1

BAB I
PENDAHULUAN

A. Latar Belakang
Menemukan distribusi probabilitas untuk menggambarkan (dan
memperkirakan) data empiris adalah satu sumbangan yang sangat penting yang
dilakukan statistisi kepada ilmuwan peneliti. Telah banyak model seperti itu
yang digunakan dalam praktik: distribusi eksponensial menggambarkan dengan
baik tahan hidup tabung radar; distribusi binomial merupakan pilihan yang baik
sebagai model untuk banyak respons yang benar dalam eksperimen ESP; ada
alasan tertentu mengapa distribusi gamma cocok sebagai model data curah
hujan; dan distribusi Poisson cocok untuk model banyak partikel alpha yang
dipancarkan dari suatu sumber radioaktif. Namun demikian, distribusi normal
adalah model probabilitas yang paling banyak digunakan dalam statistika.
Distribusi ini mempunyai fungsi probabilitas
()

/]
Fungsi probabilitas ini sudah berumur lebih dari 250 tahun. Pada saat ini
kita telah mengenal distribusi ini sebagai diturunkan dari dua sumber. Pertama,
banyak fenomena di dunia ini yang bertingkah seperti distribusi normal yang
digambarkan oleh fungsi probabilitasnya. Alasan kedua, dan yang lebih terasa,
adalah teorema limit pusat. Prosedur inferensi yang paling luas pemakaiannya
didasarkan atas rata-rata variabel random independen dan berdistribusi identik
2

yang cenderung mendekati distribusi normal. Apabila ukuran sampel n cukup
besar, hampir semua prosedur inferensi dapat disederhanakan menjadi
pernyataan probabilitas tentang variabel normal yang sesuai.
Pada makalah ini akan diulas mengenai beberapa masalah yang lebih
mendasar tentang uji hipotesis dan penaksiran yang berkaitan dengan distribusi
normal. Dalam makalah ini akan dibahas mengenai beberapa bahasan dasar
mengenai inferensi statistik dengan model distribusi normal, yaitu: taksiran
titik untuk dan

, kombinasi linier variabel random normal, teorema limit

pusat, distribusi

: inferensi untuk

, distribusi F dan distribusi t, dan uji t

satu sampel.

B. Tujuan
Tujuan dari penulisan makalah inferensi statistik dengan model distribusi
normal adalah untuk:
1. Mengetahui taksiran titik untuk dan

.
2. Mengetahui kombinasi linier variabel random normal.
3. Mengetahui teorema limit pusat.
4. Mengetahui distribusi

: inferensi untuk

.
5. Mengetahui distribusi F dan distribusi t.
6. Mengetahui uji t satu sampel.



3

C. Manfaat
Adapun manfaat yang diharapkan setelah membaca makalah ini yaitu:
1. Agar pembaca dapat mengetahui taksiran titik untuk dan

.
2. Agar pembaca dapat mengetahui kombinasi linier variabel random normal.
3. Agar pembaca dapat mengetahui teorema limit pusat.
4. Agar pembaca dapat mengetahui distribusi

: inferensi untuk

.
5. Agar pembaca dapat mengetahui distribusi F dan distribusi t.
6. Agar pembaca dapat mengetahui uji t satu sampel.















4

BAB II
PEMBAHASAN

Dalam kehidupan sehari-hari banyak sekali hal-hal yang dapat diperkirakan
dengan menggunakan statistika. Statistika sangat penting penggunaannya dan
pengaplikasiannya dalam kehidupan, terutama dalam penelitian. Dalam
pembahasan ini, akan dibahas mengenai teori-teori dan penjabarannya dalam
distribusi normal.

A. Taksiran Titik Untuk dan

Data kuantitatif biasa dapat disajikan dalam bentuk suatu distribusi
frekuensi atau histogram. Bila data yang didapat makin banyak dan intervalnya
makin sempit, maka gambaran histogram akan terlihat sebagai suatu kurva
yang halus. Selanjutnya kita dapat menggambarkan histogram tanpa terlihat
gambaran batang-batangnya dan tampak hanya sebagai sebuah kurva semata.
Kurva yang didapat secara teoritis menggambarkan distribusi sebagian besar
variabel yang bersifat kontinu. Salah satu bentuk kurva distribusi yang paling
penting adalah Distribusi Normal
Distribusi Normal adalah suatu distribusi empirik atau teoritis, yang
meskipun sudah banyak digunakan dalam bidang statistik tetapi masih
merupakan suatu misteri pada banyak orang. Distribusi Normal disebut juga
distribusi Gauss (Carl Friedrich Gauss, seorang ahli matematik yang banyak
memberikan andil pada pengembangannya pada permulaan abad 19). Kata
5

'normal' disini tidak diartikan sebagai kata-kata dalam bahasa inggris 'normal'
yang berarti 'ordinary atau common' dan tidak juga seperti terminology
kedokteran sebagai 'tidak sakit',, namun merupakan suatu model matematik
yang menggambarkan penyebaran probabilitas dari pengamatan yang tidak
terbatas dan diukur terus menerus.
Probability density function dari distribusi normal adalah simetris
terhadap nilai rata-rata (mean) dan dispersi terhadap nilai rata-ratanya diukur
dengan nilai standard deviasi. Dengan kata lain parameter distribusi normal
adalah mean dan standard deviation.
Distribusi normal adalah model probabilitas yang paling banyak
digunakan dalam statistika. Distribusi normal ini mempunyai fungsi
probabilitas ()

)1
Distribusi Normal adalah model distribusi kontinyu yang paling
penting dalam teori probabilitas. Distribusi Normal diterapkan dalam berbagai
permasalahan. Distribusi normal memiliki kurva berbentuk lonceng yang
simetris. Dua parameter yang menentukan distribusi normal adalah rataan /
ekspektasi () dan standar deviasi ().
Secara teoritis metode maximum likelihood adalah sangat penting,
karena penaksir yang diperoleh dengan metode ini biasanya mempunyai sifat-
sifat baik. Tetapi praktis kadang-kadang sulit diterapkan, karena untuk f(x; )
tertentu persamaan likelihood yang timbul untuk menghitung penaksirnya
berbentuk tak linier yang penyelesaiannya hanya dapat diselesaikan dengan
6

secara pendekatan. Dalam keadaan seperti ini kadang-kadang metode momen
dapat diterapkan secara baik. Meskipun penaksir yang diperoleh dengan
metode momen tidak selalu sufisen atau tak bias, namun biasanya dapat
diperoleh dengan hitungan yang cukup mudah.
Pendugaan Metode maksimum likelihood adalah metode yang
memaksimumkan fungsi kemungkinan. Misalkan X1, X2, ..., Xn menyatakan
contoh acak yang diambil dari suatu fungsi kepadatan probabilitas yang
dinyatakan dengan f(x, ), dimana adalah parameter fungsi kepadatan
tersebut, maka fungsi likelihood adalah: Parameter dari model faktor yang akan
diduga dengan metode maksimum likelihood adalah faktor loading () dan
faktor unik (). Faktor loading adalah matriks koefisien pengaruh antara
variabel dengan faktor; dengan entri konstanta yang belum diketahui, faktor
unik adalah vektor yang tidak dapat diukur secara langsung tetapi berhubungan
dengan variabel observasi. Masalah yang timbul sekarang adalah bagaimana
cara menduga parameter-parameter dalam analisis faktor tersebut, upaya
pendugaan parameter-parameter model tersebut memerlukan teknik analisis
statistika yang mampu memberikan solusi bagi permasalahan yang ada.
Misalkan x
1
, x
2
, . . . , x
n
sampel random dari f(x;) dan L adalah fungsi
probabilitas bersamanya.
L = ) ; (
~
u x f = f (x
1
; ) . f (x
2
; ) . . . f (x
n
; )
=
) ; (
1
u
t i
n
i
x f
=

7

Guna tujuan menentukan penaksir untuk , fungsi probabilitas
bersama ini sebagai fungsi parameter . sehingga dapat ditulis :
L = L () = ) ; (
~
x L u =
) ; (
1
u
t i
n
i
x f
=


Misalkan x
1
, x
2
, . . . , x
n
sampel random dari f(x;). Apabila L, yakni
fungsi probabilitas bersama x
1
, x
2
, . . . , x
n
, difikirkan sebagai fungsi dan x
1
,
x
2
, . . . , x
n
sebagai bilangan tertentu, maka :



dinamakan fungsi likelihood.
Misalkan x
1
, x
2
, . . . , x
n
sampel random dari f(x;) dan L() adalah
fungsi likelihood-nya. Setiap nilai w = h(x
1
, x
2
, . . . , x
n
) yang maksimumkan
L(), yakni L(w) L(), untuk semua w dinamakan penaksir maximum
likelihood (PML) untuk q. Sering ditulis dengan w = u

k
p
1
=

Bukti :
[
=
= =
n
1 i
) ; x ( f ) ( L L u u
8

n
n k
p p k p L
i

=

) 1 ( ) ; (



1 ) 1 (
) 1 (
+

=
c
c

p
n
p
n k
p
l
i




Persamaan Likelihoodnya :
0
) 1 (
1
= +

=
p
n
p
k n
n
i
i

( )
0
) 1 (
1
1
=

+ |
.
|

\
|

=
p p
n p k n p
n
i
i

0
) 1 (

1
=

=
p p
p n n k p p n
n
i
i

( ) p n p n k k p l
i
log ) 1 log( ) ; ( log + = =

p
n
p
k n
i
+

=

) 1 (
9

0
) 1 (

1
=

=
p p
n k p
n
i
i

0
1
= +

=
n k p
n
i
i

=
n
i
i
k
n
p
1

=
=
n
i
i
k
n
p
1

k k n
n
p Jadi k k k k
n
n
i
i
1
, . ,..., ,
2 1
1
=

=
(terbukti)
Contoh:
Misalkan
n
x x x ,..., ,
2 1
sample random dari distribusi normal ( )
2
,o N
( )
( )
2
2
2
2
2
1
, ;
o

o t
o

=
x
e x f

Fungsi Likelihoodnya :
10

( )
( )
2
2
1
2
2
exp
2
1
; ,
o

o t
o

=
[
=
x
x L
n
i


( )
( )

=
=

n
i
i
x
n
e
1
2
2
1
2
1
2
2

o
o t

Log Likelihoodnya :
( )

=
= =
n
i
i
x n x L x l
1
2
2
2 2 2
2
1
) 2 ( log
2
1
) ; , ( log ) ; , (
o
o t o o
a. ( ) 0
1
0
1
2
= =
c
c

=
n
i
i
x
l

o
(persamaan Likelihood untuk )
b. ( )

=
= + =
c
c
n
i
i
x
n l
1
2
2 2 2
0
2
1
2
0
o o o
(persamaan Likelihood
untuk
2
o )
c. Dari persamaan Likelihood untuk :
( ) ( )

= =
= =
n
i
n
i
i i
x x
1 1
2
0 0
1

o

0
1 1
=

= =
n
i
n
i
i
x


= =
=
n
i
n
i
i
x
1 1

=

=
n x
n
i
i
1

11

x x
n
n
i
i
= =

=1
1

d. Dari persamaan Likelihood untuk
2
o :
( ) ( )
2
1
2
4
1
2
4 2
2 2
1
0
2
1
2 o

o o
n
x x
n
n
i
i
n
i
i
= = +

= =

( ) n
n
x
n
i
i
2
1
2
4
2
2
2
o
o
o
= =

=

( )

=
=
n
i
i
x n
1
2 2
o
( )

=
= =
n
i
i
x x x
n
1
2
2
,
1
o
Teorema 1 (Batas Bawah Cramer-Rao) :
Misalkan x
1
, x
2
, . . . , x
n
adalah sampel random dari f(x;). Misalkan
pula W = h(x
1
, x
2
, . . . , x
n
) suatu penaksir tak bias untuk . Jika f(x;)
memenuhi :
} }
c
c
=
c
c
dx x f dx x f ) ; ( ) ; (
2
2
2
2
u
u
u
u

Maka
Var(W)
(

c
c

c
c
2
2 2
) ; ( log
1
) ; ( log
1
u
u
u
u
x f
nE
x f
nE

12

!
) 1 (
) 1 (
1
) (
1
) (
2 2
n
p p
p p n
n
X Var
n
W Var

= = =
Bukti :
Diketahui
x x
p p p x f

=
1
) 1 ( ) ; ( ; ) ; ( ) ( p x f x f =
Misal x
1
, x
2
, x
3
, .., x
n
adalah sample random dari distribusi
Bernoulli tersebut di atas, di mana salah 1 penaksir tak bias untuk p adalah
n
x
W = ; di mana

=
=
n
j
j
x x
1
yaitu banyak sukses dalam sample berukuran n.
Jika, ) (
1
) (
2
X Var
n
W Var = , maka ( )
2 2
) ( ) ( ) ( x E x E x Var = .


