MMS1403 07 PDF

Statistika (MMS-1403)
Dr. Danardono, MPH

danardono@ugm.ac.id
Program Studi Statistika

Jurusan Matematika FMIPA UGM
Materi dan Jadual

Minggu
ke-
Pokok Bahasan
Sub Pokok Bahasan
1.
Pendahuluan
1
2
3
4
2.
Grafik dan Ringkasan

Numerik
1 Distribusi Frekuensi dan Grafiknya

2 Ukuran Tengah dan Ukuran Dispersi
3 Analisis Data Eksploratif
3.
Peluang
1 Kejadian dan Peluang

2 Peluang Bersyarat
4.
Variabel Random
1 Variabel Random dan Distribusinya

2 Harga Harapan, Variansi dan
Sifat-Sifatnya
5.
Distribusi Variabel
Random Diskret
1 Distribusi Bernoulli dan Binomial

2 Distribusi Poisson
3 Distribusi Hipergeometrik
Perkuliahan MMS-1403
Kompetensi dan Karir
Konsep dan Terminologi
Data, Variabel dan Skala Pengukuran
MMS-1403 p.1/204
Materi dan Jadual

6.
Distribusi Variabel
Random Kontinu
1 Distribusi Uniform Kontinu

2 Distribusi Normal
3 Pendekatan Normal untuk Binomial
7.
Distribusi Sampling Statistik
1 Sampling Random
2 Distribusi Sampling Statistik untuk
Rerata
3 Teorema Limit Sentral
8.
Review dan Latihan
9.
Inferensi Statistik
1 Estimasi Parameter
2 Uji Hipotesis
10.
Inferensi Statistik Satu

Populasi Sembarang
1 Inferensi untuk Mean

2 Inferensi untuk Proporsi
11.
Inferensi Statistik Satu

Populasi Normal
1 Inferensi untuk Mean

2 Hubungan Interval Konfidensi dan Uji
Hipotesis
3 Inferensi untuk Variansi
MMS-1403 p.2/204
Materi dan Jadual

12.
Inferensi Statistik Dua

Populasi Sembarang
1 Inferensi untuk Selisih Mean Dua

Populasi
2 Inferensi untuk Selisih Proporsi Dua
populasi
13.
Inferensi Statistik Dua

Populasi Normal
1 Inferensi untuk Selisih Mean Dua

Populasi
2 Inferensi untuk Perbandingan Variansi
Dua Populasi
3 Inferensi untuk Observasi Berpasangan
14.
Review dan latihan
MMS-1403 p.3/204
Statistika
Statistika (Statistics)
Sekumpulan konsep dan metode yang digunakan untuk
mengumpulkan dan menginterpretasi data kuantitatif dan
mengambil kesimpulan dalam situasi dimana ada ketidakpastian
dan variasi
MMS-1403 p.4/204
Data
Penghasilan mingguan 40 buruh bangunan di suatu kota
(dalam ribuan rupiah):
58 72 64 65 67 92 55 51 69 73
64 59 65 55 75 56 89 60 84 68
74 67 55 68 74 43 67 71 72 66
62 63 83 64 51 63 49 78 65 75
MMS-1403 p.5/204
Data
Hasil pengukuran keasaman (PH) dari 35 kolam di suatu
daerah:
6,4
6,6
6,2
7,2
6,2
8,1
7,0
7,0
5,9
5,7
7,0
7,4
6,5
6,8
7,0
7,0
6,0
6,3
5,6
6,3
5,8
5,9
7,2
7,3
7,7
6,8
5,2
5,2
6,4
6,3
6,2
7,5
6,7
6,4
7,8
MMS-1403 p.6/204
Data
Tinggi (cm) dan berat badan (kg) 10 orang mahasiswa:
Mahasiswa Tinggi Berat
1
170
70
2
162
65
3
169
59
4
165
62
5
171
67
6
170
65
7
168
60
8
163
61
9
166
63
10
172
64
MMS-1403 p.7/204
Data
Banyaknya penjualan telepon seluler di suatu toko:
Merek Banyak penjualan
Sony-Ericsson
72
Motorola
60
Nokia
85
Samsung
54
LG
32
Siemens
64
MMS-1403 p.8/204
Skala Pengukuran
Skala
Nominal
Ordinal
Interval
Rasio
Yang dapat ditentukan untuk dua

pengamatan sembarang
persamaan (klasifikasi)
persamaan dan urutan
persamaan, urutan dan jarak (satuan
pengukuran)
persamaan, urutan, jarak dan rasio
(titik nol yang murni ada)
MMS-1403 p.9/204
Skala Pengukuran
Contoh:
Nominal: jenis pekerjaan, warna
Ordinal: kepangkatan, tingkat pendidikan
Interval: tahun kalender (Masehi, Hijriyah), temperatur
(Celcius, Fahrenheit)
Rasio: berat, panjang, isi
MMS-1403 p.10/204
Statistika Deskriptif
Metode atau cara-cara yang digunakan untuk meringkas dan
menyajikan data dalam bentuk tabel, grafik atau ringkasan
numerik data.
MMS-1403 p.11/204
Grafik Stem-and-leaf
Untuk menunjukkan bentuk distribusi data
Data berupa angka dengan minimal dua digit
Contoh (Data penghasilan buruh):
4 3 9
5 1 1 5 5 5 6 8 9
6 0 2 3 3 4 4 4 5 5 5 6 7 7 7 8 8 9
7 1 2 2 3 4 4 5 5 8
8 3 4 9
9 2
Stem= 10, Leaf = 1
MMS-1403 p.12/204
Distribusi Frekuensi
Merupakan suatu tabel menunjukkan frekuensi kemunculan
data atau frekuensi relatifnya yang berguna untuk meringkas
data numerik maupun kategori.
Untuk data diskret atau data kategori, banyaknya nilai yang
dihitung kemunculannya biasanya sesuai dengan
banyaknya nilai data yang berbeda dari data diskret atau
kategori tersebut
Untuk data kontinu, biasanya dibuat kelas interval 5-20
banyaknya.
MMS-1403 p.13/204
Distribusi Frekuensi
Kelas
Frekuensi Frekuensi Relatif
[40, 50)
[50, 60)
[60, 70)
[70, 80)
[80, 90)
[90, 100)
2
8
17
9
3
1
0,050
0,200
0,425
0,225
0,075
0,025
Frekuensi Relatif
Kumulatif
0,050
0,250
0,625
0,900
0,975
1,000
MMS-1403 p.14/204
Histogram
Representasi grafik dari distribusi frekuensi data kontinu.
10
5
0
Frekuensi
15
40
50
60
70
80
90
100
Penghasilan (ribu rupiah)

MMS-1403 p.15/204
Poligon Frekuensi
Representasi grafik dari distribusi frekuensi data kontinu dengan
mengambil nilai tengah tiap kelas.
10
5
0
Frekuensi
15
40
50
60
70
80
90
100

MMS-1403 p.16/204
Ogive Frekuensi Kumulatif

Plot frekuensi kumulatif dengan batas atas interval dari distribusi
frekuensi.
30
20
10
0
Frekuensi Kumulatif
40
40
50
60
70
80
90
100

MMS-1403 p.17/204
Diagram Batang
Representasi grafik dari distribusi frekuensi data diskret atau
kategori.
20
40
60
80
Contoh (Data telepon seluler):
SonyEricsson
Motorola
Nokia
Samsung
LG
Siemens
MMS-1403 p.18/204
Diagram Lingkaran
Representasi grafik dari distribusi frekuensi data diskret atau
kategori.
Contoh (Data telepon seluler):
Motorola
SonyEricsson
Nokia
Siemens
Samsung
LG
MMS-1403 p.19/204
Notasi Himpunan Data

Data statistik sering dilambangkan dengan huruf X , Y
dilengkapi dengan indeks.
MMS-1403 p.20/204

X : penghasilan mingguan buruh (dalam ribuan rupiah)
X1 = 58; X2 = 72; X10 = 73; X40 = 75;
MMS-1403 p.20/204

