17

BAB 2


LANDASAN TEORI



2.1 Konsep Dasar Penaksiran Parameter

Statistik inferensi adalah Statistik yang dengan segala informasi dari sampel
digunakan untuk menarik kesimpulan mengenai karakteristik populasi dari mana
sampel itu diambil. Statistik inferensi digunakan untuk memprediksi keadaan dari
suatu populasi berdasarkan sampel yang diambil dan berusaha untuk menyimpulkan
karakteristik dari suatu populasi tersebut. Untuk ini kelakuan populasi dipelajari
berdasarkan data yang diambil baik secara sampling ataupun sensus. Dalam
kenyataannya mengingat berbagai faktor, untuk keperluan tersebut diambil sebuah
sampel yang representatif lalu berdasarkan pada hasil analisis terhadap data sampel
kesimpulan mengenai populasi dibuat. Kelakuan populasi yang akan ditinjau hanyalah
mengenai parameter populasi dan sampel yang digunakan adalah sampel acak. Data
sampel dikumpulkan dan dianalisis, nilai-nilai yang perlu yaitu statistik, dihitung dan
dari nilai-nilai statistik tersebut dapat disimpulkan bagaimana parameter bertingkah
laku, dan parameter yang akan ditaksir adalah rata-rata dan variansi (Surwako, 2007).

Metode penaksiran parameter didasarkan pada asumsi bahwa distribusi
probabilitas normal dapat digunakan dengan ketentuan n 30, jika n<30 dengan
syarat distribusi populasi adalah normal dan simpangan populasi diketahui (Andi
Supangat, 2008). Secara umum penaksiran adalah dugaan atas sesuatu yang akan
terjadi dalam kondisi tidak pasti (Surwako, 2007). Setiap pengusaha selalu membuat
berbagai penaksiran untuk kegiatan-kegiatan pokok usahanya. Misalnya, pengusaha
biro perjalanan wisata akan membuat perkiraan atas besarnya rata-rata biaya setiap
perjalanan bagi dua orang, bagian pemasaran perusahaan semen membuat perkiraan
berapa zak semen penjualan tahun depan, dll. Semakin tepat penaksiran atau
perkiraan terhadap output yang dihasilkan, maka semakin efektif dan efisien alokasi
sumber-sumber daya yang dimiliki oleh pengusaha untuk mendukung realisasi output
yang dihasilkan.

18



Sifat atau ciri penaksir yang baik, adalah tidak bias, variasi minimum, konsisten, dan
statistik cukup
1. Tidak bias
Misalkan * adalah estimator yang nilai *-nya adalah estimasi titik dari parameter
populasi tak diketahui .Tentu diinginkan bahwa sebaran cuplikan * akan memiliki
mean yang sama dengan parameter yang diestimasi. Parameter yang seperti ini
disebut bersifat takbias (Ronald & Raymond 1995). Dengan kata lain penaksir tak
bias bagi parameter jika = *) ( E , jika dikatakan penaksir bias bagi parameter ,
jika *) ( E . Namun penaksir bias dapat diubah menjadi penaksir takbias jika ruas
kanan dikalikan atau ditambahkan dengan konstanta tertentu.

2. Variansi Minimum
Apabila terdapat dua buah penaksir yang takbias, maka kedua penaksir tersebut akan
dibandingkan dalam hal variansinya. Misalkan dua penaksir tak bias yaitu *
1
dan
*
2
untuk . J ika *
1
mempunyai variansi yang lebih kecil dibanding dengan *
2
,
maka *
1
dikatakan penaksir takbias bervariansi minimum.

