P. 1
Rumus-rumus_STATISTIK

Rumus-rumus_STATISTIK

|Views: 1,415|Likes:
Dipublikasikan oleh winerhays

More info:

Published by: winerhays on Dec 02, 2010
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

06/09/2013

pdf

text

original

PROBABILITA

n (A)
• P (A) = -----------------------
• N (ruang sampel)
Contoh : pada pelemparan 2 coin
• Probabilitas peristiwa munculnya 2 muka sama adalah 2/4 = 0,5
• Probabilitas peristiwa tidak ada muka G yang muncul adalah ¼ = 0,25
Nilai Probabilitas suatu peristiwa A : 0 < P(A) < 1
Hukum Penjumlahan
• Jika A dan B merupakan peristiwa saling lepas (mutually
exclusive) , maka :
P(A U B) = P(A) + P(B)
• Jika A dan B merupakan peristiwa yang tidak saling lepas (ada peristiwa
bersama atau Joint Event)
• A AB B
P (A U B) = P(A) + P(B) – P (A ∩ B)
Hukum Perkalian
Probabilitas Peristiwa Bebas (Independent Probability)
• P(A ∩ B) = P(A) x P(B)
• Contoh :
• Pada pelemparan 2 kali sebuah dadu :
• Berapa Probabilitas munculnya muka 6 pada lemparan I dan ke II ?
• A = peristiwa munculnya muka 6 pada lemparan I
• B = peristiwa munculnya muka 6 pada lemparan II
• P(A ∩ B) = 1/6 x 1/6 = 1/36
Peristiwa Bersyarat
• Probabilitas Peristiwa Bersyarat (Conditional Probability)
P(A ∩ B) = P(A) x P(B/A) = P(A/B) x
P(B)
• A/B = peristiwa A terjadi dengan syarat peristiwa B terjadi lebih dulu
Contoh :
• Pada permainan kartu remi (without replacement)
• Berapa probabilita kartu As muncul pada pengambilan I dan II
• A = peristiwa munculnya kartu As pada pengambilan I
• B = peristiwa munculnya kartu As pada pengambilan II
• P(A ∩ B) = P(A) x P(B/A)
• = 4/52 x 3/51 = 0,0045
Teknik Menghitung Jumlah Kemungkinan
1. Faktorial (Jumlah susunan n obyek (pada n
ruang))
< n! >
contoh :
Berapa jumlah susunan yang berbeda dari 3 buah buku A, B dan C ?
n! = 3! = 6
Bukti : ABC, ACB, BAC, BCA, CAB, CBA
2. Permutasi ( Jumlah susunan n obyek pada r ruang )
Berapa jumlah susunan yang berbeda dari 3 buah buku A, B dan C pada 2
ruang ?
3P2 = 3! / (3-2)! = 6
Bukti : AB, AC, BA, BC, CA, CB
3. Kombinasi ( Jumlah kumpulan n obyek pada r ruang
),
Berapa jumlah kemungkinan 3 orang pelamar ABC, akan diterima 2 orang ?
3C2 = 3! / (3-2)! 2! = 3
Kombinasi
Permutasi
AB
AC
BC
AB, BA
AC, CA
BC, CB
Distribusi Probabilita
Variabel Acak
Distribusi Probabilita Diskret
Nilai Harapan (Expected Value)
• Nilai harapan merupakan rata-rata semua nilai variabel yang
mungkin.
μ = E (X) = ∑ x P(x)
Contoh 2 : Berapa rata-rata (nilai harapan) munculnya sisi angka
dari sebuah coin yang dilempar 3 kali ?
X = banyaknya sisi Angka yang muncul
μ = E(X) = 1,5
Distribusi Probabilita Binomial
Contoh :
Sebuah dadu dilempar 2 kali à n = 2
Jika X = banyaknya mata dadu 6 yang muncul,
Sukses = mata dadu 6 yang muncul, maka p =
1/6 dan q = 5/6
R = { GG, GS, SG, SS} = {qq, qp, pq, pp} =
{25/36, 5/36, 5/36, 1/36}
X = { 0, 1, 2 } à P (x) =
{ 25/36 10/36 1/36 }
Contoh :
• Sebuah coin dilempar 3 kali à n = 3
• X = banyaknya sisi angka yang muncul
• Buatlah distribusi probabilita binomialnya !
Hasil Hasil
Percobaan Percobaan
Probabilita Peristiwa Probabilita Peristiwa Jumlah Sisi X Jumlah Sisi X
(sukses) (sukses)
P (X=x) P (X=x) Probabilita b(x│3, p) Probabilita b(x│3, p)
SSS SSS
SSG SSG
SGS SGS
GSS GSS
SGG SGG
GSG GSG
GGS GGS
GGG GGG
ppp ppp
ppq ppq
pqp pqp
qpp qpp
pqq pqq
qpq qpq
qqp qqp
qqq qqq
3 3
2 2
2 2 2 2
2 2
1 1
1 1 1 1
1 1
0 0
p p
3 3
3p 3p
2 2
q q
3pq 3pq
2 2
q q
3 3