Contoh (Data tinggi dan berat mahasiswa):
X : tinggi mahasiswa (cm)
Y : berat mahasiswa (kg)
X1 = 170; Y1 = 70;
X7 = 1683; Y7 = 60;
MMS-1403 p.20/204
Notasi Sigma
n
X
Xi = X1 + X2 + . . . + Xn
i=1
m
n X
X
Xij = X11 + X12 + . . . + Xnm
i=1 j=1
MMS-1403 p.21/204
Notasi Sigma
Beberapa aturan:
Jika Xi = k , k suatu konstan, maka
n
X
Xi = nk
i=1
MMS-1403 p.22/204
Notasi Sigma
Beberapa aturan:
n
X
Xi = nk
i=1
Jika k suatu konstan, maka

n
X
i=1
kXi = k
n
X
Xi
i=1
MMS-1403 p.22/204
Notasi Sigma
Beberapa aturan:
n
X
Xi = nk
i=1
Jika k suatu konstan, maka

n
X
kXi = k
i=1
n
X
i=1
(Xi + Yi ) =
n
X
Xi
i=1
n
X
i=1
Xi +
n
X
Yi
i=1
MMS-1403 p.22/204
Ringkasan Numerik
Ringkasan Numerik atau statistik:
Data tunggal (tidak dikelompokkan), dengan n observasi
dinotasikan sebagai
x1 , x2 , . . . , xn
Data berkelompok (distribusi frekuensi), dengan k nilai

tunggal dinotasikan sebagai
x1 , x2 , . . . , xk
yang masing-masing mempunyai frekuensi

f1 , f2 , . . . , fk
dengan n =
Pk
i=1 fi
adalah total observasi

MMS-1403 p.23/204
Mean Aritmetik
Data tunggal:
n
1X
x
=
xi
n
i=1
Data berkelompok:
n
X
1
fi xi
x
=
n
i=1
MMS-1403 p.24/204
Mean Terbobot
Misalkan wi 0 adalah bobot (weight) untuk data tunggal xi
1
x
w = Pn
n
X
i=1 wi i=1
wi xi
MMS-1403 p.25/204
Variansi
Data tunggal:
n
1 X
2
s =
(xi x
)2
n1
i=1
atau
n
1 X 2
2
(xi n
x2 )
s =
n1
i=1
MMS-1403 p.26/204
Variansi
Data berkelompok:
n
1 X
2
s =
fi (xi x
)2
n1
i=1
atau
1
s =
n1
2
n
X
i=1
(fi x2i n
x2 )
MMS-1403 p.27/204
Kuis 1
Jika P
xi , i = 1, 2, . . . , n adalah data bernilai sembarang dan
n
xi
x
= i=1
n
1. Hitung
n
X
i=1
(xi x
)
2. Tunjukkan
n
X
i=1
(xi x
)2 =
n
X
i=1
xi n
x2
MMS-1403 p.28/204
Tugas 1 (Kelompok)
Carilah suatu masalah nyata yang dapat dibantu
penyelesaiannya dengan statistika.
Deskripsikan latar belakang masalah yang saudara pilih
Sebutkan masalahnya
Definisikan populasinya
Sebutkan variabel-variabel yang diperlukan
MMS-1403 p.29/204
Peluang
Statistika Inferensial: Mengambil kesimpulan, inferensi atau
generalisasi tentang suatu populasi berdasarkan informasi
yang diperoleh dari sampel.
Peluang (probabilitas): Harga angka yang menunjukkan
seberapa besar kemungkinan suatu peristiwa akan terjadi.
MMS-1403 p.30/204
Peluang
sangat tidak mungkin
tidak mungkin
sangat mungkin
mungkin ya mungkin tidak
pasti
MMS-1403 p.30/204
Peluang
sangat tidak mungkin
sangat mungkin
0
tidak mungkin
1
mungkin ya mungkin tidak
pasti
MMS-1403 p.30/204
Peluang
Eksperimen (percobaan, trial): Prosedur yang dijalankan pada
kondisi yang sama dan dapat diamati hasilnya (outcome).
Ruang sampel (semesta, universe: Himpunan semua hasil yang
mungkin dari suatu eksperimen.
Peristiwa (kejadian, event): Himpunan bagian dari suatu ruang
sampel.
MMS-1403 p.31/204
Peluang
Contoh
Eksperimen
Hasil
Ruang sampel
:
:
Peristiwa
Pelemparan sebuah mata uang logam

dua kali
Sisi mata uang yang tampak
S = {MM,MB,BM,BB}
dengan M: sisi muka dan B: sisi belakang
A = paling sedikit muncul satu belakang
= {MB,BM,BB}
B = muncul sisi yang sama
= {MM,BB}
MMS-1403 p.32/204
Peluang
Contoh
Eksperimen
Hasil
Ruang sampel
Peristiwa
:
:
:
:
Sebuah biji kedelai ditanam

Tumbuh atau tidak tumbuh
S = {tidak tumbuh, tumbuh}
atau S = {0, 1}
A = biji kedelai tumbuh
= {1}
MMS-1403 p.33/204
Peluang
Contoh
Eksperimen
Hasil
Ruang sampel
:
:
Peristiwa
Pemilihan seorang mahasiswa secara

random dan dicatat IPnya
Bilangan antara 0 sampai dengan 4
S = {0 X 4 | X R}
Himpunan bilangan real antara 0 sampai
dengan 4
A = IP di atas 2
= {2 X 4 | X R}
B = IP di bawah 1
= {0 X 1 | X R}
MMS-1403 p.34/204
Peluang
Contoh
Eksperimen
Hasil
Ruang sampel
Peristiwa
:
:
:
:
Sebuah dadu dilempar sekali
MMS-1403 p.35/204
Peluang
Contoh
Eksperimen
Hasil
Ruang sampel
Peristiwa
:
:
:
:

mata dadu 1, 2, 3, 4, 5, 6
MMS-1403 p.35/204
Peluang
Contoh
Eksperimen
Hasil
Ruang sampel
Peristiwa
:
:
:
:

mata dadu 1, 2, 3, 4, 5, 6
S = {1, 2, 3, 4, 5, 6}
MMS-1403 p.35/204
Peluang
Contoh
Eksperimen
Hasil
Ruang sampel
Peristiwa
:
:
:
:

mata dadu 1, 2, 3, 4, 5, 6
S = {1, 2, 3, 4, 5, 6}
A = muncul mata dadu genap
MMS-1403 p.35/204
Peluang
Contoh
Eksperimen
Hasil
Ruang sampel
Peristiwa
:
:
:
:

mata dadu 1, 2, 3, 4, 5, 6
S = {1, 2, 3, 4, 5, 6}
= {2, 4, 6}
MMS-1403 p.35/204
Peluang
Contoh
Eksperimen
Hasil
Ruang sampel
Peristiwa
:
:
:
:

mata dadu 1, 2, 3, 4, 5, 6
S = {1, 2, 3, 4, 5, 6}
= {2, 4, 6}
B = muncul mata dadu gasal
= {1, 3, 5}
MMS-1403 p.35/204
Peluang
Peluang Suatu Peristiwa
Definisi klasik, dengan menganggap tiap-tiap elemen ruang
sampel S mempunyai peluang yang sama untuk terjadi.
Peluang terjadinya peristiwa A,
n(A)
P (A) =
n(S)
dengan n(A) = banyaknya anggota dalam peristiwa A, dan

n(S) = banyaknya anggota ruang sampel
MMS-1403 p.36/204
Peluang
Beberapa ketentuan:
0 P (A) 1
P (S) = 1 (peluang dari ruang sampel)

P () = 0 (peluang dari peristiwa yang tidak akan pernah
terjadi)
P (A) = 1 P (Ac ) (aturan komplemen)
P (A B) = P (A) + P (B) P (A B) (aturan penjumlahan)

Bila A dan B adalah kejadian yang saling asing,
A B = , maka P (A B) = P (A) + P (B)
P (B) = P (A B) + P (Ac B)
A B dan Ac B saling asing
MMS-1403 p.37/204
Peluang
Contoh
Sebuah dadu dilempar sekali. S = {1, 2, 3, 4, 5, 6} dan n(S) = 6.
Misal didefinisikan A : muncul mata dadu 3 dan B : muncul
mata dadu bilangan prima A = {3} dan n(A) = 1 ; B = {2, 3, 5}
dan n(B) = 3 dan
n(A)
1
P (A) =
=
n(S)
6
dan
P (B) =
3
1
n(B)
= =
n(S)
6
2
MMS-1403 p.38/204
Peluang
Peluang Bersyarat dan Independensi
Diketahui A dan B dua peristiwa dari ruang sampel S , dan
P (B) > 0, maka peluang bersyarat terjadinya A jika diketahui B
telah terjadi, ditulis P (A | B), didefinisikan sebagai
P (A B)
P (A | B) =
P (B)
Dua kejadian A dan B disebut kejadian independen jika

