Kursus Statistika Dasar
Kursus Statistika Dasar
Bagian 1
Dasar
Bambang Suryoatmono Statistika Deskriptif
Parameter: ukuran deskriptif dari populasi Mempuyai nol mutlak dan rasio antara √
1
Distribusi Frekuensi Histogram (contoh MINITAB)
Ungrouped Data vs Grouped data Data:
Range 60, 65, 70, 73, ……… , (tulis di C1)
Class midpoint MINITAB:
Frekuensi Relatif
Stat -> Basic Statistics -> Display
Descriptive Statistics
Frekuensi Kumulatif
Histogram of Nilai
7 Boxplot of Nilai
6
5
Frequency
30 40 50 60 70 80 90 100
Nilai
30 40 50 60 70 80 90 100
Variable N Mean Median TrMean StDev SE Mean Nilai
Nilai 40 72.83 74.50 73.39 18.37 2.90
2
Ogive (Poligon Frekuensi
Kumulatif)
MINITAB:
Graph -> Histogram
Pie Chart
40
MINITAB: Graph -> Pie Chart
Cumulative Frequency
30
20
10
30 40 50 60 70 80 90 100
Nilai
Ogive
Bar Chart
B ( 500, 11.8%)
C (1500, 35.5%)
MINITAB: Graph ->
A ( 350, 8.3%) Chart
E ( 680, 16.1%)
D (1200, 28.4%)
3
Stem-and-leaf
1500 MINITAB: Graph ->
Character Graph ->
Stem-and-leaf
Sum of Pemilih
1000
500
A B C D E
Calon
Ukuran Lokasi pada data tak Ukuran Variabilitas pada data tak
terkelompok (lanjutan) terkelompok
Mencari persentil ke p: Range = maksimum – minimum
- Urutkan n data dari kecil ke besar Interquartile range = Q3 – Q1
- Hitung lokasi persentil i = (p/100) * n Q3 = persentil ke 75, Q1 = persentil ke 25
- Jika i = bil bulat, maka persentil ke p ∑ X −µ
Deviasi absolut rata-rata MAD =
adalah (bil ke i + bil ke i+1) / 2 N
- Jika i bukan bil bulat, maka persentil ke p
Varians populasi
adalah bil ke int(i) + 1
σ2 = ∑ ∑X
( X − µ )2 − ( ΣXN )
2
2
=
N N
4
Ukuran Variabilitas pada data tak Ukuran Variabilitas pada data tak
terkelompok (lanjutan) terkelompok (lanjutan)
Varians sampel: Deviasi Standar Populasi
( X − µ )2
S 2
=
∑(X − X ) 2
=
∑X 2
− ( ΣX ) 2
n σ=
N
n −1 n −1
Deviasi Standar Sampel
Catatan: N = ukuran populasi, n = ukuran S=
( X − X )2
sampel n −1
σ
Note: Koefisien Variasi CV = 100%
µ
µ grouped = ∑ ∑
σ2 = ∑ ∑ fM
fM fM f (M − µ )2 2
− ( ΣfM ) 2
= = N
; σ = σ2
∑f N N N
S2 = = ; S = S2
n −1 n −1
simetris Negatively skewed Positively skewed Distr. Platikurtis Distr. Mesokurtis Distr. Leptokurtis
(datar dan menyebar) (normal) (tinggi dan tipis)
5
Probabilitas
P(A) = peluang (probabilitas) bahwa kejadian A
terjadi
Bagian 2 0 < P(A) < 1
P(A) = 0 artinya A pasti terjadi
P(A) = 1 artinya A tidak mungkin terjadi
Penentuan nilai probabilitas:
Probabilitas
Metode Klasikal
Menggunakan Frekuensi Relatif Kejadian
Dengan carai subyektif
6
Struktur Probabilitas (lanjutan) Struktur Probabilitas (lanjutan)
Union = “atau” = gabungan. Simbol: U.
Contoh Ruang Sampel: Intersection = “dan” = irisan. Simbol: ∩.
