7-2 Sebuah mesin digunakan untuk mengisi kotak dengan produk cairan. Volume pengisian
dianggap berdistribusi normal. Sampel acak dari 10 kotak dipilih dan berat bersih (dalam ons)
adalah sebagai berikut: 12,03; 12,01; 12,04; 12,02; 12,05; 11,98; 11,96; 12,02; 12,05; dan
11,99.
a) Misalkan perusahaan ingin mengetahui apakah rata-rata volume isian lebih dari 12
ons. Dengan
Penyelesaian :
Interpretasi dalam R :
> volume<c(12.03,12.01,12.04,12.02,12.05,11.98,11.96,12.02,12.05,1
1.99)
> t.test(volume,alt="greater",mu=12,conf.level=0.99)
One Sample t-test
data: volume
t = 1.5667, df = 9, p-value = 0.07581
alternative hypothesis: true mean is greater than 12
99 percent confidence interval:
11.98799
Inf
sample estimates:
mean of x
12.015
b) Hitunglah selang kepercayaan dua sisi 95% untuk rata-rata pengisian volume.
Penyelesaian :
Interpretasi dalam R :
> t.test(volume,alt="two.sided",conf.level=0.95)
One Sample t-test
data: volume
t = 1254.926, df = 9, p-value < 2.2e-16
7-3 Dua orang teknisi kendali mutu mengukur permukaan bagian logam (dalam mm).
Dianggap bahwa pengukuran berdistribusi normal.
Teknisi I Teknisi II
1,45
1,54
1,37
1,41
1,21
1,56
1,54
1,37
1,48
1,20
1,29
1,31
1,34
1,27
1,35
sama.
Penyelesaian :
Interpretasi dalam R :
> teknisi.1<-c(1.45,1.37,1.21,1.54,1.48,1.29,1.34)
> teknisi.2<-c(1.54,1.41,1.56,1.37,1.20,1.31,1.27,1.35)
>
t.test(teknisi.1,teknisi.2,alt="two.sided",conf.level=0.9
5)
Welch Two Sample t-test
data: teknisi.1 and teknisi.2
t = 0.1067, df = 12.953, p-value = 0.9167
alternative hypothesis: true difference in means is not
equal to 0
95 percent confidence interval:
-0.1272127 0.1404270
sample estimates:
mean of x mean of y
1.382857 1.376250
b) Anggap bahwa variansi keduannya sama , hitunglah selang kepercayaan 95% beda
rata-rata pengukuran permukaan.
Penyelesaian :
Interpretasi dalam R :
>
t.test(teknisi.1,teknisi.2,alt="two.sided",var.equal=TRUE
,conf.level=0.95)
Two Sample t-test
data: teknisi.1 and teknisi.2
t = 0.1061, df = 13, p-value = 0.9171
alternative hypothesis: true difference in means is not
equal to 0
95 percent confidence interval:
-0.1279690 0.1411833
sample estimates:
mean of x mean of y
1.382857 1.376250
c) Lakukan pengujian hipotesis bahwa variansi dari pengukuran yang dibuat oleh kedua
teknisi tersebut adalah sama. Gunakan
Penyelesaian :
Interpretasi dalam R :
> teknisi.1<-c(1.45,1.37,1.21,1.54,1.48,1.29,1.34)
> teknisi.2<-c(1.54,1.41,1.56,1.37,1.20,1.31,1.27,1.35)
>
var.test(teknisi.1,teknisi.2,alt="two.sided",conf.level=0
.95)
F test to compare two variances
7-5 Luaran suatu voltase suatu catu daya dianggap berdistribusi normal. Enam belas amatan
voltase diambil secara acak sebagai berikut: 10,35; 9,30; 10,00; 9,96; 11,65; 12,00; 11,25;
9,58; 11,54; 9,95; 10,28; 8,37; 10,44; 9,25; 9,38, dan 10,85.
