Statistik Ekonomi Ii

STATISTIK II
Sri Wahyu Lelly Hana Setyanti
Materi 1 Teori Probabilitas
Tujuan
Setelah mempelajari bab ini diharapkan mahasiswa mampu menjelaskan dasar dari teori probabilitas Mampu menjelaskan macam-macam pendekatan dalam teori probabilitas Mampu menghitung probabilitas dari peristiwa yang terjadi
PROBABILITAS DAN PERCOBAAN

Probabilitas berhubungan erat dengan masalah kesempatan (chance). Suatu tindakan yang dilakukan untuk menemukan apa yang akan terjadi mengenai suatu peristiwa yang mengandung unsur kesempatan disebut percobaan (trial). Percobaan ini dapat dilakukan sekali saja, yang disebut percobaan tunggal, atau diulangi berulang kali dalam kondisi yang sama. Proses dari pelaksanaan percobaan ini seringkali dianggap sebagai perbuatan random, stokastik atau proses kesempatan.
Probabilitas biasanya diberi simbol P, dan dinyatakan dalam angka positif, dengan minimum 0 dan maksimum 1. simbol untuk kemungkinan tidak terjadi biasanya dinyatakan dengan Q yaitu : 1 P Kalau P=0 Peristiwa itu tidak mungkin terjadi, mustahil. Ex: munculnya matahari di malam hari = 0 Kalau P =1 Peristiwa itu pasti terjadi, tidak mungkin tidak terjadi Ex: probabilitas darah mengalir dalam badan orang yang masih hidup = 1
TITIK SAMPEL DAN RUANG SAMPEL Suatu hasil dari percobaan disebut titik sampel atau kejadian dasar. Ruang sampel adalah hasil yang dibentuk oleh himpunan hasil percobaan yang mewakili semua kemungkinan hasil dari percobaan tersebut.
Jika kita melempar uang logam ke atas misalnya, kemungkinan hasilnya ialah gambar kepala raja H atau ekornya T Jika terdapat 2 titik sampel, kedua titik sampel tadi membentuk ruang sampel. Misalkan kita tentukan bahwa S merupakan ruang sampel, atau himpunan dari titik sampel, maka : S=(H,T) Jika dua macam uang logam misalnya Rp. 100,- dan Rp. 50,- dilemparkan ke atas secara bersamaan, maka kemungkinan dari hasil lemparan dapat kita peroleh ruang sampel (hasil himpunan percobaan) terdiri dari 4 macam titik sampel yaitu : S = ( HH, HT, TH, TT )
Sri Wahyu Lelly Hana Setyanti 7
PENDEKATAN TEORI PROBABILITAS

1. PENDEKATAN KLASIK Probabilitas adalah kemungkinan terjadinya suatu peristiwa diantara keseluruhan peristiwa yang bisa terjadi. Ex : a. Probabilitas munculnya permukaan A dan B pada coin adalah atau 0,50 (PA= 0,5 dan PB = 0,5), b. Dadu yang mempunyai 6 permukaan yang sama dilempar satu kali. Kemungkinan salah satu permukaan tampak di atas adalah 1/6. c. Kantong yang berisi 4 kelereng merah dan 6 kelereng putih. Probabilitas untuk mendapat kelereng merah 4/10 atau 0,4 dan untuk mendapat kelereng putih 6/10 atau 0,6
2. PENDEKATAN EMPIRIS Berdasarkan observasi, pengalaman atau peristiwa yang telah terjadi.
Ex : Seseorang dari jarak 5 meter melempar sebuah benda 100 kali hanya kena 65 kali maka berdasar (pengalaman) pendekatan ini probabilitasnya adalah 65/100 atau 0,65
3. PENDEKATAN SUBYEKTIF Berdasarkan perasaan atau kira-kira dari peneliti
MENGHITUNG PROBABILITAS
1. MUTUALLY EXCLUSIVE Dua kejadian disebut eksklusif secara bersama, bila dengan terjadinya A, maka B tidak terjadi dan terjadinya B, maka A tidak terjadi. Contoh : Bila sekeping uang dilempar akan ada 2 kemungkinan yaitu: A = Kejadian muncul M B = Kejadian muncul B Teorema : Jika A dan B mutually exclusive maka : P ( A atau B ) = P (A) + P (B)
2. KEJADIAN YANG INDEPENDENT