1/8 1/8
3/8 3/8
3/8 3/8
1/8 1/8
Rumus Binomial
Bila X = banyaknya peristiwa sukses yang memilki prob. p dari
percobaan binom dengan n ulangan, maka distribusi prob.
Binomial X spt rumus tsb.
Contoh :
Sebuah coin dilempar 3 kali à n = 3
X = banyaknya sisi angka yang muncul à p = 0,5
Buatlah distribusi probabilita binomialnya !
• Jawab :
• Untuk x = 0 P(x=0) = 3C0 (0,5)
0
(0,5)
3
= 0,125
• Untuk x = 1 P(x=1) = 3C1 (0,5)
1
(0,5)
2
= 0,375
• Untuk x = 2 P(x=2) = 3C2 (0,5)
2
(0,5)
1
= 0,375
• Untuk x = 3 P(x=3) = 3C3 (0,5)
3
(0,5)
0
= 0,125
Nilai Harapan distribusi Binomial
μ = E (X) = ∑ x P(x) = n p
Varians dan Deviasi standar :
Varians : σ
2
= n p q
Deviasi std : σ = √ n p q
x n x
p p
x
n
x X P p n x b

,
`

.
|
· · · ) 1 ( ) ( ,
Distribusi Poisson & Distribusi Normal
 Untuk x=1, 2, 3, …
 Distribusi Poisson merupakan distribusi variabel acak yang hasil
percobaannya terjadi dalam selang waktu atau daerah tertentu.
 Distribusi ini secara luas banyak dipakai terutama dalam proses
simulasi, seperti proses kedatangan, proses antrian dll.
 Dimana µ adalah rata-rata banyaknya hasil percobaan yang terjadi
dalam selang waktu atau daerah tertentu dan e = 2,71828
 Percobaan Poisson memiliki ciri-ciri sbb :
 Banyaknya hasil percobaan yg terjadi dalam selang waktu atau
daerah tertentu tidak bergantung pd selang waktu atau daerah lain
yang terpisah.
 Probabilita terjadinya suatu hasil percobaan selama suatu selang
waktu yang singkat sebanding dengan panjang selang waktu tsb.
Probabilita bahwa lebih dari satu hasil percobaan akan terjadi dalam
selang waktu yang singkat atau daerah yang kecil dapat diabaikan.
Contoh Soal 1
Seorang sekretaris rata-rata melakukan kesalahan ketik 2 huruf setiap
halaman yang diketik. Berapa probabilita bahwa pada halaman berikutnya
ia membuat kesalahan :
a. Defenisikan variabel acak X ?
b. Tepat 3 huruf,
c. Kurang dari 3 huruf
!
) (
x
e
X P
x
µ
µ −
·
d. Lebih dari 2 huruf
a. X = banyaknya kesalahan ketik
P(X=3) = 0,180
c. P(X<3) = 0,135 + 0,27 + 0,27 = 0,675
d. P(x>2) = 1 – 0,675 = 0,325
Distribusi Normal
• Distribusi Normal merupakan distribusi probabilita kontinu yang
paling populer. Ciri-ciri distribusi Normal :
1. Kurvanya mempunyai puncak tunggal.
2. Kurvanya berbentuk seperti lonceng.
3. Nilai rata-rata, median dan modus terletak berhimpit dan terletak
tepat dibawah puncak kurva.
4. Kurvanya simetris.
5. Kedua ekor kurva memanjang tak terbatas dan tidak pernah
memotong sumbu horizontal.
6. Luas daerah yang terletak di bawah kurva dan di atas garis sumbu
datar sama dengan 1
Fungsi Normal
Untuk -∞ < X < ∞
27 , 0
! 1
2
) 1 (
135 , 0
! 0
2
) 0 (
1 2
0 2
· · ·
· · ·