Wawancara dengan pertanyaan jenis Contoh: Jika diketahui X = {1, 4, 7, 9} dan Y =
{2, 3, 4, 5, 6}, maka
penanaman modal (PMA atau PMDN),
XUY = {1, 2, 3, 4, 5, 6, 7, 9}
maka ruang sampelnya adalah:
X∩Y = {4}
Utk1 responden: {PMA, PMDN}
S S
Utk2 responden: {PMA-PMA, PMA-PMDN,
PMDN-PMA, PMDN-PMDN}
X Y X Y
XUY X∩Y
7
Pengambilan Sampel dari Suatu Marginal, Union, Joint, and
Populasi Conditional Probabilities
Pengambilan sampel berukuran n dari dari Marginal Probability: P(A) = probabilitas bahwa
populasi berukuran N dengan penggantian (with A terjadi
replacement) akan menghasilkan
Nn kemungkinan Union Probability: P(AUB) = probabilitas bahwa
A atau B terjadi
Pengambilan sampel berukuran n dari dari
populasi berukuran N tanpa penggantian Joint Probability: P(AB) = P(A∩B) = probabilitas
(without replacement) akan menghasilkan bahwa A dan B terjadi
⎛N⎞ N! Conditional Probability: P(A|B) = probabilitas
N Cn = ⎜
⎜ n ⎟⎟ = n!( N − n)! bahwa A terjadi apabila diketahui B telah terjadi
⎝ ⎠
kemungkinan
8
Jawab S
Contoh Soal tentang Probabilitas
M
0.22 0.19 0.03 0.56
Hasil sebuah survai yang menanyakan “Apakah
Anda mempunyai komputer dan/atau kalkulator
di rumah?” adalah sebagai berikut. Apakah
S = memiliki sepeda motor; M = memiliki mobil kepemilikan kalkulator dan kepemilikan
P(S) = 0.41, P(SM) = 0.19, P(M) = 0.22. komputer independen?
Karena P(S)P(M) ≠ P(SM), maka kepemilikan sepeda Kalkulator
motor dan kepemilikan mobil tidak independen.
Ya Tdk
dengan diagram Venn didapatkan P(SM’) = 0.22.
P(S’|M) = P(S’M) / P(M) = 0.03 / 0.22 = 0.1364
Komputer Ya 46 3
P(S’M’) = 0.56 (dari diagram Venn) Tdk 11 15
P(X) f(X)
Deviasi Standar
σ= ∑ (X − µ) 2
* P( X )
X ∞ X
∑ P( X ) = 1 ∫ f ( x)dx = 1
−∞
9
Distribusi Binomial Distribusi Binomial (lanjutan)
n!
Distribusi Binomial P( X ) = p X q n− X
X !(n − X )!
n = # trials
X = # sukses
p = probabilitas sukses pada satu trial
q = 1 - p = probabilitas gagal pada satu trial
Rata-rata Distribusi Binomial µ = n* p
Deviasi Standar Distribusi Binomial σ = n* p*q
Terjadi pada: eksperimen yang terdiri atas n trials,
dengan setiap trial mempunyai probabilitas sukses p
(konstan)
MINITAB: Calc -> Probability Distribution -> Binomial
Distribusi Poisson
Distribusi Poisson:
λX e −λ
P( X ) =
X!
X = 0, 1, 2, ….
λ = rata-rata
e = 2.718282
Rata-rata Distribusi Poisson µ = λ
Deviasi standar Distribusi Poisson σ = √λ
Distribusi Poisson merepresentasikan kejadian yang
amat jarang. X = banyaknya kejadian tersebut terjadi
pada suatu waktu atau area
MINITAB: Calc -> Probability Distribution -> Poisson
Bagian 4
10
Distribusi Normal dan Normal Pilihan Distribusi Probabilitas di
Standar (lanjutan) dalam MINTAB
Distribusi Normal Standar = distribusi normal untuk µ = 0 Calc -> Probability Distribution -> [nama
dan σ = 1. Konversi dari X yang terdistribusi normal ke Z
yang terdistribusi normal standar: distribusinya, misalnya Normal].