Dua kejadian A dan B disebut independent, bila terjadinya A tidak mempengaruhi terjadinya B dan terjadinya B tidak mempengaruhi terjadinya A. Contoh : Kejadian turunnya hujan di Jember dan Peristiwa pengeboman 9 september di Jakarta Teorema : P ( A dan B ) = P (A) . P (B) Contoh Soal : Bila probabilitas harga beras di Indonesia akan naik, P (A)=0,7 dan probabilitas seorang mahasiswa FE UNEJ memperoleh nilai C untuk statistik P(C)=0,2, maka P(A dan C)=0,7.0,2=0,14
11
3. CONDITIONAL PROBABILITY Probabilitas akan terjadinya A, jika diketahui B telah terjadi, ialah : P(A/B) = P(A n B) P (B) atau, P(A/B) = P(A n B) P (A) Contoh : Probabilitas calon mahasiswa diterima di FE UNEJ sebesar 0,40 dan kalau sudah menjadi mahasiswa, kemungkinan untuk lulus sarjana =0,80. Berapa kemungkinan calon itu akan lulus sarjana ? P(B) = PA . P(B/A) = 0,40 . 0,80 = 0,32
TUGAS
1. Dari setumpuk kartu bridge diambil 2 kartu berturut-turut tanpa pengembalian (kartu kedua diambil sebelum kartu pertama dikembalikan). Berapakah probabilitas pengambilan pertama As dan kedua King ? Dalam sebuah kotak tercampur 10 bola dengan jenis dan ukuran yang sama, terdiri dari 3 bola merah, 2 bola putih, 5 bola biru. Kemudian diambil sembarang sebuah bola. Berapakah probabilitas yang akan terambil bila : a. bola merah atau putih b. bola merah atau putih atau biru c. bola hijau
2.
Materi 2 Distribusi Binomial
14
Disamping percobaan tunggal, suatu percobaan mungkin dilakukan secara berkali-kali. Tiap ulangan dalam percobaan dilakukan secara terpisah yakni peristiwa dalam suatu percobaan tidak akan mempengaruhi percobaan berikutnya. Apabila masing-masing percobaan hanya mempunyai dua kemungkinan peritiwa, misalnya seperti sukses dan gagal, ya dan tidak, diterima atau ditolak, dan probabilitas peristiwa tetap sama selama percobaan, percobaan yang diulang tersebut adalah Proses Bernoulli
Contohnya hasil pertandingan sepak bola tidak selalu menang dan kalah, tetapi mungkin seri. Tiaptiap percobaan harus memiliki probabilitas sukses yang identik. Pada pelemparan sebuah dadu sebanyak sekali, probabilitas timbulnya mata dadu 6 ialah 1/6. bila dadu di atas dilempar sebanyak n kali (n percobaan) maka pada tiap pelemparan, probabilita timbulnya mata dadu 6 harus tetap 1/6. hal itu berarti p harus konstan. Bila ,sekeping uang logam dilempar 100 kali, maka pelemparan tersebut merupakan 100 percobaan Bernoulli dimana setiap percobaan selalu menghasilkan sukses (misalnya sisi 0) atau gagal (misalnya sisi 1) dan probabilitas bagi sisi 0 adalah sama untuk tiap-tiap pelemparan dalam 100 lemparan. Bila uang logam di atas setimbang, maka p=1/2 dan 1-p=q=1/2. Tetapi bila uang logam di atas tidak setimbang, maka p tidak perlu harus sama dengan .
Distribusi Binomial dinyatakan dalam rumus :
p( x , n ) = ( n ) p x (1 p ) n x )
x
17
Disebut Binomial coefficient, menunjukkan x kali sukses dari n kali kejadian. Koefisien tersebut dapat dihitung dengan menggunakan segitiga pascal dengan rumus
(
n x
) =
n ( n 1 )( n 2 )...( n x + 1 ) x ( x 1 )( x 2 )... 2 . 1 = n! X !(n X )!
Jadi
P ( x ,n ) =
n! X ! ( n X )!
18
Contoh Soal : Bila sekeping uang logam yang setimbang dilempar sebanyak 6 kali, (a) berapakah probabilitas memperoleh 5 sisi 0 dan (b) berapakah probabilitas memperoleh paling sedikit 5 sisi 0. Jawab : n = 6, x = 5, p = 6 (5, 6) =( 5 )(1 / 25 )(1 / 2)1 =0, 09375
19
n = 6, x = 6, p =
p( 6 , 6 ) = ( 6 )(1 / 2 6 )(1 / 2 ) 0 = 0 , 015625