3. Konsisten
J ika *
n
adalah penaksir untuk yang didasarkan pada sampel acak berukuran n,
maka *
n
dikatakan konsisten bagi parameter , jika
( ) = <

* p lim
n
x
1 (2.1)
penentuan penaksir konsisten ini dapat dilakukan dengan menggunakan
ketidaksamaan Chebyshevs,
( )
2
x
k
1
1 k X p lim <

(2.2)






19



4. Statistik Cukup
Statistik ) ,..., , (
2 1 n
x x x T T = dikatakan cukup bagi parameter, jika fungsi kepadatan
peluang bersyarat: t x x x x x x P
n n n
= = ) ,..., , T(x | ) ,..., , (
2 1 2 1
tidak bergantung pada .
Estimasi nilai parameter memiliki dua cara, yaitu penaksir titik (point estimation) dan
estimasi selang (interval estimation).
1. Penaksiran Titik (point estimation)
Penaksiran dari sebuah parameter populasi yang dinyatakan oleh sebuah bilangan
tunggal disebut penaksir titik dari parameter tersebut (Murray & Larry, 1999).
Penaksiran titik sebuah parameter: sebuah nilai yang diperoleh dari sampel dan
digunakan sebagai penaksir dari parameter yang nilainya tidak diketahui.
Misalkan
n
x x x ..., , ,
2 1
merupakan sampel acak berukuran n dari x, maka statistik
) ,..., , ( *
2 1 n
x x x h = yang berkaitan dengan dinamakan penaksir dari . Setelah
sampel diambil, nilai-nilai yang dihitung dari sampel itu digunakan sebagai
taksiran titik bagi .

Beberapa taksiran titik yang dihitung dari data sampel untuk parameter populasi
yang bersesuaian.
1. Rerata populasi , taksiran titiknya adalah *=x
2. Variansi populasi
2
, taksiran titiknya adalah
2
*=
2
s
3. Simpangan baku populasi , taksiran titiknya adalah *=s

2. Penaksiran Selang (interval estimation).
Penaksiran dari parameter populasi yang dinyatakan oleh dua buah bilangan di
antara posisi parameternya diperkirakan berada disebut sebagai penaksiran
interval dari parameter tersebut (Murray & Larry, 1999).
Misalkan dan masing-masing adalah mean dan deviasi standar dari
distribusi sampling suatu statistik S. Maka jika distribusi sampling dari S
20



mendekati normal (n 30), maka didapat statsitik sampel aktual S yang berada
di dalam interval - sampai dengan + . Atas dasar ini masing-masing
interval ini sebagai interval kepercayaan (confidence interval) untuk mengestimasi
rata-rata. Bilangan-bilangan dari kedua ujung interval ini masing-masing dikenal
sebagai batas kepercayaan (confidence limit). J ika statsitik S adalah mean sampel
x , maka batas-batas kepercayaan 90%, 95% dan 99% untuk menaksir mean
populasi masing-masing dirumuskan sebagai x 1,65 , x 1,96 dan x
2,58 . Dalam bentuk yang lebih umum, batas kepercayaannya dirumuskan
sebagai x z , z adalah yang bergantung kepada tingkat kepercayaan tertentu .
J ika koefisien kepercayaan dinyatakan dengan maka 0< <1. Harga
yang digunakan tergantung pada persoalan yang dihadapi dan berapa besar si
peneliti ingin yakin dalam membuat pernyataannya. Yang biasa digunakan adalah
0,90, 0,95 dan 0,99, yakni =0,90, =0,95 dan 0,99. Untuk menentukan
taksiran parameter dengan koefisien kepercayaan , maka sebuah sampel acak
diambil, lalu dihitung statistiknya.
2.2 Distribusi Normal


Distribusi normal adalah distribusi probabilitas kontinu yang grafiknya disebut kurva
normal seperti pada gambar 2.1. Sebuah distribusi normal dapat dideskripsikan secara
penuh oleh rata-rata dan variansnya. Distribusi normal menggambarkan dengan
cukup baik banyak gejala yang muncul di alam, industri, dan penelitian. Pengukuran
fisik di bidang seperti percobaan meteorologi, penelitian curah hujan, dan pengukuran
suku cadang yang diproduksi dapat diterangkan menggunakan distribusi normal.
Disamping itu galat dalam pengukuran ilmiah dapat dihampiri dengan sangat baik
oleh distribusi normal.
Pada tahun 1733, Abraham DeMoivre menemukan persamaan matematika
kurva normal. Ini merupakan dasar bagi teori statistika induktif. Distribusi normal
sering pula disebut distribusi Gauss untuk menghormati Karl Friedrich Gauss (1777-
1855), yang juga menemukan persamannya waktu meneliti galat dalam pengukuran
yang berulang-ulang mengenai bahan yang sama.