e
X P
e
X P
180 , 0
! 3
2
) 3 (
27 , 0
! 2
2
) 2 (
3 2
2 2
· · ·
· · ·


e
X P
e
X P
2
2
1
2
2
1
) , , (

,
`

.
| −

·
σ
µ
π σ
σ µ
x
e x f
Distribusi Normal Standar
 Distribusi Normal Standar adalah distribusi normal
yang memiliki rata-rata μ=0 dan deviasi standar
σ=1.
Untuk mencari probabilita suatu interval dari
variabel acak normal dapat dipermudah dengan
transformasi ke distribusi normal standar.
Distribusi Sampling
Distribusi Sampling adalah : distribusi probabilita
dengan statistik sampel sebagai variabel acaknya.
Statisik sampel antara lain :
: (rata-rata sampel),
: (proporsi sampel),
: (Beda 2 rata-rata),
: (Beda 2 proporsi),
Populasi
σ
µ −
·
X
Z
P
X
2 1
2 1
P P
X X


Populasi adalah keseluruhan unsur yang
menjadi obyek pengamatan.
 Populasi finite : populasi yang jumlah
unsurnya (N) terbatas, misalnya : 5, 10, 1000
 Populasi Infinite : popiulasi yang jumlah
unsurnya tidak terbatas
Metode Sampling
Cara memperoleh sampel :
1.Simple Random Sample
2.Stratified Random Sample
3.Cluster Random Sample
4.Systematic Random Sample
5.Non Random Sample
Dalil Limit Pusat (The Central Limit Theorem) :
 1. = µ
 2. à populasi terbatas
Sehingga :
Distribusi Sampling Rata-rata
1 −

·
N
n N
n
x
σ
σ
x µ
x σ
µ −
·
X
Z
x σ
Membuat distribusi Sampling rata-rata
sampel dengan sampel berukuran n = 2 dari
suatu populasi berukuran N = 4 yaitu ( 3, 4,
6, 7)
Rata-rata dan deviasi standar populasi :
Dengan sampling without replacement, maka
banyaknya kemungkinan sampel yang terjadi
adalah sebanyak :
Distribusi t Student
Dalam Dalil Limit Pusat dinyatakan bahwa rata-rata
sampel acak akan mendekati dist normal dengan
deviasi standar:
Untuk n ≥ 30, nilai-nilai : masih akan
mendekati dist normal standar (z)
5
4
7 6 4 3
·
+ + +
· ·

N
x
µ
) (
5 , 2
2
·

·

N
x µ
σ
6
)! 2 4 ( ! 2
! 4
4
2
·

· C
µ µ ·
X
1 −

·
N
n N
n
x
σ
σ
n
X
σ
σ ·
) / /( ) ( n s X µ −
) / /( ) ( n s X µ −
 Untuk n < 30, nilai-nilai
akan
mendekati dist student (t) dengan
derajat bebas db = n -1 sehingga :
Distribusi Sampling Proporsi
Bila , dimana k menyatakan banyaknya
peristiwa sukses dari sampel yang berukuran n
yang besar, maka p akan menyebar normal
dengan :
Dan
maka:
Distribusi Sampling Beda 2 Rata-rata
 Bila sampel-sampel bebas berukuran n1 dan n2
diambil dari dua populasi yang besar dengan nilai
tengah μ1 dan μ2 dan dev. standar σ1 dan σ2,
maka :
Beda rata-rata sampel akan menyebar mendekati
distribusi normal dengan :
n
s
X
t
µ −
·
n
k
P ·
P
P
· µ
n
q p
P
· σ
P P
P
P P
P
Z
σ σ
µ

·

·
( ) ( )
2 1
1 1
2 1
x x
x x
Z

− − −
·
σ
µ µ

Distribusi Sampling Beda 2 Proporsi
 Bila menyatakan beda dua proporsi peristiwa
sukses yang diperoleh dari dua sampel acak yang
diambil dari dua populasi yang mempunyai dist.
Binom dengan prob sukses masing-masing, p1 dan
p2 , dan prob gagal q1 dan q2, maka akan
menyebar normal dengan :
Pendugaan Parameter Populasi
Penduga Interval
• Penduga interval menunjukkan jajaran nilai (θ1 dan
2
2
2
1
2
1
2 1
n n
x x
σ σ
σ + · −
2 1
2 1 µ µ µ − · −x x
2 1
P P −
2 1
P P −
2 1
2 1
P P
P P
− ·

