensi Statistik – p.106/231
Peluang vs. Inferensi
Peluang vs. Inferensi
Permasalahan dalam inferensi
Permasalahan dalam inferensi
▽MMS2401:Inferensi Statistik – p.107/231
▽MMS2401:Inferensi Statistik – p.107/231
Peluang vs. Inferensi
Terminologi dalam Inferensi
Permasalahan dalam inferensi
Inferensi statistik: pengambilan kesimpulan tentang parameter populasi berdasarkan analisis pada sampel Konsep-konsep inferensi statistik: estimasi titik, estimasi interval dan uji hipotesis Estimasi parameter: Menduga nilai parameter populasi berdasarkan data/statistik.
?
Estimasi titik: Menduga nilai tunggal parameter populasi. ¯ Misalnya parameter µ diduga dengan statistik X Estimasi interval: Menduga nilai parameter populasi dalam bentuk interval. Misalnya diduga dengan suatu interval A≤µ≤B
Bagaimana karakteristik populasi berdasarkan sampel
MMS2401:Inferensi Statistik – p.107/231
MMS2401:Inferensi Statistik – p.108/231
Estimator
Estimasi Interval
Contoh: estimator titik untuk mean µ
Contoh: Diketahui variabel random Normal X dengan mean E(X) = µ dan Var(X) = 1. Maka (X − µ) akan berdistribusi Normal standar.
rata-rata n
X ¯= 1 X Xi n i=1
Median rata-rata dua harga ekstrim Xmin + Xmaks 2
Z ∼ N (0, 1)
MMS2401:Inferensi Statistik – p.109/231
▽MMS2401:Inferensi Statistik – p.110/231
Estimasi Interval
Estimasi Interval
Contoh: Diketahui variabel random Normal X dengan mean E(X) = µ dan Var(X) = 1. Maka (X − µ) akan berdistribusi Normal standar.
Contoh: Diketahui variabel random Normal X dengan mean E(X) = µ dan Var(X) = 1. Maka (X − µ) akan berdistribusi Normal standar.
68% X − 0, 99
95% X + 0, 99
Z ∼ N (0, 1)
Interval Konfidensi (estimasi interval) 68%
X − 1, 96
X + 1, 96
Z ∼ N (0, 1)
Interval Konfidensi (estimasi interval) 95%
▽MMS2401:Inferensi Statistik – p.110/231
▽MMS2401:Inferensi Statistik – p.110/231
Estimasi Interval
Uji Hipotesis
Contoh: Diketahui variabel random Normal X dengan mean E(X) = µ dan Var(X) = 1. Maka (X − µ) akan berdistribusi Normal standar.
Uji hipotesis: suatu proses untuk menentukan apakah dugaan tentang nilai parameter/karakteristik populasi didukung kuat oleh data sampel atau tidak Hipotesis penelitian: hipotesis tentang pernyataan dari hasil penelitian yang akan dilakukan Hipotesis Statistik: suatu pernyataan tentang parameter populasi
99% X − 2, 58
X + 2, 58
Z ∼ N (0, 1)
Interval Konfidensi (estimasi interval) 99%
MMS2401:Inferensi Statistik – p.110/231
MMS2401:Inferensi Statistik – p.111/231
Uji Hipotesis
Uji Hipotesis
Hipotesis nol (H0 ). Hipotesis yang akan diuji oleh suatu prosedur statistik, biasanya berupa suatu pernyataan tidak adanya perbedaan atau tidak adanya hubungan. Pernyataan nol dapat diartikan bahwa pernyataan tetang parameter tidak didukung secara kuat oleh data.
Tipe Kesalahan dalam Uji Hipotesis
Hipotesis alternatif (H1 ). Hipotesis yang merupakan lawan dari H0 , biasanya berupa pernyataan tentang adanya perbedaan atau adanya hubungan. H1 digunakan untuk menunjukkan bahwa pernyataan mendapat dukungan kuat dari data. Logika Uji Hipotesis. Tidak dapat dibuktikan bahwa suatu hipotesis itu benar, tapi dapat dibuktikan bahwa suatu hipotesis itu salah.
MMS2401:Inferensi Statistik – p.112/231
Keputusan Uji H0 tidak ditolak H0 ditolak
Kenyataan H0 benar H0 salah benar salah (Tipe II) salah (Tipe I) benar
Uji Hipotesis
Uji Hipotesis
Tipe Kesalahan dalam Uji Hipotesis
Tipe Kesalahan dalam Uji Hipotesis
Keputusan Uji H0 tidak ditolak H0 ditolak
Kenyataan H0 benar H0 salah benar salah (Tipe II) salah (Tipe I) benar
Peluang melakukan kesalahan tipe I P (menolak H0 yang benar) = α
Keputusan Uji H0 tidak ditolak H0 ditolak
Kenyataan H0 benar H0 salah benar salah (Tipe II) salah (Tipe I) benar
Peluang melakukan kesalahan tipe I P (menolak H0 yang benar) = α Peluang melakukan kesalahan tipe II P (tidak menolak H0 yang salah) = β
MMS2401:Inferensi Statistik – p.113/231
Uji Hipotesis
Uji Hipotesis
Daerah penolakan (Daerah kritik): himpunan (daerah) harga-harga dimana H0 ditolak
Tahap-tahap Uji Hipotesis Secara umum
Statistik Penguji: statistik atau variabel random yang digunakan untuk menentukan apakah H0 ditolak atau tidak ditolak. Bila statistik penguji masuk dalam daerah penolakan maka H0 ditolak, sebaliknya jika tidak maka H0 tidak ditolak.
1. Tentukan model probabilitas yang cocok dari data 2. Tentukan Hipotesis H0 dan H1 3. Tentukan Statistik Penguji, yang harus merupakan fungsi dari data dan tidak memuat parameter yang tidak diketahui 4. Tentukan tingkat signifikansi 5. Tentukan daerah kritik berdasarkan tingkat signifikansi 6. Hitung Statistik Penguji, apakah masuk daerah kritik atau tidak 7. Alternatif: Hitung p-value berdasarkan statistik penguji 8. Ambil kesimpulan berdasarkan 6 atau 7
MMS2401:Inferensi Statistik – p.114/231
MMS2401:Inferensi Statistik – p.115/231
Inferensi Statistik
Inferensi Statistik Satu Populasi Sembarang µ
Estimasi interval mean (µ) suatu populasi
p
Teorema Limit Pusat Apabila sampel-sampel random diambil dari suatu populasi yang berdistribusi sembarang, yang mempunyai mean µ dan variansi σ 2 , maka untuk n besar, distribusi sampling untuk mean dapat dianggap 2 2 mendekati Normal dengan µX¯ = µ dan variansi σX ¯ = σ /n, sehingga
Populasi sembarang Satu Populasi
µ Populasi Normal
σ2 µ1 , µ 2
Populasi sembarang p 1 , p2 Dua Populasi
µ1 , µ 2 Populasi Normal σ12 , σ22
k > 2 Populasi
Z=
¯ −µ X √ σ/ n
mendekati Normal Standar.
Analisis Variansi (ANAVA) MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.117/231
MMS2401:Inferensi Statistik – p.116/231
Inferensi Statistik Satu Populasi Sembarang
Inferensi Statistik Satu Populasi Sembarang
Estimasi interval mean (µ) suatu populasi
Estimasi interval mean (µ) suatu populasi
µ
¯ ∼ N (µ, σ 2 /√n) X
▽MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.118/231
1−α µ
¯ ∼ N (µ, σ 2 /√n) X
▽MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.118/231
Inferensi Statistik Satu Populasi Sembarang
Inferensi Statistik Satu Populasi Sembarang
Estimasi interval mean (µ) suatu populasi
Estimasi interval mean (µ) suatu populasi
α/2
1−α
α/2
1−α
¯ ∼ N (µ, σ 2 /√n) X
µ
¯ ∼ N (µ, σ 2 /√n) X
µ
Z ∼ N (0, 1)
−Zα/2
Z ∼ N (0, 1)
Zα/2
P (−Zα/2 ≤ Z ≤ Zα/2 ) ≈ 1 − α
▽MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.118/231
▽MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.118/231
Inferensi Statistik Satu Populasi Sembarang
Inferensi Statistik Satu Populasi Sembarang
Estimasi interval mean (µ) suatu populasi
Estimasi interval mean (µ) suatu populasi
α/2
α/2
1−α
α/2
1−α
¯ ∼ N (µ, σ 2 /√n) X
µ −Zα/2
α/2
Zα/2
Z ∼ N (0, 1)
P (−Zα/2 ≤ Z ≤ Zα/2 ) ≈ 1 − α ¯ −µ X √ ≤ Zα/2 ) ≈ 1 − α P (−Zα/2 ≤ σ/ n
▽MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.118/231
¯ ∼ N (µ, σ 2 /√n) X
µ −Zα/2
Zα/2
Z ∼ N (0, 1)
P (−Zα/2 ≤ Z ≤ Zα/2 ) ≈ 1 − α ¯ −µ X √ ≤ Zα/2 ) ≈ 1 − α P (−Zα/2 ≤ σ/ n ¯ + Zα/2 √σ ) ≈ 1 − α ¯ − Zα/2 √σ ≤ µ ≤ X P (X n n MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.118/231
Inferensi Statistik Satu Populasi Sembarang
Inferensi Statistik Satu Populasi Sembarang
Estimasi interval mean (µ) suatu populasi
Contoh: Suatu sampel random dengan 150 keluarga di suatu kota menunjukkan penghasilan bulanan rata-rata Rp 325 000,00 dengan deviasi standar Rp 25 000,00. Hitung interval konfidensi 95% untuk rata-rata penghasilan bulanan seluruh keluarga di kota tersebut.
α/2
α/2
1−α
¯ ∼ N (µ, σ 2 /√n) X
µ −Zα/2
Z ∼ N (0, 1)
Zα/2
Interval Konfidensi (1 − α)100% untuk mean µ B≤µ≤A ¯ − Zα/2 √σ B=X n ¯ + Zα/2 √σ A=X n
MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.119/231
MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.120/231
Inferensi Statistik Satu Populasi Sembarang
Inferensi Statistik Satu Populasi Sembarang
Contoh: Suatu sampel random dengan 150 keluarga di suatu kota menunjukkan penghasilan bulanan rata-rata Rp 325 000,00 dengan deviasi standar Rp 25 000,00. Hitung interval konfidensi 95% untuk rata-rata penghasilan bulanan seluruh keluarga di kota tersebut.