P (A B) = P (A).P (B)
MMS-1403 p.39/204
Peluang
Contoh (Peluang Bersyarat)
Sepasang dadu dilempar bersama jika diketahui jumlah kedua
mata dadu yang keluar adalah 6, hitunglah peluang bahwa satu
diantara dua dadu tersebut adalah mata dadu 2.
B = {jumlahan mata dadu adalah 6}
= {(1, 5), (2, 4), (3, 3), (4, 2), (5, 1)} dan
A = {mata dadu 2 muncul dari salah satu dadu}
= {(2, 4), (4, 2)}
2
n(A B)
=
P (A | B) =
n(B)
5
MMS-1403 p.40/204
Peluang
Peluang suatu penerbangan yang telah terjadwal teratur
berangkat tepat waktu adalah P (A) = 0, 83; peluang sampai
tepat waktu adalah P (B) = 0, 82; peluang berangkat dan
sampai tepat waktu adalah P (A B) = 0, 78.
Peluang bahwa suatu pesawat sampai tepat waktu jika diketahui
berangkat tepat waktu adalah
0, 78
P (A B)
=
= 0, 94
P (B | A) =
P (A)
0, 83
MMS-1403 p.41/204
Peluang
Peluang suatu penerbangan yang telah terjadwal teratur
berangkat tepat waktu adalah P (A) = 0, 83; peluang sampai
tepat waktu adalah P (B) = 0, 82; peluang berangkat dan
sampai tepat waktu adalah P (A B) = 0, 78.
Peluang bahwa suatu pesawat berangkat tepat waktu jika
diketahui sampai tempat waktu adalah
0, 78
P (A B)
=
= 0, 95
P (A | B) =
P (B)
0, 82
MMS-1403 p.42/204
Peluang
Contoh (independensi)
Suatu kota kecil mempunyai satu unit mobil pemadam
kebakaran dan satu ambulans yang bekerja saling independen
untuk keadaan darurat. Peluang mobil kebakaran siap saat
diperlukan adalah 0.98. Peluang ambulans siap waktu
diperlukan adalah 0.92. Dalam suatu kejadian kebakaran
gedung, hitung peluang keduanya siap.
Misalkan A dan B menyatakan kejadian mobil pemadam
kebakaran dan ambulans siap. Karena A dan B independen,
peluang mobil pemadam kebakaran dan ambulans siap :
P (A B) = P (A).P (B) = 0, 98 0, 92 =, 9016
MMS-1403 p.43/204
Peluang
Teorema Bayes
P (A).P (B | A)
P (A B)
=
P (A | B) =
P (B)
P (A).P (B | A) + P (Ac ).P (B | Ac )
Secara umum jika kejadian A1 , A2 , . . . , Ak saling asing dan

gabungannya A1 A2 . . . , Ak = S dan kejadian B = S B ,
maka
P (Ai ).P (B | Ai )
P (Ai | B) = Pk
i=1 P (Ai ).P (B | Ai )
MMS-1403 p.44/204
Peluang
Teorema Bayes
Contoh
Sebuah pabrik mempunyai 3 mesin A, B dan C yang
memproduksi berturut-turut 60%, 30%, dan 10% dari total
banyak unit yang diproduksi pabrik. Persentase kerusakan
produk yang dihasilkan dari masing-masing mesin tersebut
berturut-turut adalah 2%, 3% dan 4%. Suatu unit dipilih secara
random dan diketahui rusak. Hitung probabilitas bahwa unit
tersebut berasal dari mesin C.
Misal kejadian R adalah unit yang rusak, akan dihitung
P (C | R), yaitu probabilitas bahwa suatu unit diproduksi oleh
mesin C dengan diketahui unit tersebut rusak.
MMS-1403 p.45/204
Peluang
Teorema Bayes
Contoh (lanjutan)
Dengan teorema Bayes, kejadian P (A), P (B) dan P (C) adalah
peluang (persentase produksi) dari masing-masing mesin;
P (R | A), P (R | B) dan P (R | C) adalah peluang (persentase
kerusakan) dari masing-masing mesin.
P (C | R) =
=
P (C).P (R | C)
P (A).P (R | A) + P (B).P (R | B) + P (C).P (R | C)
(0, 1)(0, 04)
4
=
(0, 6)(0, 02) + (0, 3)(0, 03) + (0, 1)(0, 04)
25
MMS-1403 p.46/204
Variabel Random
Variabel random adalah suatu cara memberi harga angka
kepada setiap elemen ruang sampel, atau suatu fungsi bernilai
real yang harganya ditentukan oleh setiap elemen dalam ruang
sampel
Contoh
Eksperimen (proses random) melemparkan uang logam tiga
kali, S = {BBB, BBM, BMB, MBB, BMM, MBM, MMB, MMM}.
Didefinisikan variabel random X : banyak M (muka) muncul
dalam pelemparan uang logam tiga kali.
MMS-1403 p.47/204
Variabel Random
Contoh (variabel random)
S
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
R
0
MMS-1403 p.48/204
Variabel Random
S
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
X:SR
R
0
MMS-1403 p.49/204
Variabel Random
S
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
X:SR
R
0
MMS-1403 p.50/204
Variabel Random
S
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
X:SR
R
0
MMS-1403 p.51/204
Variabel Random
S
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
X:SR
R
0
MMS-1403 p.52/204
Variabel Random
S
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
X:SR
R
0
MMS-1403 p.53/204
Variabel Random
Variabel random diskret: Suatu variabel random yang hanya
dapat menjalani harga-harga yang berbeda yang
berhingga banyaknya (sama banyaknya dengan bilangan
bulat)
Variabel random kontinu: Suatu variabel random yang dapat
menjalani setiap harga dalam suatu interval (tak berhingga
banyaknya)
Distribusi Peluang: Model matematik yang menghubungkan
semua nilai variabel random dengan peluang terjadinya
nilai tersebut dalam ruang sampel. Distribusi peluang
dapat direpresentasikan dalam bentuk fungsi, tabel, atau
grafik. Distribusi peluang dapat dianggap sebagai
frekuensi relatif jangka panjang.
MMS-1403 p.54/204
Peluang dan Variabel Random

Distribusi Peluang Diskret
Fungsi f (x) disebut sebagai fungsi peluang dari variabel
random diskret X , jika untuk setiap harga x yang mungkin :
1. f (x) 0
P
2.
x f (x) = 1
Peluang untuk nilai x tertentu:

P (X = x) = f (x)
Distribusi kumulatif F (x)

F (x) = P (X x) =
f (t)
tx
MMS-1403 p.55/204

Distribusi peluang X dalam bentuk tabel:
Harga X P (X = x) = f (x)
x1
P1
x2
P2
...
...
xk
Pk
MMS-1403 p.56/204
Variabel Random
Contoh
Distribusi banyaknya sisi muka yang muncul dalam pelemparan
mata uang logam tiga kali.
Harga X P (X = x) = f (x)
0
1/8
1
3/8
2
3/8
3
1/8
P
P (x) = 1
MMS-1403 p.57/204
Variabel Random
Distribusi Peluang Kontinu (Fungsi Densitas)
Distribusi peluang untuk variabel random kontinu.
Fungsi f (x) disebut sebagai fungsi densitas peluang dari
variabel random kontinu X , jika untuk setiap harga x yang
mungkin :
1. f (x) 0
R
2. f (x)dx = 1
Nilai peluang untuk interval tertentu

Z b
f (x)dx
P (a X b) =
a
Distribusi kumulatif F(x)

F (x) = P (X x) =
f (u)du
MMS-1403 p.58/204
Variabel Random
Distribusi Peluang Kontinu (Fungsi Densitas)
Contoh
Fungsi densitas suatu variabel random X
f (x) =
x
2
untuk 0 < x < 2

untuk x yang lain
MMS-1403 p.59/204
Variabel Random
Harga harapan, Variansi dan sifat-sifatnya
Harga Harapan (Ekspektasi, Expected Value)
E(X) =
x xf (x)
xf (x)dx
bila X diskret
bila X kontinu
E(X) sering ditulis sebagai X atau
Variansi (Variance)
Var(X) = E(X )2
= E(X 2 ) 2
MMS-1403 p.60/204
Variabel Random
Harga harapan, Variansi dan sifat-sifatnya
Sifat-sifat Harga Harapan
E(aX + b) = aE(X) + b, a, b konstan
E [g(X) + h(X)] = E [g(X)] + E [h(X)]
Sifat-sifat Variansi
Var(aX + b) = a2 Var(X), a, b konstan
Deviasi standar (akar dari variansi):
p
X = Var(X)
MMS-1403 p.61/204
Variabel Random
Dua Variabel Random
Ada dua variabel random yang diamati bersamaan dalam suatu
eksperimen.
Contoh:
Sebuah mata uang logam dilemparkan tiga kali.
X : banyaknya M muncul dalam dua lemparan pertama
Y : banyaknya M muncul dalam lemparan ketiga
Distribusi peluang untuk dua variabel random disebut sebagai
distribusi peluang bersama
MMS-1403 p.62/204

Contoh
Distribusi peluang variabel random X :
S
X:SR
BBB
P (X = x)
BBM
BMB
MBB
BMM
MBM
MMB
MMM
MMS-1403 p.63/204

Contoh
S
X:SR
BBB
x
0
1
2
P (X = x)
BBM
BMB
MBB
BMM
MBM
MMB
MMM
MMS-1403 p.64/204

Contoh
S
X:SR
BBB
x
0
1
2
P (X = x)
BBM
BMB
MBB
BMM
MBM
MMB
MMM
MMS-1403 p.65/204

Contoh
S
X:SR
BBB
x
0
1
2
P (X = x)
1/4
1/2
1/4
BBM
BMB
MBB
BMM
MBM
MMB
MMM
MMS-1403 p.66/204

Contoh
Distribusi peluang variabel random Y :
S
Y :SR
BBB
BBM
BMB
MBB
P (Y = y)
BMM
MBM
MMB
MMM
MMS-1403 p.67/204