= =
n
x
n
x
x x
p p x x f x x E
1
) 1 ( ) ( ) (

=


n
x
x x
p p p x
1 1
) 1 (

=

n
x
x
p x p
1

Misal m = n 1 dan y = x 1

=

= = =
0
1 ) 1 ( ) (
y
y y
p p p p x p x E


( )
2
2
) ( ) ( ) ( x E x E x Var =
=
) 1 (
2
p p p p =

13

Karena
=
=
n
j
j
x x
1
, maka

=
=
n
j
j
x Var x Var
1
) ( ) (

Taksiran titik:
Misal x
1
, x
2
, x
3
, .., x
n
adalah sample random dari distribusi
N(;
2
). Taksiran maksimum likelihood untuk dan
2
adalah
x x
n
n
i
= =

1

;
dan

=
n
j
x x
n
) (
1
o

Bukti
Fungsi likelihood x
1
, x
2
, x
3
, .., x
n
dapat ditulis
L(;
2
) =
[
=
n
i
i
x f
1
2
) , ; ( o

=
2
1
2
) )(
2
1
(
2
2
1

o
to
x
e
..
2
2
) )(
2
1
(
2
2
1

o
to

n
x
e

( )
( )

=
=
|
.
|

\
|

n
i
i
x n
e
1
2
2
2
1
2
2
2

o
to

14

Selanjutnya,
( ) ( )

=
= =
n
i
i
x
n
L
1
2
2
2 2
) (
2
1
2 log
2
; log 1
o
to o

Menyamakan kedua derivative parsial dengan nol memberikan
( )

=
= =
|
|
.
|

\
|
c
c
n
i
i
x
1
2
0
1 1

o

Dan
( )

=
= + =
|
.
|

\
|
c
c
n
i
i
x
n
1
2
4 2 2
0
2
1
2
1

o o o

Penyelesaian sistem persamaan diatas adalah
x x
n
n
i
= =

1

;
dan

=
n
j
x x
n
) (
1
o

Teorema 2
Misalkan x
1
, x
2
, . . . , x
n
sampel random dari f(x;). Maka
W = h(x
1
, x
2
, . . . , x
n
) adalah statistik sufisen (cukup) untuk jika dan hanya
15

jika fungsi probabilitas bersama x
1
, x
2
, . . . , x
n
terurai menjadi hasil kali fungsi
probabilitas W dan suatu fungsi lain yang tidak tergantung pada . Yakni, W
sufisen jika dan hanya jika :
) , . . . , ( . ) ; ( ) ; ( . . . ) ; (
1 1 n n
x x S w g x f x f u u u =
(x
1
, x
2
, ., x
n
) =
1
|
|
.
|

\
|

x
n
!
Diketahui f(x
1
;p) f(x
n
,p) =

i i
x n x
p p ) 1 (
Misal (x
1
, x
2
, ., x
n
) dalah Bernoulli trials dengan probabilitas sukses
Fungsi probabilitas bersama (x
1
, x
2
, ., x
n
) adalah
f(x
1
;p) f(x
n
,p) =

i i
x n x
p p ) 1 ( dan

=
=
n
i
i
x x
1
berdistribusi
binomial dengan parameter n dan p, dengan fungsi probabilitas :

|
|
.
|

\
|
=
|
|
.
|

\
|
=

x n x
x n x
p p
x
n
p p
x
n
p x g ) 1 ( ) 1 ( ) ; ( . Dari criteria Fisher
Neyman W = h (x
1
, , x
n
) adalah statistic sufisen untuk u jika dan hanya jika
fungsi probabilitas bersama x
1
, , x
n
terurai menjadi hasil kali fungsi
probabilitas W dan suatu fungsi lain yang tidak bergantung pada u atau W
sufisen jika dan hanya jika f(x
1
; u) f(x
n
, u) = s g ) ; ( u e (x
1
, .,x
n
). Sehingga
dari jawaban sebelumnya f(x
1
; p) f(x
n
, p) = (x
1
, .,x
n
) yang
menunjukkan bahwa W = X adalah sufisen untuk p.
s p g ) ; (e
16

Bukti:



1
2 1
) ,..., , (

|
|
.
|

\
|
=

x
n
x x x s
n
(terbukti)

Taksiran titik:
Misalkan X
1
, X
2
, . . . , X
n
sampel random dari distribusi (

)
penaksir maksimum Likelihood

tak bias, efisien dan konsisten untuk . Jika

diketahui

juga sufisen.
Bukti:
Untuk menunjukkan bahwa

efisien, dapat diperhatikan bahwa

(

dan

) ,...., , ( ) 1 ( ) 1 (
2 1 n
X n X X n X
x x x s p p
x
n
p p
i i

|
|
.
|

\
|
=

|
|
.
|

\
|

X n X
X n X
n
p p
x
n
p p
x x x s
i i
) 1 (
) 1 (
) ,..., , (
2 1
|
|
.
|

\
|
=

x
n
1
17

Maka batas bawah Cramer-Lao bagi variansi penaksir tak bias untuk
adalah

Ini sama dengan variansi penaksir maximum likelihood, yakni
(

. Jadi

efisien untuk .
Pertidaksamaan Chebyssher dapat digunakan untuk membuktikan
bahwa

konsisten.
(

| )
(

Karena (

, maka
(

| )

Ini berarti bahwa

konvergen secara stokastik ke , yakni konsisten

karena untuk setiap ,

akan berjarak paling tidak ( ) kali

jika,
( )

.
Sufisien

dapat dilihat dari kriterium Fisher-Neyman

18


Teorema 3
Misalkan X
1
, X
2
, . . . , X
n
sampel random dari distribusi (

)
maka,

Penaksir maximum likelihood untuk

, adalah bias dan konsisten.

Apabila juga sufisen diketahui, maka penaksir itu juga sufisen.
Bukti
Akan ditunjukkan bahwa penaksir itu bias.
[

] [

)]
[

)]

)
Tetapi (

dan (

Maka
19

[

Jadi, terbukti bahwa penaksir itu bias.
Dalam praktek,

biasanya tidak ditaksir dengan

dalam teorema 3,
tetapi dengan variansi sampel.

( )

( )
(

Jadi, penaksir tak bias berdasarkan statistik sufisen adalah
(

( )
(

) (

( )
) (

B. Kombinasi Linier Variabel Random Normal
Menemukan distribusi probabilitas untuk menggambarkan dan
memperkirakan data empiris adalah salah satu sumbangan yang sangat penting
yang dilakukan statistisi kepada ilmuan peneliti. Distribusi probabilitas
memiliki berbagai sifat atau karakteristik yang dapat digunakan untuk
mengidentifikasi suatu distribusi. Karakteristik yang biasa digunakan antara
lain rata-rata hitung yang biasa disebut harapan matematis (atau nilai
20

harapan) dan variansi. Harapan matetatis ini menentukan tendensi sentral dari
distribusi probabilitas.
1. Distribusi Uniform
Variabel random X berdistribusi uniform, diasumsikan memiliki
probabilitas yang sama untuk terjadinya dimana saja dalam suatu sub
interval sepanjang d yang ada dlm interval a sampai b.

=
s s

=
lainya x
b x a
a b
x f
; 0
;
1
) (
12
) (
) ( ;
2
) (
2
2
a b
X Var
b a
X E

= =
+
= = o
2. Distribusi Eksponensial
Sering digunakan untuk memodelkan waktu tunggu sampai sebuah
peristiwa terjadi, dan juga untuk memodelkan waktu antar terjadi
peristiwa. Variabel random X berdistribusi Eksponensial dengan parameter
, memiliki fungsi :

=
>
=

lainya x
x e
x f
x
; 0
0 ;
1
) (
/ |
|

2 2
) ( ; ) ( ; 0 | o | | = = = = > X Var X E
3. Distribusi Normal
Variabel random X berdistribusi normal, dengan parameter dan
memiliki fungsi distribusi probabilitas (pdf):
4. Definisi Ekspektasi Matematis
21

Diberikan X sebuah variabel random dengan distribusi probabilitas
f(x). Mean atau nilai (expected value) dari X adalah:

=
x
x xf ) (
jika X diskrit dan
dx x xf ) (
}

=
jika X kontinu

1) Jika X merupakan variabel random yang menunjukkan jumlah hari
perawatan seseorang dengan penyakit demam berdaran di sebuah
rumah sakit, di mana X memiliki fungsi kepadatan sebagai berikut:
( )
lainnya untuk
0

, 0
,
4
32
= f(x)
3
>

+
x
x
tentukan rata-rata waktu perawatan pasien-pasien demam berdarah di
rumah sakit tersebut!
Diberikan variabel random g(X) yang nilainya tergantung
pada X. Jika X merupakan variabel random dengan distribusi
probabilitas f(x), maka nilai harapan dari variabel random g(X) adalah:

) ( ) ( = E[g(X)] = g(X) x f x g

jika X adalah diskrit, dan

}

-
) ( ) ( = E[g(X)] = g(X) dx x f x g

22

jika X kontinu.
Curah hujan di suatu bulan tertentu bervariasi antara 1
sampai 2 desiliter dari curah hujan standar. Tetapkan X sebagai
variabel random yang menunjukkan variasi curah hujan dari standar
(dalam desiliter). Variabel random X ini memiliki pdf:

< <
=
lainnya untuk 0
2 1
3
) (
2
x
x
x f

Diberikan variabel random X dan Y dengan joint probability
distribution f(x,y). Rataan atau nilai harapan dari variabel random
g(X,Y) adalah:

x x
y x f y x g ) , ( ) , ( = Y)] E[g(X, = Y) g(X,

jika X dan Y adalah diskrit, dan

dy dx y x f y x g ) , ( ) , ( = Y)] E[g(X, = Y) g(X,
-
} }

jika X dan Y kontinu.
Tentukan ekspektasi dari fungsi g(X,Y) = Y/X, diberikan

< < < <

+
lainnya untuk 0
1 0 , 2 0
4
) 3 1 (
= y) f(x,
2
y x
y x



23


5. Maksimum Likelihood Estimation pada Regresi Linier dan Regresi
Logistik
Prosedur penaksiran parameter menggunakan metode MLE adalah
berikut :
1. Menuliskan model dugaan.
2. Menuliskan PDF variabel respon setiap eksperimen,
disesuaikan dengan model dugaan.
3. Mengalikan n PDF variabel respon (bila terdapat n
eksperimen); ini merupakan fungsi likelihood.
4. Melakukan operasi ln pada fungsi likelihood.
5. Menurunkan fungsi ln likelihood terhadap parameter
yang akan ditaksir, yaitu : koefisien regresi (|
0
& |
1
)
dan variansi error(o
2
), bila model dugaan adalah mo-
del regresi sederhana.
Penerapan metode MLE pada regresi linier sederhana
1. Model dugaan setiap eksperimen :
Y
i
= |
0
+ |
1
X
i
+ c
i
, c
i
~ N(0,o
2
)
Y
i
~ N(
i
, ,o
2
),
i
= E(Y
i
) = E(|
0
+ |
1
X
i
+ c
i
)
= |
0
+ |
1
X
i

o
2
= var(Y
i
)

24

2. PDF variabel respon setiap eksperimen :
Eksperimen ke PDF

1





2




n
|
|
.
|

\
| +
=
|
|
.
|

\
|
|
.
|

\
|
=
2
2
1 1 0 1
5 , 0 2
2
1 1
5 , 0 2
1
2
)) ( (
exp
) 2 (
1
2
1
exp
) 2 (
1
) (
1
o
| |
to
o

to
X y
y
y f
Y



|
|
.
|

\
| +
=
|
|
.
|

\
|
|
.
|

\
|
=
2
2
2 1 0 1
5 , 0 2
2
2 2
5 , 0 2
2
2
)) ( (
exp
) 2 (
1
2
1
exp
) 2 (
1
) (
2
o
| |
to
o

to
X y
y
y f
Y
.
.
.
|
|
.
|

\
| +
=
|
|
.
|

\
|
|
.
|

\
|
=
2
2
1 0
5 , 0 2
2
5 , 0 2
2
)) ( (
exp
) 2 (
1
2
1
exp
) 2 (
1
) (
o
| |
to
o

to
n n
n n
n Y
X y
y
y f
n


3. Fungsi Likelihood :
L
|
|
.
|

\
| +
=
2
2
1 1 0 1
5 , 0 2
2
)) ( (
exp
) 2 (
1
o
| |
to
X y
X

|
|
.
|

\
| +

2
2
2 1 0 2
5 , 0 2
2
)) ( (
exp
) 2 (
1
o
| |
to
X y
X . . . X

|
|
.
|

\
| +

2
2
1 0
5 , 0 2
2
)) ( (
exp
) 2 (
1
o
| |
to
n n
X y
.
25

|
.
|

\
|
+ =

=
n
i
i i n
X y L
1
2
1 0 2 5 , 0 2
)) ( (
2
1
exp
) 2 (
1
| |
o to


4. ln fungsi likelihood :

+
|
|
.
|

\
|
+ =
+
|
.
|

\
|
+ =
n
i
i i
n
n
i
i i n
X y
X y
L
1
2
1 0
1 2
5 , 0 2
1
2
1 0
2
5 , 0 2
)) ( (
2
) (
) 2 ln(
)) ( (
2
1
) 2 ln( ln
| |
o
to
| |
o
to

lnL maksimum bila

=
+
n
i
i i
X y
1
2
1 0
)) ( ( | | minimum; ini
merupakan jumlah kuadrat error metode least square, sehingga
rumus penaksir koefisien regresi seperti pada metode least square;
termasuk rumus untuk standart error penaksir koefisien regresi.