µ
( )
2 1
2 1 2 1
) (
P P
P P P P
Z

− − −
·
σ
2
2 2
1
2 1
2 1
n
q p
n
q p
P P
+ ·

σ
θ2 ) yang diantaranya terdapat parameter yang
akan diduga.
• Prob ( Stat-Z
α/2
σ
s
< Par < Stat+Z
α/2
σ
s
) = C
• Berarti θ
1
= Stat - Z
α/2
σ
s
dan θ
2
= Stat + Z
α/2
σ
s

• Keterangan :
• Par = Parameter yang tidak diketahui
• Stat = Statistik yang merupakan penduga bagi P
• σ
stat
= deviasi standar distribusi sampling statistik
• C = tingkat keyakinan (1 = C + α )
• α = tingkat kesalahan
C = tingkat keyakinan
• Misal untuk pendugaan interval rata-rata dengan
Tingkat keyakinan 90% ;Maka:
Prob ( X - Z
α/2
σ
x
< μ < X+Z
α/2
σ
x
) = 90 %
Pendugaan Interval Rata-rata Populasi
• Prob ( X - Z
α/2
σ
x
< μ < X + Z
α/2
σ
x
) = C atau

• n > 30 atau
• σ diketahui Z
α/2
-----à σ diketahui maka :
σ/√n
• n < 30 dan
• σ tdk diketahui maka t
α/2,n-1
-à σ tidak
diketahui sehingga : s/√n
Menentukan Ukuran Sampel : n
• Ukuran sampel utk menduga rata-rata populasi µ
• Ukuran sampel utk menduga proporsi populasi P:
n
Z e
n
Z e
2
2
2 /
2
2 /
σ
σ
α
α
·
·
2
2 /
.
]
]
]

·
e
Z
n
σ
α
µ
n
q p
Z e
n
q p
Z e
.
.
2
2 /
2
2 /
α
α
·
·
q p
e
Z
n
P
.
2
2 /
]
]
]

·
α
P ditentukan terlebih dahulu (berdasarkan pengalaman
masa lalu atau perkiraan yg mendekati), jika P tidak
ada informasi maka P didekati dg 0,5
PENGUJIAN HYPOTESIS
Tahapan Pengujian
1. Menentukan Design Hypotesis
2. Menentukan Batas Kritis
3. Menghitung nilai Statistik Uji ( Z hitung)
4. Tentukan letak Z hitung pada batas kritis
5. Ambil keputusan
Pengujian Hypotesis:
◦ Proporsi
◦ Beda dua rata-rata
x
o
h
x
x
h
x
Z
x
Z
σ
µ
σ
µ

· →

·
◦ Beda dua proporsi
Tahapan Pengujian:
1. Menentukan Design Hypotesis
2. Menentukan Batas Kritis
3. Menghitung Statistik Uji ( Z hitung)
4. Tentukan letak Z hitung pada batas kritis
5. Ambil keputusan
Ilustrasi pada kasus Beda 2 rata-rata
dua arah
Design Hipotesis:
n
PQ
P p
Z
o
h

·
1. Menentukan Design Hypotesis
2. Menentukan Batas Kritis
3. Menghitung Statistik Uji ( Z hitung)
4. Tentukan letak Z hitung pada batas kritis
5. Ambil keputusan
 Design Hypotesis :

Probabilitas Peristiwa Bebas (Independent Probability) • • • • • • • Contoh : Pada pelemparan 2 kali sebuah dadu : Berapa Probabilitas munculnya muka 6 pada lemparan I dan ke II ? A = peristiwa munculnya muka 6 pada lemparan I B = peristiwa munculnya muka 6 pada lemparan II P(A ∩ B) = 1/6 x 1/6 = 1/36

P(A ∩ B) = P(A) x P(B)

Peristiwa Bersyarat
• Probabilitas Peristiwa Bersyarat (Conditional Probability)

P(A ∩ B) = P(B)

P(A) x P(B/A) = P(A/B) x

A/B = peristiwa A terjadi dengan syarat peristiwa B terjadi lebih dulu

Contoh : • • • • • • Pada permainan kartu remi (without replacement) Berapa probabilita kartu As muncul pada pengambilan I dan II A = peristiwa munculnya kartu As pada pengambilan I B = peristiwa munculnya kartu As pada pengambilan II