21



Karakteristik dari variabel acak kontinu berbeda dengan variabel acak diskrit.
Variabel acak kontinu mencakup semua bilangan, baik utuh maupun pecahan. Oleh
karena itu tidak dapat dipisahkan nilai yang satu dengan yang lain. Itulah sebabnya
fungsi variabel acak kontinu sering disebut fungsi kepadatan, karena tidak ada ruang
kosong diantara dua nilai tersebut. Dengan kata lain realitasnya keberadaan satu buah
angka dalam variabel acak kontinu jika ditinjau dari seluruh nilai adalah sangat kecil,
bahkan mendekati nol. Karena itu tidak bisa dicari probabilitas satu buah nilai dalam
variabel acak kontinu, tetapi yang dapat dilakukan adalah mencari probabilitas
diantara dua buah nilai.
Distribusi kontinu mempunyai fungsi matematis tertentu, jika fungsi tersebut
digambar, maka akan berbentuk kurva kepadatan dengan sifat sebagai berikut :
1. Probabilitas nilai x dalam variabel tersebut terdapat dalam rentang antara 0
dan 1
2. Probabilitas total dari semua nilai x adalah sama dengan satu (sama dengan
luas daerah di bawah kurva)

Fungsi kepadatan merupakan dasar untuk mencari nilai probabilitas diantara dua
nilai variabel. Probabilitas di antara dua nilai adalah luas daerah di bawah kurva di
antara dua nilai dibandingkan dengan luas daerah total di bawah kurva. Dapat dicari
luas daerah tersebut dengan menggunakan integral tertentu (difinit integral).

Suatu variabel acak kontinu X yang distribusinya berbentuk lonceng disebut peubah
acak normal. Persamaan matematika distribusi peluang peubah normal kontinu
bergantung pada dua parameter dan
2
, yaitu rataan dan variansnya. Fungsi padat
variabel acak normal X dengan rataan dan variansi
2
, adalah
2
2
1
2
1
) (
|
.
|

\
|

x
e x f (2.3)
Yang menyatakan bahwa :
=suatu konstanta matematika yang nilainya mendekati 3,14159
e =suatu konstanta matematika yang nilainya mendekati 2,71828
=parameter, merupakan rata-rata untuk distribusi

2
=parameter, merupakan variansi untuk distribusi
22



dan nilai x mempunyai batas < < x , maka dikatakan bahwa variabel acak X
berdistribusi normal.

Sifat-sifat penting distribusi normal:
1. grafiknya selalu ada di atas sumbu datar x .
2. bentuknya simetrik terhadap = x
3. mempunyai satu modus, jadi kurva unimodal, tercapai pada = x sebesar

3989 , 0

4. grafiknya mendekati (berasimtutkan) sumbu datar x dimulai dari 3 x + = ke
kanan dan 3 x = ke kiri
5. luas daerah grafik selalu sama dengan satu unit persegi

Untuk tiap pasang dan , sifat-sifat di atas seluruh dipenuhi, hanya bentuk
kurvanya saja yang berlainan. J ika makin besar , kurvanya makin rendah
(platikurtik) dan untuk makin kecil, kurvanya makin tinggi (leptokurtik).













Gbr 2.1 Kurva normal

Untuk mengatasi kesulitan dalam menghitung integral fungsi padat normal
maka dibuat tabel luas kurva normal sehingga memudahkan penggunaannya. Akan
tetapi, tidak akan mungkin membuat tabel yang berlainan untuk setiap nilai dan .
Untunglah, seluruh pengamatan setiap variabel acak normal X dapat
ditransformasikan menjadi himpunan pengamatan baru satu variabel acak normal Z
dengan rataan nol dan variansi 1. Hal ini dapat dikerjakan dengan transformasi.