Contoh
S
Y :SR
BBB
BBM
0
P (Y = y)
BMB
MBB
BMM
MBM
MMB
MMM
MMS-1403 p.68/204

Contoh
S
Y :SR
BBB
BBM
y
P (Y = y)
0
1/2
BMB
1
1/2
MBB
BMM
MBM
MMB
MMM
MMS-1403 p.69/204

Contoh (dua variabel random)
Distribusi peluang bersama X dan Y , P (X = x, Y = y)::
x
0
0
1
2
P (Y = y)
1/2
P (X = x)
1/2
1/4
1/2
1/4
1
MMS-1403 p.70/204

Distribusi peluang bersama X dan Y , P (X = x, Y = y):
x
0
1
2
P (Y = y)
P (X = x)
{BBB}
{BBM}
{BMB, MBB}
{BMM, MBM}
{MMB}
{MMM}
1/2
1/2
1/4
1/2
1/4
1
MMS-1403 p.71/204

x
0
1
2
P (Y = y)
0
1/8
2/8
1/8
1/2
P (X = x)
1
1/8
2/8
1/8
1/2
1/4
1/2
1/4
1
MMS-1403 p.72/204

x
0
1
2
P (Y = y)
0
1/8
2/8
1/8
1/2
P (X = x)
1
1/8
2/8
1/8
1/2
1/4
1/2
1/4
1
Jika P (X = x, Y = y) = P (X = x).P (Y = y) untuk setiap nilai

dari X dan Y maka dua variabel random tersebut dikatakan
independen
MMS-1403 p.73/204
Variabel Random
Kovariansi
Ukuran numerik untuk variansi bersama dua variabel random
Kov(X, Y ) = E [(X X )(Y Y )]
= E(XY ) X Y
Korelasi
Kovariansi dibagi dengan standar deviasi X dan standar deviasi
Y
Kor(X, Y ) =
Kov(X, Y )
X .Y
MMS-1403 p.74/204
Variabel Random
Harga harapan untuk penjumlahan dan pengurangan dua
variabel random,
E(X + Y ) = E(X) + E(Y )
E(X Y ) = E(X) E(Y )
Variansi untuk penjumlahan dan pengurangan dua variabel

random,
Var(X + Y ) = Var(X) + Var(Y ) + 2Kov(X, Y )
Var(X Y ) = Var(X) + Var(Y ) 2Kov(X, Y )
MMS-1403 p.75/204
Distribusi Variabel Random Diskret

Eksperimen Bernoulli
Eksperimen dengan hanya dua hasil yang mungkin
Contoh
melempar mata uang logam satu kali
Mengamati telur ayam, apakah anak ayam itu jantan atau
betina
Mengamati kedelai yang ditanam, tumbuh atau tidak
Reaksi obat pada tikus, positif atau negatif
MMS-1403 p.76/204

Sifat-sifat Eksperimen Bernoulli
tiap usaha (trial) menghasilkan satu dari dua hasil yang
mungkin, dinamakan sukses (S ) dan gagal (G);
peluang sukses, P (S) = p dan peluang gagal
P (G) = 1 p, atau P (G) = q ;
usaha-usaha tersebut independen
MMS-1403 p.77/204

Distribusi Bernoulli
P (X = x; p) = px (1 p)1x ,
dengan x = 0, 1 (gagal, sukses) dan p adalah peluang

mendapatkan hasil sukses.
MMS-1403 p.78/204

Distribusi Binomial
Eksperimen Bernoulli dengan n usaha dan X : banyaknya
sukses dalam n usaha tersebut.

n x
P (X = x; n, p) =
p (1 p)nx ,
x
x = 0, 1, 2, . . . , n
Mean dan variansi

E(X) = np; Var(X) = np(1 p)
MMS-1403 p.79/204
Distribusi Variabel Random Diskret dan Kontinu
0.00
0.05
0.10
0.15
0.20
0.25
0.30
Binomial dengan n = 6, p = 0, 5
MMS-1403 p.80/204
0.0
0.1
0.2
0.3
MMS-1403 p.81/204
0.0
0.1
0.2
0.3
MMS-1403 p.82/204

Contoh (Distribusi Binomial)
Suatu uang logam yang baik (seimbang) dilempar 4 kali. X adalah
banyaknya muka muncul dalam 4 kali pelemparan tersebut.
Pelemparan dipandang sebagai usaha, dan sukses adalah muka
muncul. X merupakan variabel random binomial dengan n = 4 dan
p = 1/2 dengan distribusi peluang:
x
1
1
4
1
(1 )4x ,
P (X = x; 4, ) =
2
x
2
2
x = 0, 1, 2, 3, 4
MMS-1403 p.83/204

x
1
1
4
1
(1 )4x ,
P (X = x; 4, ) =
2
x
2
2
x = 0, 1, 2, 3, 4
Peluang muka muncul dua kali, X = 2

1
P (X = 2; 4, )
2
2
4
1
1 42
=
(1 )
2
2
2
3
=
8
MMS-1403 p.83/204

x
1
1
4
1
(1 )4x ,
P (X = x; 4, ) =
2
x
2
2
x = 0, 1, 2, 3, 4
Peluang muka muncul paling tidak dua kali, X 2

1
P (X 2; 4, ) = P (X = 2) + P (X = 3) + P (X = 4)
2
11
=
16
MMS-1403 p.83/204

Distribusi Hipergeometrik
Eksperimen hipergeometrik:
Dalam populasi berukuran N sebanyak k dinamakan
sukses sedangkan sisanya N k dinamakan gagal
sampel berukuran n diambil dari N benda
Cara pengambilan sampel tanpa pengembalian
MMS-1403 p.84/204

Distribusi Hipergeometrik
Distribusi peluang:
P (X = x; N, n, k) =
kN k
x
Nnx
,
x = 0, 1, 2, . . . , min(n, k)
Mean dan Variansi

n
Var(X) = n nk NNk N
E(X) = n Nk ;
N 1
MMS-1403 p.85/204

Contoh (Distribusi Hipergeometrik)
Suatu kotak berisi 40 suku cadang dengan 3 rusak. Sampel berukuran
5 diambil sekaligus dari kotak. Pengambilan sampel ini adalah suatu
eksperimen hipergeometrik dengan X adalah banyaknya suku cadang
rusak, N = 40, n = 5 dan k = 3 dengan distribusi peluang:
P (X = x; 40, 5, 3) =
37
x 5x
40
5
x = 0, 1, 2, 3
MMS-1403 p.86/204

P (X = x; 40, 5, 3) =
37
x 5x
40
5
x = 0, 1, 2, 3
Peluang ditemukan satu suku cadang rusak dalam pengambilan

sampel tersebut
P (X = 1; 40, 5, 3) =
337
1
404
= 0, 3011
MMS-1403 p.86/204

P (X = x; 40, 5, 3) =
37
x 5x
40
5
x = 0, 1, 2, 3
Peluang ditemukan paling tidak satu suku cadang rusak dalam

pengambilan sampel tersebut
P (X 1; 40, 5, 3) = P (X = 1) + P (X = 2) + P (X = 3)
=
0, 301 + 0, 0354 + 0, 0010
0, 3376
MMS-1403 p.86/204

Distribusi Poisson
Sifat-sifat eksperimen Poisson:
banyaknya sukses terjadi dalam suatu selang waktu atau
daerah tertentu tidak terpengaruh (bebas) dari apa yang
terjadi pada interval waktu atau daerah yang lain,
peluang terjadinya sukses dalam interval waktu yang
singkat atau daerah yang sempit sebanding dengan
panjang interval waktu, atau luas daerah dan tidak
tergantung pada banyaknya sukses yang terjadi di luar
interval waktu atau daerah tersebut,
peluang terjadinya lebih dari satu sukses dalam interval
waktu yang singkat atau daerah yang sempit tersebut
dapat diabaikan.
MMS-1403 p.87/204

Distribusi Poisson
X adalah banyaknya sukses dalam eksperimen Poisson, yang
mempunyai distribusi probabilitas
e x
P (X = x; ) =
,
x!
x = 0, 1, 2, . . .
Mean dan Variansi

E(X) = ;
Var(X) =
MMS-1403 p.88/204
0.00
0.05
0.10
0.15
0.20
0.25
Poisson dengan = 2
10
MMS-1403 p.89/204
0.00
0.05
0.10
0.15
Poisson dengan = 5
11
13
15
MMS-1403 p.90/204
0.00
0.02
0.04
0.06
0.08
0.10
0.12
Poisson dengan = 8
10
12
14
16
18
20
MMS-1403 p.91/204