5. Penurunan fungsi likelihood

0 ) ( ) (
2
1
) 1 (
1
2
)) ( ( ) (
2
1
) 1 (
1
2 ) (
ln
1
2 2 2
2
1
2
1 0
2 2
2 2
= |
.
|

\
|
=
+ |
.
|

\
|
=

n
i
i
n
i
i i
n
X y
n
d
L d
c o
o
| | o
o o


= =

=
|
.
|

\
|
=
n
i
i
n
i
i
n maka
n
1
2 2
1
2 2
2
/ ) ( ) (
2
1 1
2
c o c o
o


Penaksir ini bias, yang tak bias ialah :
) 2 /( ) (
1
2 2
=

=
n
i
i
n c o
Penaksir parameter mejadi takbias bila n besar.
26


Selang kepercayaan parameter didapatkan seperti pada metode
least square, begitu pula dengan pengujian hipo-tesis secara parsial.

Pengujian hipotesis secara sequensial menggunakan sta-tistik
uji perbandingan nilai likelihood. Nilai likelihood ialah nilai yang
didapatkan dengan cara mensubstitusikan nilai penaksir parameter
pada fungsi likelihood.

Distribusi Binomial
Eksperimen binomial memiliki karakteristik:
1. Eksperimen terdiridari n percobaan yang identik.
2. Setiap percobaan berakhir dengan sukses atau gagal.
3. Probabilitas sukses dari setiap percobaan adalah p dan tetap
konstan dari satu percobaan ke yang lainnya. Hal ini menunjukkan
bahwa probabilitas kegagalan, q, dari setiap percobaan adalah 1-p
dan tetap konstan dari satu percobaan ke yang lainnya.
4. Percobaan-percobaan tersebut adalah independen (yaitu, hasilnya
tidak bergantung satu dengan yang lain).
Jika didefinisikan variabel acak (random variable):
27

x = jumlah total kesuksesan pada n percobaan pada eksperimen
binomial.
maka x dinamakan variabel acak binomial, dan probabilitas
mendapatkan x sukses di antara n percobaan adalah

()

( )

Mean, Varians, dan Standard Deviasi dari Variabel Acak Binomial
Jika x adalah variabel acak binomial, maka

x
= np o
x
2
= npq o
x
= \(npq)
2. Variabel Acak Poisson
Variabel ini merupakan variabel acak diskrit yang mendeskripsikan
jumlah terjadinya suatu event pada interval waktu atau ruang
tertentu.
Contoh:
- jumlah pelanggan pada kasir pasar swalayan selama satu jam.
- jumlah noda kotor yang ditemukan pada satu meter persegi
bungkus plastik.

Distribusi Poisson
28

Diperhitungkan jumlah berapa kali suatu event terjadi pada suatu
interval waktu atau ruang, dan anggap bahwa:
1. Probabilitas terjadinya suatu event sama untuk dua interval dengan rentang
yang sama.
2. Terjadi atau tidaknya event tersebut pada suatu interval independen dengan
terjadi atau tidaknya event itu pada interval yang lain.
Probabilitas event tersebut akan terjadi x kali pada suatu interval
tertentu adalah
()

Di mana adalah mean dari jumlah terjadinya event itu pada
interval tertentu, dan e = 2.71828... yang merupapakan basis dari logaritma
Napierian.
Variabel acak Poisson bisa bernilai 0, 1, 1, 3, ... dan seterusnya.
Mean, Varians, dan Standard Deviasi dari Variabel Acak Poisson
Jika x adalah variabel acak Poisson, adalah jumlah rata-rata
terjadinya event pada interval waktu atau ruang tertentu, maka

x
= o
x
2
= o
x
= \()
3. Variabel Acak Geometrik
29

Jumlah kegagalan sebelum sukses yang pertama pada serangkaian
percobaan Bernoulli (1 = sukses; 0 = gagal) yang independen dengan
probabilitas p untuk sukses pada setiap percobaan.
Distribusi geometrik adalah analog diskrit dari distribusi eksponensial.
Distribusi ini merupakan kasus khusus dari distribusi binomial negatif.
Mean = (1-p)/p
Varians = (1-p)/p
2

4. Variabel Acak Binomial Negatif
Jumlah kegagalan sebelm sukses ke-s pada serangkaian percobaan
Bernoulli (1 = sukses; 0 = gagal) yang independen dengan probabilitas p
untuk sukses pada setiap percobaan.
Mean = (s(1-p))/p
Varians = (s(1-p))/p
2



30

VARIABEL ACAK KONTINU
1. Variabel Acak Terdistribusi Seragam
Grafik distribusi seragam (uniform)

Persamaan yang mendeskripsikan distribusi seragam adalah
f(x) = 1/(d-c) untuk c s x s d
= 0 untuk yang lainnya.
Mean dan varians untuk semua nilai variabel acak x yang
terdistribusi seragam:

x
= (c+d)/2 dan o
x
= (d-c)/\12

2. Variabel Acak Normal
Grafik Distribusi Normal

31


Kurva normal simetris di sekitar , dan luas total di bawah kurva
sama dengan 1.
Distribusi probabilitas normal didefinisikan oleh persamaan
()

()

)

dan o adalah mean dan standard deviasi populasi semua nilai
variabel acak x.
t = 3.14159... dan e = 2.71828...
Distribusi Normal Standar
Jika variabel acak x (atau populasi semua nilai x yang ter-
observasi) terdistribusi normal dengan mean dan standard deviasi o,
maka variabel acak
z = (x-)/o
(atau, populasi semua nilai z yang ter-observasi) terdistribusi normal
dengan mean nol dan standard deviasi satu. Distribusi (atau kurva)
32

normal dengan mean nol dan standard deviasi satu ini disebut
distribusi (atau kurva) normal standard.

3. Variabel Acak Eksponensial
Grafik distribusi eksponensial

Misalkan berapa kali suatu event tertentu terjadi pada
interval waktu atau ruang tertentu memiliki distribusi Poisson.
Dapat dibuktikan bahwa waktu atau ruang di antara terjadinya
event yang berurutan memiliki distribusi eksponensial.
Persamaan yang mendeskripsikan distribusi eksponensial adalah
f(x) = e
-x
untuk x > 0
= 0 untuk yang lainnya.
Mean dan standard deviasi dari populasi semua nilai
variabel acak x yang memiliki distribusi eksponensial adalah
33


x
= 1/ dan o
x
= 1/

Variabel Random Kontinu
Variabel Random Kontinyu adalah sebuah variabel random
yang dapat berupa sembarang nilai pada suatu interval yang diamati.
Probabilitas dari variabel random kontinyu X ditentukan oleh
sebuah fungsi densitas, dinotasikan dengan f(x), dan memiliki
beberapa sifat berikut.
f(x) > 0 untuk setiap nilai x.
Probabilitas bahwa X berada diantara dua nilai a dan b
adalah sama dengan luas area dibawah f(x) yang dibatasi oleh a dan
b. Total luas area di bawah kurva f(x) adalah 1.00.
Distribusi Eksponensial
Distribusi eksponensial memiliki kaitan erat dengan distribusi
Poisson (dari proses poisson) jika persoalan didekati dari variabel
interval antar kedatangan.
Dari uraian tentang distribusi poisson diperoleh kemungkinan
tidak ada kedatangan sebagai
t
e p

= ) 0 ( . Kemungkinan ini dapat
diinterpretasikan sebagai kemungkinan bahwa tidak ada kejadian
34

kedatangan pada rentang waktu sampai terjadinya kedatangan pertama
lebih besar dari
t
atau
0 , ) ( ) 0 ( > = > =

t e t T P p
t
.
Untuk variabel random waktu kedatangan T , maka dapat
diperoleh besarnya kemungkinan melalui
0 , 1 ) ( ) ( > = s =

t e t T P t F
t
. Dengan demikian diperoleh
. 0 , ) ( ' ) ( > = =

t e t F t f
t

Definisi:
Sebuah variabel random (kontinyu) X menyatakan interval
waktu antar kedatangan dimana kejadian kedatangan tersebut
mengikuti proses Poisson, dikatakan mengikuti distribusi
eksponensial dengan fungsi distribusi:

lainnya. x 0
0 ) (
=
> =

x e x f
x

Parameter pemusatan dan penyebaran adalah sebagai berikut :
}

=
0
x -
e ) ( dx x X E

/ 1 = dan
( )
2
0
2
/ 1 ) (

=
}

dx e x X V
x

2
/ 1 =
Dalam kasus tersebut, perusahaan harus dapat
memperkirakan ketersediaan (availability) bahwa sebuah peralatan
35

masih dapat bekerja selama paling sedikit 8 minggu. Kemungkinan
bahwa suatu komponen pengaman masih akan berfungsi setelah 8
minggu adalah
}

= >
8
5 /
5
1
) 8 ( dt e T P
t
= e
-8/5
~ 0,2.
Selanjutnya, misalkan X sebagai variabel random yang
menyatakan banyaknya komponen pengaman yang masih berfungsi
setelah 8 minggu dengan kemungkinan p=0.2, dengan menggunakan
fungsi distribusi kemungkinan binomial, dapat diperoleh
kemungkinan paling sedikit dua peralatan dapat beroperasi sebagai
berikut

=
= >
5
2
) 2 . 0 , 5 ; ( ) 2 (
x
x b X P
=1-

=
1
0
) 2 . 0 , 5 ; (
x
x b =
0,68.
Beberapa sifat penting fungsi densitas probabilitas normal:
i. Luas daerah di bawah kurva
}

=1 ) ( dx x f .
Dengan melakukan transformasi linier o / ) ( = x y , akan
diperoleh fungsi distribusi kemungkinan normal standar
2
2
1
2
1
) (
y
e y f

=
t
. Kemudian definisikan bentuk satuan
berikut
dy e I
y
}

=
2
2
1
2
1
t
,
36

dan pertimbangkan sebuah bentuk satuan dari variabel random Z
yang juga mengikuti fungsi distribusi kemungkinan normal
standar dz e I
z
}

=
2
2
1
2
1
t
.
Selanjutnya definisikan perkalian kedua bentuk satuan
tersebut sebagai berikut
dz dy e dz e dy e I
z y z y

2
1
=
2
1
2
1 ) (
2
2 2
2
1 2
2
1 2
2
1
} } } }


+

=
t t t
.
Gunakan transformasi berikut
u u cos dan , sin r z r y = = , maka dapat diperoleh
. 1
2
1
0
2
0 0
2
2
2
1 2
2
1
= = =
} } }

dr e r dr d e r I
r r
u
t
t

Karena 1
2
= I , maka
1
2
1
2
2
1
= =
}

dy e I
y
t
.

ii. Untuk setiap nilai variabel random X, nilai 0 ) ( > x f .
iii. Kurva fungsi distribusi kemungkinan normal bersifat
assymptotic pada kedua sisinya (tail), atau
0 ) ( lim
x
=

x f
dan
0 ) ( lim
x
=

x f
.
iv. Kurva fungsi distribusi kemungkinan normal simetris di kiri dan
kanan lokasi pemusatan

, atau
( ) | | ( ) | | = + x f x f
.
37

v. Nilai maksimum (modus) dari kurva fungsi distribusi
kemungkinan normal ) (x f berada pada lokasi pemusatan
= x .
vi. Titik belok (point of onflections) dari kurva fungsi distribusi
kemungkinan normal ) (x f berada pada titik-titik o = x
Kurva memiliki bentuk cekung dari bawah untuk

-
o
<x< +o , dan cekung dari atas untuk harga x lainnya.
Kedua parameter fungsi normal dan
o
2
adalah rata-rata
(ekspektasi = ) ( X E ) dan variansi (
2
) ( o = X V
) distribusi
probabilitas normal.
Bukti :
( ) | |
e
2
1
) (
-
/ -
2
2
1
}

= dx x X E
x o
t o
.
Gunakan transformasi o / ) ( = x z , dan diperoleh :
. ) 0 ( ) 1 (
e
2
e
2
1

e
2
) (
) (
-
-
-
-
-
-
2
2
1 2
2
1
2
2
1
o
t
o
t

t
o
= + =
+ =

+
=
} }
}

dz
z
dz
dz
z
X E
z z
z

Selanjutnya hitung variansi sebagai berikut:
38

{ } . 1 0

2
1

2


2


2
) (

] ) [( ) (
2 2
2
2 2
) (
2
2
2
1
1 2
1
1
2
1
1
2
1
1
o o
t t
o
t
o
t o

o

= + =

)

=
=

=
=
}
}
}

dz e e
z
dz e
z
dx e
x
X E X V
z z
z
X


Besarnya nilai probabilitas variabel random normal
ditentukan dengan formulasi berikut :
dx e x X P x F
u x
2
2
1
) (

2
1
) ( ) (
o

t o

}
= s = .
Nilai probabilitas tersebut tidak dapat dihitung secara
analitis matematis melalui persamaan integral di atas, untuk itu
digunakan tabel distribusi normal yang diperoleh melalui
pendekatan numerik.
Beberapa pendekatan numerik yang dapat digunakan untuk
menentukan besarnya nilai probabilitas adalah:
i. Pendekatan Hoyt (1968) menggunakan fungsi
3 1 untuk ) 3 (
1 untuk ) 3 (
2
16
1
2
8
1
s <
s
x x
x x

39

pendekatan ini memberikan kesalahan kurang dari 0.01.
ii. Pendekatan Polya (1945) menggunakan fungsi
| |
2 / 1 2
2
1
)} / 2 exp( 1 { 1 ) ( t x x F + =
.
Pendekatan ini memberikan kesalahan maksimum sebesar 0.003
pada x=1.6.
iii. Pendekatan Burr (1967) menggunakan fungsi
| |
k
c
x x G

+ + = ) ( 1 1 ) ( | o

Dimana
o
=0.644693, | =0.161984,
c
=4.874, dan k=-6.158.
Pendekatan yang lebih baik dengan fungsi G(x) adalah
)] ( 1 ) ( [ ) (
2
1
x G x G x H + = . Dengan pendekatan ini
memberikan kesalahan maksimum adalah 0.00046 pada x=0.6 dan
x=-0.6.