=
X
Z (2.4)

23




Bilamana X mendapat suatu nilai x, nilai Z padanannya diberikan oleh.

) (
=
x
z . J adi bila X bernilai antara x=x
1
dan x=x
2
maka variabel acak Z akan
bernilai antara

) (
1
1

=
x
z dan

) (
2
2

=
x
z . Karena itu dapat ditulis
dx e x X x P
x
x
x

|
.
|

\
|
|
.
|

\
|

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

=
(
(

|
|
.
|

\
|
=
2
2
2
1
) ( exp
2
1
2
2 z
z
z
z
dz x f dz z

) (
2 1
z Z z p < < = (2.4)

Dengan Z terlihat merupakan suatu variabel acak normal dengan rataan nol dan
variansi 1.














Gbr 2.2 Distribusi normal asli dan yang telah ditransformasikan



2.3 Distribusi Sampel

Bidang statistika inferensi pada dasarnya berkenan dengan perampatan dan prediksi,
hasil suatu percobaan statistika dapat dicatat dalam bentuk numerik ataupun aksara.
Bila sepasang dadu dilantumlan dan jumlahnya merupakan hal yang ingin diselidiki
maka hasilnya dicatat dalam bentuk numerik.
Keseluruhan pengamatan yang ingin diteliti, berhingga atau tidak, membentuk
apa yang disebut populasi atau universum. Kata populasi pengamatan yang diperoleh
dari penelitian statistik yang menyangkut manusia. Sekarang statistikawan
1 2
P(x x x ) < <
1 2
P(z z z ) < <
x
1
x
2
z
1
z
2
1 2 1 2
P(x x x ) P(z x z ) < < = < <
24



menggunakan kata tersebut untuk menyatakan seluruh pengamatan tentang hal yang
ingin diselidiki, terlepas apa itu menyangkut orang, binatang, ataupun benda lainnya.
Banyaknya pengamatan dalam populasi dinamakan ukuran. Suatu populasi terdiri atas
keseluruhan pengamatan yang menjadi perhatian (Ronald & Raymond, 1995).

Dalam bidang inferensial statistik statistikawan ingin menarik kesimpulan mengenai
suatu populasi dalam hal tidak mungkin atau tidak praktis mengamati himpunan
seluruh pengamatan yang membentuk populasi tersebut . Sebagai contoh dalam usaha
menentukan rata-rata panjang umur bola lampu merk tersebut agar masih ada sisanya
dijual . Biaya yang amat tinggi juga merupakan kendala dalam memeriksa seluruh
populasi. Karena itu peneliti menggunakan sebagian pengamatan dari populasi dalam
menarik inferensi tentang populasi tersebut. Sampel adalah suatu bagian himpunan
dari populasi (Ronald & Raymond, 1995).

Dalam mengambil sampel acak berukuran n dari suatu populasi ) x ( f ,
didefinisikan variabel acak n ,..., 2 , 1 i , x
i
= , sebagai pengukuran atau nilai sampel ke i
yang diamati, variabel acak
n 2 1
x ,... x , x

jadinya merupakan suatu sampel acak populasi
) x ( f dengan nilai numerik
n 2 1
x ,... x , x , bila pengukuran dikerjakan dengan
mengulangi percobaan n kali secara bebas dalam keadaan yang pada dasarnya sama,
maka dapat dianggap bahwa ke-n variabel acak
n 2 1
x ,... x , x bebas dan masing-masing
berdistribusi f(x). Ini berarti bahwa
n 2 1
x ,... x , x masing-masing berdistribusi peluang
) x ( f ),... x ( f ), x ( f
n 2 1
.

Misalkan
n 2 1
x ,... x , x merupakan n variabel acak bebas yang masing-masing
berdistribusi peluang ) x ( f .
n 2 1
x ,... x , x didefinisikan sebagai sampel acak ukuran n
dari populasi ) x ( f dan distribusi peluang gabungannya ditulis sebagai:
) x ( ),..., x ( ), x ( f ) x ,..., x , x ( f
n 2 1 n 2 1
= (Ronald & Raymond 1995).