Uji Hipotesis Mean (µ) Populasi
Jawab: X : penghasilan bulanan di kota tersebut ¯ = 325.000; s = 25.000; n = 150. X Interval konfidensi 95% untuk rata-rata penghasilan bulanan (µ): ¯ − Zα/2 √σ = 325.000 − 1,96 √25 = 324.996 B=X n 150 ¯ + Zα/2 √σ = 325.000 + 1,96 √25 = 325.004 A=X n
150
Interval konfidensi 95%: 324.996 ≤ µ ≤ 325.004 σ dapat diganti s MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.121/231
1. Hipotesis A. H0 : µ = µ0 vs. H1 : µ 6= µ0 B. H0 : µ ≤ µ0 vs. H1 : µ > µ0 C. H0 : µ ≥ µ0 vs. H1 : µ < µ0
2. Tingkat signifikansi α 3. Statistik Penguji
Z=
¯ − µ0 X √ σ/ n
Z=
¯ − µ0 X √ s/ n
atau
jika σ tidak diketahui diganti s. Distribusi dari Z adalah Normal Standar. MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.122/231
Inferensi Statistik Satu Populasi Sembarang
Inferensi Statistik Satu Populasi Sembarang
Uji Hipotesis Mean (µ) Populasi
Contoh: Ujian standar intelegensia telah diadakan beberapa tahun dengan nilai rata-rata 70 dengan deviasi standar 8. Sekelompok mahasiswa terdiri dari 100 orang mahasiswa, diberi pelajaran dengan mengutamakan bidang Matematika. Apabila dari 100 mahasiswa ini diperoleh hasil ujian dengan nilai rata-rata 75, apakah cukup alasan untuk mempecayai bahwa pengutamaan bidang Matematika menaikkan hasil ujian standar?
4. Daerah penolakan (berdasarkan α dan Hipotesis) A. H0 ditolak apabila Z > Zα/2 atau Z < −Zα/2 B. H0 ditolak apabila Z > Zα C. H0 ditolak apabila Z < −Zα
MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.123/231
MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.124/231
Inferensi Statistik Satu Populasi Sembarang
Inferensi Statistik Satu Populasi Sembarang
Estimasi interval proporsi (p) suatu populasi Jika X ∼ Binomial(n, p), maka variabel random
Estimasi interval proporsi (p) suatu populasi
mean p dan variansi
Untuk n besar
x n
mempunyai
p(1−p) n
x
Z = qnx
−p
Interval Konfidensi (1 − α)100% untuk p B≤p≤A q p) B = pˆ − Zα/2 pˆ(1−ˆ n q p) A = pˆ + Zα/2 pˆ(1−ˆ n dengan pˆ =
x (1− n ) n n
x n
mendekati Normal Standar (Teorema Limit Pusat)
MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.125/231
MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.126/231
Inferensi Statistik Satu Populasi Sembarang
Inferensi Statistik Satu Populasi Sembarang
Contoh: Jika 610 dari 900 sampel random petani di suatu daerah adalah buruh tani, hitunglah interval konfidensi 90% untuk proporsi buruh tani di daerah itu.
Uji Hipotesis proporsi (p) Populasi 1. Hipotesis A. H0 : p = p0 vs. H1 : p 6= p0 B. H0 : p ≤ p0 vs. H1 : p > p0 C. H0 : p ≥ p0 vs. H1 : p < p0 2. Tingkat signifikansi α
3. Statistik Penguji pˆ − p0 Z=q
p0 (1−p0 ) n
Distribusi dari Z adalah Normal Standar.
MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.127/231
MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.128/231
Inferensi Statistik Satu Populasi Sembarang
Inferensi Statistik Satu Populasi Sembarang
Uji Hipotesis proporsi (p) Populasi
Hubungan antara Interval Konfidensi dan Uji Hipotesis Interval Konfidensi (1 − α)100% untuk mean µ
4. Daerah penolakan (berdasarkan α dan Hipotesis)
¯ − Zα/2 √σ ≤ µ ≤ X ¯ + Zα/2 √σ X n n
A. H0 ditolak apabila Z > Zα/2 atau Z < −Zα/2
Daerah penolakan dengan tingkat signifikansi α untuk uji hipotesis H0 : µ = µ0 vs. H1 : µ 6= µ0
B. H0 ditolak apabila Z > Zα
Z > Zα/2 atau Z < −Zα/2 Daerah penerimaan −Zα/2 ≤ Z ≤ Zα/2
C. H0 ditolak apabila Z < −Zα
MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.129/231
MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.130/231
Inferensi Statistik Satu Populasi Sembarang
Inferensi Statistik Satu Populasi Sembarang
Hubungan antara Interval Konfidensi dan Uji Hipotesis Interval Konfidensi (1 − α)100% untuk mean µ
Hubungan antara Interval Konfidensi dan Uji Hipotesis Interval Konfidensi (1 − α)100% untuk mean µ
¯ − Zα/2 √σ ≤ µ ≤ X ¯ + Zα/2 √σ X n n
¯ + Zα/2 √σ ¯ − Zα/2 √σ ≤ µ ≤ X X n n
Daerah penolakan dengan tingkat signifikansi α untuk uji hipotesis H0 : µ = µ0 vs. H1 : µ 6= µ0
Daerah penolakan dengan tingkat signifikansi α untuk uji hipotesis H0 : µ = µ0 vs. H1 : µ 6= µ0
Z > Zα/2 atau Z < −Zα/2 Daerah penerimaan ¯ √ 0 ≤ Zα/2 −Zα/2 ≤ X−µ σ/ n
Z > Zα/2 atau Z < −Zα/2 Daerah penerimaan ¯ + Zα/2 √σ ¯ − Zα/2 √σ ≤ µ0 ≤ X X n n
MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.131/231
Inferensi Statistik Satu Populasi Sembarang
MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.132/231
Inferensi Statistik Satu Populasi Normal Data dianggap berdistribusi Normal
Ringkasan
Ukuran sampel tidak harus besar Parameter µ mean
Statistik
Z=
¯ − µ0 X √ σ/ n
Z ∼ N (0, 1) p proporsi
Z= q
pˆ − p0
p0 (1−p0 ) n
Z ∼ N (0, 1)
Interval Konfidensi (1-α)100%
Hipotesis alternatif
Daerah Kritik
B≤µ≤A ¯ − Zα/2 √σ B=X n ¯ + Zα/2 √σ A=X
H1 : µ 6= µ0
Z Z Z Z
> Zα/2 atau < −Zα/2 > Zα < −Zα
B≤p≤A
H1 : p 6= p0
Z Z Z Z
> Zα/2 atau < −Zα/2 > Zα < −Zα
H 1 : µ > µ0 H 1 : µ < µ0
n
A = pˆ +
q
p(1− ˆ p) ˆ q n p(1− ˆ p) ˆ Zα/2 n
B = pˆ − Zα/2
H1 : p > p0 H1 : p < p0
MMS2401:Inferensi Statistik Satu Populasi Sembarang – p.133/231
Jenis parameter: mean µ variansi σ 2 Distribusi Sampling Normal t Chi-kuadrat (Chi-square)
MMS2401:Inferensi Statistik Satu Populasi Normal – p.134/231
Inferensi Statistik Satu Populasi Normal
Inferensi Statistik Satu Populasi Normal
Normal Standar Jika X1 , . . . , Xn adalah sampel random berasal dari populasi Normal dengan mean µ dan variansi σ 2 maka variabel random
Distribusi t Jika X1 , . . . , Xn adalah sampel random berasal dari populasi Normal dengan mean µ dan variansi σ 2 maka variabel random
Z=
¯ −µ X √ σ/ n
t=
¯ −µ X √ s/ n
berdistribusi t dengan derajad bebas n − 1. Untuk n yang semakin besar, distribusi t akan mendekati distribusi Normal.