C. Teorema Limit Pusat
Dalam matematika, konsep limit digunakan untuk menjelaskan sifat dari
suatu fungsi, saat argumen mendekati ke suatu titik atau tak hingga atau sifat
dari suatu barisan saat indeks mendekati tak hingga. Limit dipakai dalam
kalkulus (dan cabang lainnya dari analisis matematika) untuk mencari turunan
dan kekontinuan.
40

Dalam pelajaran matematika, limit biasanya mulai dipelajari saat
pengenalan terhadap kalkulus dan untuk memahami konsep limit secara
menyeluruh bukan sesuatu yang mudah.
Limit Sebuah Fungsi
Limit suatu fungsi merupakan salah satu konsep mendasar dalam
kalkulus dan analisi tentang kelkuan suatu fungsi mendekati titik masukan
tertentu.
Suatu fungsi memetakan keluaran f(x) untuk setiap masukan x. Fungsi
tersebut memiliki limit L pada titik masukan p bila f(x) dekat pada L ketika x
dekat pada p. Dengan kata lain, f(x) menjadi semakin dekat kepada L ketika x
juga mendekat menuju p. Lebih jauh lagi, bila f diterapkan pada tiap masukan
yang cukup dekat pada p, hasilnya adalah keluaran yang (secara sembarang)
dekat dengan L. Bila masukan yang dekat pada p tenyata dipetakan pada
keluaran yang sangat berbeda, fungsi f dikatakan tidak memiliki limit. Definisi
limit dirumuskan secara formal mulai daabad ke-18.
Fungsi pada garis bilangan riil
Bila f : R R terdefinisi pada garis bilangan riil dan p, L R maka kita
menyebut
limit f ketika x mendekati p adalah L
Yang ditulis sebagai
41

()
Jika dan hanya jika untuk setiap > 0 terdapat > 0 sehingga |x p| <
mengimplikasikan bahwa |f(x) L| < . Di sini, baik maupun merupakan
bilangan riil. Perhatikan bahwa nilai limit tidak tergantung pada nilai f(p)
Limit Searah
Masukan x dapat mendekati p dari atas (kanan di garis bilangan) atau
dari bawah (kiri). Dalam hal ini limit masing-masingnya dapat ditulis sebagai

()
Atau

()
Bila kedua limit ini sama nilainya dengan L, maka L dapat diacu sabagai
limit f(x) pada p. Sebaliknya, bila keduanya tidak bernilai sama dengan L,
maka limit f(x) pada p tidak ada.
Definisi formal adalah sebagai berikut:
Limit f(x) saat x mendekati p dari atas adalah L bila untuk setiap > 0,
terdapat sebuah bilangan sedemikian rupa sehingga |f(x) L| < pada saat 0
< x p < . Limit f(x) saat x mendekati p dari bawah adalah L bila untuk setiap
> 0 terdapat bilangan > 0 sehingga |f(x) L| < bilamana 0 < p x < .
42

Bila limitnya tidak ada terdapat osilasi matematis tidak nol.
Limit fungsi pada ketakhinggaan
Bila dua unsur, ketakhinggaan positif dan negatif (-, ), ditambahkan
pada garis bilagan riil, kita dapat mendefinisikan limmit fungsi pada
ketakhinggaan. Dua unsur tambahan ini bukanlah bilangan, namun berguna
dalam memberikan kelakuan limit pada kalkulus dan analis.
Bila f(x) adalah fungsi riil, maka
limit f saat x mendekati tak hingga adalah L
dilambangkan sebagai

()
Jika dan hanya jika untuk semua > 0 terdapat > 0 sedemikian rupa
sehingga |f(x) L| < bilamana x > .
Dengan cara yang sama,
limit f saat x mendekati tak hingga adalah tak hingga
dilambangkan sebagai

()
Jika dan hanya jika bila untuk semua R > 0 terdapat S > 0 sedemikian
sehingga f(x) > R bilamana x > S
43

Jika f(x) adalah fungsi real dan c adalah bilangan real, maka

()
Berarti f(x) dapat dibuat agar mempunyai nilai sedekat mungkin dengan
L dengan cara membuat nilai x dekat dengan c.
Dalam contoh ini,
limit dari f(x), bila x mendekati c, adalah L
Perlu dingat bahwa kalimat sebelumnya berlaku: meskipun f(c) L.
Bahkan, fungsi f(x) tidak perlu terdefinisikan pada titik c.
Kedua contoh di bawah ini menggambarkan sifat ini.
Sebagai contoh,
()

Pada saat x mendekati 2. Dalam contoh ini f(x) mempunyai definisi yang
jelas pada titik 2 dan nilainya sama dengan limitnya, yaitu 0,4.
Semakin x mendekati 2,nilai f(x) mendekati 0,4, dan karena itu
()
dalam kasus dimana
()

()
44

f disebut kontinyu pada x = c. namun kasus ini tidak selalu berlaku.
Limit g(x) pada saat x mendekati 2 adalah 0,4 (sama sepert f(x)), namun

() ()
g tidak kontinyu pada titik x = 2.
Atau, bisa diambil contoh dimana f(x) tidak terdefinisikan pada
titik x = c.
()



Dalam contoh ini, pada saat mendekati 1, f(x) tidak terdefiniskan pada titik
x = 1 namun limitnya sama dengan 2, karena makin x mendekati1, f(x) makin
mendekati 2.
Jadi, x dapat dibuat sedekat mungkin dengan 1, asal bukan persis sama
dengan 1, jadi limit dari f(x) adalah 2.
Limit sebuah fungsi pada titik tak terhingga
Konsep yang berkaitan dengan limit saat x mendekati sebuah
angka adalah konsep limit saat x mendekati tak berhingga,baik positif atau
negatif. Ini bukan berarti selisih antara x dan tak terhingga menjadi kecil.
Karena tak terhingga bukanlah sebuah bilangan. Namun, artinya adalah x
menjadi sangat besar (untuk tak terhingga) atau sangat kecil (untuk tak
terhingga negatif).
45

Sebagai contoh, lihat
()

- F(100) = 1,9802
- F(1000) = 1,9980
- F(10000) = 1,9998
Semakin x membesar, nilai f(x) mendekati 2. Dalam contoh ini, dapat
dikatakan bahwa

()
Limit barisan
Perhatikan barisan berikut: 1,79, 1,799, 1,7999, . . . kita dapat mengamati
bahwa angka-angka tersebut mendekati 1,8. Limit dari barisan tersebut.
Secara formal, misalkan X1, X2, . . . adalah barisan bilangan riil. Kjta
menyebut bilangan riil L sebagai limit barisan ini dan menuliskannya sebagai

yang artinya untuk setiap bilangan riil > 0. Terdapat sebuah bilangan
asli n
0
sehingga untuk semua n > n
0
, |x L| < .
46

Secara intuitif, ini berarti bahwa pada akhirnya semua elemen barisan
tersebut akan mendekat sebagaimana yang kita kehendaki terhadap limit
karena nilai absolut |x L| adalahjarak antara x dan L.
Tidak semua barisan memiliki limit, bila ada, kita menyebutnya sebagai
konvergen. Bila tidak, disebut divergen. Dapat ditunjukkan bahwa barisan
konvergen hanya memiliki satu limit.
Limit barisan dan limit fungsu berkaitan erat. Pada satu sisi, limit barisan
hanyalah limit pada tak terhingga dari suatu fungsi yang didefinisikan pada
bilangan asli. Di sisi lain, limit sebuah fungsi f pada x, bila adam sama dengan
limit barisan x = f(x + 1/n)

D. DISTRIBUSI
2
: INFERENSI UNTUK
2

Definisi 1
Variabel random X dikatakan berdistribusi khi-kuadrat dengan derajat
bebas n jika
()

Akan ditulis X

Catatan
47

Distribusi khi-kuadrat adalah kasus khusus distribusi gamma. Hal ini
dapat ditunjukan sebagai berikut :
Distribusi gamma dengan parameter dapat ditulis sebagai
()

()

Untuk

()

Adalah distribusi

Tabel persentil distribusi

banyak tersedia untuk berbagai nilai n.

Teorema 6
Misalkan x
1

dan x
2

, serta x
1
dan x
2
indepanden. Maka
x
1
+ x
2

Teorema 7
Misalkan z
1
, z
2,. . . . . . . . . .,
z
n
adalah n variabel random normal standar yang
independen. Maka

Bukti
48

Bukti dengan induksi lengkap.
Pertama, misalkan n = 1 , maka

() (

) (

) (

Dengan pendeferensialan kita peroleh fungsi probabilitas

yakni

()

()

)

Ini adalah distribusi

.
Selanjutnya, misalkan teorema benar untuk (n-1) variabel random. Kita
dapat menulis jumlah n variabel

yang pertama sebagai

)
Dari yang baru kita buktikan

; dari hipotesis induksi

Sehingga dengan Teorema 6 , lengkaplah Teorema 7.
Teorema 8
Misalkan x
1
, x
2,. . . . . . . . . .,
x
n
adalah n variabel random independen N(

).
Misalkan
49

Adalah variansi sampel itu. Maka
( )

Bukti
Bukti ini menggunakan kenyataan bahwa dan s
2
adalah independen,
yang akan kita buktikan dibelakang
Perhatikan bahwa :
( )

[(

Atau
()

Menurut teorema 7 (

Karena

dan s
2
independen, maka
50

()

dan (

independen
Sehingga fungsi membentuk momen .

adalah hasil kali fungsi

pembentuk momen
()

dan (

. Jadi
(

[
()

] [

Atau [
()

] 0

Jadi
()

Teorema 9
Misalkan x
1
, x
2,. . . . . . . . . .,
x
n
adalah n variabel random independen N(

).
Interval kepercayaan (1-) 100% untuk

adalah
( )

()

( )

()

Teorema 10
Misalkan x
1
, x
2,. . . . . . . . . .,
x
n
sampel random dari N(

). Untuk menguji
51

versus

. Pada tingkat signifikansi , kita menolak H

0

apabila
()

()

()

Bukti
Dua ruang parameter yang berkaitan dengan masalah ini adalah
,(

-
,(

-
Penaksir maksimum likelihood (PML) untuk adalah

dalam kedua
ruang itu. Dalam , PML untuk

adalah

; dalam PML untuk

adalah

) (

Dengan demikian kedua fungsi likehood yang maksimum dalam dan
dalam adalah masing-masing.
() (

]
Dan (

) [

]
*

Maka criteria GLR diberikan oleh
52


()
(

)

*
(

Dipandang sebagai fungsi 0

1 tingkah laku tidak jelas. Tetapi ,dapat

ditunjukan bahwa turun ke 0 jika 0

1 bertambah kurang dari 1 atau bertambah

besar dari 1. Tentu saja, apabila 0

1 sama dengan 1, maka sama dengan 1.

Menurut prinsip likehood ratio, kita harus menolah

jika

, dimana
p^

|
Tetapi bentuk 0

1 memerlukan suatu aturan keputusan semacam ini

dibagi menjadi dua daerah kritis, satu untuk nilai-nilai 0

1 dekat 0 dan yang lain

untuk nilai-nilai 0

1 jauh lebih besar dari 1.