Contoh (Distribusi Poisson)
Rata-rata banyaknya partikel radioaktif yang melewati suatu
counter selama 1 milidetik dalam suatu percobaan di
laboratorium adalah 4. Peluang 6 partikel melewati counter
dalam suatu milidetik tertentu adalah
e4 4x
= 0, 1042
P (X = 6; = 4) =
6!
MMS-1403 p.92/204

Pendekatan Binomial untuk Hipergeometrik
X Hipergeometrik(N, n, k)
Bila n cukup kecil (n/N < 5%)
Hipergeometrik(N, n, k) Binomial(N, p), dengan p =
k
N
MMS-1403 p.93/204

Pendekatan Binomial untuk Hipergeometrik
0.1
0.2
0.3
0.4
0.5
0.6
Binomial(n = 3, p = 40000/10000)
0.0
0.0
0.1
0.2
0.3
0.4
0.5
0.6
Hipergeometrik(N = 10000, n = 3, k = 40000)
MMS-1403 p.94/204

Pendekatan Poisson untuk Binomial
X Binomial(n, p)
Bila n besar dan n kecil,
Binomial(n, p) Poisson(), dengan = np
MMS-1403 p.95/204

Pendekatan Poisson untuk Binomial
0.20
0.15
0.10
0.05
0.00
0.00
0.05
0.10
0.15
0.20
0.25
Poisson( = np = 4)
0.25
Binomial(N = 2000, p = 0, 002)
10
10
MMS-1403 p.96/204
Distribusi Variabel Random Kontinu

Distribusi Normal
Distribusi Normal dengan mean E(X) = dan variansi
Var(X) = 2 mempunyai fungsi peluang,
2
f (x; , ) =
1
2 2
(x)
2 2
< x <
dan < < , 2 > 0
MMS-1403 p.97/204

Distribusi Normal
Distribusi Normal dengan mean E(X) = dan variansi
Var(X) = 2 (ditulis N (, 2 )) mempunyai fungsi peluang,
2
f (x; , ) =
1
2 2
(x)
2 2
< x <
dengan < < , 2 > 0, = 3, 141593 . . . dan

e = 2, 718282 . . .
Distribusi Normal standar: distribusi Normal dengan mean 0 dan
variansi 1, ditulis N (0, 1)
MMS-1403 p.98/204

Kurva Normal
-
Sumbu x : < x <
MMS-1403 p.99/204

Kurva Normal
-
Sumbu x : < x <
Fungsi peluang (sumbu y ):
2
f (x; , ) =
1
2 2
(x)
2 2
< x <
MMS-1403 p.99/204

Kurva Normal
-
Sifat-sifat:
MMS-1403 p.99/204

Kurva Normal
-
Sifat-sifat:
simetris terhadap sumbu vertikal melalui ,
MMS-1403 p.99/204

Kurva Normal
-
Sifat-sifat:

memotong sumbu mendatar (sumbu x) secara asimtotis,
MMS-1403 p.99/204

Kurva Normal
-
Sifat-sifat:

harga modus (maksimum) terletak pada x = ,
MMS-1403 p.99/204

Kurva Normal
-
Sifat-sifat:

mempunyai titik belok pada x = ,
MMS-1403 p.99/204

Kurva Normal
-
Sifat-sifat:

mempunyai titik belok pada x = ,
luas kurva Normal sama dengan 1.
MMS-1403 p.99/204

Luasan di bawah Kurva Normal
L
b
Luasan kurva di bawah kurva normal sampai batas b:

L=
1
2 2
(x)
2 2
dx
MMS-1403 p.100/204

L
b
Dapat dihitung menggunakan tabel Normal Standar dengan

terlebih dahulu mentransformasikan skala X N (, 2 ) ke
Z N (0, 1),
X
Z=
MMS-1403 p.100/204

L
Xb
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
-3,4
-3,3
...
0,0
...
3,3
3,4
MMS-1403 p.100/204

L
x = 76
Contoh 1:
Distribusi Normal dengan mean = 60 dan deviasi standar = 12,
N (60, 122 )
Hitunglah luas kurva Normal mulai ekor paling kiri () sampai 76
MMS-1403 p.101/204

L
Z = 1, 33
Contoh 1:
transformasi dari X ke Z,
Z
X
=
76 60
=
12
= 1, 33
MMS-1403 p.101/204

L
Z = 1, 33
Contoh 1:
z
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
...
0,0
...
1,3
MMS-1403 p.101/204

L = 0, 9082
Z = 1, 33
Contoh 1:
z
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
...
0,0
...
1,3
0,9082
MMS-1403 p.101/204

L
60
76
Contoh 2:
N (60, 122 )
Hitunglah luas kurva Normal antara 60 sampai 76
MMS-1403 p.102/204

L
0
Contoh 2:
transformasi dari X = 60 ke Z,
Z
X
=
60 60
=
12
= 0
1, 33
transformasi dari X = 76 ke Z,
Z
=
=
=
76 60
12
1, 33
MMS-1403 p.102/204

L2 = 0, 9082
1, 33
Contoh 2:
L = L2 L1
=
0, 9082 L1
MMS-1403 p.102/204

L1 = 0, 5
1, 33
Contoh 2:
L = L2 L1
= 0, 9082 0, 5
MMS-1403 p.102/204

L
0
1, 33
Contoh 2:
L = L2 L1
= 0, 9082 0, 5
= 0, 4082
MMS-1403 p.102/204

68
84
Contoh 3:
N (60, 122 ). Hitunglah luas kurva Normal antara 68 sampai 84.
MMS-1403 p.103/204

68
84
Contoh 3:
L = P (68 X 84)
MMS-1403 p.103/204

0, 67
2, 00
Contoh 3:
L = P (68 X 84)
= P (0, 67 Z 2, 00)
MMS-1403 p.103/204

L1
0, 67
2, 00
Contoh 3:
L = P (68 X 84)
= P (0, 67 Z 2, 00)
= P ( < Z 2, 00) P ( < Z 0, 67)
MMS-1403 p.103/204

L1
0, 67
2, 00
Contoh 3:
L = P (68 X 84)
= P (0, 67 Z 2, 00)
= 0, 9772 P ( < Z 0, 67)
MMS-1403 p.103/204

L2
0, 67
2, 00
Contoh 3:
L = P (68 X 84)
= P (0, 67 Z 2, 00)
= 0, 9772 P ( < Z 0, 67)
MMS-1403 p.103/204

L2
0, 67
2, 00
Contoh 3:
L = P (68 X 84)
= P (0, 67 Z 2, 00)
= 0, 9772 0, 7486
MMS-1403 p.103/204

0, 67
2, 00
Contoh 3:
L = P (68 X 84)
= P (0, 67 Z 2, 00)
= 0, 2286
MMS-1403 p.103/204

1, 5
Contoh 4:
Diketahui N (0, 1), hitunglah P (Z 1, 5).
MMS-1403 p.104/204

1, 5
Contoh 4:
P (Z 1, 5) = 1 P ( Z 1, 5)
MMS-1403 p.104/204

1, 5
Contoh 4:
P (Z 1, 5) = 1 P ( Z 1, 5)
MMS-1403 p.104/204

1, 5
Contoh 4:
P (Z 1, 5) = 1 P ( Z 1, 5)
= 1 0, 9332
= 0, 0668
MMS-1403 p.104/204

X N (, 2 )
Z N (0, 1)
MMS-1403 p.105/204

X N (, 2 )
Z N (0, 1)
MMS-1403 p.105/204

X N (, 2 )
Z N (0, 1)
MMS-1403 p.105/204

X N (, 2 )
+ + 2
Z N (0, 1)
MMS-1403 p.105/204

3 2
+ + 2 + 3
X N (, 2 )
Z N (0, 1)
MMS-1403 p.105/204

68%
3 2
+ + 2 + 3
X N (, 2 )
Z N (0, 1)
MMS-1403 p.105/204

95%
3 2
+ + 2 + 3
X N (, 2 )
Z N (0, 1)
MMS-1403 p.105/204

99%
3 2
+ + 2 + 3
X N (, 2 )
Z N (0, 1)
MMS-1403 p.105/204

Contoh 5 (Distribusi Normal)
Nilai-nilai ujian seleksi penerimaan mahasiswa baru secara
nasional dianggap berdistribusi Normal dengan mean 45 dan
deviasi standar 13. Jika hanya 32,5% calon mahasiswa yang
akan diterima, berapakah nilai terendah calon mahasiswa yang
diterima?
MMS-1403 p.106/204

diterima?
0,325
MMS-1403 p.106/204

diterima?
0,325
X =?
X N (45, 132 )
MMS-1403 p.106/204

diterima?
0,325
X =?
X N (45, 132 )
Z N (0, 1)
MMS-1403 p.106/204

diterima?
0,325
X =?
Z = 0, 45
X N (45, 132 )
Z N (0, 1)
MMS-1403 p.106/204

diterima?
0,325
X = 13 0, 45 + 45
Z = 0, 45
X N (45, 132 )
Z N (0, 1)
MMS-1403 p.106/204

diterima?
0,325
50, 85
Z = 0, 45
X N (45, 132 )
Z N (0, 1)
MMS-1403 p.106/204
Pendekatan Normal untuk Binomial