berdistribusi Normal Standar N (0, 1)
MMS2401:Inferensi Statistik Satu Populasi Normal – p.135/231
MMS2401:Inferensi Statistik Satu Populasi Normal – p.136/231
Inferensi Statistik Satu Populasi Normal
Inferensi Statistik Satu Populasi Normal
Distribusi Chi-kuadrat 2k Diketahui X1 , . . . , Xk adalah variabel random yang berdistribusi Normal yang independen satu dengan yang lain. Distribusi variabel random χ2 = X12 + . . . + Xk2
Distribusi Chi-kuadrat n − 1 Diketahui X1 , . . . , Xn adalah variabel random yang berdistribusi Normal dengan mean µ dan variansi σ 2 maka variabel random
berdistribusi Chi-kuadrat berderajad bebas k dengan mean E(χ2 ) = k dan variansi Var(χ2 ) = 2k
MMS2401:Inferensi Statistik Satu Populasi Normal – p.137/231
χ2 =
(n − 1)s2 σ2
berdistribusi Chi-kuadrat dengan derajad bebas n − 1
MMS2401:Inferensi Statistik Satu Populasi Normal – p.138/231
Inferensi Statistik Satu Populasi Normal
Inferensi Statistik Satu Populasi Normal
Distribusi Normal Standar Apabila sampel random berukuran n diambil dari suatu populasi yang berdistribusi Normal dengan mean µ dan variansi σ 2 , maka variabel random Z=
s2
σ2
σ2
2 n−1
− q
Parameter µ mean
Statistik Bila σ 2 diketahui Z=
¯ − µ0 X √ σ/ n
Interval Konfidensi (1-α)100%
Hipotesis alternatif
Daerah Kritik
B≤µ≤A ¯ − Zα/2 √σ B=X n ¯ + Zα/2 √σ A=X
H1 : µ 6= µ0
Z Z Z Z
H 1 : µ > µ0 H 1 : µ < µ0
n
> Zα/2 atau < −Zα/2 > Zα < −Zα
Z ∼ N (0, 1) Bila σ 2 tidak diketahui
berdistribusi N (0, 1) untuk n besar. t=
B≤µ≤A H1 : µ 6= µ0 ¯ − t(n−1,α/2) √s B=X n ¯ + t(n−1,α/2) √s H1 : µ > µ0 A=X n H 1 : µ < µ0
¯ − µ0 X √ s/ n
t > t(n−1,α/2) atau t < −t(n−1,α/2) t > t(n−1,α) t < −t(n−1,α)
t ∼ distribusi t dgn. derajad bebas n − 1
MMS2401:Inferensi Statistik Satu Populasi Normal – p.139/231
Inferensi Statistik Satu Populasi Normal Parameter σ2 variansi
Statistik
(n − 1)s2 χ = σ2 2
χ2 ∼ chi-square dgn. derajad bebas k =n−1 Untuk n besar, Z=
s2 − σ 2 q 2 σ 2 n−1
Inferensi Statistik Dua Populasi Sembarang
Interval Konfidensi (1-α)100%
Hipotesis alternatif
Daerah Kritik
B ≤ σ2 ≤ A
H1 : σ 2 6= σ02
χ2 > χ2(k,α/2) atau
H1 : σ 2 > σ02
χ2 > χ2(k,α)
H1 : σ 2 < σ02
χ2 < χ2(k,1−α)
B= A=
(n−1)s2
χ2 (n−1,α/2) (n−1)s2 χ2 (n−1,1−α/2)
B ≤ σ2 ≤ A s2q B= 1+Zα/2
A=
MMS2401:Inferensi Statistik Satu Populasi Normal – p.140/231
χ2 < χ2(k,1−α/2)
Distribusi sampling selisih dua mean Misalkan X11 , X12 , . . . , X1n1 dan X21 , X22 , . . . , X2n2 adalah dua sampel random independen satu sama lain yang diambil dari populasi yang mempunyai mean µ1 dan µ2 serta variansi σ12 dan σ22 , maka untuk n1 dan n2 besar, variabel random Z=
H1 : σ 2 6= σ02 2 n−1
s2q 2 1−Zα/2 n−1
H1 : σ 2 > σ02 H1 : σ 2 < σ02
Z Z Z Z
> Zα/2 atau < −Zα/2 > Zα < −Zα
Z ∼ N (0, 1)
¯1 − X ¯ ) − (µ1 − µ2 ) (X q2 2 σ1 σ22 n1 + n2
berdistribusi Normal Standar, dengan
¯1 = X
n1 X X1i i=1
MMS2401:Inferensi Statistik Satu Populasi Normal – p.141/231
n1
¯2 = X
n2 X X2i i=1
n2
MMS2401:Inferensi Statistik Dua Populasi Sembarang – p.142/231
Inferensi Statistik Dua Populasi Sembarang
Inferensi Statistik Dua Populasi Sembarang
Distribusi sampling selisih dua mean Jika σ12 dan σ22 tidak diketahui, dan diasumsikan σ12 6= σ22
Distribusi sampling selisih dua mean Jika σ12 dan σ22 tidak diketahui, dan diasumsikan σ12 = σ22
Z=
¯ ) − (µ1 − µ2 ) ¯1 − X (X q2 2 s1 s22 n1 + n2
berdistribusi Normal Standar dengan s21 dan s22 adalah variansi sampel
Z=
¯ ) − (µ1 − µ2 ) ¯1 − X (X q 2 s2p ( n11 + n12 )
berdistribusi Normal Standar dengan s2p =
(n1 − 1)S12 + (n2 − 1)S22 n1 + n2 − 2
yang disebut sebagai pooled variance
MMS2401:Inferensi Statistik Dua Populasi Sembarang – p.143/231
Inferensi Statistik Dua Populasi Sembarang Distribusi sampling selisih dua proporsi Misalkan X11 , X12 , . . . , X1n1 dan X21 , X22 , . . . , X2n2 adalah dua sampel random independen satu sama lain yang diambil dari populasi yang berdistribusi binomial. Untuk n1 dan n2 besar, variabel random 1 (X n1 − r Z= X1 n1
X2 n2 )
X (1− n 1 1
n1
)
− (p1 − p2 ) +
X2 n2
X (1− n 2 2
)
n2
MMS2401:Inferensi Statistik Dua Populasi Sembarang – p.144/231
Inferensi Statistik Dua Populasi Sembarang Parameter µ1 − µ2 selisih dua mean
Statistik σ12 dan σ22 diketahui ¯ −X ¯ (X 1 s 2 )−(µ1 −µ2 ) Z= 2 σ1 σ2 + 2 n1 n2
Z∼N (0,1)
Daerah Kritik
B ≤ µ1 − µ2 ≤ ¯ −X ¯ 2 )− B=(X r1
H1 :µ1 −µ2 6=µ0
Z>Zα/2
H1 :µ1 −µ2 >µ0
Z>Zα
H1 :µ1 −µ2 <µ0
Z<−Zα
H1 :µ1 −µ2 6=µ0
Z>Zα/2
H1 :µ1 −µ2 >µ0
Z>Zα
H1 :µ1 −µ2 <µ0
Z<−Zα
Zα 2
A
2 σ1 σ2 + n2 n1 2
¯ −X ¯ 2 )+ A=(X r1 2
dan σ22 6= σ22
2 σ1 σ2 + n2 n1 2
tdk diketahui, B ≤ µ1 − µ2 ≤ A
¯ −X ¯ (X 1 s 2 )−(µ1 −µ2 ) 2 s2 1 + s2 n1 n2
Z∼N (0,1)
MMS2401:Inferensi Statistik Dua Populasi Sembarang – p.145/231
Hipotesis alternatif
Zα
σ12 σ12 Z=
berdistribusi Normal Standar.
Interval Konfidensi (1-α)100%
¯ −X ¯ 2 )− B=(X r1
Zα 2
2 s2 1 + s2 n1 n2
¯ −X ¯ 2 )+ A=(X r1 Zα 2
2 s2 1 + s2 n1 n2
atau
Z <−Zα/2
atau
Z <−Zα/2
MMS2401:Inferensi Statistik Dua Populasi Sembarang – p.146/231
Inferensi Statistik Dua Populasi Sembarang Parameter
Statistik
Interval Konfidensi (1-α)100%
σ12 dan σ22 tdk diketahui, B ≤ µ1 − µ2 ≤ A ¯ 2 )− ¯ 1 −X B=(X σ12 = σ22
s2 p=
p1 − p2 Selisih dua proporsi
(p ˆ1 −p ˆ2 )−(p1 −p2 ) pˆ (1−pˆ2 ) pˆ1 (1−pˆ1 ) + 2 n1 n2 X
p ˆ1 = n 1 ; p ˆ2 = n 2 1
2
H1 :µ1 −µ2 <µ0
Z<−Zα
B ≤ p1 − p2 ≤ A
H1 :p1 −p2 6=p0
1
2
1
2
1
atau 2
Z>Zα
Distribusi sampling selisih dua mean Misalkan X11 , X12 , . . . , X1n1 dan X21 , X22 , . . . , X2n2 adalah dua sampel random independen satu sama lain yang berdistribusi Normal dengan mean µ1 dan µ2 serta variansi σ12 dan σ22 , maka variabel random
2
Z=
2
H1 :p1 −p2
Z∼N (0,1) X
Z>Z α
B=(p ˆ −p ˆ2 )− r1 pˆ1 (1−pˆ1 ) pˆ (1−pˆ ) + 2 n 2 H1 :p1 −p2 >p0 Zα n
Z= r
H1 :µ1 −µ2 6=µ0 H1 :µ1 −µ2 >µ0
2
2 +(n −1)S 2 (n1 −1)S1 2 2 n1 +n2 −2
Daerah Kritik
q 2( 1 + 1 ) Sp n1 n2 ¯ ¯ 2 )+ A=(X1 −X q 2( 1 + 1 ) Z α Sp n n 2
Z∼N (0,1)
Hipotesis alternatif
Z<−Z α
Zα
¯ −X ¯ )−(µ −µ ) (X 1 2 1 2 r Z= 1 1 s2 p ( n1 + n2 )
Inferensi Statistik Dua Populasi Normal
Z>Z α 2
atau
Z<−Z α 2
Z>Zα
¯ ) − (µ1 − µ2 ) ¯1 − X (X q2 2 σ1 σ22 n1 + n2
berdistribusi Normal Standar, dengan
Z<−Zα
2
2
¯1 = X
n1 X X1i i=1
n1
¯2 = X
MMS2401:Inferensi Statistik Dua Populasi Sembarang – p.147/231
n2 X X2i i=1
n2
MMS2401:Inferensi Statistik Dua Populasi Normal – p.148/231
Inferensi Statistik Dua Populasi Normal
Inferensi Statistik Dua Populasi Normal
Distribusi sampling selisih dua mean Jika σ12 dan σ22 tidak diketahui, dan diasumsikan σ12 6= σ22