25



2.4 Maksimum Likelihood

Penaksiran kemungkinan maksimum merupakan salah satu pendekatan yang penting
dalam sebuah statistika inferensi. Metode terbaik yang dapat digunakan dalam
menentukan penaksir titik sebuah parameter. Misalkan X adalah peubah acak kontinu
dengan fungsi kepadatan peluang berbentuk ) , ( x f , dengan adalah suatu
parameter yang tidak diketahui.
Misalkan
n 2 1
x ,... x , x merupakan sebuah sampel acak berukuran n, fungsi
likelihood dari sampel acak itu adalah:
) , x ( f ),... , x ( f ), , x ( f ) ( L
n 2 1
= (2.5)

Fungsi likelihood adalah fungsi dari parameter yang tidak diketahui . Untuk
memudahkan dalam menganalisis maka fungsi likelihood ) ( L diberi ln. Penaksir
maksimum likelihood dari adalah nilai yang memaksimumkan fungsi likelihood
) ( L .

Dalam aplikasi ) ( L menunjukkan fungsi densitas probabilitas bersama dari
sampel random. J ika S ruang parameter yang merupakan interval terbuka dan ) ( L
merupakan fungsi yang dapat diturunkan serta diasumsikan maksimum pada S maka
persamaan maksimum likelihoodnya adalah.
0 ) (
) (
=

L (2.6)

J ika penyelesaian dari persamaan tersebut ada, maka maksimum dari ) ( L
dapat terpenuhi. Apabila tak terpenuhi maka fungsi ) ( L dapat dibuat logaritma
naturalnya, dengan ketentuan jika ln ) ( L maksimum maka ) ( L juga maksimum,
sehingga persamaan logaritma natural likelihoodnya adalah
0 ) ( ln
) (
=

L (2.7)



26



2.5 Metode Bayes

Bila A dan B adalah dua kejadian sembarang pada S dan berlaku maka A
dan B dikatakan dua kejadian yang saling lepas. Dua kejadian tersebut tidak mungkin
terjadi secara bersamaan seperti pada gambar 2.3 dibawah ini:





Gbr 2.3 Kejadian yang saling lepas

Dengan demikian probabilitas adalah :


Peristiwa A dapat ditulis sebagai gabungan dua buah kejadian yang saling lepas
adalah: A E dan A E
c
maka A=( A E )( A E
c
) dan dapat dibuat dalam
bentuk gambar 2.4 di bawah ini:





Gbr 2.4 Gabungan dua kejadian yang
saling lepas

Dengan menggunakan probabilitas bersyarat maka :
P(A)= | | ) ( ) ( A E A E P
c

= ) ( ) ( A E P A E P
c

= ) ( ) ( A E P A E P
c
+
= ) ( ) ( ) ( ) (
c c
E A P E P E A P E P + (2.8)

0 B A =
B A
( ) ( ) ( ) B P A P B A P + =
27



Peristiwa
k
B B B ,..., ,
2 1
merupakan suatu sekatan (partisi) dari ruang sampel S dengan
P(
i
B ) 0 untuk i=1,2,,k maka setiap peristiwa A anggota S berlaku:
(2.9)

Digunakan bila ingin diketahui probabilitas P(
1
B |A),P(
2
B |A).,P(
k
B |A) dengan
rumus sebagai berikut :

(2.10)

Peluang B
r
disebut peluang a-priori, peluang (B
r
|B) disebut peluang a-posteriori.