a) Lakukan pengujian terhadap hipotesis bahwa rata-rata voltase sama dengan 12 V
melawan alternative dua sisi dengan
Penyelesaian :
Interpretasi dalam R :
> voltase<c(10.35,9.30,10.00,9.96,11.65,12.00,11.25,9.58,11.54,9.95
,10.28,8.37,10.44,9.25,9.38,10.85)
> t.test
(voltase,alternative="two.sided",conf.level=0.95)
One Sample t-test
data: voltase
t = 41.0765, df = 15, p-value < 2.2e-16
alternative hypothesis: true mean is not equal to 0
95 percent confidence interval:
9.727019 10.791731
sample estimates:
mean of x
10.25938
Pengujian terhadap hipotesis bahwa rata-rata voltase sama dengan 12 V melawan
alternative dua sisi dengan
Uji Hipotesis :
Uji statistik :
p-value < 2.2e-16;
p-value
Didapatkan hasil p-value
(Tolak
sebesar
10.791731
c) Lakukan pengujian hipotesis bahwa
menggunakan
Penyelesaian :
Interpretasi dalam R :
> voltase<c(10.35,9.30,10.00,9.96,11.65,12.00,11.25,9.58,11.54,9.95
,10.28,8.37,10.44,9.25,9.38,10.85)
> var.test
(voltase,voltase,alternative="two.sided",conf.level=0.95)
F test to compare two variances
data: voltase and voltase
F = 1, num df = 15, denom df = 15, p-value = 1
menggunakan
Uji Hipotesis :
Uji statistik :
p-value = 1 ;
p-value
Didapatkan hasil p-value
hipotesis bahwa
(Terima
sehingga kita menerima
)
yang berarti pengujian
menggunakan
2.8620925
1
5,5
2
4,8
3
4,7
4
3,9
5
4,5
6
6,2
7
6,0
8
5,2
9
4,7
10
4,3
Yi:
3,1
2,3
3,0
1,9
2,5
3,7
3,4
2,6
2,8
1,6
i:
Xi:
11
4,9
12
5,4
13
5,0
14
6,3
15
4,6
16
4,3
17
5,0
18
5,9
19
4,1
20
4,7
Yi:
2,0
2,9
2,3
3,2
1,8
1,4
2,0
3,8
2,2
1,5
dan
dan
Interpretasi dalam R :
> x<c(5.5,4.8,4.7,3.9,4.5,6.2,6.0,5.2,4.7,4.3,4.9,5.4,5.0,6.3
,4.6,4.3,5.0,5.9,4.1,4.7)
> y<c(3.1,2.3,3.0,1.9,2.5,3.7,3.4,2.6,2.8,1.6,2.0,2.9,2.3,3.2
,1.8,1.4,2.0,3.8,2.2,1.5)
> plot(x,y) #membuat plot x dan y
x
0.8399
> summary(hsl.reg)
Call:
lm(formula = y ~ x)
Residuals:
Min
1Q
-0.74803 -0.37100
Median
0.01404
3Q
0.34792
Max
0.75197
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -1.6996
0.7268 -2.338
0.0311 *
x
0.8399
0.1440
5.831 1.6e-05 ***
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1
1
Residual standard error: 0.435 on 18 degrees of freedom
Multiple R-squared: 0.6538,
Adjusted R-squared:
0.6346
F-statistic:
34 on 1 and 18 DF,
p-value: 1.597e-05
a) Plot fungsi regresi dugaan dan data. Apakah fungsi regresi dugaan cocok dengan
data?
Penyelesaian :
Interpretasi dalam R :
i:
Xi:
1
7
2
6
3
5
4
1
5
5
6
4
7
7
8
3
9
4
Yi:
97
86
78
10
75
62
101
39
53
i:
Xi:
10
2
11
8
12
5
13
2
14
5
15
7
16
1
17
4
18
5
Yi:
33
118
65
25
71
105
17
49
68
dan
Penyelesaian :
Interpretasi dalam R :
> x<-c(7,6,5,1,5,4,7,3,4,2,8,5,2,5,7,1,4,5)
> y<c(97,86,78,10,75,62,101,39,53,33,118,65,25,71,105,17,49,6
8)
> plot(x,y) #membuat plot x dan y
> hsl.reg<-lm(y~x) #meregresikan x dan y dan simpan di
hsl.reg
> abline(hsl.reg) #plot kurva regresi
> hsl.reg
Call:
lm(formula = y ~ x)
Coefficients:
(Intercept)
-2.322
x
14.738
> summary(hsl.reg)
Call:
lm(formula = y ~ x)
Residuals:
Min
1Q Median
-7.6309 -3.2500 -0.2383
3Q
4.0235
Max
6.6309
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -2.3221
2.5644 -0.906
0.379
x
14.7383
0.5193 28.383 4.1e-15 ***
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1
1
Residual standard error: 4.482 on 16 degrees of freedom
Multiple R-squared: 0.9805,
Adjusted R-squared:
0.9793
F-statistic: 805.6 on 1 and 16 DF,
Dari hasil output di atas dapat kita peroleh :
p-value: 4.097e-15
dan
, sehingga
b) Plot fungsi regresi dugaan dan data. Apakah fungsi regresi dugaan cocok dengan
data?