Ada beberapa distribusi peluang kontinue (hampiran normal terhadap
binomial , distribusi gamma, eksponensial ) dank hi-kuadrat yaitu :
1. Hampiran Normal terhadap Binominal
53

Hampiran normal dipakai untuk menghitung peluang binominal bila p
tidak dekat dengan nol atau 1. Hampiran tersebut baik sekali bila n besar dan
cukup baik untuk nilai n yang kecil asal saja p cukup dekat . Hampiran
normal masih baik dipakai bila np maupun ng lebih besar dari 5.
Teorema
Bila x peubah acak binominal dengan rataan M = np dan variansi o
2
= npq
maka bentuk limit distribusi
Z =
npq
np

Bila n ialah distribusi normal baku n (z, 0, 1)
Oleh karena distribusi binominal mempunyai variabel diskrit, sedangkan
distribusi normal bervariabel kontinue, maka dalam menggunakan distribusi
normal untuk memecahkan persoalan binominal perlu diadakan penyesuaian
sebagai berikut : untuk harga variabel x batas bawah diundurkan 0,5 dan harga
variabl x batas atas diajukan 0,5.
2. Distribusi Gamma
Eksperimen-eksperimen probabilitas yang hasilnya menunjukkan suatu
bentuk distribusi yang mempunyai variasi ukuran kemencengan yang cukup
signifikan, distribusi Gamma merupakan salah satu alternatif model yang banyak
digunakan. Terlebih dahulu akan diperkenalkan sebuah fungsi gamma.
54

Fungsi gamma r (o) adalah : r (o) =
}

0
x 1
dx e x , untuk o > 0
Sifat-sifat penting fungsi gamma adalah :
1. Untuk sebuah bilangan bulat positif n, I (n) = (n 1) !
2. Didefinisikan = I (1/2) =
Distribusi gamma
Peubah acak kontinu x berdistribusi gamma, dengan parameter o dan |, bila
padatnya diberikan oleh :
f(x : o, |) = 0 x e x
(
1
x/ 1
>
I

o

= 0 untuk x lainnya
Bila o > 0 dan | > 0
Distribusi Gamma Standard
Jika parameter skala sebuah distribusi gamma | = 1 diperoleh suatu distribusi
gamma standar.
F
G
= (x : o) = P (X s x) = dt
()
e t
x
0
t 1
}


P (Xs x) = F
G
(x ; o, |) = F
G

|
|
.
|

\
|
;

x

Contoh :
55

1. Variable acak kontinu x yang menyatakan ketahanan suatu bantalan peluru
(dalam ribaun jam) yang diberi pembebanan dinamis pada suatu putaran kerja
tertentu mengikuti suatu distribusi gamma dengan o = 8 dan | = 15, Tentukan,
probabilitas sebuah bantalan peluru dapat digunakan selama 60 ribu-120 ribu
jam dengan pembebanan dinamik pada putaran kerja tersebut!
Jawab :
P (60s x s 120) = P (x s 120) P (x s 60)
= F
G
(120; 8 , 15) - F
G
(60 ; 8, 15 )
= F
G
(120/15 ; 8) - F
G
(60/15; 8)
= F
G
(8 ;8) - F
G
(4 ; 8)
= 0,5470 0,0511 = 0,4959
3. Distribusi Eksponensial
Distribusi Gamma khususnya dengan o = 1 disebut distribusi eksponensial.
Peubah acak kontinu x distribusi eksponensial dengan parameter |, bila fungsi
padatnya diberikan oleh :

1. f
E
(x ;

1
) =

1
e
-x/|
x > 0
= 0 untuk x lainnya
56

Dengan | > 0
2. F
E
(x ;

1
) = P (X s x) =

1
dx
x
0
x/
}

e = 1 e
-x/|

Dalam statistik, distribusi chi square (dilambangkan dengan 2) termasuk
dalam statistik nonparametrik. Distribusi nonparametrik adalah distribusi dimana
besaran-besaran populasi tidak diketahui. Distribusi ini sangat bermanfaat dalam
melakukan analisis statistik jika kita tidak memiliki informasi tentang populasi
atau jika asumsi-asumsi yang dipersyaratkan untuk penggunaan statistik
parametrik tidak terpenuhi.
Beberapa hal yang perlu diketahui berkenaan dengan distribusi chi square
adalah
a. Distribusi chi square memiliki satu parameter yaitu derajad bebas (db)
b. Nilai-nilai chi square di mulai dari 0 disebelah kiri, sampai nilai-nilai positif
tak terhingga di sebelah kanan
c. probabilitas nilai chi square di mulai dari sisi sebelah kanan
d. Luas daerah di bawah kurva normal adalah 1.
Nilai dari chi square bisa dicari jika kita memiliki informasi luas daerah
disebelah kanan kurva serta derajad bebas. Misalnya jika luas daerah disebelah
kanan adalah 0,1 dan derajad bebas sebanyak 7, maka nilai chi square adalah 12,
017.
Dalam statistic, distribusi chi square digunakan dalam banyak hal. Mulai
dari pengujian proporsi data multinom, menguji kesamaan rata-rata Poisson serta
pengujian hipotesis. Pengujian hipotesis yang menggunakan dasar distribusi chi
57

square misalnya Goodness-of-fit test, pengujian indepensi, pengujian homogenitas
serta pengujian varians dan standar deviasi populasi tunggal.
Ditunjukkan penggunaan distribusi chi square untuk menguji Goodness-
of-fit. Dalam Goodness-of-fit test ada hal-hal yang harus diperhatikan yaitu:
a. Adanya frekuensi observasi atau frekuensi yang benar-benar terjadi dalam
eksperimen dan dilambangkan dengan O.
b. Adanya frekuensi yang diharapkan terjadi yang dilambangkan dengan E = np
c. Derajad bebas adalah k 1 dimana k adalah jumlah kategori. Misalnya jika
kita melempar dadu, maka aka nada 6 kategori kejadian sehingga k = 6.
Dengan demikian db = 6 1 = 5.
d. Nilai chi square hitung diperoleh dari rumus: X^2 = E [ (E-O)^2/E]
e. Jumlah sampel yang digunakan harus mencukupi nilai harapan paling sedikit 5
(E >5)
Uji Chi-Square menggunakan ukuran Goodness of fit yang merupakan
jumlah perbedaan antara pengamatan dan hasil yang diharapkan frekuensi (yaitu,
menghitung pengamatan), masing-masing persegi dan dibagi dengan harapan:

mana: O
i
= frekuensi yang teramati untuk
t
i
h
bin
E
i
= yang diharapkan (teoritis) frekuensi untuk
t h
i bin, ditegaskan oleh
hipotesis nol
58

Nilai yang dihasilkan dapat dibandingkan dengan distribusi chi-kuadrat
Dalam rangka untuk menentukan derajat kebebasan dari distribusi chi-kuadrat,
satu mengambil jumlah frekuensi pengamatan dan mengurangi satu. Sebagai
contoh, jika ada delapan frekuensi yang berbeda, satu akan dibandingkan dengan
chi-squared dengan tujuh derajat kebebasan.
Uji Chi Kuadrat adalah pengujian hipotesis mengenai perbandingan antara
frekuensi observasi atau yang benar-benar terjadi dan aktual dengan frekuensi
harapan atau ekspektasi

Bentuk Distribusi Chi Kuadrat ()
Nilai adalah nilai kuadrat karena itu nilai selalu positif. Bentuk
distribusi tergantung dari derajat bebas(db)/degree of freedom. Perhatikan
Contoh : Berapa nilai untuk db = 5 dengan = 0.010? (15.0863) Berapa nilai
untuk db = 17 dengan = 0.005? (35.7185) Pengertian pada Uji sama
dengan pengujian hipotesis yang lain, yaitu luas daerah penolakan H0 atau taraf
nyata pengujian
Pengunaan Uji
Uji dapat digunakan untuk :
a. Uji Kecocokan = Uji kebaikan-suai = Goodness of fit test
b. Uji Kebebasan
59

c. Uji beberapa proporsi
Prinsip pengerjaan (b) dan (c) sama saja
Rumus

( )

=
k
i i
i i
e
e o
1
2
2
_
k : banyaknya kategori/sel, 1,2 ... k
o : frekuensi observasi untuk kategori ke-i i
e : frekuensi ekspektasi untuk kategori ke-i i
kaitkan dengan frekuensi ekspektasi dengan nilai/perbandingan dalam H0
Derajat Bebas (db) = k - 1
Rumus Uji 2
Data dalam pengujian ketergantungan dan beberapa proporsi disajikan
dalam bentuk Tabel Kontingensi.
Bentuk umum Tabel Kontingensi berukuran r baris x k kolom

( )( )



( )

=
k r
j i ij
ij ij
e
e o
,
1 ,
2
2
_
60


derajat bebas = (r-1)(k-1)
r : banyak baris
k : banyak kolom
o ij: frekuensi observasi baris ke-i, kolom ke-j,
e ij: frekuensi ekspektasi baris ke-i, kolom ke-j,

E. Distribusi F dan Distribusi t
Diantara sekian banyak jenis distribusi, distribusi t dan f merupakan
distribusi yang paling luas, kedua tabel t dan f tersebut yang banyak di gunakan
dalam berbagai penelitian. Banyak kejadian yang dapat dinyatakan dalam data
hasil observasi per eksperimen yang mengikuti distribusi t dan f. Uji t pada
dasarnya menunjukkan seberapa jauh pengaruh satu variabel bebas secara
individual dalam menerangkan variasi variabel terikat.
Distribusi t dan f memodelkan fenomena kuantitatif pada ilmu alam
maupun ilmu sosial. Dalam pengujian hipotesis secara manual, tidak lepas dari
tabel distribusi, yaitu dengan cara melakukan perbandingan antara statistik
hitung dengan statistik uji. Untuk membuat perbandingan tersebut, maka yang
harus dimiliki oleh seorang peneliti adalah Beragam skor pengujian psikologi.
Distribusi t dan f banyak juga digunakan dalam berbagai distribusi dalam
61

statistika, dan kebanyakan pengujian hipotesis mengasumsikan normalitas
suatu data.

1. Distribusi F
Dalam teori probabilitas dan statistika, distribusi F merupakan
distribusi probabilitas kontinyu. Distribusi F juga dikenal dengan sebutan
distribusi F Snedecor atau distribusi Fisher-Snedecor (setelah R.A.
Fisher dan George W. Snedecor). Distribusi F seringkali digunakan dalam
pengujian statistika, antara lain analisis varians dan analisis regresi.
Distribusi ini juga mempunyai variabel acak yang kontinu. Fungsi
identitasnya mempunyai persamaan:


Dengan variabel acak F memenuhi batas F > 0, K = bilangan yang
tetap harganya bergantung pada v1 dan v2 . sedemikian sehingga luas
dibawah kurva sama dengan satu, v1= dk pembilang dan v2= dk penyebut.
Jadi distribusi F ini mempunyai dua buah derajat kebebasan. Grafik
distribusi F tidak simetrik dan umumnya sedikit positif seperti juga
distribusi lainya, untuk keperluan penghitungan dengan distribusi F,
biasanya terdapat nilai-nilai tertentu dalam daftar/ tabel distribusi F tersebut.
Daftar tersebut berisikan nilai-nilai F untuk peluang 0,01 dan 0,05 dengan
derajat kebebasan v1 dan v2. Peluang ini sama dengan luas daerah ujung
62

kanan yang diarsir, sedangkan dk=v1 ada pada baris paling atas dan dk=v2
pada kolom paling kiri.


Untuk tiap dk= v2, daftar terdiri atas dua baris, yang atas untuk peluang
p=0,05 dan yang bawah untuk p=0,01.
Statistik F didefinisikan sebagai nisbah dua peubah acak khi-kuadrat
yang bebas, masing masing dibagi dengan derajat kebebasannya.
Misalkan U dan V dua peubah acak bebas masing masing
berdistribusi khi-kuadrat dengan derajat kebebasan

. Maka
distribusi peubah acak :


Diberikan oleh
Untuk tiap pasang dk,v1 dan v2,daftar berisikan harga-harga F dengan luas
kedua ini (0,01 atau 0,05)

63




ini dikenal dengan nama distribusi F dengan derajat kebebasan

dan

Kurva distribusi F tidak hanya tergantung pada kedua parameter

dan

tapi juga pada urutan keduanya ditulis.begitu kedua bilangan itu

ditentukan maka kurvanya menjadi tertentu. Dibawah ini adalah kurva khas
distribusi F






Di bawah ini gambar kurva nilai tabel distribusi F


()
,(

) -(

)(

)
(

)

= 0 , 0 < f < , untuk f lainnya
6 dan 24 d. k
6 dan 10 d. k
0
f

0
o
f

f

o

Gambar 1
64



Lambang

nilai f tertentu peubah acak F sehingga disebelah

kanannya terdapat luas sebesar . Ini digambarkan dengan daerah yang
dihitami pada gambar 2. Pada tabel memberikan nilai

hanya untuk
dan untuk berbagai pasangan derajat kebebasan

dan

Jadi, nilai f untuk derajat kebebasan 6 dan 10 , sehingga luas daerah

sebelah kanannya 0,05 adalah

.
Tulislah

) untuk

dengan derajat kebebasan

dan

,
maka


Bila

dan

variansi sampel acak ukuran

dan

yang diambil
dari dua populasi normal, masing-masing dengan variansi

dan

, maka


Berdistribusi F dengan derajat kebebasan

dan

Di dalam banyak buku statistika terapan, pada umumnya, uji hipotesis
melalui distribusi probabilitas F Fisher-Snedecor dilakukan pada ujung atas.