6
Probabilitas memperoleh 5 sisi 0 menjadi : p (5/6, ) + (6/6, ) = 0,109375
20
Rata-Rata (Mean) Distribusi Binomial Jika nilai parameter n dan p telah diketahui maka dari distribusi binomial tersebut kita juga dapat menghitung rata-ratanya. Di dalam distribusi binomial, Xi menunjukkan jumlah sukses 0,1,2,3,....dan n, dan P(xi) adalah probabilitas untuk mendapatkan Xi sukses dari n percobaan. Dengan demikian secara sederhana mean dari distribusi binomial dihitung dengan rumus : = n.p
21
Contoh Soal :
Dari distribusi timbulnya permukaan A dari 300 lemparan coin, kita akan memperoleh :
Jawab :
= 300.1/2 = 150 = 300 . 1 / 2 . 1= 8,66 /2
22
Varians dan Deviasi Standar Distribusi Binomial = np (1 p ) =

n . p .q
23
Contoh Soal :
Hitunglah varians dan deviasi standar jika diketahui n = 4, p = 1/6 dan q = 5/6 Jawab : Variansnya = 4 (1/6) (5/6) = 4 (5/36) = 20/36 = 5/9 Deviasi standarnya menjadi : =
n. p.q
= 5/9
TUGAS
1. Setelah dilakukan penelitian terhadap hasil produksi mesin X, maka diketahui bahwa setiap produksi sebanyak 1450 unit akan terjadi kerusakan sebanyak 145 unit. Dalam memproduksi 5 unit produk, berapakah probabilitas untuk menemukan 0, 1, ....5 unit kerusakan produk?
25
2. Bila peluang untuk melahirkan anak laki-laki dan anak perempuan adalah sama, berapakah probabilitas suatu keluarga dengan 6 anak akan terdiri dari 0, 1, ....., 6 anak laki-laki ? 3. 5/100 dari barang X yang diproduksi dengan menggunakan mesin A ternyata rusak sedangkan 95/100 ternyata dapat memenuhi kualitas standar. Berapa banyak barang X yang harus diproduksi agar probabilitas barang X yang rusak sebanyak 1 ialah (50 persen). Bila produksi di atas merupakan sebuah proses Bernoulli di mana tiap-tiap percobaan selalu menghasilkan sukses (rusak) atau gagal (baik), dan bila probabilitas p bagi sukses dinyatakan sebagai p = 0,05, maka kita harus mencari bilangan untuk n yang terkecil sedemikian rupa agar p (X 1)
Distribusi Poisson
Distribusi Poisson dapat digunakan untuk menentukan probabilitas dari sejumlah sukses yang ditentukan, jika kejadiankejadian terjadi dalam kurun waktu atau ruang kontinyu tertentu. Proses Poisson seperti proses Bernoulli, hanya berbeda pada sifat kontinyuitasnya saja. Distribusi ini dianggap sebagai pendekatan pada distribusi Binomial apabila n (banyaknya percobaan) adalah besar, sedangkan P (probabilitas sukses sangat kecil).
Rumus distribusi Poisson adalah :
p ( x ) =
x!
n . p
28
Contoh Soal : Misalkan sebuah mobil diiklankan di surat kabar untuk dijual. Surat kabar yang memuat iklan tersebut kita misalkan mempunyai 100.000 orang pembaca. Jika kemungkinan seseorang akan membalas iklan tersebut 0,00002 ditanyakan : a. berapa orang diharapkan akan membalas iklan tersebut ? b. berapa kemungkinan bahwa yang membalas iklan tersebut hanya seorang ? c. berapa kemungkinan tidak ada yang membalas ?
Jawab : n = 100.000 p= 0,00002 = n. p = 100.000 . 0,00002 =2 Rata rata ada 2 orang yang membalas iklan tersebut X=1
Maka
p (1 ) = 2 1! =
a.X = 0
1
e )
2 ( 0 ,13534 1
= 0 , 27068
p (0 ) =
20e 1! 1 ( 0 ,13534 = 1 )
= 0 ,13534
31
Materi 3 Distribusi Normal
32
Distribusi Normal
Distribusi normal adalah distribusi yang kontinyu. Angka pada distribusi ini besarnya tak terhingga. Probabilitas atau frekuensi relatif pada kejadian tertentu diukur menurut ukuran luas pada daerah yang menggambarkan kejadian di bawah kurva normal. Ada berbagai macam bentuk kurva normal. Meskipun demikian, semua bentuk dapat diubah menjadi kurva normal standar.
Untuk membuat kurva normal kita harus mengetahui besarnya (mean) dan (deviasi standar) :
Y= 1
.e
1/ 2
)2
Y = ordinat kurva normal untuk setiap nilai x = mean = deviasi standar = konstante = 3,14159 e = konstante = 2,71828
Syarat Distribusi Normal