X −µ Ada 3 Pilihan:
z=
σ
Probability
Density
Cumulative Probability
MINITAB: Calc -> Probability Distribution -> Normal
Inverse Cumulative Probabilty
output
output
X X
input input
µ µ
intput
X
output
µ
Ans: x = 144.6728
11
Contoh Pendekatan Normal untuk
Pendekatan Normal untuk Binomial
Binomial
Binomial: diskret, parameter n dan p Untuk X yang terdistribusi bimonial
Normal: kontinu, parameter µ dan σ dengan n = 80 dan p = 0.3, carilah
Untuk n besar, distribusi binomial akan
P(X=24)
menyerupai distribusi normal. Jadi untuk
masalah binomial dengan n besar, dapat
P(X>30)
didekati dengan distribusi normal
P(30<X<34)
Ingat:
P(X<33)
Untuk diskret: P(X=x) = ada nilai
Untuk kontinu: P(X=x) = 0
Jawab:
30.5 − 24
Untuk distribusi bimonial: P ( X > 30) = P ( X > 30.5) = P( Z > )
4.0988
Rata-rata = µ = np = 80*0.3 = 24 = P(Z > 1.5858)
diskret kontinu
Deviasi Standar = σ = n * p * q = 4.0988 = 0.5 − 0.4441 = 0.0559
Rata-rata dan deviasi standar tersebut koreksi kontinuitas
digunakan sebagai parameter distribusi normal 30.5 − 24 34.5 − 24
P (30 < X ≤ 34) = P (30.5 < X < 34.5) = P( <Z < )
23.5 − 24 24.5 − 24 4.0988 4.0988
P ( X = 24) = P (23.5 < X < 24.5) = P( <Z < )
4.0988 4.0988 = P(1.5858 < Z < 2.5617)
diskret kontinu
diskret kontinu
= P(-0.122 < Z < 0.122) = 0.4948 − 0.4441 = 0.0507
= 2 * 0.0478 = 0.0956 koreksi kontinuitas
koreksi kontinuitas 33.5 − 24
P ( X ≤ 33) = P ( X < 33.5) = P ( Z < )
Cek dengan rumus Binomial: 4.0988
80! = P(Z < 2.3177)
P( X = 24) = 0.324 0.780− 24 = 0.0969513 diskret kontinu
= 0.5 + 0.4898 = 0.9898
24!(80 − 24)!
koreksi kontinuitas
12
Contoh Soal Distribusi
Distribusi Eksponensial (lanjutan)
Eksponensial
f(X)
Di restoran sebuah kota kecil kedatangan
pelanggan dapat dianggap terdistribusi Poisson
λ P( X ≥ x0 ) = e − λx0 dengan rata-rata 3.2 pelanggan per 30 menit.
Berapa menit waktu rata-rata antar kedatangan
pelanggan di restoran tersebut?
Berapa probabilitas bahwa antar kedatangan
pelanggan ada selang 1 jam atau kurang?
Berapa probabilitas bahwa dua pelanggan datang
dengan selang waktu kedatangan 15 menit atau
lebih?
x0 X
Jawab
µ = 1/3.2 = 0.313. Jadi rata-rata 0.313*30
menit = 9.39 menit waktu antar
kedatangan pelanggan
Bagian 5
1 jam = 2 interval, yaitu 2 * 30 menit. Jadi
x = 2. P(X>2) = 1-exp( -3.2*2) = 0.998
Sampling dan Distribusi
15 menit = 0.5 interval. Jadi x = 0.5.