Gambar 2
65

Karena itu, timbul keraguan pada sejumlah pemakai statistika terapan
tentang apakah uji hipotesis demikian boleh dilakukan juga pada ujung
bawah. Hal ini layak kita simak dan mereka berkenaan dengan dua
pertanyaan utama.
1. Dapatkah uji hipotesis statistika melalui distribusi probabilitas F Fisher-
Snedecor dilakukan pada ujung bawah?
2. Mengapa banyak buku statistika terapan melakukannya pada ujung atas?
Pembahasan mengenai kedua pertanyaan ini bermanfaat bagi kita,
setidak-tidaknya, bagi mereka yang memiliki keraguan itu.
- Ujung Bawah dan Ujung Atas
Sebagai gambaran tentang uji hipotesis statistika ujung bawah dan
ujung atas pada distribusi probabilitas F Fisher-Snedecor, di sini,
ditampilkan dua contoh yakni contoh 1 dan contoh 2. Mereka bersama-
sama menguji hal yang sama, kecuali contoh 1 mengujinya melalui ujung
atas sedangkan contoh 2 mengujinya melalui ujung bawah.
- Pembahasan dan Pertimbangan
Dari uraian di atas tampak bahwa tidak ada alasan untuk
menyatakan bahwa contoh 2 tidak dapat digunakan. Dengan kata lain,
contoh 2 dapat juga kita gunakan. Pertimbangan ini ditunjang oleh
sejumlah buku statistika terapan. Dari buku karangan Irwin Miller dan
66

John E. Freund yang berjudul Probability and Statistics for Engineers,
second edition (1977, halaman 235-236) kita temukan uraian sebagai
berikut
... the critical region for testing H
0
against the alternative
hypothesis o
2
1
> o
2
2

is F > F

... the critical region for testing H

0
against
alternative hypothesis o
2
1
< o
2
2
is F < F
1
.... For the two sided
alternative o
2
1
o
2
2
the critical region is F < F
1
or F > F
.

William Mendenhall di dalam bukunya Introduction to Probability
and Statistics, third edition (1971, halaman 245) menyatakan sebagai
berikut,
If the population with the larger sample variance is designated as
population II, then s
2
2
< s
2
1
and we will be concerned with rejection in
the lower tail of the F distribution.
Tidak jarang kita temukan bahwa uji hipotesis statistika melalui
distrubusi probabilitas F Fisher-Snedecor dilaksanakan pada dua ujung.
Hal ini terjadi pada hipotesis o
2
X
= o
2
Y
. Kennedy dan Neville (1976,
halaman 232) mengatakan bahwa pengujian adalah dua-sisi. Winer
(1971, halaman 39) juga menyatakan demikian melalui diagram dengan
mengarsir ujung bawah dan ujung atas distribusi probabilitas F Fisher-
Snedecor masing-masing sebesar o/2. Glass dan Stanley (1970, halaman
305) mengemukakan pada suatu contoh bahwa karena F = 0,09 jatuh di
67

bawah nilai kritis bawah, H
0
: o
2
1
= o
2
2
ditolak pada tingkat signifikansi
0,05. Hinkle et al. (1979, halaman 231) mengatakan adanya ketentuan
nilai kritis dari statistik uji ketika F < 1 menggunakan pengujian ujung
bawah.
Kalau demikian halnya mengapa pula banyak buku statistika hanya
menggunakan ujung atas? Kesemuanya ini terjadi gara-gara tabel F yang
mereka gunakan. Fungsi distribusi pada distribusi probabilitas F Fisher-
Snedecor menggunakan tiga parameter yakni
X
,
Y
, dan o. Kalau kita
menggunakan berbagai nilai untuk semua parameter maka tabel menjadi
besar sekali untuk diletakkan pada lampiran buku statistika. Sehubungan
dengan itu ada dua cara yang ditempuh di dalam sejumlah buku
statistika. Cara pertama adalah menjungkirbalikkan variansi X bagi
variansi Y menjadi variansi Y bagi variansi X sehingga uji ujung bawah
berubah menjadi uji ujung atas. Cara kedua adalah menghitung nilai
kritis ujung bawah dari nilai kritis ujung atas melalui rumus tertentu. Hal
ini dapat kita baca pada sejumlah buku statistika.
Miller dan Freund (1977, halaman 236) mengemukakan bahwa uji
ujung bawah menyebabkan kesulitan karena Tabel 6 hanya mengandung
nilai yang bersangkutan dengan ujung-kanan dari o =0,05 and o = 0,01.
Akibatnya, kita menggunakan nilai jungkirbalik dari statistik uji yang asli
dan memanfaatkan hubungan di antara ujung bawah dan atas itu.
Keeping (1962, halaman 196) juga menggunakan cara yang sama dengan
68

mengatakan bahwa mencari titik 5% bawah, katakan saja, untuk n
1
dan
n
2
yang diberikan, kita menggunakan nilai jungkir balik dari 5% atas,
setelah mempertukarkan n
1
dan n
2
. Hal ini menyebabkan kita tidak lagi
memerlukan tabel untuk dua ujung dari distribusi.
Freund (1979, halaman 293) menyatakan bahwa satu kesulitan
dengan distribusi ini adalah kebanyakan tabel hanya memberikan nilai
dari F
0,05
dan F
0,01
sehingga kita hanya dapat bekerja dengan ujung
kanan dari distribusi, yang dilakukan melalui suatu kiat tertentu.
Mendenhall (1971, halaman 245) juga mengatakan bahwa nilai kritis
pada ujung bawah jelas hilang [dari tabel F]. Winer (1971, halaman 39)
juga mengakui bahwa kebanyakan tabel distribusi F hanya memberikan
nilai untuk ujung kanan. Namun, Winer (1971, halaman 39) juga
mengemukakan bahwa ada hubungan di antara nilai ujung bawah dan
nilai ujung atas sehingga nilai pada ujung bawah dapat dihitung dari nilai
pada ujung atas.
Glass dan Stanley (1970, halaman 304) menyatakan bahwa titik
persentil atas pada distribusi-F dapat dibaca dari tabel di Lampiran A
titik persentil bawah terkait dengan persentil atas sehingga dalam hal
ini buku itu menunjukkan jalan untuk menemukan nilai ujung bawah
melalui nilai ujung atas yang ada di dalam tabel. Kenny dan Keeping
(1974, halaman 188) menyatakan bahwa karena tabel lengkap, dengan P
untuk semua nilai yang pantas dari F, n
1
dan n
2
, akan sangat besar
69

(bulky), maka tabel hanya memberikan nilai F terhadap dua nilai pilihan
pada F, yakni 0,05 dan 0,01. Keeping (1962, halaman 194-195) juga
mengatakan bahwa suatu tabel lengkap dari integrasi probabilitas F akan
cukup besar (bulky), karena mereka adalah sebagai tabel dengan entri
ganda-tiga [o, n
X
, dan n
Y
].
Hinkle et al. (1979, halaman 231) mengatakan bahwa nilai kritis
ujung bawah agak lebih sulit karena tidak dapat ditentukan langsung
dari tabel karena tabel hanya mengenal nilai ujung atas sehingga kita
memerlukan jungkir balik dari nilai ujung atas yang ada di dalam tabel.
Hal yang sama dikeluhkan oleh Cryer dan Miller (1994, halaman 494)
bahwa tabel distribusi F cukup rumit karena mereka harus menunjukkan
distribusi untuk setiap kombinasi yang mungkin dari derajat kebebasan
pada pembilang dan penyebut.

Gambar salah satu contoh grafik dengan distribusi F
2. Distribusi t
Untuk sampel nukuran n 3, taksiran

dapat diperoleh dengan

menghitung nilai S
2
. Bila n 30, maka S
2
memberikan taksiran

yang
70

baik dan tidak berubah dan distribusi statistik (

) ( ) masih
secara hampiran, berdistribusi sama dengan peubah normal baku z.
Bila ukuran sampel ( n < 30 ), nilai S
2
berubah cukup besar dari
sampel ke sampel dan distribusi peubah acak (

) ( ) tidak lagi
distribusi normal baku.
Dalam hal ini didapatkan distribusi statistik yang disebut T


Distribusi sampel T di dapat dari anggapan bahwa sampel acak
berasal dari populasi normal.

(

) ( )

( )

Dengan ,

Berdistribusi normal baku,dan

( )

71

Misalkan Z peubah acak normal baku dan V peubah acak khi-kuadrat
dengan derajat kebebasan v. Bila z dan v bebas, maka distribusi peubah acak
T, bila


Diberikan oleh,



Ini di kenal dengan nama distribusi t dengan derajat kebebasan v.
Distribusi Z dan T berbeda karena variansi T bergantung pada ukuran
sampel n dan variansi ini selalu lebih besar dari 1. Hanya bila ukuran
sampel kedua distribusi menjadi sama. Pada gambar dibawah
diperlihatkan hubungan antara distribusi normal baku ( ) dan distribusi
t untuk derajat kebebasan 2 dan 5.

()
,( ) -
( )

)
()



0

t

o
t

o o
t t =
1

72

Karena distribusi t setangkup terhadap rataan nol, maka

;
yaitu, nilai t yang luas sebelah kanannya , atau luas sebelah kirinya ,
sama dengan minus nilai t yang luas bagian kanannya .
Panjang selang nilai t yang dapat diterima tergantung pada bagaimana
pentingnya . Bila ingin ditaksir dengan ketelitian yang tinggi, sebaiknya
digunakan selang yang lebih pendek seperti

sampai

.
Distribusi t dikenalkan pada tahun 1908 oleh William S. Gosset, seorang
karyawan perusahaan Guinness Breweries, Irlandia. Dalam menurunkan distribusi
ini, Gosset mengasumsikan bahwa sampel berasal dari populasi normal, sehingga
bentuk kurva dari distribusi t seperti kurva distribusi normal, yakni setangkup,
namun mempunyai sisi yang lebih rendah dari kurva normal, artinya data
cenderung untuk lebih jauh dari rata-ratanya.
Distribusi t digunakan sebagai hampiran untuk distribusi normal
dengan ukuran sampel kecil (biasanya n 30) dan standar deviasi populasi
() tidak diketahui. Diberikan x
i
sebanyak n amatan yang saling bebas, dan

Teorema 1. Misalkan Z adalah variabel acak normal baku dan V adalah
variabel acak khi-kuadrat dengan derajat bebas v. Jika Z dan V independen,
maka distribusi variabel acak T bila
73


diberikan oleh (dengan derajat bebas = v):

Bukti:
Diketahui bahwa Z dan V adalah variabel acak yang independen, sehingga
distribusi peluang gabungannya adalah

Misal didefinisikan variabel acak kedua V = U. Invers dari
adalah , dan invers dari v = u adalah v = u sehingga
diperoleh :

74

Transformasi di atas adalah transformasi satu-satu yang memetakan titik
{(z,v)|- < z < , 0 < v < } ke himpunan {(t,u)|- < t < , 0 < u < }.
Dengan demikian diperoleh distribusi peluang gabungan T dan U yaitu


Kemudian integral g(t, u) terhadap u, maka diperoleh distribusi T sebagai
berikut:

Sehingga diperoleh,
75

to = (x - ) / (s / ( n))


di mana v adalah derajat bebas. Jika v , maka distribusi T sama dengan
distribusi Normal.
Pengujian sampel dalam distribusi T dibedakan menjadi 2 jenis hipotesa
yaitu :
Satu Rata - Rata
Rumus :


Ket : to = t hitung
x = ratarata sampel
= ratarata populasi
s = standar deviasi
n = jumlah sampel
76

to = (X
1
X
2
) do / ( (S1
2
/ n
1
) + (S2
2
/ n
2
))
Db = n- 1
Dua Rata - Rata
Rumus :

syarat : S
1
S
2

do = selisih
1
dengan
2
(
1

2
)
Db = (n
1
+ n
2
) 2

F. Uji t Satu Sampel
1. Definisi Hipotesis
Istilah hipotesis berasal dari bahasa yunani yang mempunyai dua kata
yaitu Hupo (sementara) dan thesis (peryataan atau teori). Karena
hipotesis merupakan pernyataan sementara yang masih lemah
kebenarannya, maka perlu diuji kebenarannya. Kemudian para ahli
menafsirkan arti hipotesis adalah sebagai dugaan terhadap hubungan antar
variabel atau lebih (Kerlinger, 1973: 18) dalam Riduwan (2006: 162).
Dalam Satistika terdapat dua bentuk hipotesis penelitian antara lain,
hipotesis kerja (Ha) dan Hipotesis nol (Ho). Hipotesis penelitian adalah
hipotesis kerja (Hipotesis alternatif) yaitu hipotesis yang dirumuskan untuk
menjawab permasalahan dengan menggunakan teori teori yang ada
77

hubungannya yang relevan dengan masalah penelitian dan belum
berdasarkan fakta serta dukungan data yang nyata di lapangan. Dalam
perhitungan statistik yang diuji adalah hipotesis nol (Ho), jadi hipotesis nol
adalah pernyataan tidak adanya hubungan, pengaruh, atau perbedaan antar
variabel.