Distribusi sampling selisih dua mean Jika σ12 dan σ22 tidak diketahui, dan diasumsikan σ12 = σ22
t=
¯ ) − (µ1 − µ2 ) ¯1 − X (X q2 2 s1 s22 n1 + n2
t=
berdistribusi t dengan derajad bebas n1 + n2 − 2 dan
berdistribusi t dengan derajad bebas k=
(s21 /n1 + s22 /n2 )2 (s21 /n1 )2 n1 +1
+
(s22 /n2 )2 n2 +1
− 2,
atau
k=
(s21 /n1 + s22 /n2 )2 (s21 /n1 )2 n1 −1
¯ ) − (µ1 − µ2 ) ¯1 − X (X q 2 s2p ( n11 + n12 )
+
(s22 /n2 )2 n2 −1
s2p =
(n1 − 1)S12 + (n2 − 1)S22 n1 + n2 − 2
yang disebut sebagai pooled variance
dengan s21 dan s22 adalah variansi sampel
MMS2401:Inferensi Statistik Dua Populasi Normal – p.149/231
MMS2401:Inferensi Statistik Dua Populasi Normal – p.150/231
Inferensi Statistik Dua Populasi Normal
Inferensi Statistik Dua Populasi Normal
Distribusi sampling Perbandingan dua variansi Misalkan X11 , X12 , . . . , X1n1 dan X21 , X22 , . . . , X2n2 adalah dua sampel random independen satu sama lain yang berdistribusi Normal dengan mean µ1 dan µ2 serta variansi σ12 dan σ22 , maka variabel random s2 /σ 2 F = 12 12 s2 /σ2
Parameter
Statistik
µ1 − µ 2 σ12 dan σ22 diketahui ¯ ¯ Selisih dua Z= (X1 −sX22)−(µ21 −µ2 ) σ1 σ + 2 mean n1 n2
berdistribusi F dengan derajad bebas pembilang n1 − 1, derajad bebas penyebut n2 − 1
Interval Konfidensi (1-α)100%
Hipotesis alternatif
Daerah Kritik
B ≤ µ1 − µ2 ≤ Ar
H1 :µ1 −µ2 6=µ0
Z>Z α atau
Z∼N (0,1)
2 σ1 σ2 + n2 2 2 r n1 2 2 σ1 σ2 ¯ 1 −X ¯ 2 )+Z α A=(X + n1 n2 2
σ12 dan σ22 tdk diketahui dan σ12 6= σ22
B ≤ µ1 − µ 2 ≤ A r
¯ −X ¯ (X 1 s 2 )−(µ1 −µ2 ) t= 2 s2 1 + s2 n1 n2
¯ 2 )−Z α ¯ 1 −X B=(X
¯ 2 )−t α ¯ 1 −X B=(X ,k 2
¯ 1 −X ¯ 2 )+t α A=(X ,k 2
r
2 s2 1 + s2 n1 n2 2 s2 1 + s2 n1 n2
2
Z<−Z α 2
H1 :µ1 −µ2 >µ0
Z>Zα
H1 :µ1 −µ2 <µ0
Z<−Zα
H1 :µ1 −µ2 6=µ0
t>t α ,k atau 2
t<−t α ,k 2
H1 :µ1 −µ2 >µ0
t>tα,k
H1 :µ1 −µ2 <µ0
t<−tα,k
t∼tk dgn k= atau k=
2 2 (s2 1 /n1 +s2 /n2 ) 2 /n )2 −2 2 (s2 /n ) (s 1 2 1 + 2 n1 +1 n2 +1 2 2 (s2 1 /n1 +s2 /n2 ) 2 /n )2 2 /n ) (s2 (s 1 2 1 + 2 n1 −1 n2 −1 MMS2401:Inferensi Statistik Dua Populasi Normal – p.152/231
MMS2401:Inferensi Statistik Dua Populasi Normal – p.151/231
Inferensi Statistik Dua Populasi Normal Parameter
Statistik σ12 dan σ22 tdk diketahui dan σ12 = σ22 t=
¯ −X ¯ )−(µ −µ ) (X 1 2 1 2 r 2( 1 + 1 ) Sp n1 n2
t∼tk dgn. k=n1 +n2 −2 2 = Sp
σ12 / σ22 Perbandingan dua variansi
2 +(n −1)S 2 (n1 −1)S1 2 2 n1 +n2 −2
F = s21 /s22 dengan F ∼F α ,k ,k 1 2 2
k1 = n1 − 1, k2 = n2 − 1
Inferensi Statistik Dua Populasi Normal
Interval Konfidensi (1-α)100%
Hipotesis alternatif
Daerah Kritik
B ≤ µ1 − µ2 ≤ A
H1 :µ1 −µ2 6=µ0
t>t α ,k atau
¯ 1 −X ¯ 2 )− B=(X q 2 t α ,k Sp ( n1 + n1 ) 1
2
2
¯ 2 )+ ¯ 1 −X A=(X q 2( 1 + 1 ) t α ,k Sp n n 1
2
2 s2 1 /s2 F(k ,k , α ) 1
A=
s2 1 s2 2
2
t>tα,k
H1 :µ1 −µ2 <µ0
t<−tα,k
H1 :σ1 6=σ2
F >F α ,k ,k 1 2 2
atau
F <1/F α ,k ,k 2 1 2
2 2
F >Fα,k1 ,k2
F(k1 ,k2 , α )
catatan:
2
Statistik
t<−t α ,k H1 :µ1 −µ2 >µ0
2
B ≤ σ12 /σ22 ≤ A B=
Parameter
2
H1 :σ1 >σ2
µd mean selisih data berpasangan
¯
√D t = sD−µ D/ n dengan t ∼ distribusi t
dgn derajad bebas k =n−1
Interval Konfidensi (1-α)100%
Hipotesis alternatif
H1 :µD 6=µ0
B≤µ≤A ¯ − B = X t(n−1,α/2) √sn ¯ + A = X
Daerah Kritik
t>t(n−1,α/2) atau t<−t(n−1,α/2)
H1 :µD >µ0
t>t(n−1,α)
H1 :µD <µ0
t<−t(n−1,α)
t(n−1,α/2) √sn
F <1/Fα,k2 ,k1
H1 :σ1 <σ2
,k1 ,k2 )= F (1− α 2 1/F ( α ,k2 ,k1 ) 2
MMS2401:Inferensi Statistik Dua Populasi Normal – p.153/231
MMS2401:Inferensi Statistik Dua Populasi Normal – p.154/231
Analisis Variansi Satu Arah
Analisis Variansi Satu Arah
Perluasan dari uji mean dua populasi Normal (data berasal dari populasi Normal)
Inferensi mean populasi Normal
Ada k mean populasi yang dibandingkan Berdasarkan pada pemecahan variansi
Uji mean satu populasi H0 : µ = µ0
µ
MMS2401:Analisis Variansi – p.155/231
▽MMS2401:Analisis Variansi – p.156/231
Analisis Variansi Satu Arah
Analisis Variansi Satu Arah
Inferensi mean populasi Normal
Inferensi mean populasi Normal Uji mean satu populasi H0 : µ = µ0
Uji mean satu populasi H0 : µ = µ0
Uji mean dua populasi H0 : µ1 = µ2
Uji mean dua populasi H0 : µ1 = µ2 µ1
µ2
µ1
▽MMS2401:Analisis Variansi – p.156/231
µ2
µ3
Uji mean k populasi H0 : µ1 = µ2 = µ3
MMS2401:Analisis Variansi – p.156/231
Analisis Variansi Satu Arah
Analisis Variansi Satu Arah
Uji Hipotesis H0 : µ1 = µ2 = . . . = µk H1 : minimal ada dua mean yang tidak sama
Tabel Anava Sumber Variansi
derajad bebas
Jumlah Kuadrat (SS)
Perlakuan
k−1
SST =
N −k
SSE =
Statistik Penguji MST F = MSE
Sesatan
dimana F ∼ F(k−1,n−k) MST: mean square treatment (kuadrat rata-rata perlakuan) MSE: mean square error (kuadrat rata-rata sesatan) yang diperoleh dari Tabel Anava (Analisis Variansi) Daerah Kritis H0 ditolak jika F > F(k−1,n−k)
P ni
¯i = X
1 ni
Si2 =
1 ni −1
¯= X
1 N
Pk
i=1
Pk
Rata-rata Jumlah Kuadrat (MS)
¯ i − X) ¯ 2 n i (X
MST =
SST k−1
− 1)Si2
MSE =
SSE N −k
i=1 (ni
Pn i
Pk
j=1 (Xij
Dipunyai empat varitas padi yang akan kita uji produktivitasnya. Dua puluh empat petak tanah yang kira-kira mempunyai kesuburan yang sama dipilih. Kemudian 24 petak itu dibagi secara random menjadi empat kelompok, masing-masing 6 petak yang selanjutnya tiap kelompok ditanami satu varitas padi. Apakah rata-rata produktivitas 4 varitas padi tersebut sama?
A 24 13 18 24 16 23
varitas B C 13 21 21 13 11 26 23 23 28 16 18 12
D 27 30 24 29 26 34
MMS2401:Analisis Variansi – p.159/231
MST MSE
i=1
¯ i )2 −X
Pn i
j=1 xij ,
N=
P
ni
MMS2401:Analisis Variansi – p.158/231
Analisis Variansi Satu Arah
Contoh:
F =
j=1 xij
MMS2401:Analisis Variansi – p.157/231
Analisis Variansi Satu Arah
rasio F
A 24 13 18 24 16 23
B 13 21 11 23 28 18
varitas C 21 13 26 23 16 12
D 27 30 24 29 26 34
Analisis Variansi Satu Arah
ni X¯i Si2
A 24 13 18 24 16 23 6 19,67 21,87
varitas B C 13 21 21 13 11 26 23 23 28 16 18 12 6 6 19,00 18,50 40,40 32,30
Analisis Variansi Satu Arah D 27 30 24 29 26 34 6 28,33 12,27
ni X¯i Si2 ¯= X
Analisis Variansi Satu Arah
ni X¯i Si2 ¯= X
1 N
A 24 13 18 24 16 23 6 19,67 21,87
P ni 513 i=1 j=1 xij = 24 Pk ¯ ¯ 2 i=1 ni (Xi − X) Pk
varitas B C 13 21 21 13 11 26 23 23 28 16 18 12 6 6 19,00 18,50 40,40 32,30
1 N
Pk
i=1
P ni
j=1
A 24 13 18 24 16 23 6 19,67 21,87
xij =
513 24
varitas B C 13 21 21 13 11 26 23 23 28 16 18 12 6 6 19,00 18,50 40,40 32,30
D 27 30 24 29 26 34 6 28,33 12,27
= 21, 38
Analisis Variansi Satu Arah D 27 30 24 29 26 34 6 28,33 12,27
= 21, 38
SST = = 6(19,67−21,38)2 +6(19,00−21,38)2 +6(18,50−21,38)2 +6(28,33−21,38)2
ni X¯i Si2 ¯= X
1 N
A 24 13 18 24 16 23 6 19,67 21,87
P ni 513 i=1 j=1 xij = 24 Pk ¯ ¯ 2 i=1 ni (Xi − X) Pk