Teorema
Bila X adalah variabel random binomial dengan mean = np
dan variansi 2 = npq , maka untuk n besar
X np
Z=
npq
merupakan variabel random normal standar.
MMS-1403 p.107/204
0.00
0.05
0.10
0.15
0.20
0.25
Binomial(n = 10, p = 0, 5) Normal
10
MMS-1403 p.108/204
0.00
0.05
0.10
0.15
0.20
0.25
10
MMS-1403 p.109/204
0.00
0.02
0.04
0.06
0.08
30
40
50
60
70
MMS-1403 p.110/204
0.00
0.02
0.04
0.06
0.08
30
40
50
60
70
MMS-1403 p.111/204

Populasi: himpunan keseluruhan obyek yang diamati.
Sampel: himpunan bagian dari populasi.
Sampel Random: sampel yang diperoleh dengan cara
pengambilan sampel sedemikian sehingga setiap elemen
populasi mempunyai kemungkinan yang sama untuk
terambil.
Unit: Anggota (elemen) populasi
Kerangka sampel: Daftar anggota populasi (unit)
Variabel: Karakteristik dari unit yang ingin diamati
Parameter: suatu harga (numerik) yang dihitung dari populasi,
memberi deskripsi/karakteristik pada populasi.
Statistik: suatu harga (numerik) yang dihitung dari sampel.
Distribusi sampling statistik: distribusi peluang suatu statistik.
MMS-1403 p.112/204

Populasi
X1 , X2 , . . . , XN
MMS-1403 p.113/204

Populasi
X1 , X2 , . . . , XN
Sampel 1
X1 , X2 , . . . , Xn
1
X
S2
1
MMS-1403 p.113/204

Populasi
X1 , X2 , . . . , XN
Sampel 1
Sampel 2
X1 , X2 , . . . , Xn
1
X
S2
X1 , X2 , . . . , Xn
2
X
S2
MMS-1403 p.113/204

Populasi
X1 , X2 , . . . , XN
Sampel 1
Sampel 2
X1 , X2 , . . . , Xn
1
X
S2
X1 , X2 , . . . , Xn
2
X
S2
.......
MMS-1403 p.113/204

Populasi
X1 , X2 , . . . , XN
Sampel 1
Sampel 2
X1 , X2 , . . . , Xn
1
X
S2
X1 , X2 , . . . , Xn
2
X
S2
Sampel M
.......
X1 , X2 , . . . , Xn
M
X
S2
M
MMS-1403 p.113/204

Contoh:
Populasi
{2, 4, 3}, N = 3
Sampling dengan pengembalian

MMS-1403 p.114/204

Contoh:
Populasi
{2, 4, 3}, N = 3
Distribusi peluang
x
P (X = x)
1/3
1/3
1/3
E(X) = (2 + 3 + 4) 13 = 3
Var(X) = (22 + 32 + 42 ) 13 32 =2/3

MMS-1403 p.114/204

Contoh:
Populasi
{2, 4, 3}, N = 3
= 3, 2 = 2/3
Sampel 1
{2, 2}, n = 2
1 = 2
X

MMS-1403 p.114/204

Contoh:
Populasi
{2, 4, 3}, N = 3
= 3, 2 = 2/3
Sampel 1
{2, 2}, n = 2
1 = 2
X
Sampel 2
{2, 3}, n = 2
2 = 2, 5
X

MMS-1403 p.114/204

Contoh:
Populasi
{2, 4, 3}, N = 3
= 3, 2 = 2/3
Sampel 1
{2, 2}, n = 2
1 = 2
X
Sampel 2
{2, 3}, n = 2
2 = 2, 5
X
Sampel 3
{2, 4}, n = 2
3 = 3
X

MMS-1403 p.114/204

Contoh:
Populasi
{2, 4, 3}, N = 3
= 3, 2 = 2/3
Sampel 1
{2, 2}, n = 2
1 = 2
X
Sampel 2
{2, 3}, n = 2
2 = 2, 5
X
Sampel 3
{2, 4}, n = 2
3 = 3
X
Sampel 4
{3, 2}, n = 2
4 = 2, 5
X

MMS-1403 p.114/204

Contoh:
Populasi
{2, 4, 3}, N = 3
= 3, 2 = 2/3
Sampel 1
{2, 2}, n = 2
1 = 2
X
Sampel 2
{2, 3}, n = 2
2 = 2, 5
X
Sampel 3
{2, 4}, n = 2
3 = 3
X
Sampel 4
{3, 2}, n = 2
4 = 2, 5
X
Sampel 5
{3, 3}, n = 2
5 = 3
X

MMS-1403 p.114/204

Contoh:
Populasi
{2, 4, 3}, N = 3
= 3, 2 = 2/3
Sampel 1
{2, 2}, n = 2
1 = 2
X
Sampel 2
{2, 3}, n = 2
2 = 2, 5
X
Sampel 3
{2, 4}, n = 2
3 = 3
X
Sampel 4
{3, 2}, n = 2
4 = 2, 5
X
Sampel 5
{3, 3}, n = 2
5 = 3
X
Sampel 6
{3, 4}, n = 2
6 = 3, 5
X

MMS-1403 p.114/204

Contoh:
Populasi
{2, 4, 3}, N = 3
= 3, 2 = 2/3
Sampel 1
{2, 2}, n = 2
1 = 2
X
Sampel 2
{2, 3}, n = 2
2 = 2, 5
X
Sampel 6
{3, 4}, n = 2
6 = 3, 5
X
Sampel 3
{2, 4}, n = 2
3 = 3
X
Sampel 4
{3, 2}, n = 2
4 = 2, 5
X
Sampel 5
{3, 3}, n = 2
5 = 3
X
Sampel 7
{4, 2}, n = 2
7 = 3
X

MMS-1403 p.114/204

Contoh:
Populasi
{2, 4, 3}, N = 3
= 3, 2 = 2/3
Sampel 1
{2, 2}, n = 2
1 = 2
X
Sampel 2
{2, 3}, n = 2
2 = 2, 5
X
Sampel 6
{3, 4}, n = 2
6 = 3, 5
X
Sampel 3
{2, 4}, n = 2
3 = 3
X
Sampel 7
{4, 2}, n = 2
7 = 3
X
Sampel 4
{3, 2}, n = 2
4 = 2, 5
X
Sampel 5
{3, 3}, n = 2
5 = 3
X
Sampel 8
{4, 3}, n = 2
8 = 3, 5
X

MMS-1403 p.114/204

Contoh:
Populasi
{2, 4, 3}, N = 3
= 3, 2 = 2/3
Sampel 1
{2, 2}, n = 2
1 = 2
X
Sampel 2
{2, 3}, n = 2
2 = 2, 5
X
Sampel 6
{3, 4}, n = 2
6 = 3, 5
X
Sampel 3
{2, 4}, n = 2
3 = 3
X
Sampel 7
{4, 2}, n = 2
7 = 3
X
Sampel 4
{3, 2}, n = 2
4 = 2, 5
X
Sampel 8
{4, 3}, n = 2
8 = 3, 5
X
Sampel 5
{3, 3}, n = 2
5 = 3
X
Sampel 9
{4, 4}, n = 2
9 = 4
X

MMS-1403 p.114/204

Contoh:
Populasi
{2, 4, 3}, N = 3
= 3, 2 = 2/3
Sampel 1
{2, 2}, n = 2
1 = 2
X
Sampel 2
{2, 3}, n = 2
2 = 2, 5
X
Sampel 6
{3, 4}, n = 2
6 = 3, 5
X
Sampel 3
{2, 4}, n = 2
3 = 3
X
Sampel 7
{4, 2}, n = 2
7 = 3
X
Sampel 4
{3, 2}, n = 2
4 = 2, 5
X
Sampel 8
{4, 3}, n = 2
8 = 3, 5
X
Sampel 5
{3, 3}, n = 2
5 = 3
X
Sampel 9
{4, 4}, n = 2
9 = 4
X
Sampling dengan pengembalian M = N n = 32 = 9

MMS-1403 p.114/204

Contoh:
Populasi
{2, 4, 3}, N = 3
= 3, 2 = 2/3
2,0
2,5
3,0
3,5
4,0
=x
P (X
)
1/9
2/9
3/9
2/9
1/9

MMS-1403 p.115/204

Contoh:
Populasi
{2, 4, 3}, N = 3
= 3, 2 = 2/3
2,0
2,5
3,0
3,5
4,0
=x
P (X
)
1/9
2/9
3/9
2/9
1/9
= 2( 1 ) + 2, 5( 2 ) + 3( 3 ) + 3, 5( 2 ) + 4( 1 ) = 3
X
= E(X)
9
9
9
9
9
2 = Var(X)
= 22 ( 1 ) + 2, 52 ( 2 ) + 32 ( 3 ) + 3, 52 ( 2 ) + 42 ( 1 ) 32 = 1/3
X
9
9
9
9
9