Penyelesaian :
Interpretasi dalam R :
c) Berapakah dugaan waktu yang diperlukan oleh teknisi untuk memperbaiki kalkulator
apabila terdapat lima mesin yang harus diperbaiki?
Penyelesaian :
Interpretasi dalam R :
> predict(hsl.reg,data.frame(x=c(5)))
1
71.36913
Berdasarkan output di atas dapat kita perolehdugaan waktu yang diperlukan oleh
teknisi untuk memperbaiki kalkulator apabila terdapat lima mesin yang harus
diperbaiki adalah 71,36913 menit.
8-3 Beberapa kimiawan tertarik pada sifat plutonium yang disebut kelarutan ( solubility )yang
tergantung kepada temperatur. Pada data berikut Y menyatakan
menyatakan 1000/(temperatur
(kelarutan) dan X
i:
Xi:
1
1,68
2
1,74
3
4
5
6
7
8
9
1,85 1,92 1,99 1,82 1,69 1,60 1,52
Yi:
0,33
0,41
dan
Penyelesaian :
Interpretasi dalam R :
> x<-c(1.68,1.74,1.85,1.92,1.99,1.82,1.69,1.60,1.52)
> y<-c(0.33,0.41,0.57,0.65,0.77,0.57,0.35,0.18,0.14)
> plot(x,y) #membuat plot x dan y
> hsl.reg<-lm(y~x) #meregresikan x dan y dan simpan di
hsl.reg
> abline(hsl.reg) #plot kurva regresi
> hsl.reg
Call:
lm(formula = y ~ x)
Coefficients:
(Intercept)
-2.012
x
1.396
> summary(hsl.reg)
Call:
lm(formula = y ~ x)
Residuals:
Min
1Q
Median
-0.042342 -0.007838 -0.001441
3Q
0.003063
Coefficients:
Estimate Std. Error t value
(Intercept) -2.01189
0.10678 -18.84
x
1.39640
0.06058
23.05
--Signif. codes: 0 *** 0.001 ** 0.01
Max
0.040450
Pr(>|t|)
2.95e-07 ***
7.34e-08 ***
* 0.05 . 0.1
1
Residual standard error: 0.02606 on 7 degrees of freedom
Multiple R-squared:
0.987,
Adjusted R-squared:
0.9851
F-statistic: 531.3 on 1 and 7 DF,
p-value: 7.337e-08
, sehingga
b) Plot fungsi regresi dugaan dan data. Apakah fungsi regresi dugaan cocok dengan
data?
Penyelesaian :
Interpretasi dalam R :
c) Berapakah nilai
(kelarutan) apabila
Penyelesaian :
Interpretasi dalam R :
> predict(hsl.reg,data.frame(x=c(1.8)))
1
0.5016216
(kelarutan) apabila
adalah 0.5016216
8-4 Massa otot orang diketahui turun seiring usia. Untuk mengeksplorasi hubungan ini pada
wanita, seorang ahli nutrisi memilih secara acak empat wanita dari kelompok umur 10 tahun,
mulai dari usia 40 dan berakhir pada usia 79. Data berikut memperlihatkan usia (X) dan
ukuran massa otot. Dianggap model regresi tingkat (orde) satu cocok.