Sampling
P(X>0.5) = exp( -3.2*0.5) = 0.202
13
Sampling Distribution (distribusi sampling)
Nonrandom Sampling untuk Rata-rata Sampel
Sampel
Sampel Sampel
σ
Λ
Proporsi = p Proporsi = p
Ukuran sampel = n Ukuran sampel = n
n p̂ Variabel acak
14
Statistika Inferensial Estimasi Interval untuk µ
Populasi
Selang kepercayaan σ
100(1-α)% untuk µ X ± Zα
pada sampel besar: 2 n
Sampel ⎛ σ σ ⎞
Artinya: P⎜⎜ X − Z α ≤ µ ≤ X + Zα ⎟ = 100(1 − α )%
⎝ 2 n 2 n ⎟⎠
Distribusi Normal Standar
Confidence Intervals
⎛ s s ⎞
Artinya: P⎜⎜ X − t α ≤ µ ≤ X + tα ⎟ = 100(1 − α )%
⎝ 2
, n −1 n 2
, n −1 n ⎟⎠
t
− tα 0 tα
, n −1 , n −1
2 2
15
Estimasi Interval untuk µ sampel Estimasi Interval untuk P
Syarat: nP>5 dan nQ>5
kecil (lanjutan)
Populasi
Output MINITAB: Sampel
Confidence Intervals
Proporsi = P Ukuran = n
(akan diestimasi)
proporsi p̂
Variable N Mean StDev SE Mean 95.0 % CI
HrgTanah 15 952.7 243.4 62.8 ( 817.9, 1087.5) qˆ = 1 − pˆ
Selang kepercayaan pˆ qˆ
pˆ ± Z α
100(1-α)% untuk P 2 n
⎛ pˆ qˆ pˆ qˆ ⎞
Artinya: P⎜⎜ pˆ − Z α ≤ P ≤ pˆ + Z α ⎟ = 100(1 − α )%
⎝ 2
n 2
n ⎟⎠
α
α
2
2 1-α
0 χ2 α
1− , n −1
χ α2
, n −1
χ2 dengan derajat
2 2
bebas = n-1
16
Estimasi Interval untuk Varians Ukuran Sampel dalam
Populasi σ2 (lanjutan) Mengestimasi Rata-rata Populasi µ
f χ2( ) Dalam mengestimasi rata-rata populasi µ, ukuran
sampel minimum untuk suatu α dan E yang ditetapkan,
adalah
⎛z σ ⎞
2
n = ⎜ α /2 ⎟
⎝ E ⎠
0.025
0.025 dengan
0.95 E = galat estimasi = error of estimation = x − µ
σ = deviasi standar populasi,
0
χ 02.975,34 χ 02.025,34 χ 2dengan derajat = range/4 apabila tidak diketahui
= 19.8063 = 51.9660 bebas = 34 α = taraf keterandalan
100(1 – α)% = tingkat keyakinan = level of confidence
Contoh Jawab
Seorang manajer bank ingin menentukan rata- X = besarnya deposito bulanan nasabah,
rata deposito bulanan per nasabah di bank dinyatakan dalam juta rupiah
tersebut. Untuk itu ia akan mengestimasi
dengan menggunakan selang kepercayaan. σ = 1000
Berapa ukuran sampel yang harus ia ambil Tingkat keyakinan 99% → α = 0.01 dan α/2 =
apabila ia ingin yakin 99% dan kesalahannya 0.005, sehingga zα/2 = z0.005 = 2.5758
tidak lebih dari 200 juta rupiah. Ia asumsikan E = 200
bahwa deviasi standar untuk deposito bulanan
semua nasabah adalah 1 milyar rupiah Ukuran sampel minimum
⎛ z σ ⎞ ⎛ 2.5758 *1000 ⎞
2 2
n = ⎜ α /2 ⎟ = ⎜ ⎟ = 165.87 = 166
⎝ E ⎠ ⎝ 200 ⎠
17
Jawab
p = proporsi sekretaris di seluruh perkantoran di
Bandung yang diperlengkapi dengan komputer di ruang
kerjanya
Karena p tidak diketahui, asumsikan nilainya 0.5
Bagian 7
q = 1 – p = 0.5
Tingkat keyakinan 95% → α = 0.05 dan α/2 = 0.025,
sehingga zα/2 = z0.025 = 1.96
E = 0.05
Uji Hipotesa untuk Populasi