Metode Bayes adalah metode yang dapat digunakan untuk menaksir parameter
distribusi normal. Bayes memperkenalkan suatu metode dimana kita perlu mengetahui
bentuk distribusi awal (prior) dari populasi yang dikenal dengan metode Bayes.
Sebelum menarik sampel dari suatu populasi terkadang kita peroleh informasi
mengenai parameter yang akan diestimasi. Informasi ini kemudian digabungkan
dengan informasi dari sampel untuk digunakan dalam mengestimasi parameter
populasii dan parameter populasi berasal dari suatu distribusi, sehingga nilainya
tidaklah tunggal dan merupakan variabel random.
Bayes menggunakan interpretasi probabilitas secara subyektif di dalam analisa
statistika formal. Pendekatan Bayes terhadap metode estimasi statistik
menggabungkan informasi yang dikandung dalam sampel dengan informasi lain yang
telah tersedia sebelumnya. Dari segi asumsi statistikawan klasik memandang bahwa
parameter populasi mempunyai harga tertentu yang tidak diketahui sehingga
pernyataan probabilitas tentang parameter populasi tidak mempunyai arti.

2.5.1 Distribusi Prior

Distribusi awal (prior) adalah keterangan tambahan mengenai , misalnya bahwa
diketahui berubah sesuai dengan distribusi peluang ) ( f dengan rataan awal
0
dan
varians
2
0
yaitu dianggap bahwa merupakan nilai peubah acak dengan

= =
= =
k
i
k
i
i i i
B A P B P A B P A P
1 1
) | ( ) ( ) ( ) (
k r
B A P B P
B A P B P
A B P
B A P
A B P
k
i
i i
r r
k
i
i
r
,.. 2 , 1 ;
) | ( ) (
) | ( ) (
) (
) (
) | (
1 1
= =

=

= =
28



distribusi peluang ) ( f dan ingin ditaksir nilai tertentu untuk populasi yang
diambil sampelnya . Peluang yang dikaitkan dengan distribusi awal ini disebut
peluang pribadi, karena mengukur derajat keyakinan seseorang mengenai letak
parameter yang ingin ditaksir dan estimator mengunakan pengalaman dan
pengetahuan sebagai dasar untuk memperoleh peluang pribadi yang berasal dari
distribusi awal.

2.5.2 Distribusi Posterior

Teknis bayes menggunakan distribusi awal ) ( f bersama dengan fungsi gabungan
sampel f(x
1,
x
2, ,
x
n
: ) untuk menghitung distribusi posterior f( |x
1,
x
2, ,
x
n
).
Distribusi posterior (pasca) terdiri atas keterangan dari distribusi awal yang subjektif
maupun distribusi sampel yang objektif dan menyatakan derajat keyakinan kita
mengenai letak parameter setelah sampel diamati. f(x
1,
x
2, ,
x
n
| ) sama dengan
f(x
1,
x
2, ,
x
n
: ) untuk distribusi peluang gabungan sampel bilamana ingin
menunjukkan bahwa parameter juga merupakan peubah acak. Distribusi gabungan
sampel
n 2 1
x ,... x , x dan parameter adalah:
f(x
1,
x
2, ,
x
n
, )= f(x
1,
x
2, ,
x
n
; )f( ) . Sehingga distribusi marginalnya sebagai
berikut :
g(x
1,
x
2, ,
x
n
)=

) kontinu bila ( d ) ; x ,... x , x ( f
) diskrit bila ( ) ; x ,... x , x ( f
n 2 1
n 2 1

(2.11)
jadi distribusi posteriornya dapat ditulis sebagai berikut:
) x , , x , g(x
) , x , , x , f(x
x x x | f
n 2 1
n 2 1
n 1

= ) ,... , (
2
(2.12)

Distribusi posterior f( |x
1,
x
2, ,
x
n
) dinyatakan dengan *, disebut penaksiran bayes
untuk (Ronald & Raymond, 1995).




29



2.5.3 Menentukan Selang Taksiran Bayes

Selang atau interval bayes (1- )100% untuk parameter dapat dibuat dengan
menghitung selang yang titik tengahnya berada pada rataan distribusi pasca yang
mengandung (1- )100% peluang pasca. Sehingga selang a< <b akan disebut
selang bayes (1- )100% untuk bila

b
*
f( |x
1,
x
2, ,
x
n
: ) d =

*
a

f( |x
1,
x
2, ,
x
n
: ) d
=
2
1
(2.13)