SST = = 391, 46
varitas B C 13 21 21 13 11 26 23 23 28 16 18 12 6 6 19,00 18,50 40,40 32,30 = 21, 38
D 27 30 24 29 26 34 6 28,33 12,27
Analisis Variansi Satu Arah
ni X¯i Si2 ¯= X
1 N
varitas B C 13 21 21 13 11 26 23 23 28 16 18 12 6 6 19,00 18,50 40,40 32,30
A 24 13 18 24 16 23 6 19,67 21,87
P ni 513 i=1 j=1 xij = 24 Pk ¯ ¯ 2 i=1 ni (Xi − X) Pk
Analisis Variansi Satu Arah D 27 30 24 29 26 34 6 28,33 12,27
ni X¯i Si2 ¯= X
= 21, 38
SST = = 391, 46 Pk SSE = i=1 (ni − 1)Si2 =(6−1)21,87+(6−1)40,40+(6−1)32,30+(6−1)12,27
1 N
A 24 13 18 24 16 23 6 19,67 21,87
P ni 513 i=1 j=1 xij = 24 Pk ¯ ¯ 2 i=1 ni (Xi − X) Pk
varitas B C 13 21 21 13 11 26 23 23 28 16 18 12 6 6 19,00 18,50 40,40 32,30
D 27 30 24 29 26 34 6 28,33 12,27
= 21, 38
SST = = 391, 46 Pk SSE = i=1 (ni − 1)Si2 = 534, 17
MMS2401:Analisis Variansi – p.160/231
Analisis Variansi Satu Arah
Analisis Variansi Satu Arah
Tabel Anava Hasil 4 Varitas Padi
Tabel Anava Hasil 4 Varitas Padi
Sumber Variansi
derajad bebas
Perlakuan
k−1
Sesatan
N −k
Jumlah Kuadrat (SS)
SST =
Pk
SSE =
i=1
Pk
Rata-rata Jumlah Kuadrat (MS)
¯ i − X) ¯ 2 n i (X
MST =
SST k−1
− 1)Si2
MSE =
SSE N −k
i=1 (ni
rasio F
Sumber Variansi
derajad bebas
Jumlah Kuadrat (SS)
MST MSE
Varitas
3
SST = 391, 46
MST =
SST k−1
Sesatan
20
SSE = 534, 17
MSE =
SSE N −k
F =
Rata-rata Jumlah Kuadrat (MS)
rasio F
F =
MST MSE
Analisis Variansi Satu Arah
Analisis Variansi Satu Arah
Tabel Anava Hasil 4 Varitas Padi
Tabel Anava Hasil 4 Varitas Padi
Sumber Variansi
derajad bebas
Jumlah Kuadrat (SS)
Rata-rata Jumlah Kuadrat (MS)
Varitas
3
SST = 391, 46
MST =
Sesatan
20
SSE = 534, 17
MSE =
391,46 3 434,17 20
rasio F
Sumber Variansi
derajad bebas
Jumlah Kuadrat (SS)
Rata-rata Jumlah Kuadrat (MS)
rasio F
MST MSE
Varitas
3
SST = 391, 46
MST = 130, 49
130,49 26,71
Sesatan
20
SSE = 534, 17
MSE = 26, 71
F =
Analisis Variansi Satu Arah
Analisis Variansi Satu Arah
Tabel Anava Hasil 4 Varitas Padi
Tabel Anava Hasil 4 Varitas Padi
Sumber Variansi
derajad bebas
Jumlah Kuadrat (SS)
Rata-rata Jumlah Kuadrat (MS)
rasio F
Sumber Variansi
derajad bebas
Jumlah Kuadrat (SS)
Rata-rata Jumlah Kuadrat (MS)
rasio F
Varitas
3
SST = 391, 46
MST = 130, 49
4, 8856
Varitas
3
SST = 391, 46
MST = 130, 49
4, 8856
Sesatan
20
SSE = 534, 17
MSE = 26, 71
Sesatan
20
SSE = 534, 17
MSE = 26, 71
Statistik Penguji F = 4, 8856
Daerah Kritik (α = 0, 05) H0 ditolak jika F > F(3,20) = 3, 10
Analisis Variansi Satu Arah
Analisis Variansi Satu Arah
Tabel Anava Hasil 4 Varitas Padi
Pembandingan Ganda (Multiple Comparisons) Merupakan analisis lanjutan bila H0 ditolak dalam Anava. Metode:
Sumber Variansi
derajad bebas
Jumlah Kuadrat (SS)
Rata-rata Jumlah Kuadrat (MS)
rasio F
Varitas
3
SST = 391, 46
MST = 130, 49
4, 8856
Sesatan
20
SSE = 534, 17
MSE = 26, 71
Tukey Scheffé Bonferroni Newman - Keuls
Statistik Penguji F = 4, 8856
Daerah Kritik (α = 0, 05) H0 ditolak jika F > F(3,20) = 3, 10
Kesimpulan F = 4, 8856 > 3, 10 ⇒ H0 ditolak, paling tidak ada dua mean yang tidak sama
MMS2401:Analisis Variansi – p.161/231
MMS2401:Analisis Variansi – p.162/231
Analisis Variansi Satu Arah
Analisis Variansi Satu Arah
Metode Scheffé
Contoh Pembandingan ganda untuk varitas padi contoh di muka. Diketahui (dari hitungan di muka):
Mempunyai asumsi sama seperti Anava Menggunakan tabel F
ni ¯i X
Hipotesis H0 : µi = µj H1 : µi 6= µj untuk i 6= j dan i, j = 1, 2, . . . , k
A 6 19,67
varitas B C 6 6 19,00 18,50
D 6 28,33
MSE = 26, 71
Daerah Kritik (Keputusan) ¯i − X ¯ j |> H0 ditolak, jika | X
(S 2 = MSE dalam Anava satu arah)
r
(k − 1)S 2 Fα,k−1,N −k
1 ni
+
1 nj
MMS2401:Analisis Variansi – p.163/231
▽MMS2401:Analisis Variansi – p.164/231
Analisis Variansi Satu Arah
Analisis Variansi Satu Arah
Contoh
Contoh
Pembandingan ganda untuk varitas padi contoh di muka. Diketahui (dari hitungan di muka):
Pembandingan ganda untuk varitas padi contoh di muka. Diketahui (dari hitungan di muka):
ni ¯i X
A 6 19,67
varitas B C 6 6 19,00 18,50
D 6 28,33
MSE = 26, 71
ni ¯i X
Pembandingan ganda Scheffé: Pembandingan µA µA µA µB µB µC
vs. vs. vs. vs. vs. vs.
¯i − X ¯j | |X
A 6 19,67
varitas B C 6 6 19,00 18,50
D 6 28,33
MSE = 26, 71
Pembandingan ganda Scheffé: r
(k − 1)MSEFα,k−1,N −k
µB µC µD µC µD µD
1 ni
+
1 nj
Kesimpulan
Pembandingan µA µA µA µB µB µC
vs. vs. vs. vs. vs. vs.
¯i − X ¯j | |X
r
3(26, 71)(3, 10)
µB µC µD µC µD µD
1 ni
+
1 nj
Kesimpulan
▽MMS2401:Analisis Variansi – p.164/231
▽MMS2401:Analisis Variansi – p.164/231
Analisis Variansi Satu Arah
Analisis Variansi Satu Arah
Contoh
Contoh
Pembandingan ganda untuk varitas padi contoh di muka. Diketahui (dari hitungan di muka):
Pembandingan ganda untuk varitas padi contoh di muka. Diketahui (dari hitungan di muka):
ni ¯i X
A 6 19,67
varitas B C 6 6 19,00 18,50
D 6 28,33
MSE = 26, 71
ni ¯i X
Pembandingan ganda Scheffé: Pembandingan µA µA µA µB µB µC
vs. vs. vs. vs. vs. vs.
µB µC µD µC µD µD
¯i − X ¯j | |X 0,67 1,17 8,66 0,50 9,33 9,83
A 6 19,67
varitas B C 6 6 19,00 18,50
D 6 28,33
MSE = 26, 71
Pembandingan ganda Scheffé: r
248, 403
1 ni
+
1 nj
Kesimpulan
Pembandingan µA µA µA µB µB µC
▽MMS2401:Analisis Variansi – p.164/231
vs. vs. vs. vs. vs. vs.
µB µC µD µC µD µD
¯i − X ¯j | |X 0,67 1,17 8,66 0,50 9,33 9,83
r
248, 403 n1 + n1 i j q 248, 403 61 + 16
Kesimpulan
▽MMS2401:Analisis Variansi – p.164/231
Analisis Variansi Satu Arah
Analisis Variansi Satu Arah
Contoh
Contoh
Pembandingan ganda untuk varitas padi contoh di muka. Diketahui (dari hitungan di muka):
Pembandingan ganda untuk varitas padi contoh di muka. Diketahui (dari hitungan di muka):
ni ¯i X
varitas B C 6 6 19,00 18,50
A 6 19,67
D 6 28,33
MSE = 26, 71
ni ¯i X
Pembandingan ganda Scheffé: Pembandingan µA µA µA µB µB µC
vs. vs. vs. vs. vs. vs.
¯i − X ¯j | |X
µB µC µD µC µD µD
varitas B C 6 6 19,00 18,50
A 6 19,67
D 6 28,33
MSE = 26, 71
Pembandingan ganda Scheffé: r
0,67 1,17 8,66 0,50 9,33 9,83
248, 403
1 ni
9,1 9,1 9,1 9,1 9,1 9,1
+
1 nj
Kesimpulan
Pembandingan µA µA µA µB µB µC
vs. vs. vs. vs. vs. vs.
¯i − X ¯j | |X
µB µC µD µC µD µD
r
248, 403
0,67 1,17 8,66 0,50 9,33 9,83
1 ni
+
9,1 9,1 9,1 9,1 9,1 9,1
1 nj
Kesimpulan H0 H0 H0 H0 H0 H0
diterima diterima diterima diterima ditolak ditolak
▽MMS2401:Analisis Variansi – p.164/231
MMS2401:Analisis Variansi – p.164/231
Regresi Linear Sederhana
Regresi Linear Sederhana
Analisis Regresi digunakan untuk menyelidiki hubungan antara variabel dependen (respon) Y dengan variabel independen (variabel penjelas, prediktor) X .