2. Ciri-Ciri Hipotesis
Karakteristik Hipotesis yang Baik Sebuah hipotesis atau dugaan
sementara yang baik hendaknya mengandung beberapa hal. Hal hal
tersebut diantaranya :
a. Hipotesis harus mempunyai daya penjelas
b. Hipotesis harus menyatakan hubungan yang diharapkan ada di antara
variabel-variabel
c. Hipotesis harus dapat diuji
d. Hipotesis hendaknya konsistesis dengan pengetahuan yang sudah ada.
e. Hipotesis hendaknya dinyatakan sesederhana dan seringkas mungkin.
Berikut ini beberapa penjelasan mengenai Hipotesis yang baik :
- Hipotesis harus menduga Hubungan diantara beberapa variabel
Hipotesis harus dapat menduga hubungan antara dua variabel atau
lebih, disini harus dianalisis variabel-variabel yang dianggap turut
mempengaruhi gejala-gejala tertentu dan kemudian diselidiki sampai
78

dimana perubahan dalam variabel yang satu membawa perubahan pada
variabel yang lain.
- Hipotesis harus Dapat Diuji
Hipotesis harus dapat di uji untuk dapat menerima atau
menolaknya, hal ini dapat dilakukan dengan mengumpulkan data-data
empiris.
- Hipotesis harus konsisten dengan keberadaan ilmu pengetahuan
Hipotesis tidak bertentangan dengan pengetahuan yang telah
ditetapkan sebelumnya. Dalam beberapa masalah, dan terkhusus pada
permulaan penelitian, ini harus berhati-hati untuk mengusulkan hipotesis
yang sependapat dengan ilmu pengetahuan yang sudah siap ditetapkan
sebagai dasar. Serta poin ini harus sesuai dengan yang dibutuhkan untuk
memeriksa literatur dengan tepat oleh karena itu suatu hipotesis harus
dirumuskan bedasar dari laporan penelitian sebelumnya.
- Hipotesis Dinyatakan Secara Sederhana
Suatu hipotesis akan dipresentasikan kedalam rumusan yang
berbentuk kalimat deklaratif, hipotesis dinyatakan secara singkat dan
sempurna dalam menyelesaikan apa yang dibutuhkan peneliti untuk
membuktikan hipotesis tersebut.

3. Tujuan Uji t Test
79

Uji t pada satu populasi digunakan untuk menguji apakah rata-rata
atau mean populasi mempunyai nilai sama dengan suatu harga tertentu,
sedangkan pada uji t dua sampel uji yang dilakukan adalah untuk
mengetahui apakah rata-rata dua populasi memiliki nilai sama ataukah
terdapat perbedaan yang signifikan.
Pada uji t dengan dua sampel atau lebih, uji statistik yang dilakukan
terbagi dua berdasarkan hubungan antar sampel.
Pertama, sampel bersifat bebas (independen) yang berarti sampel dari
kedua kelompok tidak ada saling keterkaitan. Contoh, misalkan kita ingin
melakukan penelitian rata-rata berat badan orang Bandung dan orang
Jakarta. Tentunya kita akan sulit untuk mengambil data populasi orang di
kedua kota, maka kita ambil sampel dengan asumsi berdistribusi normal dari
kedua kota tersebut. Kriteria bebas berarti bahwa tidak mungkin ada sampel
orang Bandung yang diukur berat badannya juga diukur kembali sebagai
orang Jakarta. Dengan kata lain, satu sampel dari kota Bandung tidak
memiliki hubungan dengan sampel lainnya dari kota Jakarta.
Kedua, sampel memiliki syarat berhubungan. Pada uji t sampel
berpasangan berlaku ketentuan bahwa satu sampel memiliki dua nilai pada
dua kelompok sampel penelitian. Sebagai contoh, misalkan kita ingin
meneliti berat badan seseorang sebelum mengikuti program diet dan berat
badan setelah mengikuti program diet.

80

4. Proses Terbentuknya Hipotesis
Hipotesis diajukan dalam penelitian adalah dengantujuan untuk
menjawab permasalahan yang diajukan oleh peneliti dalam penelitiannya.
Dalam hal ini Riduwan (2006 : 164-165) mengemukakan 3 jenis
Permasalahan yang sering diajukan dalam sebuah penelitian antara lain:
a. Permasalahan yang bersifat Deskriptif, yaitu permasalahan yang tidak
membandingkan dan menghubungkan dengan variabel lain hanya
menggambarkan variabel saja.
Contoh :
- Seberapa banyak hasil panen udang di desa windu kabupaten
sidoarjo?
- Seberapa tinggi motivasi kerja karyawan PT. Hamidahnur husna?
b. Permasalahan yang bersifat Komparatif, yaitu permasalahan yang
menggambarkan perbedaan karakteristik dari dua variabel atau lebih.
Contoh :
- Adakah Perbedaan kemampuan kerja karyawan perusahaan sepatu
A dengan karyawan perusahaan sepatu B?
- Adakah perbedaan hasil belajar mahasiswa jurusan TP dengan
Mahasiswa Jurusan Hukum dalam mata kuliah Statistik?
c. Permasalahan yang bersifat assosiatif, yaitu permasalahan yang
menghubungkan atau pengaruh antara dua variabel atau lebih. Ada 3
bentuk Permasalahan ini antara lain:
Hubungan simetris
81

Contoh:
- Adakah Hubungan antara keaktifan mengikuti organisasi
dengan tingginya prestasi belajar?
Hubungan sebab akibat
Contoh
- Adakah pengaruh tambahan gaji pegawai terhadap disiplin
kerja pegawai?
Hubungan Interaktif
Contoh
- Adakah Hubungan sikap guru terhadap prestasi belajar
siswa?

5. Macam Macam Hipotesis Penelitian
Berdasarkan jenis permasalahan diatas, menurut tingkat Ekplanasi
hipotesis yang akan diuji, maka rumusan hipotesis dapat dikelompokkan
menjadi 3 macam yaitu:
a. Hipotesis Deskriptif, yaitu hipotesis yang tidak membandingkan dan
menghubungkan dengan variabel lain atau hiporesis untuk menentukan
titik peluang, dimana hipotesis yang dirumuskan untuk menjawab
permasalahan taksiran (estimatif), (Riduwan, 2006:166). Contoh :
Seberapa Tinggi daya tahan lampu merk X? Seberapa tinggi
produktivitas padi di kabupaten tugumulyo?
Maka hipotesis yang dirumuskan dari dua pertanyaan tersebut adalah:
Daya tahan lampu merk X adalah 800 jam
82

Produktivitas Padi di kabupaten Tugumulyo adalah 8 ton/haa
b. Hipotesis Komparatif, yaitu hipotesis yang dirumuskan untuk
memberikan jawaban pada permasalahan yang bersufat membedakan,
atau pernyataan yang menunjukkan dugaan nilai dalam satu variabel atau
lebih pada sampel yang berbeda. ( Sugiyono, 2006: 85).
Contoh:
Apakah ada perbedaan kemampuan berbahasa asing antara lulusan
Pondok pesantren Madani dengan lulusan SMU teladan?
Maka Bunyi Hipotesis yang akan diajukan adalah :
ada perbedaan kemampuan berbahasa asing antara lulusan Pondok
pesantren Madani dengan lulusan SMU teladan. Artinya Lulusan
Pondok madani lebih baik kemampuan berbahasa asing daripada
lulusan SMU teladan.
c. Hipotesis Asosiatif, yaitu suatu pertanyaan yang menunjukkan dugaan
tentang hubungan antara dua variabel atau lebih. (sugiyono, 2006: 86).
Contoh :
Adakah Hubungan antara gaya kepemimpinan dengan efektitas kerja
karyawan PT B?
Maka Hipotesis yang diajukan adalah
Ada hubungan antara gaya kepemimpinan dengan efektitas kerja
karyawan PT B.

6. Kegunaan Hipotesis
83

Kegunaan hipotesis secara garis besar dalam antara lain:
- Memberikan batasan dan memperkecil jangkauan penelitian dan kerja
penelitian.
- Mensiagakan peneliti kepada kondisi fakta dan hubungan antar fakta, yang
kadangkala hilang begitu saja dari perhatian peneliti.
- Sebagai alat yang sederhana dalam memfokuskan fakta yang bercerai-
berai tanpa koordinasi ke dalam suatu kesatuan penting dan menyeluruh
- Sebagai panduan dalam pengujian serta penyesuaian dengan fakta dan
antar fakta.
Oleh karena itu, kualitas manfaat dari hipotesis tersebut akan sangat
tergantung pada:
Pengamatan yang tajam dari si peneliti terhadap fakta-fakta yang ada.
Imajinasi dan pemikiran kreatif dari si peneliti.
Kerangka analisa yang digunakan oleh si peneliti.
Metode dan desain penelitian yang dipilih oleh peneliti.

7. Pengujian Hipotesis
Tahap pengujian hipotesis disesuaikan pada hipotesis yang diajukan,
dalam makalah ini yang akan dibahas adalah pengujian hipotesis Deskriptif
atau yang lebih sering disebut dengan uji hipotesis satu sampel (Uji t
Rerata 1 sampel). Dimana telah dijelaskan diatas bahwa hipotesis deskriptif
84

adalah jawaban sementara dari rumusan masalah Deskriptif (1 varibel yang
diteliti).
Terdapat dua macam pengujian hipotesis deskriptif , yaitu dengan uji
dua pihak (two tail test) dan uji satu pihak (one tail test). uji satu pihak ada
dua macam yaitu uji pihak kanan dan uji pihak kiri. Jenis uji mana yang
digunakan tergantung pada bunyi hipotesis yang diajukan.
Uji dua pihak pada hipotesis1 sampel digunakan jika bunyi hipotesisnya
sama dengan Ho = Ha, misal daya tahan berdiri pelayan toko perhari
sama dengan 8 jam.
Uji satu pihak
Pihak kiri jika Ho nya berbunyi lebih besar atau sama dengan dan
Ha nya berbunyi lebih kecil.
Pihak kanan jika Ho nya berbunyi Lebih kecil atau sama dengan
dan Ha nya berbunyi lebih besar.
Rumus yang digunakan untuk menguji hipotesis satu sampel ini yang
datanya interval atau rasio adalah sebagai berikut:
(Riduwan, 2006 : 93)




Dimana:
( )

85





8. Hipotesis Statistik
Hipotesis statistik adalah pernyataan statistik tentang populasi yang
diteliti. Jika menguji hipotesis penelitian dengan perhitungan statistik, maka
rumusan hipotesis tersebut perlu diubah ke dalam rumusan hipotesis
statistik. Kalau dalam rumusan hipotesis penelitian hanya dituliskan salah
satu saja yaitu hipotesis alternatif (Ha) atau hipotesis nol (Ho). Sedangkan
dalam hipotesis statistik keduanya dipasangkan sehingga dapat diambil
keputusan dengan tegas yaitu menerima Ho berarti menolak Ha begitu juga
sebaliknya apabila menolak Ho berarti menerima Ha. Hipotesis statistik ini
dirumuskan untuk menjelaskan gambaran dan parameter apa dari populasi.

9. Jenis Pengujian Hipotesis
a. Hipotesis Direksional
Hipotesis direksional adalah rumusan hipotesis yang arahnya sudah
jelas atau disebut juga hipotesis langsung. Hipotesis ini digunakan
untuk menjelaskan pengujian rerata (uji-t) dengan rerata satu sampel.
Sedangkan pengujian hipotesis direksional terdiri dari dua yaitu uji
86

pihak kiri dan uji pihak kanan, untuk lebih jelasnya dapat diuraikan
berikut ini.
1) Uji Pihak Kiri
Apabila ada rumusan hipotesis pasangan Ha dinyatakan
dengan bunyi kalimat: paling tinggi, paling banyak, paling besar,
maksimum dan sejenisnya berarti tandanya lebih kecil (<). Maka
sebaliknya Ho harus dinyatakan dengan bunyi kalimat: paling
rendah, paling sedikit, paling kecil, minimum dan sejenisnya berarti
tandanya lebih besar atau sama dengan( >) pengujiannya
menggunakan uji satu pihak (one tailed test) yaitu uji pihak kiri.
Seperti contoh berikut:
Hipotesis bersifat deskriptif
Motivasi kerja pegawai di Lembaga Pendidikan Lingua Plus
paling tinggi 40% dari nilai ideal.
(1) Hipotesis (Ha dan Ho) dalam uraian kalimat
Ha: Motivasi kerja pegawai di Lembaga Pendidikan Lingua Plus
paling tinggi 40% dari nilai ideal.
Ho: Motivasi kerja pegawai di Lembaga Pendidikan Lingua Plus
paling rendah atau sama dengan 40% dari nilai ideal.
(2) Hipotesis (Ha dan Ho) model statistik
Ha: p < 40 % p= persentase
87

Ho: p > 40 %
Hipotesis bersifat komparatif
Terdapat perbedaan prestasi belajar antara mahasiswa tugas belajar
dengan mahasiswa izin belajar dalam mengikuti pelajaran statistik,
yaitu mahasiswa tugas belajar lebih tinggi daripada mahasiswa izin
belajar. Atas dasar informasi tim pengajar ingin membuktikan
melalui penelitian.
(1) Hipotesis (Ha dan Ho) dalam uraian kalimat
Ha: Perbedaan prestasi belajar antara mahasiswa tugas belajar lebih
tinggi daripada mahasiswa izin belajar.
Ho: Perbedaan prestasi belajar antara mahasiswa tugas belajar lebih
rendah daripada mahasiswa izin belajar.
(2) Hipotesis (Ha dan Ho) model statistik
Ha: 1 < 2 = rata-rata populasi
Ho: 1 > 2
Hipotesis bersifat asosiatif
Seorang pakar pendidikan ingin meneliti hubungan motivasi dengan
prestasi belajar di Perguruan Tinggi Lingua Plus. Peneliti
berhipotesis bahwa hubungan motivasi belajar dengan prestasi
belajar paling tinggi 60%.
(1) Hipotesis (Ha dan Ho) dalam uraian kalimat
88