P(A ∩ B) =

P(A) x P(B/A)

= 4/52 x 3/51 = 0,0045

CAB. BCA. BAC. Berapa jumlah kemungkinan 3 orang pelamar ABC. Kombinasi ( Jumlah kumpulan n obyek pada r ruang ). AC. Permutasi ( Jumlah susunan n obyek pada r ruang ) Berapa jumlah susunan yang berbeda dari 3 buah buku A. CBA 3 buah buku A. ACB. BC. B dan C pada 2 ruang ? 3P2 = 3! / (3-2)! = 6 Bukti : AB.Teknik Menghitung Jumlah Kemungkinan 1. BA. B dan C ? 2. CB 3. akan diterima 2 orang ? 3C2 = 3! / (3-2)! 2! = 3 . CA. Faktorial (Jumlah susunan n obyek (pada n ruang)) < n! > contoh : Berapa jumlah susunan yang berbeda dari n! = 3! = 6 Bukti : ABC.

CB Distribusi Probabilita Variabel Acak .Kombinasi Permutasi AB AC BC AB. CA BC. BA AC.

5 .Distribusi Probabilita Diskret Nilai Harapan (Expected Value) • Nilai harapan merupakan rata-rata semua nilai variabel yang mungkin. μ = E (X) = ∑ x P(x) Contoh 2 : Berapa rata-rata (nilai harapan) munculnya sisi angka dari sebuah coin yang dilempar 3 kali ? X = banyaknya sisi Angka yang muncul μ = E(X) = 1.

Distribusi Probabilita Binomial Contoh : Sebuah dadu dilempar 2 kali à n = 2 Jika X = banyaknya mata dadu 6 yang muncul. 1/36} X = { 0. qp. 5/36. pq. 5/36. Sukses = mata dadu 6 yang muncul. { 25/36 10/36 Contoh : • 2} 1/36 } à P (x) = Sebuah coin dilempar 3 kali à n = 3 • X = banyaknya sisi angka yang muncul • Buatlah distribusi probabilita binomialnya ! Hasil Percobaan Probabilita Peristiwa Jumlah Sisi X (sukses) P (X=x) Probabilita b(x│3. GS. pp} = {25/36. 1/6 dan q = 5/6 maka p = R = { GG. 1. SS} = {qq. SG. p) SSS SSG SGS GSS SGG GSG GGS GGG ppp ppq pqp qpp pqq qpq qqp qqq 2 2 2 1 1 1 3 2 p3 3p2q 3pq q 3 2 1/8 3/8 3/8 1/8 1 0 .

5 Buatlah distribusi probabilita binomialnya ! Untuk x = 0 P(x=0) = 3C0 (0.5)2 = 0.5)3 (0.5)0 (0.5)1 (0.125 Nilai Harapan distribusi Binomial μ = E (X) = ∑ x P(x) = n p Varians dan Deviasi standar : Varians : Deviasi std : σ2 = n p q σ = √npq .125 Untuk x = 1 P(x=1) = 3C1 (0.5)2 (0.375 Untuk x = 2 P(x=2) = 3C2 (0.Rumus Binomial  n  x n− x b x n.5)0 = 0. Binomial X spt rumus tsb. p = P(X = x)=   p (1− p)  x • Jawab : • • • • Bila X = banyaknya peristiwa sukses yang memilki prob.375 Untuk x = 3 P(x=3) = 3C3 (0. p dari percobaan binom dengan n ulangan. Contoh : Sebuah coin dilempar 3 kali à n = 3 X = banyaknya sisi angka yang muncul à p = 0.5)3 = 0.5)1 = 0. maka distribusi prob.