Bell Shaped Symmetrical Mean, Median and Mode are Equal Interquartile Range Equals 1.33 s Random Variable Has Infinite Range
f(X)
Mean Median Mode
35
Probability adalah area di bawah kurva

f(X)
36
Macam Distribusi Normal
37
Z =
f(Z) f(X)
Z =1
X
Z = 0
38
Which Table to Use?
Infinitely Many Normal Distributions Means Infinitely Many Tables to Look Up!
Solution: The Cumulative Standardized Normal Distribution

Cumulative Standardized Normal Distribution Table (Portion)
Z = 0
Z =1
.0478
.00
.01
.02
0.0 .0000 .0040 .0080
0.1 .0398 .0438 .0478

0.2 .0793 . 0832 .0871 0.3 .1179 .1217 .1255
Probabilities
0
Z = 0.12
40
Sri Wahyu Lelly Hana Only One Table Setyanti is Needed
Standardizing Example
Z= X
6.2 5 = = 0.12 10
Standardized Normal Distribution
Normal Distribution
= 10
Z =1
6.2
=5
X
Z = 0
0.12
Z
41
Example: P ( 2.9 X 7.1) = .1664

Z= X
2.9 5 = = .21 10
Z=
7.1 5 = = .21 10
Normal Distribution
= 10
.0832
Z =1
.0832
7.1 =5
2.9
X
0.21 0.21 Z = 0
Z
42
Example: P ( 2.9 X 7.1) = .1664(continued)

Z = 0
Z =1
.0832
.00
.01
.02
0.0 .0000 .0040 .0080

0.1 .0398 .0438 .0478
0.2 .0793 .0832 .0871 0.3 .1179 .1217 .1255

0
Z = 0.21
43
Example: P ( 2.9 X 7.1) = .1664(continued)

Z = 0
.4168
Z =1
.00
.01
.02
-0.3 .3821 .3783 .3745

-0.2 .4207 .4168 .4129
-0.1 .4602 .4562 .4522 0.0 .5000 .4960 .4920
0
Z = -0.21
44
Example: P ( X 8 ) = .3821
Z=
Normal Distribution
85 = = .30 10
= 10
Z =1
.3821
8
=5
X
Z = 0
0.30
Z
45
Example: P ( X 8 ) = .3821
(continued)
Z = 0
Z =1
.1179
.00
.01
.02
0.0 .0000 .0040 .0080

0.1 .0398 .0438 .0478
0.2 .0793 .0832 .0871 0.3 .1179 . 1217 .1255

0
Z = 0.30
46
Finding Z Values for Known Probabilities

What is Z Given Probability = 0.6217 ? Cumulative Standardized Normal Distribution Table (Portion)
Z = 0
.1217
Z =1
.00
.01
0.2
0.0 .0000 .0040 .0080 0.1 .0398 .0438 .0478 0.2 .0793 .0832 .0871
Z = .31
0.3 .1179 .1217 .1255