Ha: Hubungan motivasi belajar dengan prestasi belajar paling tinggi
60%.
Ho: Hubungan motivasi belajar dengan prestasi belajar paling rendah
atau sama dengan 60%.
(2) Hipotesis (Ha dan Ho) model statistik
Ha: p < 60% p= persentase
Ho: p > 60%

2) Uji Pihak Kanan
Jika rumusan hipotesis pasangan Ha dinyatakan dengan
bunyi kalimat: rendah, paling sedikit, paling kecil, minimum dan
sejenisnya berarti tandanya lebih besar ( > ). Maka sebaliknya Ho
harus dinyatakan dengan bunyi kalimat: paling tinggi, paling banyak,
paling besar, maksimum dan sejenisnya berarti tandanya lebih kecil
atau sama dengan ( < ). Pengujiannya menggunakan uji saatu pihak
(one tailed test) yaitu uji pihak kanan. Seperti contoh berikut:
Hipotesis bersifat deskriptif
Disiplin pegawai di Lembaga Pendidikan Lingua Plus paling
rendah 70% dari skor ideal.
(1) Hipotesis (Ha dan Ho) dalam uraian kalimat
89

Ha: Disiplin pegawai di Lembaga Pendidikan Lingua Plus paling
rendah 70% dari skor ideal.
Ho: Disiplin pegawai di Lembaga Pendidikan Lingua Plus paling
tinggi atau sama dengan 70% dari skor ideal.
(2) Hipotesis (Ha dan Ho) model statistik
Ha: p > 70 % p= persentase
Ho: p < 70 %
Hipotesis bersifat komparatif
Seorang pengamat haji ingin melakukan penelitian untuk mengetahui
adakah perbedaan fasilitas antara kelompok jamaah haji plus (VIP)
dengan jemaah haji biasa. Pengamat berhipotesis bahwa jemaah haji
biasa kurang nyaman fasilitasnya bila dibandingkan dengan jemaah
haji plus (VIP).
(1) Hipotesis (Ha dan Ho) dalam uraian kalimat
Ha: Jemaah haji biasa kurang nyaman fasilitasnya bila dibandingkan
dengan jemaah haji plus (VIP).
Ho: Jemaah haji biasa lebih nyaman atau sama dengan fasilitasnya
bila dibandingkan dengan jemaah haji plus (VIP).
(2) Hipotesis (Ha dan Ho) model statistik
Ha: 1 > 2 = rata-rata populasi
Ho: 1 < 2
90

Hipotesis bersifat asosiatif
Seorang pengamat sosial mengatakan bahwa hubungan antara atasan
dengan bawahan di Lembaga Pendidikan Lingua Plus paling rendah
45%.
(1) Hipotesis (Ha dan Ho) dalam uraian kalimat
Ha: Hubungan antara atasan dengan bawahan di Lembaga
Pendidikan Lingua Plus paling rendah 45%.
Ho: Hubungan antara atasan dengan bawahan di Lembaga
Pendidikan Lingua Plus paling tinggi atau sama dengan 45%.
(2) Hipotesis (Ha dan Ho) model statistik
Ha: p > 45% p= persentase
Ho: p < 45%

10. Uji t (t Tes) Satu Sampel
Uji-t (t-test) merupakan statistik uji yang sering kali ditemui dalam
masalah-masalah praktis statistika. Uji-t digunakan untuk menguji apakah
rata-rata suatu sampel sama dengan suatu harga tertentu atau apakah rata-
rata dua sampel sama/berbeda secara signifikan. Statistik uji ini digunakan
dalam pengujian hipotesis. Uji-t dapat dibagi menjadi 2, yaitu uji-t yang
digunakan untuk pengujian hipotesis 1-sampel dan uji-t yang digunakan
untuk pengujian hipotesis 2-sampel.
91

Uji t satu sampel ini tergolong hipotesis deskriptif, yaitu untuk
menguji apakah satu sampel sama/berbeda dengan rata-rata populasinya
Langkah-langkah Uji t
1) Buatlah Ha dan Ho dalam uraian kalimat.
2) Buatlah Ha dan Ho dalam model statistik.
3) Mencari t hitung.




Dimana:
( )




Adapun standar deviasi sampel dapat dihitung berdasarkan data
yang terkumpul. Pada umumnya standar deviasi setiap populasi jarang
yang diketahui, maka penggunaan rumus zhitung kurang digunakan.
Pengujian hipotesis deskriptif, ada dua jenis yaitu:uji dua pihak
dan uji satu pihak ( uji pihak kiri dan uji pihak kanan)

92

4) Tentukan terlebih dahulu taraf signifikasinya, misalnya ( =0,05 atau
=0,01) kemudian dicari tabel dengan ketentuan db=n-1, juga diketahui
tentang posisi pengujiannya. Apakah menggunakan pihak kiri, pihak
kanan, atau dua pihak. Dalam hal ini tergantung bunyi hipotesisnya.
Dengan menggunakan tabel diperoleh ttabel.
5) Tentukan kriteria pengujian
6) Bandingkan antara thitung dengan ttabel dan gambarlah posisinya.
7) Buatlah kesimpulan.

11. Pembuktian Rumus Uji t Satu Sampel
Misalkan x
1
, x
2
, x
3
,, x
n
sampel random dari N(;
2
). Uji GLR
untuk
H
o
: =
o
versus H
1
:
o

Dengan tingkat signifikansi , kita menolak H
o
apabila

()

()

Bukti :
Karena
2
(dianggap) tidak diketahui, maka ruang parameternya H
o
() dan

() adalah
*(

+
Dan
93

*(

+
Dibawah , PML adalah

dan

Dibawah , PML adalah dan

Maka
() *

Dan
(

) *

Sehingga, Lekelihood ratio-nya adalah
*
(

Perhatikan bahwa jika t
2
naik, maka turun. Ini berarti bahwa uji
GLR yang harus menolak H
o
,jika terlalu kecil (misalkan < *) adalah
ekivalen dengan menolak H
o
apabila t
2
terlalu besar. Tetapi karena t~t
n-1
,
terlalu besar berarti t
2
terlalu besar berarti

.
()

(
()

Dan

.
()

()

()

Maka teorema terbukti.
94


95

BAB III
PENUTUP
A. Kesimpulan
1. Distribusi normal sering disebut dengan distribusi Gaussian adalah salah
satu jenis distribusi yang paling sering digunakan dalam menjelaskan
sebaran data. Distribusi normal ini mempunyai fungsi probabilitas:
()

)]
Variabel random X yang berdistribusi normal dengan mean dan variansi

2
ditulis X = N(;
2
). Jika =0 dan variansi
2
=1, variabel itu dinamakan
variabel random normal standard an ditulis dengan huruf Z.
2. Dengan mengambil sampel secara random yang berelemen lebih besar
maka nilai probabilitas akan lebih besar. Dengan karolari di atas kita
mempunyai distribusi X yang memungkinkan untuk menghitung presisi X
dalam bentuk probabilitas.
3. Misalkan x1, x2, . . . adalah barisan tak berhingga variabel random
independen, masing-masing berdistribusi sama. Misalkan mean dan
variansi
2
fungsi probabilitas f(x) keduanya berhingga. Untuk setiap
bilangan c dan d.

/ =

4. Variabel random X dikatakan berdistribusi khi-kuadrat dengan derajat bebas
n jika:
96

()

Akan ditulis X

5. Statistik F didefinisikan sebagai nisbah dua peubah acak khi-kuadrat yang
bebas, masing masing dibagi dengan derajat kebebasannya. Misalkan U
dan V dua peubah acak bebas masing masing berdistribusi khi-kuadrat
dengan derajat kebebasan

. Maka distribusi peubah acak :

Diberikan oleh



ini dikenal dengan nama distribusi F dengan derajat kebebasan

dan

Bila ukuran sampel ( n < 30 ), nilai S
2
berubah cukup besar dari sampel ke
sampel dan distribusi peubah acak (

) ( ) tidak lagi distribusi

normal baku.
Dalam hal ini didapatkan distribusi statistik yang disebut T

()
,(

) -(

)(

)
(

)

= 0 , 0 < f < , untuk f lainnya

97

Distribusi sampel T di dapat dari anggapan bahwa sampel acak berasal dari
populasi normal.

(

) ( )

( )

Dengan ,

Berdistribusi normal baku,dan

( )

Misalkan Z peubah acak normal baku dan V peubah acak khi-kuadrat
dengan derajat kebebasan v. Bila z dan v bebas, maka distribusi peubah acak
T, bila


Diberikan oleh,



Ini di kenal dengan nama distribusi t dengan derajat kebebasan v.
6. Uji-t digunakan untuk menguji apakah rata-rata suatu sampel sama dengan
suatu harga tertentu atau apakah rata-rata dua sampel sama/berbeda secara
signifikan. Statistik uji ini digunakan dalam pengujian hipotesis. Uji-t dapat
dibagi menjadi 2, yaitu uji-t yang digunakan untuk pengujian hipotesis 1-
sampel dan uji-t yang digunakan untuk pengujian hipotesis 2-sampel.

()
,( ) -
( )

)
()



98

B. Saran
1. Sebaiknya pembaca dapat memahami teori dan definisi materi-materi di atas
sebelum mempraktekannya ke dunia nyata.
2. Sebaiknya pembaca dapat mencari referensi lain mengenai inferensi statistik
dengan model distribusi normal jika kurang memahami dari karya tulis ini.


















99

DAFTAR PUSTAKA

Budiyono. 2004. Statistik Untuk Penelitian. Surakarta: Sebelas Maret University.
Darmanto. 2012. Distribusi t.
http://statistikanvadarmanto.lecture.ub.ac.id/2012/06/distribusi-t/.
Diakses tanggal 28 Oktober 2012.
Djarwanto, dkk. 1996. Statistik Induktif. BPFE: Yogyakarta.
Harinaldi. 2005. Prinsip-prinsip Statistik untuk Teknik dan Sains. Jakarta:
Erlangga.
Herawati, Cici. 2012. Distribusi F.
http://ciciherawati.blogspot.com/2012/01/f.html. Diakses tanggal 28
Oktober 2012.
Heriyanto, Nor. 2003. Statistik Lanjutan. Bandung: CV. Pustaka Setia.
Igor. 2012. Distribusi F. http://tulang-rusukku.blogspot.com/2012/04/distrbusi-
f.html. Diakses tanggal 28 Oktober 2012.
J. E. Freund dan R. E. Walpole. 1980. Mathematical Sattistics 3
rd
edition.
London: Prentice-hall.
Likelihood. New York : Clarendon Press OXFORD.
Nurhayati, Nunung. 2012. Konvergen dalam Peluang.
http://nunung.blog.unsoed.ac.id/files/2012/09/41_42Konvergen_dlm_p
eluang.pdf. Diakses tanggal 27 Oktober 2012.
Pawitan, Yudi. 2001. In All Likelihood, Statistical Modelling and Inference using
100

Pramudjono. 2008. Statistika Dasar (Aplikasi Untuk Penelitian) Edisi IV.
Samarinda: FKIP Universitas Mulawarman.
R. V. Hogg dan A. T. Craig. 1978. Introduction to mathematical statistics. 4
th

edition. London: Macmillan.
R.J. Larson dan M.L. Marx. (1981). An Introduction to mathematical statistics
and application. New Jersey: Prentice-hall.
Salim, Oktavianus. 1999. Distribusi Normal. Jakarta: Trisakti
Soejoeti, Zanzawi. 1990. Peluang dan Statistika Bagian II : Statistika.
Yogyakarta: Fakultas Matematika Dan ilmu Pengetahuan Alam
Universitas Gadjah Mada.
Sudijono, Anas. 2004. Pengantar Statistik Pendidikan. Jakarta: Raja Grafindo
Persada.
Sudjana. 1992. Metoda Statistika. Bandung: Tarsito Bandung.
Suparman. 1989. Statistik Matematik. Jakarta: CV. Rajawali.
T. Kreyzig. 1970. Introductory to mathematical statisticas. New York: John
Wiley.
Tarmizi, Anita. 2012. Makalah Statistik Uji-t Satu Sampel.
http://aadesti.blogspot.com/2012/03/makalah-statsitik-uji-t-satu-
sampel.html. Diakses tanggal 28 Oktober 2012.
Watulingas, Jefferson. 2008. Teori Kemungkinan. Samarinda: FKIP Universitas
Mulawarman.
Wikipedia. 2012. Distribusi F. http://id.wikipedia.org/wiki/Distribusi_F. Diakses
tanggal 28 Oktober 2012.