Ukuran sampel minimum Tunggal
2
zα / 2 pq 1.962 * 0.5 * 0.5
n= = = 384.16 = 385
E2 0.052
Z
0
Zα
18
Uji Hipotesis tentang Rata-rata Populasi Uji Hipotesis tentang Rata-rata Populasi
dengan menggunakan Sampel Besar, Uji dengan menggunakan Sampel Besar, Uji
z 1 sampel (lanjutan) z 1 sampel (lanjutan)
H0: µ = µ0 vs H1: µ < µ0 H0: µ = µ0 vs H1: µ ≠ µ0
Distribusi Normal Standar
R R
R: Z < -Zα Distribusi Normal Standar
α α
2 1-α
2
α 1-α
Z
− Zα 0 Zα
Z 2 2
0
− Zα
R : Z > Zα
2
Uji Hipotesis tentang Rata-rata Populasi Uji Hipotesis tentang Rata-rata Populasi
dengan menggunakan Sampel Besar, Uji dengan menggunakan Sampel Besar, Uji
z 1 sampel (lanjutan) z 1 sampel (lanjutan)
Distribusi
Cara lain: dengan menggunakan nilai p (p-value), Normal Standar
berlaku untuk ketiga hipotesa alternatif:
Nilai p Untuk kasus:
Tolak H0 jika p < α
H1: µ < µ0
Nilai p
Untuk kasus:
Ha: µ > µ0 Untuk kasus:
Z H1: µ ≠ µ0
Z
0 -Z 0 Z
Z
Jumlahnya = nilai p
19
Output MINITAB
Z-Test
Uji Hipotesis tentang Rata-rata Populasi Uji Hipotesis tentang Rata-rata Populasi dengan
dengan menggunakan Sampel Kecil, Uji t 1 menggunakan Sampel Kecil, Uji t 1 sampel.
sampel. Asumsi: Populasi Terdistribusi Normal Asumsi: Populasi Terdistribusi Normal (lanjutan)
X − µ0
Statistik uji t= H0: µ = µ0 vs H1: µ < µ0
s
n
Distribusi t dengan
derajat bebas = n-1
H0: µ = µ0 vs H1: µ > µ0 R: t < -tα
R: t > tα α 1-α
1-α α
t
0
t − tα ,n −1
0
tα ,n −1
Uji Hipotesis tentang Rata-rata Populasi dengan Uji Hipotesis tentang Rata-rata Populasi dengan
menggunakan Sampel Kecil, Uji t 1 sampel. menggunakan Sampel Kecil, Uji t 1 sampel.
Asumsi: Populasi Terdistribusi Normal (lanjutan) Asumsi: Populasi Terdistribusi Normal (lanjutan)
H0: µ = µ0 vs H1: µ ≠ µ0 Cara lain: dengan menggunakan nilai p (p-value),
Distribusi t dengan berlaku untuk ketiga hipotesa alternatif:
derajat bebas = n-1 Tolak H0 jika p < α
Distribusi t dengan
R R derajat bebas = n-1
α α
2 1-α
2
Nilai p
Untuk kasus:
t H1: µ > µ0
− tα 0 tα
, n −1
, n −1 t
2 2
0
t
R : t > tα
, n −1
2
20
Uji Hipotesis tentang Rata-rata Populasi dengan
menggunakan Sampel Kecil, Uji t 1 sampel. Contoh Aplikasi Uji t 1 sampel
Asumsi: Populasi Terdistribusi Normal (lanjutan)
Distribusi t dengan
derajat bebas = n-1 Majalah A menyebutkan bahwa rata-rata usia
Nilai p Untuk kasus:
direktur utama bank di sebuah kota 41 tahun.
H1: µ < µ0 Untuk menguji apakah hal ini benar, maka
dikumpulkanlah data acak dari 11 direktur utama
t
t 0 bank di kota tersebut. Asumsikan bahwa usia
Distribusi t dengan
derajat bebas = n-1
direktur utama bank di kota tersebut terdistribusi
normal. Gunakanlah taraf keterandalan α = 5%.
Kesimpulan apakah yang dapat ditarik?