47
Recovering X Values for Known Probabilities

Normal Distribution
= 10
.1179
Z =1
.3821
=5
Z = 0
0.30
X = +SriZ = 5Hana (.30 )(10 ) = 8 Wahyu Lelly + Setyanti
48
More Examples of Normal Distribution Using PHStat

A set of final exam grades was found to be normally distributed with a mean of 73 and a standard deviation of 8. What is the probability of getting a grade no higher than 91 on this exam?
N ( 73,8
P ( X 91) = ?
73 8
=8
Mean Standard Deviation
Probability for X <= X Value 91 Z Value 2.25 P(X<=91) 0.9877756 Lelly Hana Setyanti Sri Wahyu
X
= 73 91
2.25
49
More Examples of Normal Distribution Using PHStat(continued)

What percentage of students scored between 65 and 89?
N ( 73,82 )
P ( 65 X 89 ) = ?
Probability for a Range From X Value 65 To X Value 89 Z Value for 65 -1 Z Value for 89 2 P(X<=65) 0.1587 P(X<=89) 0.9772 P(65<=X<=89) 0.8186
X
65
= 73 89
-1 0
Z
50
More Examples of Normal Distribution Using PHStat(continued)

Only 5% of the students taking the test scored higher than what grade?
N ( 73,8
P ( ? X ) = .05
Find X and Z Given Cum. Pctage. Cumulative Percentage 95.00% Z Value 1.644853 X Value 86.15882
X
= 73 ? =86.16
1.645
51
Assessing Normality
(continued)
Normal Probability Plot for Normal Distribution

90
X 60
30 -2 -1 0 1 2
Look Sri Wahyu Lelly Hana Setyanti for Straight Line!
52
Normal Probability Plot

Left-Skewed
90
Right-Skewed
90
X 60
30 -2 -1 0 1 2
X 60 Z
30 -2 -1 0 1 2
Rectangular
90
U-Shaped
90
X 60
30 -2 -1 0 1 2
X 60 Z
30 -2 -1 0 1 2
Z
53
Fundamentals of Hypothesis Testing: One-Sample Tests
54
What is a Hypothesis?
A hypothesis is a claim (assumption) about the population parameter
Examples of parameters are population mean or proportion The parameter must be identified before analysis
I claim the mean GPA of this class is = 3.5!
1984-1994 T/Maker Co.
55
The Null Hypothesis, H0

States the assumption (numerical) to be tested
e.g.: The average number of TV sets in U.S. Homes is at least three (H 0 : 3 )
Is always about a population parameter ( H 0 : 3), not about a sample statistic ( H 0 : X 3 )
56
The Null Hypothesis, H0

(continued)
Begins with the assumption that the null hypothesis is true

Similar to the notion of innocent until proven guilty
Refers to the status quo Always contains the = sign May or may not be rejected
The Alternative Hypothesis, H1

Is the opposite of the null hypothesis
e.g.: The average number of TV sets in U.S. homes is less than 3 ( H1 : < 3 )
Challenges the status quo Never contains the = sign May or may not be accepted Is generally the hypothesis that is believed (or needed to be proven) to be true by the researcher
Hypothesis Testing Process

Assume the population mean age is 50. ( H 0 : = 50)
Identify the Population
Is X = 20 likely if = 50 ?
No, not likely! REJECT Null Hypothesis
Take a Sample
( X = 20 )
59
Reason for Rejecting H0

Sampling Distribution of X
It is unlikely that we would get a sample mean of this value ... ... Therefore, we reject the null hypothesis that m = 50.
... if in fact this were the population mean.