Rataan Posterior * adalah estimasi bayes dari rataan populasi , dan selang
bayes (1-)100% untuk dapat dibuat dengan menghitung selang
* - Z
/2
* < < * + Z
/2
* (2.14)



2.6 Batas Toleransi

Selang kepercayaan untuk parameter , yaitu selang yang berbentuk
2 1

< < , bila
1

dan
2

tergantung pada nilai statistik

untuk sebuah sampel tertentu dan juga

pada distribusi sampel dari

. Ini berarti batas kepercayaan dihitung sedemikian rupa

sehingga proporsi tertentu dari selang yang dihitung dari seluruh sampel yang dapat
dibuat dengan ukuran yang sama mengandung parameter populasi .
Untuk memperoleh taksiran yang lebih tinggi derajat kepercayaannya,
digunakan interval atau selang taksiran disertai nilai koefisien kepercayaan yang
dikehendaki. J ika simpangan baku diketahui dan populasinya berdistribusi normal ,
maka interval taksirannya adalah:
) 1 (
2 2

=
|
|
.
|

\
|
+ < <
n
z x
n
z x p (2.15)
Keterangan
=adalah koefisien kepercayaan
2

z =bilangan z didapat dari table normal baku untuk peluang

2

30



Persamaan (2.1) di atas dapat dinyatakan dalam bentuk lain, adalah untuk
memperoleh (1- )100% interval kepercayaan parameter dapat menggunakan
persamaan berikut:
n
z x
n
z x

2 2
+ < < (2.16)

Bila

2

z menyatakan nilai z sehingga daerah di sebelah kanannya mempunyai

luas
2

maka didapat dua batas kepercayaan sebagai berikut:

n
z x

2
* = dan
n
z x

2
* + =





Gbr 2.5 Batas keprcayaan pada distribusi normal

J ika dipakai sebagai taksiran untuk , maka kita bisa yakin (confident)
dengan tingkat keyakinan (confidence level) 100(1-)% bahwa error (E= x- ) yg
terjadi tidak akan lebih besar dari seperti pada gambar 2.6 di bawah ini:






Gambar 2.6 Interval kepercayaan rata-rata populasi

Sebagai contoh, bila semua sampel dengan ukuran n yang sama diambil dari
suatu distribusi normal, 95% dari semua selang yang ditentukan oleh batas
kepercayaan
n
x

96 , 1 akan mengandung parameter . Karena itu dengan
x
n
z

2
31



kepercayaan 95% selang
n
x

96 , 1 , yang dihitung dari suatu sampel tertentu, akan
mengandung parameter .

Suatu cara untuk menetapkan batas untuk nilai tunggal dalam populasi ialah
dengan menentukan suatu selang kepercayaan untuk suatu proporsi tertentu dari
pengukuran. Ini paling baik dijelaskan dengan membayangkan suatu keadaan yang
menyangkut pengambilan sampel acak dari suatu keadaan yang menyangkut
pengambilan sampel acak dari suatu distribusi normal dengan rataan dan variansi
2
yang diketahui. J elas suatu batas mencakup bagian tengah 95% dari populasi
pengamatan adalah
1,96 (2.17)

Ini disebut selang toleransi, dan memang cakupan 95% dari pengamatan yang
diukur adalah tepat. Akan tetapi, dalam praktek dan jarang diketahui, jadi
pengguna terpaksa menggunakan
, ks x (2.18)
Dan sekarang, selang berbentuk peubah acak dan karena itu cakupan dari
proporsi populasi yang dipenuhi selang tadi tidak lagi tepat. Akhibatnya selang
kepercayaan ( )% 1 100 berlaku untuk pernyataan tersebut karena ks x tidak dapat
diharapkan selalu mencakup setiap proporsi tertentu.

Batas toleransi untuk pengukuran yang berdistribusi normal dengan rataan
dan simpangan baku yang keduanya tidak diketahui, batas toleransi diberikan oleh
ks x , k ditentukan sedemikian rupa sehingga dapat ditegaskan dengan ( )% 1 100
kepercayaan bahwa batas tersebut mengandung paling sedikit 1 proporsi
pengukuran.