Untuk kasus:
H1: µ ≠ µ0
Data: 40, 43, 44, 50, 39, 38, 51, 37, 55, 57, 41
t
-t 0 t MINITAB: Stat -> Basic Statistics -> 1 Sample t
Jumlahnya = nilai p
Output MINITAB
T-Test of the Mean
• Dengan metode nilai kritis: t = 1.88 berada di luar R, yaitu |t| <
2.2281. Kesimpulan: pertahankan H0 (sama dengan kesimpulan
di atas).
Uji Hipotesis tentang Proporsi Populasi. Uji Hipotesis tentang Proporsi Populasi.
nP>5 dan nQ>5 nP>5 dan nQ>5 (lanjutan)
pˆ − P0
Statistik uji Z= H0: P = P0 vs H1: P < P0
P0Q0
n
Distribusi Normal Standar
H0: P = P0 vs H1: P > P0 R: Z < -Zα
R: Z > Zα α 1-α
1-α α
Z
0
Z − Zα
0
Zα
21
Uji Hipotesis tentang Proporsi Populasi. Uji Hipotesis tentang Proporsi Populasi.
nP>5 dan nQ>5 (lanjutan) nP>5 dan nQ>5 (lanjutan)
H0: P = P0 vs H1: P ≠ P0 Cara lain: dengan menggunakan nilai p (p-value),
berlaku untuk ketiga hipotesa alternatif:
Distribusi Normal Standar Tolak H0 jika p < α
R R
Distribusi Normal Standar
α α
2 1-α
2
Nilai p
Untuk kasus:
Z H1: P > P0
− Zα 0 Zα
2 2
Z
0
Z
R : Z > Zα
2
Jumlahnya = nilai p
22
Uji Hipotesis tentang Varians Populasi. Uji Hipotesis tentang Varians Populasi.
Asumsi: Populasi Terdistribusi Normal Asumsi: Populasi Terdistribusi Normal
(lanjutan) (lanjutan)
H0: σ2 = σ2 0 vs H1: σ2 > σ2 0 H0: σ2 = σ2 0 vs H1: σ2 ≠ σ2 0
( )
f χ2 ( )
f χ2
α α
1-α
α 1-α
2 2
0
χ 2 0
χ 2
χα
2 χ2
χα2 ,n −1 dengan derajat α
1− , n −1 , n −1
dengan derajat
bebas = n-1 2 2 bebas = n-1
Data
Contoh Uji Hipotesis Tentang 105 100
Varians Populasi 110
106
101
102
111 103
Spesifikasi mesin pemotong menyebutkan 101 100
bahwa deviasi standar hasil potongan 100 103
101 99
kurang dari 6 mm. Untuk menguji hal ini, 101 99
dikumpulkan 30 hasil potongan mesin 100 98
95 98
tersebut. Dengan menggunakan α = 10%, 97 94
kesimpulan apakah yang dapat ditarik dari 108 100
99 100
data tersebut. 99 101
100 100
Jawab
N = 30
S = 3.82 (Stat -> Basic Statistic -> Descriptive Statistics)
H0: σ2 = 36 vs H1: σ2 < 36 Bagian 8
Untuk df = 29 dan α = 0.10, χ20.90,29 = 19.7677 (Calc ->
Probability Distribution -> Chisquare)
R: χ2 < χ20.90,29 = 19.7677
χ2 =
(30 − 1)3.82 2
= 11.7550
Statistika Inferensi untuk Dua
Statistik uji:
62 Populasi
Karena 11.7550 < 19.7677, maka tolak H0. Artinya, benar
bahwa deviasi standar hasil potong mesin tersebut
kurang dari 6 mm.