20
= 50
X
60
If H0 is true
Level of Significance,
Defines unlikely values of sample statistic if null hypothesis is true Is designated by , (level of significance)
Typical values are .01, .05, .10 Called rejection region of the sampling distribution
Is selected by the researcher at the beginning Provides the critical value(s) of the test
61
Level of Significance and the Rejection Region

H0: 3 H1: < 3 H0: 3 H1: > 3 H0: = 3 H1: 3
Rejection Regions 0
Critical Value(s)
/2
0
Errors in Making Decisions

Type I Error
Rejects a true null hypothesis Has serious consequences The probability of Type I Error is
Called level of significance Set by researcher
Type II Error
Fails to reject a false null hypothesis The probability of Type II Error is The power of the test is 1
63
Errors in Making Decisions

(continued)
Probability of not making Type I Error (1 )

Called the confidence coefficient
64
Result Probabilities
H0: Innocent Jury Trial The Truth Verdict Innocent Innocent Guilty Correct Error Error Do Not Reject H0 Hypothesis Test The Truth Decision H0 True H0 False 1- Type I Error ( ) Type II Error ( ) Power (1 - )
65
Guilty
Correct Reject H0
Type I & II Errors Have an Inverse Relationship

If you reduce the probability of one error, the other one increases so that everything else is unchanged.
66
Factors Affecting Type II Error

True value of population parameter Increases when the difference between Significance level Increases when decreases Population standard deviation Increases when increases Sample size Increases when n decreases
hypothesized parameter and its true value decrease
67
How to Choose between Type I and Type II Errors

Choice depends on the cost of the errors Choose smaller Type I Error when the cost of rejecting the maintained hypothesis is high A criminal trial: convicting an innocent person The Exxon Valdez: causing an oil tanker to sink Choose larger Type I Error when you have an interest in changing the status quo A decision in a startup company about a new piece of software A decision about unequal pay for a covered Sri Wahyu Lelly Hana Setyanti 68 group
Critical Values Approach to Testing

Convert sample statistic (e.g.: X ) to test statistic (e.g.: Z, t or F statistic) Obtain critical value(s) for a specified from a table or computer
If the test statistic falls in the critical region, reject H0 Otherwise do not reject H0
69
p-Value Approach to Testing

Convert Sample Statistic (e.g. X ) to Test Statistic (e.g. Z, t or F statistic) Obtain the p-value from a table or computer p-value: Probability of obtaining a test statistic more extreme ( or ) than the observed sample value given H0 is true Called observed level of significance Smallest value of that an H0 can be rejected Compare the p-value with If p-value , do not reject H0 If p-value , reject H0
70
General Steps in Hypothesis Testing

e.g.: Test the assumption that the true mean number of of TV sets in U.S. homes is at least three ( Known)
1. State the H0 2. State the H1 3. Choose
H0 : 3 H1 : < 3
=.05
n = 100 Z test
71
4. Choose n 5. Choose Test
General Steps in Hypothesis Testing

6. Set up critical value(s) Reject H0
(continued)
7. Collect data 8. Compute test statistic and p-value 10. Express conclusion
-1.645 100 households surveyed Computed test stat =-2, p-value = .0228
9. Make statistical decision Reject null hypothesis

The true mean number of TV Sri Wahyu Lelly Hana Setyanti 72 sets is less than 3
One-tail Z Test for Mean ( Known)

Assumptions
Population is normally distributed If not normal, requires large samples Null hypothesis has or sign only
Z test statistic
Z=
X X
X = / n
73
Rejection Region
H0: 0 H1: < 0 H0: 0 H1: > 0
Reject H0
Reject H0
0
Z Must Be Significantly Below 0 to reject H0
Z 0 Z
Small values of Z dont contradict H0 Sri Wahyu Lelly Hana SetyantiDont Reject H0 !
74
Example: One Tail Test

Q. Does an average box of cereal contain more than 368 grams of cereal? A random sample of 25 boxes showed X = 372.5. The company has specified to be 15 grams. Test at the = 0.05 level.
368 gm.
H0: 368 H1: > 368

75
Finding Critical Value: One Tail

What is Z given = 0.05? Standardized Cumulative Normal Distribution Table (Portion)
Z =1
.95
.04
.05
.06
= .05
1.6 .4495 .4505 .4515 1.7 .4591 .4599 .4608 1.8 .4671 .4678 .4686
1.9 .4738 .4744 .4750
76
Critical Value = 1.645
0 1.645 Z
p -Value Solution
p-Value is P(Z 1.50) = 0.0668
Use the alternative hypothesis to find the direction of the rejection region. P-Value =.5668 1.0000 - .4332 .5668
1.50
Z
Z Value of Sample Statistic 77
From Z Table: Lookup 1.50 to Sri Wahyu Lelly Hana Setyanti Obtain .4332
Example Solution: One Tail Test