MMS-1403 p.115/204

Untuk sampel berukuran n dari populasi berukuran N dengan
:
mean dan variansi 2 , mean dan variansi dari statistik X
=
X = E(X)
2
X
=
= Var(X)
n
MMS-1403 p.116/204

Contoh:
Populasi
{2, 4, 3}, N = 3
= 3, 2 = 2/3
Sampling tanpa pengembalian

MMS-1403 p.117/204

Contoh:
Populasi
{2, 4, 3}, N = 3
= 3, 2 = 2/3
Sampel 1
{2, 3}, n = 2
2 = 2, 5
X

MMS-1403 p.117/204

Contoh:
Populasi
{2, 4, 3}, N = 3
= 3, 2 = 2/3
Sampel 1
{2, 3}, n = 2
2 = 2, 5
X
Sampel 2
{2, 4}, n = 2
2 = 3
X

MMS-1403 p.117/204

Contoh:
Populasi
{2, 4, 3}, N = 3
= 3, 2 = 2/3
Sampel 1
{2, 3}, n = 2
2 = 2, 5
X
Sampel 2
{2, 4}, n = 2
2 = 3
X
Sampel 3
{3, 4}, n = 2
3 = 3, 5
X

MMS-1403 p.117/204

Contoh:
Populasi
{2, 4, 3}, N = 3
= 3, 2 = 2/3
Sampel 1
{2, 3}, n = 2
2 = 2, 5
X
Sampel 2
{2, 4}, n = 2
2 = 3
X
Sampling tanpa pengembalian M =
Sampel 3
{3, 4}, n = 2
3 = 3, 5
X
N
n
3
2
=3
MMS-1403 p.117/204

Contoh:
Populasi
{2, 4, 3}, N = 3
= 3, 2 = 2/3
2,5
3,0
3,5
=x
P (X
)
1/3
1/3
1/3

MMS-1403 p.118/204

Contoh:
Populasi
{2, 4, 3}, N = 3
= 3, 2 = 2/3
2,5
3,0
3,5
=x
P (X
)
1/3
1/3
1/3
=) + 2, 5( 1 ) + 3( 1 ) + 3, 5( 1 ) = 3
X
= E(X)
3
3
3
=) + 2, 52 ( 1 ) + 32 ( 1 ) + 3, 52 ( 1 ) 32 = 1/6
X
= Var(X)
3
3
3

MMS-1403 p.118/204

Untuk sampel berukuran n dari populasi berukuran N dengan
:
mean dan variansi 2 , mean dan variansi dari statistik X
=
X = E(X)
2
X
2N n
=
= Var(X)
n N 1
MMS-1403 p.119/204

Sifat-sifat Distribusi Sampling untuk Mean
Sifat 1: Apabila sampel-sampel random dengan n elemen
masing-masing diambil dari suatu populasi yang
mempunyai mean dan variansi 2 , maka distribusi
sampling mean akan mempunyai mean X = dan
2 = 2 /n.
variansi X
Sifat 2: Apabila populasi (dalam sifat 1) berdistribusi Normal,

maka distribusi sampling untuk mean juga berdistribusi
Normal.
MMS-1403 p.120/204

Sifat-sifat Distribusi Sampling untuk Mean
Sifat 3 (Teorema Limit Pusat): Apabila sampel-sampel random
diambil dari suatu populasi yang berdistribusi sembarang,
yang mempunyai mean dan variansi 2 , maka untuk n
besar, distribusi sampling untuk mean dapat dianggap
mendekati Normal dengan X = dan variansi
2 = 2 /n, sehingga
X
Z=
/ n
mendekati Normal Standar.
MMS-1403 p.121/204

Contoh 1:
Seorang peneliti di bidang pertanian akan meneliti hasil dari suatu
varietas padi di Indonesia. Akan diteliti 5 tanah pertanian tersebar di
seluruh Indonesia yang dapat ditanami padi tersebut.
MMS-1403 p.122/204

Contoh 1:
Populasi untuk masalah ini adalah hasil padi jenis tersebut yang
diperoleh dari seluruh tanah pertanian di Indonesia.
MMS-1403 p.122/204

Contoh 1:
Sampel untuk masalah ini adalah hasil padi yang diperoleh dari 5
tanah pertanian yang terpilih. Sampel ini akan merupakan sampel
random jika, setiap tanah pertanian di Indonesia mempunyai peluang
yang sama untuk terpilih ; dan pemilihan satu tanah pertanian tidak
mempengaruhi atau dipengaruhi pemilihan tanah yang lain.
MMS-1403 p.122/204

Contoh 1:
Sampel untuk masalah ini adalah hasil padi yang diperoleh dari 5
tanah pertanian yang terpilih. Sampel ini akan merupakan sampel
random jika, setiap tanah pertanian di Indonesia mempunyai peluang
yang sama untuk terpilih ; dan pemilihan satu tanah pertanian tidak
mempengaruhi atau dipengaruhi pemilihan tanah yang lain.
Hal ini dapat dilakukan dengan mendaftar terlebih dahulu semua tanah
pertanian di Indonesia dan diberi nomor identitas, kemudian dipilih 5
tanah pertanian secara random berdasarkan nomor identitas
(misalnya dengan tabel bilangan random).
MMS-1403 p.122/204

Contoh 2:
Suatu sampel random berukuran 40 diambil dari suatu populasi
dengan mean 41,4 dan variansi 84,64. Hitung peluang bahwa mean
sampel itu terletak antara 40 dan 45. Anggap ukuran populasinya
sangat besar relatif terhadap ukuran sampel.
MMS-1403 p.123/204

Contoh 2:
mempunyai
Berdasarkan Sifat 1, distribusi sampling untuk mean (X)
harga harapan): X = = 41, 4 dan variansi (Var(X)):
mean (E(X),
X = 2 /n = 84, 64/40 = 2, 116.
MMS-1403 p.123/204

Contoh 2:
mempunyai
mean (E(X),
X = 2 /n = 84, 64/40 = 2, 116.
Ukuran sampel n = 40 cukup besar untuk berlakunya Sifat 3,
MMS-1403 p.123/204

Contoh 2:
mempunyai
mean (E(X),
X = 2 /n = 84, 64/40 = 2, 116.
40
45
N (; 2 /n)
X
Z N (0, 1)
MMS-1403 p.123/204

Contoh 2:
mempunyai
mean (E(X),
X = 2 /n = 84, 64/40 = 2, 116.
40
0, 97
45
2, 48
N (41, 4; 2, 116)
X
Z N (0, 1)
MMS-1403 p.123/204

Contoh 2:
mempunyai
mean (E(X),
X = 2 /n = 84, 64/40 = 2, 116.
0, 8274
40
0, 97
45
2, 48
N (41, 4; 2, 116)
X
Z N (0, 1)
MMS-1403 p.123/204

Contoh 3:
Diketahui suatu populasi dengan mean 82 dan deviasi standar 12.
a. Jika suatu sampel random berukuran 64 diambil, berapa peluang
bahwa mean sampel akan terletak antara 80,8 dan 83,2 ?
MMS-1403 p.124/204

Contoh 3:
a. Jika suatu sampel random berukuran 64 diambil, berapa peluang
bahwa mean sampel akan terletak antara 80,8 dan 83,2 ?
Karena n = 64 cukup besar, dapat digunakan Teorema limit
akan mendekati normal dengan
pusat (sifat 3). Distribusi X
mean X = 82 dan deviasi standar X = 12/ 64 = 1, 5
83, 2) dapat dihitung melalui Z = X82

P (80, 8 X
1,5
83, 2) = P ( 80, 8 82 Z 83, 2 82 )
P (80, 8 X
1, 5
1, 5
= P (0, 8 Z 0, 8)
=
0, 5762
MMS-1403 p.125/204

Contoh 3:
b. Berapa probabilitasnya jika ukuran sampel random 100 ?
MMS-1403 p.126/204

Contoh 3:
b. Berapa probabilitasnya jika ukuran sampel random 100 ? Untuk
n = 100, X = 12/ 100 = 1, 2

80, 8 82
83, 2 82
P (80, 8 X 83, 2) = P (
Z
)
1, 2
1, 2
= P (1, 0 Z 1, 0)
=
0, 6826
MMS-1403 p.127/204
Inferensi Statistik
Permasalahan dalam peluang
MMS-1403 p.128/204
Inferensi Statistik
MMS-1403 p.128/204
Inferensi Statistik
Berapa peluang mendapatkan satu

bola hitam dalam satu pengambilan
MMS-1403 p.128/204
Inferensi Statistik
Permasalahan dalam inferensi
MMS-1403 p.129/204
Inferensi Statistik
MMS-1403 p.129/204
Inferensi Statistik
Bagaimana karakteristik populasi

berdasarkan sampel
MMS-1403 p.129/204
Inferensi Statistik
Inferensi statistik: pengambilan kesimpulan tentang parameter
populasi berdasarkan analisis pada sampel
Konsep-konsep inferensi statistik: estimasi titik, estimasi interval
dan uji hipotesis
Estimasi parameter: Menduga nilai parameter populasi
berdasarkan data/statistik.
Estimasi titik: Menduga nilai tunggal parameter populasi.
Misalnya parameter diduga dengan statistik X