c.  Distribusi ini secara luas banyak dipakai terutama dalam proses simulasi. Kurang dari 3 huruf . 2.71828  Percobaan Poisson memiliki ciri-ciri sbb :  Banyaknya hasil percobaan yg terjadi dalam selang waktu atau daerah tertentu tidak bergantung pd selang waktu atau daerah lain yang terpisah.Distribusi Poisson & Distribusi Normal P( X ) = e −µ µ x x!  Untuk x=1.  Probabilita terjadinya suatu hasil percobaan selama suatu selang waktu yang singkat sebanding dengan panjang selang waktu tsb. Defenisikan variabel acak X ? b. proses antrian dll. Berapa probabilita bahwa pada halaman berikutnya ia membuat kesalahan : a.  Dimana µ adalah rata-rata banyaknya hasil percobaan yang terjadi dalam selang waktu atau daerah tertentu dan e = 2. Contoh Soal 1 Seorang sekretaris rata-rata melakukan kesalahan ketik 2 huruf setiap halaman yang diketik. …  Distribusi Poisson merupakan distribusi variabel acak yang hasil percobaannya terjadi dalam selang waktu atau daerah tertentu. 3. Probabilita bahwa lebih dari satu hasil percobaan akan terjadi dalam selang waktu yang singkat atau daerah yang kecil dapat diabaikan. seperti proses kedatangan. Tepat 3 huruf.

µ. 4. 6.180 3! P ( X =1) = P ( X = 3) = P(X=3) = 0. Kedua ekor kurva memanjang tak terbatas dan tidak pernah memotong sumbu horizontal.135 + 0.675 d. Nilai rata-rata. P(x>2) = 1 – 0. Luas daerah yang terletak di bawah kurva dan di atas garis sumbu datar sama dengan 1 Fungsi Normal Untuk -∞ < X < ∞ f ( x . median dan modus terletak berhimpit dan terletak tepat dibawah puncak kurva.675 = 0. 2. Kurvanya simetris.180 c. σ ) = 1 2π σ2 e 1  x −µ  2 −   2 σ  .135 0! e −2 21 = 0. 5.325 Distribusi Normal • Distribusi Normal merupakan distribusi probabilita kontinu yang paling populer. Kurvanya mempunyai puncak tunggal. Lebih dari 2 huruf a. Ciri-ciri distribusi Normal : 1.27 + 0. Kurvanya berbentuk seperti lonceng. P(X<3) = 0.d. X = banyaknya kesalahan ketik P ( X = 0) = e −2 2 0 = 0.27 2! e −2 23 = 0.27 1! P ( X = 2) = e −2 2 2 = 0.27 = 0. 3.

Populasi .Distribusi Normal Standar  Distribusi Normal Standar adalah distribusi normal yang memiliki rata-rata μ=0 dan deviasi standar σ=1. Statisik sampel antara lain : X P X 1 −X P1 − P 2 2 : (rata-rata sampel). : (proporsi sampel).  Untuk mencari probabilita suatu interval dari variabel acak normal dapat dipermudah dengan transformasi ke distribusi normal standar. : (Beda 2 rata-rata). Z= X −µ σ Distribusi Sampling Distribusi Sampling adalah : distribusi probabilita dengan statistik sampel sebagai variabel acaknya. : (Beda 2 proporsi).

1000 Populasi Infinite : popiulasi yang jumlah unsurnya tidak terbatas  Metode Sampling  Cara memperoleh sampel : 1.Simple Random Sample 2.Stratified Random Sample 3. Populasi adalah keseluruhan unsur yang menjadi obyek pengamatan.  Populasi finite : populasi yang jumlah unsurnya (N) terbatas.Systematic Random Sample 5. x σ  Sehingga : Z = X −µ σx Distribusi Sampling Rata-rata . 10. misalnya : 5.Cluster Random Sample 4.Non Random Sample Dalil Limit Pusat   (The Central Limit Theorem) : 1. µ x =µ σ à populasi terbatas x = σ n N −n N− 1 2.

7)  Rata-rata dan deviasi standar populasi : x 3+4+6+7 µ=∑ = =5 N 4 σ= ∑( x − µ) N 2 = 2. 4. maka banyaknya kemungkinan sampel yang terjadi adalah sebanyak : 4 C2 = 4! =6 2!( 4 − 2)! µX = µ σx = σ n N −n N− 1 Distribusi t Student Dalam Dalil Limit Pusat dinyatakan bahwa rata-rata sampel acak akan mendekati dist normal dengan deviasi standar: σ σX = n Untuk n ≥ 30. Membuat distribusi Sampling rata-rata sampel dengan sampel berukuran n = 2 dari suatu populasi berukuran N = 4 yaitu ( 3. 6.5 Dengan sampling without replacement. nilai-nilai :( X −µ) /( s / n ) mendekati dist normal standar (z) ( X −µ) /( s / n) masih akan .