Contoh Hubungan Fungsional 1 Y =1+ X 2
Hubungan antara Y dan X : fungsional
3
statistik 2 1 0 0
MMS2401:Analisis Regresi – p.165/231
1
2
3
4
5
6
7
MMS2401:Analisis Regresi – p.166/231
Regresi Linear Sederhana
Regresi Linear Sederhana
Contoh Hubungan Fungsional
Contoh Hubungan Statistik
Y = (X − 3)2 3 2 1 0 0
1
2
3
4
5
6
7
MMS2401:Analisis Regresi – p.167/231
Regresi Linear Sederhana
Regresi Linear Sederhana
Contoh Hubungan Statistik
Contoh Dipunyai data umur dan tinggi dari sampel 8 buah pohon jenis tertentu sbb.: umur (tahun): 1 2 3 4 5 6 7 8 tinggi (meter): 1,10 1,13 2,38 2,32 3,14 4,27 4,45 5,52
1 Y =1+ X 2
3 2 1 0 0
1
2
3
4
5
6
7 MMS2401:Analisis Regresi – p.168/231
▽MMS2401:Analisis Regresi – p.169/231
Regresi Linear Sederhana
Regresi Linear Sederhana
Contoh
Contoh Akan dicari garis linear yˆ = a + bx yang paling "mewakili" hubungan antara x (umur) dan y (tinggi)
6
6
5
5 tinggi (meter)
tinggi (meter)
Dipunyai data umur dan tinggi dari sampel 8 buah pohon jenis tertentu sbb.: umur (tahun): 1 2 3 4 5 6 7 8 tinggi (meter): 1,10 1,13 2,38 2,32 3,14 4,27 4,45 5,52
4 3 2
4 3 2 1
1
0
0 0
1
2
3
4 5 6 umur (tahun)
7
0
8
1
2
3
4 5 6 umur (tahun)
7
8
▽MMS2401:Analisis Regresi – p.169/231
MMS2401:Analisis Regresi – p.169/231
Regresi Linear Sederhana
Regresi Linear Sederhana
Estimasi (Penduga) garis regresi
Contoh Data umur dan tinggi pohon
yˆ = a + bx 6 5 tinggi (meter)
Menggunakan Metode Kuadrat Terkecil (MKT) Prinsip MKT: Dicari nilai a dan b yang meminimalkan jumlah P kuadrat residu (JKR), JKR = ni=1 (yi − yˆi )2
4 3 2 1 0 0
MMS2401:Analisis Regresi – p.170/231
1
2
3
4 5 6 umur (tahun)
7
8
▽MMS2401:Analisis Regresi – p.171/231
Regresi Linear Sederhana
Contoh Data umur dan tinggi pohon
Contoh Data umur dan tinggi pohon
6
6
5
5 tinggi (meter)
tinggi (meter)
Regresi Linear Sederhana
4 3 2 1
4 3 2 1
0
0 0
1
2
3
4 5 6 umur (tahun)
7
8
0
1
2
3
4 5 6 umur (tahun)
▽MMS2401:Analisis Regresi – p.171/231
Regresi Linear Sederhana
Contoh Data umur dan tinggi pohon
Contoh Data umur dan tinggi pohon
3
3
2
2
1 2
3
4
2
▽MMS2401:Analisis Regresi – p.172/231
8
MMS2401:Analisis Regresi – p.171/231
Regresi Linear Sederhana
1
7
3
4
Regresi Linear Sederhana
Regresi Linear Sederhana
Persamaan normal Penyelesaian yang diperoleh dari MKT:
Persamaan normal Penyelesaian yang diperoleh dari MKT:
n X
yi = na + b
i=1
n X i=1
x i yi = a
n X
P P P yi x2i − xi xi yi P P n x2i − ( xi )2 P P P n x i yi − xi yi P 2 P n xi − ( xi ) 2 P
a =
xi
i=1
n X
xi + b
i=1
n X
x2i
b =
i=1
Jika b dihitung terlebih dahulu, a bisa dihitung dengan P P yi − b xi a= = y¯ − b¯ x n
MMS2401:Analisis Regresi – p.173/231
MMS2401:Analisis Regresi – p.174/231
Regresi Linear Sederhana
Regresi Linear Sederhana
Persamaan normal Penyelesaian yang diperoleh dari MKT:
Contoh Data umur dan tinggi pohon: yˆ = 0, 1443 + 0, 6432x
b =
(24, 31)(204) − (36)(136, 41) = 0, 1443 8(204) − (36)2
6 5
8(136, 41) − (36)(24, 31) = 0, 6432 8(204) − (36)2
Jika b = 0, 6432 dihitung terlebih dahulu, a bisa dihitung dengan
tinggi (meter)
a =
4 3 2 1
24, 31 − (0, 6432)(36) a= = 0, 1443 8
0 0
MMS2401:Analisis Regresi – p.175/231
1
2
3
4 5 6 umur (tahun)
7
8
MMS2401:Analisis Regresi – p.176/231
Regresi Linear Sederhana
Regresi Linear Sederhana
Korelasi Koefisien korelasi antara Y dan X adalah
Korelasi ρ menunjukkan tingkat hubungan linear antara kedua variabel. Estimasi titik untuk ρ adalah P (xi − x ¯)(yi − y¯) r = pP (xi − x ¯)2 (yi − y¯)2 P P P n xy − x y p P = p P P P n x2 − ( x)2 n y 2 − ( y)2
Kov(X, Y ) ρ= p , Var(X)Var(Y )
−1 ≤ ρ ≤ 1
dimana Y dan X dianggap variabel random berdistribusi bersama tertentu (lihat kembali bagian Probabilitas di muka)
MMS2401:Analisis Regresi – p.177/231
MMS2401:Analisis Regresi – p.178/231
Regresi Linear Sederhana
Regresi Linear Sederhana
Contoh Korelasi Data umur dan tinggi pohon:
Koefisien Determinasi r2 Digunakan untuk mengukur keeratan hubungan linear antara x dan y dalam regresi linear
r =
P P xy − x y p P p P P P n x2 − ( x)2 n y 2 − ( y)2 n
P
2
r = 100
8(136, 41) − (36)(24, 31) p 8(204) − (36)2 8(91, 8991) − (24, 31)2 = 0.982 =
p
SSR SST
%
dengan P SST = (yi − y¯)2 (jumlah kuadrat total), P SSE = (y − yˆ)2 (jumlah kuadrat sesatan/residu/error ), SSR = SST − SSE (jumlah kuadrat regresi) Menunjukkan berapa persen variasi dari y yang dapat diterangkan oleh x
MMS2401:Analisis Regresi – p.179/231
MMS2401:Analisis Regresi – p.180/231
Regresi Linear Sederhana
Regresi Linear Sederhana
Contoh Koefisien Determinasi Data umur dan tinggi pohon: P SST = (yi − y¯)2 = 18, 02709 P SSE = (y − yˆ)2 = 0, 6506536 SSR = SST − SSE = 18, 02709 − 0, 6506536 = 17, 37644 SSR 2 r = 100 % SST 17, 37644 % = 100 18, 02709
Korelasi Korelasi hanya untuk hubungan linear
4 5 6 7 8 9
3 4 5 6 7 8 9
11
r=0,82
6
8
10
12
14
4
6
8
10
12
14
8
8
10
12
10
12
14
8 6
8 6
Untuk regresi sederhana, kuadrat dari koefisien determinasi sama dengan korelasi
6
10
12 10
= 96, 39%
4
12
4
MMS2401:Analisis Regresi – p.181/231
14
16
18
MMS2401:Analisis Regresi – p.182/231
Regresi Linear Sederhana
Regresi Linear Sederhana
Inferensi dalam Regresi
Inferensi dalam Regresi y
Diperoleh observasi berupa pasangan data (Y, X), (x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ) Model Yi = β 0 + β 1 X i + ǫ i
Asumsi: suku eror ǫi independen dan berdistribusi normal N (0, σ 2 ) Parameter β0 dan β1 dinamakan koefisien regresi. x1
y = β0 + β1 x x2 x3 x
MMS2401:Analisis Regresi – p.183/231
MMS2401:Analisis Regresi – p.184/231
Regresi Linear Sederhana
Regresi Linear Sederhana
Inferensi dalam Regresi
Inferensi Kemiringan Garis Regresi (β1 ) Statistik Penguji
Penduga untuk β0 dan β1 adalah b0 dan b1 : P P P n x i yi − xi yi P P b1 = n x2i − ( xi )2 P P y i − b1 x i b0 = n
b1 − β 1 t= q n P s n P x2 −( x)2
yang berdistribusi t dengan derajad bebas n − 2
Penduga untuk σ 2 s
2
=
n X (yi − yˆ)2
n−2 P P yi2 − b0 yi − b1 xi yi n−2
i=1
=
P
MMS2401:Analisis Regresi – p.185/231
MMS2401:Analisis Regresi – p.186/231
Regresi Linear Sederhana
Regresi Linear Sederhana
Inferensi Perpotongan Garis Regresi (β0 )
Contoh Hitunglah interval konfidensi 95% untuk kemiringan garis regresi (β1 ) dari data umur dan tinggi pohon di muka. Telah dihitung β0 = 0, 1443 dan β1 = 0, 6432 (atau a dan b dalam notasi di muka) P 2 P P y i − b0 y i − b1 x i y i 2 s = n−2 91, 8991 − (0, 1443)(24, 31) − (0, 6432)(136, 41) = 6 = 0, 1087092 q n P Interval konfidensi 95% untuk β1 : β1 ± t(α/2,n−2) s n P x2 −( x)2
Statistik Penguji b0 − β 0 t= q P 2 xP s n P x2 −( x)2
yang berdistribusi t dengan derajad bebas n − 2
0, 6432 ± 0, 0508 atau (0, 592; 0, 694) MMS2401:Analisis Regresi – p.187/231
MMS2401:Analisis Regresi – p.188/231
Regresi Linear Sederhana
Analisis Data Kategorik
Contoh Hitunglah interval konfidensi 95% untuk perpotongan garis regresi (β0 ) dari data umur dan tinggi pohon di muka. Telah dihitung β0 = 0, 1443 dan β1 = 0, 6432 (atau a dan b dalam notasi di muka) serta s2 = 0, 1087092 q
Data kategorik
Interval konfidensi 95% untuk β0 : β0 ± t(α/2,n−2) s 0, 1443 ± 0, 2569 atau (−0, 1126; 0, 4012)
n
P
x2P x2 −( x)2 P
biologi kesehatan ilmu-ilmu sosial Data kategorik Tabel data cacah hasil klasifikasi silang (contingency table)
MMS2401:Analisis Regresi – p.189/231
MMS2401:Analisis Data Kategorik – p.190/231
Tabel Kategorik 2 × 2
Uji homogenitas
Uji Hipotesis dalam Tabel kategorik 2 × 2
Dua sampel random masing-masing terdiri dari 100 pria dan 100 wanita. Diajukan pertanyaan, "Apakah anda setuju wanita mempunyai hak dan kewajiban yang sama dengan pria?"