H0: 368 H1: > 368
Test Statistic:
Z=
Reject .05
= 0.5
n = 25 Critical Value: 1.645
=1.50
Decision:
Do Not Reject at = .05
Conclusion:
0 1.645 Z
1.50
No evidence that true Sri Wahyu Lelly Hana Setyanti is more than 368 78 mean

Statistik Ekonomi Ii

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Statistik Ekonomi Ii

Diunggah oleh

Hak Cipta:

Format Tersedia

STATISTIK II

Sri Wahyu Lelly Hana Setyanti

Materi 1 Teori Probabilitas

Sri Wahyu Lelly Hana Setyanti

Sri Wahyu Lelly Hana Setyanti

PROBABILITAS DAN PERCOBAAN

Sri Wahyu Lelly Hana Setyanti

Sri Wahyu Lelly Hana Setyanti

Sri Wahyu Lelly Hana Setyanti

PENDEKATAN TEORI PROBABILITAS

3. PENDEKATAN SUBYEKTIF Berdasarkan perasaan atau kira-kira dari peneliti

Sri Wahyu Lelly Hana Setyanti

2. KEJADIAN YANG INDEPENDENT

Sri Wahyu Lelly Hana Setyanti

Materi 2 Distribusi Binomial

Sri Wahyu Lelly Hana Setyanti

Distribusi Binomial dinyatakan dalam rumus :

Sri Wahyu Lelly Hana Setyanti

n ( n 1 )( n 2 )...( n x + 1 ) x ( x 1 )( x 2 )... 2 . 1 = n! X !(n X )!

Sri Wahyu Lelly Hana Setyanti

Sri Wahyu Lelly Hana Setyanti

p( 6 , 6 ) = ( 6 )(1 / 2 6 )(1 / 2 ) 0 = 0 , 015625

Probabilitas memperoleh 5 sisi 0 menjadi : p (5/6, ) + (6/6, ) = 0,109375

Sri Wahyu Lelly Hana Setyanti

Sri Wahyu Lelly Hana Setyanti

= 300.1/2 = 150 = 300 . 1 / 2 . 1= 8,66 /2

Sri Wahyu Lelly Hana Setyanti

Varians dan Deviasi Standar Distribusi Binomial = np (1 p ) =

Sri Wahyu Lelly Hana Setyanti

Sri Wahyu Lelly Hana Setyanti

Rumus distribusi Poisson adalah :

Sri Wahyu Lelly Hana Setyanti

Sri Wahyu Lelly Hana Setyanti

Materi 3 Distribusi Normal

Sri Wahyu Lelly Hana Setyanti

Syarat Distribusi Normal

Mean Median Mode

Sri Wahyu Lelly Hana Setyanti

Probability adalah area di bawah kurva

Sri Wahyu Lelly Hana Setyanti

Macam Distribusi Normal

Sri Wahyu Lelly Hana Setyanti

Which Table to Use?

Solution: The Cumulative Standardized Normal Distribution

0.0 .0000 .0040 .0080

0.1 .0398 .0438 .0478

Sri Wahyu Lelly Hana Only One Table Setyanti is Needed

Example: P ( 2.9 X 7.1) = .1664

Standardized Normal Distribution

Example: P ( 2.9 X 7.1) = .1664(continued)

0.0 .0000 .0040 .0080

0.2 .0793 .0832 .0871 0.3 .1179 .1217 .1255

Example: P ( 2.9 X 7.1) = .1664(continued)

-0.3 .3821 .3783 .3745

-0.1 .4602 .4562 .4522 0.0 .5000 .4960 .4920

Sri Wahyu Lelly Hana Setyanti

0.0 .0000 .0040 .0080

0.2 .0793 .0832 .0871 0.3 .1179 . 1217 .1255

Finding Z Values for Known Probabilities

0.3 .1179 .1217 .1255

Sri Wahyu Lelly Hana Setyanti

Recovering X Values for Known Probabilities

Standardized Normal Distribution