i:
Xi:
1
71
2
64
3
43
4
67
5
56
6
73
7
68
8
56
Yi:
82
91
100
68
87
73
78
80
i:
Xi:
9
76
10
65
11
45
12
58
13
45
14
53
15
49
16
78
Yi:
65
84
116
76
97
100
105
77
dan
Penyelesaian :
Interpretasi dalam R :
> x<-c(71,64,43,67,56,73,68,56,76,65,45,58,45,53,49,78)
> y<c(82,91,100,68,87,73,78,80,65,84,116,76,97,100,105,77)
> plot(x,y) #membuat plot x dan y
> hsl.reg<-lm(y~x) #meregresikan x dan y dan simpan di
hsl.reg
> abline(hsl.reg) #plot kurva regresi
> hsl.reg
Call:
lm(formula = y ~ x)
Coefficients:
(Intercept)
148.051
x
-1.024
> summary(hsl.reg)
Call:
lm(formula = y ~ x)
Residuals:
Min
1Q
Median
3Q
Max
-12.6825
-5.0563
-0.3876
6.7444
14.0108
Coefficients:
Estimate Std. Error t value
(Intercept) 148.0507
11.5629 12.804
x
-1.0236
0.1882 -5.439
--Signif. codes: 0 *** 0.001 ** 0.01
Pr(>|t|)
4.05e-09 ***
8.72e-05 ***
* 0.05 . 0.1
1
Residual standard error: 8.344 on 14 degrees of freedom
Multiple R-squared: 0.6788,
Adjusted R-squared:
0.6559
F-statistic: 29.59 on 1 and 14 DF,
p-value: 8.721e-05
, sehingga
b) Plot fungsi regresi dugaan dan data. Apakah fungsi regresi dugaan cocok dengan
data?
Penyelesaian :
Interpretasi dalam R :
c) Berapakah nilai massa otot untuk wanita yang berusia 55 dan 60?
Penyelesaian :
Interpretasi dalam R :
> predict(hsl.reg,data.frame(x=c(55,60)))
1
2
91.75327 86.63532
Berdasarkan output di atas dapat kita peroleh nilai massa otot untuk wanita yang
berusia 55 dan 60 adalah 91,75327 dan 86,63532.
8-5 Suatu substansi yang dalam penelitian biologis dan medis dikirim dengan pesawat kepada
pengguna menggunakan dalam kotak besar yang berisi 1000 kotak kecil. Berikut ini adalah
data 10 pengiriman dengan rute pengiriman (X) dan jumlah kotak kecil yang rusak pada saat
kedatangan (Y). Dianggap model regresi tingkat (orde) satu cocok.
i:
Xi:
1
1
2
0
3
2
4
0
5
3
6
1
7
0
8
1
9
2
10
0
Yi:
16
17
12
22
13
15
19
11
dan
Penyelesaian :
Interpretasi dalam R :
> x<-c(1,0,2,0,3,1,0,1,2,0)
> y<-c(16,9,17,12,22,13,8,15,19,11)
> plot(x,y) #membuat plot x dan y
> hsl.reg<-lm(y~x) #meregresikan x dan y dan simpan di
hsl.reg
> abline(hsl.reg) #plot kurva regresi
> hsl.reg
Call:
lm(formula = y ~ x)
Coefficients:
(Intercept)
10.2
x
4.0
> summary(hsl.reg)
Call:
lm(formula = y ~ x)
Residuals:
Min
1Q Median
-2.2
-1.2
0.3
3Q
0.8
Max
1.8
Coefficients:
Estimate Std. Error t value
(Intercept) 10.2000
0.6633 15.377
x
4.0000
0.4690
8.528
--Signif. codes: 0 *** 0.001 ** 0.01
Pr(>|t|)
3.18e-07 ***
2.75e-05 ***
* 0.05 . 0.1
1
Residual standard error: 1.483 on 8 degrees of freedom
Multiple R-squared: 0.9009,
Adjusted R-squared:
0.8885
F-statistic: 72.73 on 1 and 8 DF,
p-value: 2.749e-05
, sehingga
b) Plot fungsi regresi dugaan dan data. Apakah fungsi regresi dugaan cocok dengan
data?
Penyelesaian :
Interpretasi dalam R :
Penyelesaian :
Interpretasi dalam R :
> predict(hsl.reg,data.frame(x=c(2)))
1
18.2
Berdasarkan output di atas dapat kita peroleh nilai dengan banyaknya kotak kecil yag
rusak apabila
adalah 18,2.
STATISTIKA KOMPUTASI
OLEH
1. Zakiah Nurlaila
2. Ni Wayan Pebriani Suartini
(1208405019)
(1208405021)
(1208405052)
(1208405055)
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS UDAYANA
2014