Uji homogenitas (dua sampel)
Uji independensi (satu sampel) baris b1 b2 Total
kolom k1 k2 a b c d a+c b+d
baris pria wanita Total
total a+b c+d n
MMS2401:Analisis Data Kategorik – p.191/231
kolom setuju tidak 30 70 45 55 75 125
total 100 100 200
MMS2401:Analisis Data Kategorik – p.192/231
Uji homogenitas
Uji homogenitas kolom
baris populasi 1 populasi 2 Total
sukses a c m1 = a + c
gagal b d m2 = b + d
total n1 = a + b n2 = c + d n
H 0 : p 1 = p2 H1 : p1 6= p2
Statistik penguji: W =
H0 : dua populasi tersebut mempunyai probabilitas untuk mendapatkan sukses yang sama H 0 : p1 = p2
n(ad − bc)2 m1 m2 n1 n2
H0 ditolak jika W > χ2(1;α)
MMS2401:Analisis Data Kategorik – p.193/231
Uji homogenitas
MMS2401:Analisis Data Kategorik – p.194/231
Uji Independensi (satu sampel)
H0 : Homogenitas populasi pria dan wanita atau H0 : p1 = p2
baris pria wanita Total
kolom setuju tidak 30 70 45 55 75 125
total 100 100 200
Statistik penguji:
W
=
200(30 × 55 − 70 × 45)2 600 = = 4, 8 75 × 125 × 100 × 100 125
Karena W > χ2(1;0,05) = 3,841 maka H0 ditolak: ada perbedaan sikap antara dua populasi. MMS2401:Analisis Data Kategorik – p.195/231
kolom baris
k1
k2
total
b1
P11
P12
P1. = P11 + P12
b2
P21
P22
P2. = P21 + P22
Total
P.1 = P12 + P22
P.2 = P12 + P22
1
H0 : Independensi antara variabel baris dan kolom H0 : Pij = Pi Pj , i = 1, 2 dan j = 1, 2 Prosedur uji sama seperti uji homogenitas
MMS2401:Analisis Data Kategorik – p.196/231
Tabel Kategorik b × k
Uji Independensi (satu sampel) Dari suatu sampel random yang terdiri dari 200 laki-laki berumur 50 sampai 65 tahun Diperoleh data sebagai berikut: penyakit gula ada tidak ada Total
penyakit jantung ada tidak ada 16 20 32 132 48 152
total 36 164 200
baris B1 ... Bb Total
kolom K1 ... Kk y11 ... y1k ... ... ... yb1 ... ybk m1 ... mk
total n1 ... nb n
H0 : Penyakit jantung dan gula independen Statistik penguji:
W
=
200(16 × 132 − 32 × 20)2 = 10,06 48 × 152 × 36 × 164
Karena W > χ2(1;0,05) = 3,841 maka H0 ditolak: kedua penyakit tersebut tidak independen MMS2401:Analisis Data Kategorik – p.197/231
MMS2401:Analisis Data Kategorik – p.198/231
Tabel Kategorik b × k
Tabel Kategorik b × k
Statistik penguji:
Uji Homogenitas untuk b populasi multinomial X (Oij − Eij )2 W = Eij
baris B1 ... Bb
ij
dengan Oij = yij dan Eij = (ni mj )/n
kolom K1 ... Kk P11 ... P1k ... ... ... Pb1 ... Pbk
total 1 ... 1
H0 : Pi1 = P1 ; . . . ; Pik = Pk , untuk i = 1, . . . , b dimana P1 , . . . Pk P tidak diketahui tetapi kj=1 Pj = 1
H0 ditolak jika W > χ2((b−1)(k−1);α)
MMS2401:Analisis Data Kategorik – p.199/231
MMS2401:Analisis Data Kategorik – p.200/231
Tabel Kategorik b × k : Homogenitas
Tabel Kategorik b × k
Dua sampel random masing-masing terdiri dari 100 pria dan 100 wanita. Diajukan pertanyaan, "Apakah anda setuju wanita mempunyai hak dan kewajiban yang sama dengan pria?"
Uji Independensi
baris pria wanita Total
kolom setuju tidak 30 70 (37,5) (62,5) 45 55 (37,5) (62,5) 75 125
total 100 100
= = =
K1 P11 ... Pb1 P.1
kolom ... Kk ... P1k ... ... ... Pbk ... P.k
total P1. ... Pb. 1
H0 : Independensi antara dua kategorisasi (variabel) H0 : Pij = Pi Pj , i = 1, . . . , b dan j = 1, . . . , k
200
Statistik penguji: W
baris B1 ... Bb Total
X (Oij − Eij )2 Eij ij
(30 − 37, 5)2 (70 − 62, 5)2 (45 − 37, 5)2 (55 − 62, 5)2 + + + 37, 5 62, 5 37, 5 62, 5 4,8 MMS2401:Analisis Data Kategorik – p.201/231
MMS2401:Analisis Data Kategorik – p.202/231
Uji Goodness of fit
Uji Goodness of fit
GOF distribusi multinomial
Dalam suatu eksperimen persilangan dua macam tanaman, Mendel memperoleh hasil seperti tabel di bawah. Menurut teorinya, perbandingannya adalah 9:3:3:1. Apakah hasil ini cenderung bertentangan dengan Teori Mendel? Macam tanaman yi npi pi
p(n1 , n2 , . . . , nc−1 ) =
n! π1 n1 π2 n2 . . . πc nc n1 !n2 ! . . . nc !
H0 : frekuensi observasi {y1 , y2 , . . . , yk } berdistribusi multinomial π 1 π2 . . . π c
bulat dan kuning
315 312,75 9/16
bulat dan hijau
108 104,25 3/16
berkeriput dan kuning 101 104,25 3/16 berkeriput dan hijau jumlah MMS2401:Analisis Data Kategorik – p.203/231
32 556
34,75 1/16 556
1 MMS2401:Analisis Data Kategorik – p.204/231
Uji Goodness of fit
Uji Goodness of fit
H0 : frekuensi observasi {y1 , y2 , . . . , yk } berdistribusi multinomial 9 3 3 1 16 , 16 , 16 , 16
Uji Multinomial dengan parameter diestimasi Bila probabilitas π1 π2 . . . πc tidak sepenuhnya diketahui tetapi bergantung pada parameter-parameter θ1 , θ2 , . . . , θq yang tidak diketahui (q < c − 1)
Statistik penguji W =
P (Oi −Ei )2 Ei
= 0, 47
Kriteria penolakan χ2 (3, 0, 05) = 7, 815 H0 tidak ditolak, data frekuensi pada tabel sesuai dengan teori Mendel
H0 : πi = fi (θ1 , θ2 , . . . , θq ),
i = 1, 2, . . . , c
Statistik penguji W ∼ χ2c−1−q
MMS2401:Analisis Data Kategorik – p.205/231
MMS2401:Analisis Data Kategorik – p.206/231
Uji Goodness of fit
Uji Goodness of fit
Menurut teori genetika, keturunan suatu perkawinan tertentu akan termasuk dalam salah satu dari tiga kelompok di bawah ini dengan probabilitas sbb.: Kelompok G1 G2 G3 2 Prob. θ 2θ(1 − θ) (1 − θ)2 dengan 0 < θ < 1 dan θ tidak diketahui
H 0 : p1 = θ 2 , diketahui
MMS2401:Analisis Data Kategorik – p.207/231
p2 = θ(1 − θ),
p3 = (1 − θ)2
2y1 + y2 y1 y2 θˆ = = + 2n n 2n
Kelompok Prob. yi
G1 θ2 12
G2 2θ(1 − θ) 56
G3 (1 − θ)2 32
MMS2401:Analisis Data Kategorik – p.208/231
Latihan
Soal Latihan
Sebuah dadu dibuat sedemikian rupa sehingga probabilitas kemunculan mata dadu itu adalah sebagai berikut: sisi mata dadu probabilitas
1 0,13
2 0,18
3 0,18
4 0,16
5 0,15
6 0,20
1. Sebutkan anggota ruang sampel eksperimen di atas! 2. Berapa probabilitas peristiwa A = kemunculan mata dadu genap? 3. Mata dadu apa yang paling sering muncul, bila dadu tersebut dilempar banyak kali (1000 kali, misalnya)? 4. Apabila ditentukan variabel random X adalah angka dari mata dadu yang muncul pada pelemparan dadu tersebut, tunjukkan bahwa tabel di atas merupakan distribusi probabilitas!
1. Rata-rata pengunjung yang masuk ke sebuah toko adalah 120 orang/jam. Dengan menggunakan asumsi bahwa banyak pengunjung yang masuk berdistribusi Poisson, hitunglah: a. probabilitas bahwa dalam interval waktu 2 menit tidak ada pengunjung yang masuk ke toko tersebut. b. interval waktu yang digunakan sedemikian sehingga probabilitas bahwa tidak ada pengunjung yang masuk ke toko adalah 0,5 2. Dalam distribusi sampling statitistik mean, agar nilai σX¯ menjadi 1/4 nilai semula, n harus diperbesar berapa kali ?
5. Hitunglah harga harapan dan variansi dari X! MMS2401:Analisis Data Kategorik – p.209/231
MMS2401:Analisis Data Kategorik – p.210/231
Soal Latihan
Soal Latihan
3. Populasi Koala (Sejenis beruang di Australia) diketahui mempunyai tinggi rata-rata 20 inci dengan deviasi standar 4 inci. Diambil sampel 64 Koala secara random dari populasi tersebut. Hitung probabilitas bahwa rata-rata sampel tinggi Koala terletak di antara 20 dan 21 inci.
5. Dari suatu sampel dengan 45 observasi diperoleh interval konfidensi 95% untuk mean populasinya adalah 12, 9 ≤ µ ≤ 17, 11. Hitunglah mean dan variansi sampel.
4. Sebuah penelitian tentang sumber makanan baru melaporkan bahwa satu kilogram suatu jenis ikan tertentu dapat menghasilkan rata-rata lebih dari 2,41 ons FPC (fish protein concentrate) yang d apat digunakan untuk membuat produk makanan (misalnya tepung). Data yang dikumpulkan dari 30 sampel ikan, diperoleh rata-rata 2,44 ons FPC dengan deviasi standar 0,07 ons. Ujilah pernyataan/laporan di atas dengan ? (α = 0, 01)
MMS2401:Analisis Data Kategorik – p.211/231
6. Suatu perusahaan elektronik menyatakan bahwa paling tidak 95 % dari produknya memenuhi persyaratan pemerintah. Sampel dengan 400 produk dikumpulkan untuk menguji pernyataan tersebut, dan 45 produk tidak memenuhi persyaratan. Kesimpulan apa yang diperoleh ? Gunakan α = 0.05.
MMS2401:Analisis Data Kategorik – p.212/231
Latihan
Latihan
7. Dalam suatu eksperimen plant breeding dengan dua tipe bunga A dan B. Probabilitas terjadinya tipe A diharapkan lebih besar dari 7/16. Seorang ahli melakukan eksperimen dengan 100 kuntum bunga dan mendapatkan bahwa separuhnya adalah tipe A, dengan menggunakan α = 0,01; kesimpulan apakah yang dapat kita tarik?
8. Suatu jenis tikus tertentu yang mendpatkan makanan biasa menunjukkan kenaikan rata-rata 65 gram selama tiga bulan pertama dari hidupnya. Suatu sampel random dengan 40 ekor tikus seperti itu diberi makanan dengan protein tinggi dan menunjukkan kenaikan berat rata-rata 82 gram dengan deviasi standar 17,6 gram selama tiga bulan pertama hidupnya. Apakah fakta cukup mendukung dugaan bahwa makanan yang berprotein tinggi akan memperbesar kenaikan berat tikus?