23
Uji Hipotesis tentang Perbedaan Rata-rata 2
Statistika Inferensi Tentang Rata-
Populasi Independen dengan menggunakan
rata Dua Populasi Independen Sampel Besar
Populasi 1 X 1 − X 2 − (µ1 − µ 2 ) Catatan: Bila deviasi
Sampel 1 Statistik uji Z= standar populasi σ
σ 12 σ 22 tidak ada, dapat
Ukuran = n1 (besar) + digantikan dengan
Rata-rata = µ1 Rata-rata = X 1 n1 n2 deviasi standar
(tidak diketahui) Deviasi Standar = S1
sampel S
Ukuran = n2 (besar)
Rata-rata = µ2 Rata-rata = X 2
1-α α
Deviasi Standar = S2
(tidak diketahui)
Z
0
Zα
Uji Hipotesis tentang Perbedaan Rata-rata 2 Uji Hipotesis tentang Perbedaan Rata-rata 2
Populasi Independen dengan menggunakan Populasi Independen dengan menggunakan
Sampel Besar (lanjutan) Sampel Besar (lanjutan)
H0: µ1 – µ2 = µ0 vs H1: µ1 – µ2 < µ0 H0: µ1 – µ2 = µ0 vs H1: µ1 – µ2 ≠ µ0
Distribusi Normal Standar
R R
R: Z < -Zα Distribusi Normal Standar
α α R : Z > Zα
2 1-α
2 2
α 1-α
Z
− Zα 0 Zα
Z 2 2
0
− Zα Catatan: sebagai alternatif, metode nilai p juga
dapat digunakan
24
Uji Hipotesis tentang Perbedaan Rata-rata 2 Populasi Uji Hipotesis tentang Perbedaan Rata-rata 2
Independen dengan menggunakan Sampel Kecil. Populasi Independen dengan menggunakan
Asumsi: Kedua Populasi terdistribusi Normal dan Sampel Kecil. Asumsi: Kedua Populasi
Deviasi standar kedua populasi sama (lanjutan) terdistribusi Normal dan Deviasi standar kedua
populasi sama (lanjutan)
H0: µ1 – µ2 = µ0 vs H1: µ1 – µ2 > µ0
H0: µ1 – µ2 = µ0 vs H1: µ1 – µ2 < µ0
Distribusi t, df = n1 + n2 - 2 Distribusi t, df = n1 + n2 - 2
R: t < -tα
R: t > tα
1-α α α 1-α
t
0 t
tα 0
− tα
Uji Hipotesis tentang Perbedaan Rata-rata 2 Populasi Selang Kepercayaan 100(1-α)% Perbedaan Rata-rata 2
Independen dengan menggunakan Sampel Kecil. Asumsi: Populasi Independen µ1 – µ2 dengan menggunakan
Kedua Populasi terdistribusi Normal dan Deviasi standar Sampel Kecil. Asumsi: Kedua populasi terdistribusi normal
kedua populasi sama (lanjutan) dan deviasi standarnya sama
H0: µ1 – µ2 = µ0 vs H1: µ1 – µ2 ≠ µ0 ⎛ ⎞
⎜ ( X 1 − X 2 ) ± tα S 1 + 1 ⎟ Derajat bebas t adalah
⎜ n n ⎟
Distribusi t, df = n1 + n2 - 2 ⎝ 2 1 2 ⎠ n1 + n2 -2
R R Artinya:
α α R : t > tα ⎛ 1 1 1 1 ⎞
1-α P⎜⎜ ( X 1 − X 2 ) − t α S + ≤ µ1 − µ 2 ≤ X 1 − X 2 ) + t α S + ⎟
⎟
2 2 2 ⎝ 2 n1 n2 2 n1 n2 ⎠
t = 100(1 − α )%
− tα 0 tα
2 2
25
Solusi (asumsi: gaji bulanan direktur bank di Solusi (asumsi: gaji bulanan direktur bank di
Bandung dan Jakarta terdistribusi normal) Bandung dan Jakarta tidak terdistribusi normal)
Ho: µJ – µB = 0 vs H1: µJ – µB > 0 -> Statistika Nonparametrik
Ho: µJ – µB = 0 vs H1: µJ – µB > 0
D = after - before
Untuk menghitung D, Calc -> Calculator
26
MINITAB: Stat -> Basic Statistics -> 1 Sample t
Output MINITAB
T-Test of the Mean
Nilai p = 0.30 dan α = 0.10. Ternyata nilai p > α, maka terima H0.
Kesimpulan: klaim lembaga kursus Bahasa Inggris bahwa
setelah kursus peningkatan nilai TOEFL sedikitnya 30, tidak
didukung data.