maka :  Beda rata-rata sampel akan menyebar mendekati distribusi normal dengan : ( x1 − x 2 ) − ( µ1 − µ1 ) Z = σ x1 − x 2 . standar σ1 dan σ2. maka p akan menyebar normal dengan : µP = P k Dan σP = pq n maka: Z = P − µP σP = P −P σP Distribusi Sampling Beda 2 Rata-rata  Bila sampel-sampel bebas berukuran n1 dan n2 diambil dari dua populasi yang besar dengan nilai tengah μ1 dan μ2 dan dev. dimana k menyatakan banyaknya peristiwa sukses dari sampel yang berukuran n yang besar. Untuk n < 30. nilai-nilai akan mendekati dist student (t) dengan derajat bebas db = n -1 t= sehingga : X −µ s n Distribusi Sampling Proporsi  Bila P = n .

dan prob gagal q1 dan q2.σ x1 − x2 = 2 σ 12 σ 2 + n1 n2 µx1 −x 2 = µ − µ 1 2 Distribusi Sampling Beda 2 Proporsi  Bila P −P menyatakan beda dua proporsi peristiwa sukses yang diperoleh dari dua sampel acak yang diambil dari dua populasi yang mempunyai dist. Binom dengan prob sukses masing-masing. P akan menyebar normal dengan : 1 2 1 2 µ −P = P − P2 1 P 1 2 σ P −P = 1 2 p1q2 p2 q2 + n1 n2 Z = ( P − P2 ) −( P −P2 ) 1 1 σP 1 −P 2 Pendugaan Parameter Populasi Penduga Interval • Penduga interval menunjukkan jajaran nilai (θ1 dan . p1 dan P − maka p2 .

• • Prob ( Stat-Zα/2σs < Par < Stat+Zα/2σs ) = C Berarti θ1 = Stat .Zα/2σx < μ < X + Zα/2σx ) = C atau • .θ2 ) yang diantaranya terdapat parameter yang akan diduga.Zα/2σs dan θ2 = Stat + Zα/2σs • Keterangan : • Par = Parameter yang tidak diketahui • Stat = Statistik yang merupakan penduga bagi P • • • σstat = deviasi standar distribusi sampling statistik C = tingkat keyakinan (1 = C + α ) α = tingkat kesalahan C = tingkat keyakinan • Misal untuk pendugaan interval rata-rata dengan Tingkat keyakinan 90% .Zα/2σx < μ < X+Zα/2σx ) = 90 % Pendugaan Interval Rata-rata Populasi • Prob ( X .Maka: Prob ( X .

q  e  2 .q n Z  nP =  α / 2  p.• • n > 30 atau σ diketahui Zα/2 -----à σ σ/√n n < 30 dan diketahui maka : • • tα/2.q n p.σ  nµ =  α / 2   e  2 • Ukuran sampel utk menduga proporsi populasi P: e = Zα / 2 2 e 2 = Zα / 2 p.n-1 -à σ tidak diketahui sehingga : s/√n tdk diketahui maka Menentukan Ukuran Sampel : n σ • Ukuran sampel utk menduga rata-rata populasi µ e = Zα / 2 2 e 2 = Zα / 2 σ n σ2 n  Z .

Tentukan letak Z hitung pada batas kritis 5. Ambil keputusan Pengujian Hypotesis: ◦ Proporsi ◦ Beda dua rata-rata .5 PENGUJIAN HYPOTESIS Tahapan Pengujian 1.P ditentukan terlebih dahulu (berdasarkan pengalaman masa lalu atau perkiraan yg mendekati). Menentukan Batas Kritis 3. Menentukan Design Hypotesis 2. Menghitung nilai Statistik Uji ( Z hitung) Zh = x − µx σx → Zh = x − µo σx 4. jika P tidak ada informasi maka P didekati dg 0.

Menentukan Design Hypotesis 2.◦ Beda dua proporsi Tahapan Pengujian: 1. Menghitung Statistik Uji ( Z hitung) Zh = p − Po PQ n 4. Ambil keputusan Ilustrasi pada kasus Beda 2 rata-rata dua arah Design Hipotesis: . Tentukan letak Z hitung pada batas kritis 5. Menentukan Batas Kritis 3.

Ambil keputusan . Menghitung Statistik Uji ( Z hitung) 4.1. Menentukan Batas Kritis 3. Tentukan letak Z hitung pada batas kritis 5. Menentukan Design Hypotesis 2.

 Design Hypotesis : .

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->