MMS2401:Analisis Data Kategorik – p.213/231
MMS2401:Analisis Data Kategorik – p.214/231
Latihan
Latihan
9. Suatu perusahaan alat elektronik ingin menguji dua macam kualitas hasil produksinya. Untuk ini diadakan percobaan-percobaan dan diperoleh hasil sebagai berikut: 10 produk kualitas A mempunyai tahan hidup rata-rata 2600 jam dengan deviasi standar 300 jam. Sedangkan 15 produk kualitas B mempunyai tahan hidup rata-rata 2400 jam dengan deviasi standar 250 jam. Berdasarkan hasil percobaan di atas, apakah kita percaya bahwa kedua kualitas produk elektronik itu berbeda tahan hidupnya? (Anggap distribusi kedua populasi normal dengan variansi sama).
10. Seorang Zoologist ingin menggunakan tikus yang berat waktu lahirnya mempunyai variabilitas yang rendah. Tersedia dua jenis tikus yang berbeda. Dia mengambil sampel random dengan 10 jenis pertama dan 16 jenis kedua. Diperoleh S12 = 0,36 gram dan S22 = 0,87 gram. Apakah variabilitas dua jenis tersebut berbeda? (α = 0,02)
MMS2401:Analisis Data Kategorik – p.215/231
MMS2401:Analisis Data Kategorik – p.216/231
Latihan
Latihan
11. Suatu stimulan akan diuji akibatnya terhadap tekanan darah. Dua belas orang laki-laki diambil secara random dari laki-laki dalam kelompok umur 30 - 40 tahun. Tekanan darah mereka diukur sebelum dan sesudah diberi stimulan. Hasilnya adalah sbb.: Tekanan darah sebelum dan sesudah (mmHg)
12. Ada hipotesis yang menyatakan bahwa untuk sepasang bayi kembar, berat badan bayi yang lahir kemudian lebih berat dari bayi yang lahir sebelumnya. Apabila kita ingin menguji pernyataan tersebut, uji statistik apa yang digunakan?
orang ke-
1
2
3
4
5
6
7
8
9 10 11 12
sebelum 120 124 130 118 140 128 140 135 126 130 126 127 sesudah 128 130 131 127 132 125 141 137 118 134 129 130 Hitung interval konfidensi 95% untuk rata-rata selisih tekanan darah sesudah dan sebelum stimulan untuk semua orang laki-laki dalam kelompok 30 - 40 tahun.
MMS2401:Analisis Data Kategorik – p.218/231
MMS2401:Analisis Data Kategorik – p.217/231
Latihan
Latihan
13. Suatu survei menyatakan bahwa dalam suatu daerah tertentu 20 % rumah tangga berada di bawah garis kemiskinan. Suatu program pengentasan kemiskinan dilaksanakan pada daerah tersebut. Untuk mengetahui apakah program tersebut berhasil, sampel sebesar 400 rumah tangga diambil dari daerah tersebut, 68 rumah tangga dinyatakan berada di bawah garis kemiskinan. Berhasilkah program ini ? (α = 0.05)
14. Sebuah program diet untuk mengurangi berat badan diterapkan pada 12 pria dan 14 wanita. Diperoleh hasilnya sebagai berikut (dalam kg): Wanita X1 109 135 88 118 132 154 121 146 129 94 104 116 136 142 X2 Pria
85 105 54 85 105 123 98 115 97 64 69 89 115 106
Y1 137 127 106 127 122 109 121 115 93 118 139 113 Y2 118 99 79 109 99 83 105 98 75 95 117 92
( X1 , X2 adalah berat wanita sebelum dan sesudah melakukan diet ; Y1 , Y2 adalah berat pria sebelum dan sesudah melakukan diet).
a. Apakah program diet tersebut berhasil secara umum (tanpa memandang pria atau wanita)? (α = 0, 05) b. Bila ingin diketahui program diet tersebut lebih baik untuk wanita atau pria, inferensi statistik apakah yang dapat digunakan? MMS2401:Analisis Data Kategorik – p.219/231
MMS2401:Analisis Data Kategorik – p.220/231
Latihan
Latihan
15. Dari sampel random n = 25 bola lampu, diperoleh tahan hidup rata-rata 1,85 tahun dan standar deviasi 0,5 tahun.
16. Ingin diketahui mean berapa lama seorang mahasiswa melakukan chatting di internet. Untuk itu itu akan dilakukan survei di beberapa warung internet di kampus. Penelitian pendahuluan menunjukkan bahwa standar deviasi dari lama chatting adalah 67 menit dan berdistribusi Normal. Bila kesalahan estimasi interval survei ini tidak boleh lebih dari 10 menit dengan tingkat konfidensi 95%, berapa ukuran sampel yang harus digunakan?
a. Hitunglah interval konfidensi 95% untuk rata-rata tahan hidup bola lampu b. Hitunglah interval konfidensi 90% untuk variansi tahan hidup bola lampu c. Apabila n = 64, hitunglah interval konfidensi 90% untuk variansi tahan hidup bola lampu
MMS2401:Analisis Data Kategorik – p.221/231
MMS2401:Analisis Data Kategorik – p.222/231
Latihan
Latihan
17. Ingin diketahui apakah suatu metode pembiakan tanaman pisang yang menggunakan cara modern menghasilkan pisang dengan berat yang lebih besar daripada pisang yang dikembangkan dengan cara tradisional. Diperoleh informasi sebagai berikut:
18. Apakah cukup bukti yang menyatakan bahwa lebih dari 30% mahasiswa baru gagal memenuhi standar pengethauna dan pemahaman matematika jika 60 mahasiswa baru dari sampel 130 mahasiswa gagal memenuhi standar? (α=0.01)
Jenis pisang cara tradisional cara modern banyak sampel 100 120 rata-rata pertandan 4,2 kg 4,8 kg deviasi standar 1,2 kg 0,9 kg a. Ujilah apakah terdapat perbedaan nyata dari hasil kedua metode pembiakan tersebut (α = 3%). Anggap kedua variansinya sama. b. Jika variansinya tidak diketahui apakah sama atau tidak, uji apakah yang dapat saudara gunakan untuk menguji kesamaan dua variansi? Dengan menganggap kedua populasi berdistribusi normal, tulislah hipotesis dan uji statistiknya
MMS2401:Analisis Data Kategorik – p.223/231
MMS2401:Analisis Data Kategorik – p.224/231
Latihan
Latihan
19. Suatu alat pengukur tekanan darah elektronik akan diuji ketepatan hasil pengukurannya. Bila hasil pengukuran tekanan darah sama atau mendekati hasil pengukuran alat ukur standar maka alat pengukur elektronik ini dinyatakan dapat dipakai. Dari 15 orang yang terpilih sebagai sampel dilakukan dua kali pengukuran masing-masing dengan alat ukur tekanan darah standar dan dengan alat ukur elektronik. Diperoleh hasil pengukuran tekanan darah diastolik sebagai berikut:
20. Diketahui data gizi dan berat badan 50 anak usia 4-5 tahun di suatu desa seperti pada tabel berikut n status gizi berat badan (kg) rata-rata deviasi std. 35 baik 13,5 2,5 15 buruk 7,5 1,5
alat standar 68 82 94 106 92 80 76 74 119 93 86 65 74 84 100 alat elektronik 72 84 89 100 97 88 84 70 103 84 86 63 69 87 93
Apakah alat pengukur tekanan darah elektronik ini dapat dipakai? (α=0,05)
a. Hitunglah interval konfidensi 95% untuk proporsi anak dengan gizi buruk! b. Hitunglah interval konfidensi 95% untuk mean berat anak dengan status gizi baik! c. Statistik penguji apakah yang dapat digunakan untuk inferensi mean berat anak dengan status gizi buruk? Jelaskan!
MMS2401:Analisis Data Kategorik – p.225/231
MMS2401:Analisis Data Kategorik – p.226/231
Latihan
Latihan
21. Dengan menggunakan tabel Normal standar hitunglah:
22. Suatu desain mobil diperkirakan akan menurunkan konsumsi bahan bakar sekaligus variabilitasnya. Sampel random dengan 16 mobil biasa diperoleh deviasi standar untuk konsumsi bahan bakar (liter per 100 km) sebesar 3,1. Sedangkan sampel random dengan 12 mobil desain ini diperoleh deviasi standar 1,8. Dengan asumsi sampel berasal dari distribusi normal ujilah bahwa desain mobil baru tersebut memang dapat menurunkan variabilitas konsumsi bahan bakar (α = 0,05).
a. P (−2 ≤ Z ≤ 1.5) b. P (Z ≥ 1)
c. k , jika diketahui P (0 ≤ Z ≤ k) = 0,4236
d. P (µ − σ ≤ X ≤ µ + σ)
e. k yang memenuhi P (X ≤ k) = 0,05
dengan Z adalah variabel random normal standar dan X adalah variabel random dengan mean µ dan variansi σ 2
MMS2401:Analisis Data Kategorik – p.227/231
MMS2401:Analisis Data Kategorik – p.228/231
Latihan
Latihan
23. Diperoleh pengukuran banyaknya sedimen pada suatu danau dalam tiga lokasi yang berbeda sebagai berikut:
24. Ingin diselidiki hubungan antara kolesterol dengan indeks berat tubuh (body mass index, BMI). Diperoleh data dari 30 orang sebagai berikut:
Lokasi 2 3,1 11,9 10,3 4,9 6,2 7,4 12,7 4,9
Lokasi 3 6,6 7,8 13,0 3,9 6,6 9,8 10,5 14,2
Plot antara kolesterol (Y ) dengan BMI (X): 10 9 8 Kolesterol (Y )
Lokasi 1 7,3 2,1 5,5 6,4 4,5 2,0 9,3 7,0
Ujilah apakah ada perbedaan banyaknya rerata sedimen diantara tiga lokasi tersebut. Jika ada perbedaan, lokasi mana yang mempunyai rerata sedimen terbesar?
7 6 5 4 3 2 18 19 20 21 22 23 24 25 26 27 28 29 30 Body Mass Index (X)
MMS2401:Analisis Data Kategorik – p.229/231
Latihan Lanjutan: Ringkasan data: P P P X = 695, 4; Y = 180, 15; XY = 4221, 971; P 2 P 2 X = 16268, 56; Y = 1131, 504
a. Hitunglah estimasi garis regresi dari data tersebut di atas. b. Hitunglah interval konfidensi 95% untuk kemiringan garis regresi (β1 ). c. Salinlah plot antara kolesterol (Y ) dengan BMI (X ) di atas kemudian buatlah garis regresi yang diperoleh dari (a) pada plot tersebut. Berilah komentar tentang hubung-an antara kolesterol dan BMI.
MMS2401:Analisis Data Kategorik – p.231/231
MMS2401:Analisis Data Kategorik – p.230/231