Artinya:
⎛
P⎜⎜ d − t α
sd
≤ d ≤ d + tα
sd ⎞
⎟ = 100(1 − α )% Bagian 9
⎝ 2
, n −1 n 2
, n −1 n ⎟⎠
t
− tα 0 tα
, n −1 , n −1
2 2
Anova Satu Arah (One Way Anova) Anova Satu Arah (lanjutan)
Membandingkan C (>2) populasi independen Populasi 1 Populasi 2 Populasi C
27
Anova Satu Arah (lanjutan) Contoh Aplikasi Anova Satu Arah
Row Sale Tr
Data 1 15 1
MINITAB: Stat -> ANOVA -> One Way
2 11 1
A B C D 3
4
10
9
1
1
15 8 11 14 5
6
8
8
2
2
7 7 2
11 8 11 11 8 9 2
9 11 2
10 7 8 10 10 8 2
11 11 3
9 9 8 9 12 11 3
13 8 3
11 9 11 14 8 3
15 9 3
8 10 12 16 10 3
17 14 4
12 18 11 4
19 10 4
10 20
21
9
11
4
4
22 12 4
23 12 4
24 10 4
Output MINITAB
One-Way Analysis of Variance
Dengan Metode Nilai Kritis Fα
Analysis of Variance for Sale
Distribusi F
f (F )
Source DF SS MS F P F dengan derajat
Tr 3 31.21 10.40 3.67 0.029 bebas = C-1 dan N-C
Error 20 56.62 2.83
Total 23 87.83
Individual 95% CIs For Mean R: F > Fα
Based on Pooled StDev
Level N Mean StDev -----+---------+---------+---------+-
1 4 11.250 2.630 (--------*--------)
2 6 8.500 1.378 (------*-------) α
3 6 9.500 1.378 (------*-------)
4 8 11.125 1.553 (------*-----) 1-α
-----+---------+---------+---------+-
Pooled StDev = 1.683 8.0 10.0 12.0 14.0 0 Fα
Dengan metode nilai p: Pada contoh ini: F = 3.67 dan F0.05 = 3.0984 untuk
Nilai p = 0.029, sedangkan α = 0.05, sehingga nilai p < α. Tolak H0.
Artinya sedikitnya ada satu rata-rata penjualan produk kecantikan yang
derajat bebas 3 dan 20. Karena F > F0.05, maka
berbeda dengan yang lainnya tolak H0 (sama dengan kesimpulan di atas)
28
Anova Dua Arah (Two Way Anova) Anova Dua Arah (lanjutan)
Membandingkan C (>2) populasi sekaligus Variabel Independen Tunggal
membandingkan efek blok (randomized block design)
Asumsi:
Populasi terdistribusi normal
.
Variabel Blocking
Sampel diambil secara acak dari masing-masing populasi
Varians semua populasi sama
.
H0: µ1 = µ2 = µ3 = …… = µC
H1: sedikitnya ada 1 rata-rata treatment yang berbeda
.
denga yang lain . . . . .
H0: µ1 = µ2 = µ3 = …… = µR
H1: sedikitnya ada 1 rata-rata blok yang berbeda
dengan yang lain
.
Catatan: Setiap sel hanya berisi satu pengamatan
29
Output MINITAB
Two-way Analysis of Variance Topik-topik Lanjut
Analysis of Variance for NSale
Source
Ukuran
DF
2
SS
28.50
MS
14.25
F
9.00
P
0.016
Regresi Linear Sederhana
Warna
Error
3
6
6.25
9.50
2.08
1.58
1.32 0.353
Regresi Berganda
Total 11 44.25
Deret Waktu
Daftar Pustaka
Black, K. 2003. Business Statistics for
Contemporary Decision Making. 4th Ed.
West Publishing Co.
MINITAB, Inc. 2003. Meet MINITAB
Terima kasih
Release 14 for Windows
Lind, D.A. 2002. Basic Statistics for
Business and Economics . 4nd Ed.
McGraw-Hill Companies
30