Estimasi interval: Menduga nilai parameter populasi dalam
bentuk interval. Misalnya diduga dengan suatu interval
AB
MMS-1403 p.130/204
Estimasi
Contoh: estimator titik untuk mean
rata-rata
n
X
1
=
X
Xi
n
i=1
Median
rata-rata dua harga ekstrim
Xmin + Xmaks
2
MMS-1403 p.131/204
Estimasi
Contoh: Estimasi Interval
Diketahui variabel random Normal X dengan mean E(X) =
dan Var(X) = 1. Maka (X ) akan berdistribusi Normal
standar.
Z N (0, 1)
MMS-1403 p.132/204
Estimasi
standar.
68%
X 0, 99
X + 0, 99
Z N (0, 1)
Interval Konfidensi (estimasi interval) 68%
MMS-1403 p.132/204
Estimasi
standar.
95%
X 1, 96
X + 1, 96
Z N (0, 1)
MMS-1403 p.132/204
Estimasi
standar.
99%
X 2, 58
X + 2, 58
Z N (0, 1)
MMS-1403 p.132/204
Estimasi
Ingin diketahui lama waktu (dalam jam) yang digunakan dalam
seminggu oleh mahasiswa UGM untuk melakukan kegiatan
yang berkaitan dengan internet (surfing, chatting, menulis
e-mail, dst.)
MMS-1403 p.133/204
Estimasi
Ingin diketahui lama waktu (dalam jam) yang digunakan dalam
seminggu oleh mahasiswa UGM untuk melakukan kegiatan
yang berkaitan dengan internet (surfing, chatting, menulis
e-mail, dst.)
Parameter apa yang sebaiknya digunakan?
Variabel apa yang seharusnya dikumpulkan datanya?
MMS-1403 p.133/204
Uji Hipotesis
Uji hipotesis: suatu proses untuk menentukan apakah dugaan
tentang nilai parameter/karakteristik populasi didukung
kuat oleh data sampel atau tidak
Hipotesis penelitian: hipotesis tentang pernyataan dari hasil
penelitian yang akan dilakukan
Hipotesis Statistik: suatu pernyataan tentang parameter
populasi
MMS-1403 p.134/204
Uji Hipotesis
Hipotesis nol (H0 ). Hipotesis yang akan diuji oleh suatu
prosedur statistik, biasanya berupa suatu pernyataan tidak
adanya perbedaan atau tidak adanya hubungan.
Pernyataan nol dapat diartikan bahwa pernyataan tetang
parameter tidak didukung secara kuat oleh data.
Hipotesis alternatif (H1 ). Hipotesis yang merupakan lawan dari
H0 , biasanya berupa pernyataan tentang adanya
perbedaan atau adanya hubungan. H1 digunakan untuk
menunjukkan bahwa pernyataan mendapat dukungan kuat
dari data.
Logika Uji Hipotesis. Tidak dapat dibuktikan bahwa suatu
hipotesis itu benar, tapi dapat dibuktikan bahwa suatu
hipotesis itu salah.
MMS-1403 p.135/204
Uji Hipotesis
Tipe Kesalahan dalam Uji Hipotesis
Keputusan Uji
H0 tidak ditolak
H0 ditolak
Kenyataan
H0 benar
H0 salah
benar
salah (Tipe II)
salah (Tipe I) benar
MMS-1403 p.136/204
Uji Hipotesis
Keputusan Uji
H0 tidak ditolak
H0 ditolak
Kenyataan
H0 benar
H0 salah
benar
salah (Tipe II)
Peluang melakukan kesalahan tipe I

P (menolak H0 yang benar) =
MMS-1403 p.136/204
Uji Hipotesis
Keputusan Uji
H0 tidak ditolak
H0 ditolak
Kenyataan
H0 benar
H0 salah
benar
salah (Tipe II)
Peluang melakukan kesalahan tipe I

P (menolak H0 yang benar) =
Peluang melakukan kesalahan tipe II
P (tidak menolak H0 yang salah) =
MMS-1403 p.136/204
Uji Hipotesis
Contoh (Hipotesis statistik dan statistik penguji)
Ingin diuji secara statistik pernyataan : suatu obat baru lebih
baik dari obat yang selama ini digunakan.
Misalkan p adalah proporsi (prosentase) orang yang sembuh
setelah minum obat tersebut, dan obat dikatakan baik jika
proporsi orang yang sembuh lebih dari 60 %.
Pernyataan H0 dan H1 adalah sebagai berikut :
H0 : p 0, 6 (obat baru tidak lebih baik)
H1 : p > 0, 6 (obat baru lebih baik)
MMS-1403 p.137/204
Uji Hipotesis
Dilakukan eksperimen terhadap 20 pasien.
X : banyak pasien yang sembuh
X Binomial(n = 20, p = 0, 6)
MMS-1403 p.138/204
Uji Hipotesis
Dilakukan eksperimen terhadap 20 pasien.
X : banyak pasien yang sembuh
X Binomial(n = 20, p = 0, 6)
X besar (banyak yang sembuh) menolak H0 ,
X kecil (banyak yang tidak sembuh) mendukung H0
MMS-1403 p.139/204
Uji Hipotesis
Daerah penolakan (Daerah kritik): himpunan (daerah)
harga-harga dimana H0 ditolak
Statistik Penguji: statistik atau variabel random yang digunakan
untuk menentukan apakah H0 ditolak atau tidak ditolak.
Bila statistik penguji masuk dalam daerah penolakan maka
H0 ditolak, sebaliknya jika tidak maka H0 tidak ditolak.
MMS-1403 p.140/204
Uji Hipotesis
Contoh (lanjutan):
Daerah penolakan:
9 10 11 12 13 14 15 16 17 18 19 20
MMS-1403 p.141/204
Uji Hipotesis
Contoh (lanjutan):
Daerah penolakan: X 12
daerah
penolakan
9 10 11 12 13 14 15 16 17 18 19 20
MMS-1403 p.141/204
Uji Hipotesis
Contoh (lanjutan):
Daerah penolakan: X 15
daerah
penolakan
9 10 11 12 13 14 15 16 17 18 19 20
MMS-1403 p.141/204
Uji Hipotesis
P (Tipe I) = untuk beberapa nilai p dengan menganggap H0
benar (p 0, 6) dan daerah penolakan X 12
P (Tipe I) =
P (X 12)
0,2
0,00
p di bawah H0
0,3
0,4
0,6
0,005 0,057 0,596
MMS-1403 p.142/204
Uji Hipotesis
Harga peluang untuk p = 0, 6 untuk beberapa kriteria penolakan
Peluang
X 12
0,596
X 14
0,25
X 16
0,051
X 18
0,004
p-value: nilai yang terkecil.
MMS-1403 p.143/204
Uji Hipotesis
Tahap-tahap Uji Hipotesis Secara umum
1. Tentukan model probabilitas yang cocok dari data
2. Tentukan Hipotesis H0 dan H1
3. Tentukan Statistik Penguji, yang harus merupakan fungsi
dari data dan tidak memuat parameter yang tidak diketahui
4. Tentukan tingkat signifikansi
5. Tentukan daerah kritik berdasarkan tingkat signifikansi
6. Hitung Statistik Penguji, apakah masuk daerah kritik atau
tidak
7. Alternatif: Hitung p-value berdasarkan statistik penguji
8. Ambil kesimpulan berdasarkan 6 atau 7
MMS-1403 p.144/204
Inferensi Statistik
Populasi sembarang
p
Satu Populasi
Populasi Normal
2
21 , 22
Populasi sembarang
p21 , p22
Dua Populasi
21 , 22
Populasi Normal
12 , 22
k > 2 Populasi
MMS-1403 p.145/204
Inferensi Statistik Satu Populasi Sembarang

Estimasi interval mean () suatu populasi
Teorema Limit Pusat
Apabila sampel-sampel random diambil dari suatu populasi yang
berdistribusi sembarang, yang mempunyai mean dan variansi 2 ,
maka untuk n besar, distribusi sampling untuk mean dapat dianggap
2
2
mendekati Normal dengan X = dan variansi X
= /n, sehingga

X
Z=
/ n
mendekati Normal Standar.
MMS-1403 p.146/204

N (, 2 /n)
X
MMS-1403 p.147/204

N (, 2 /n)
X
MMS-1403 p.147/204

N (, 2 /n)
X
Z N (0, 1)
MMS-1403 p.147/204

/2
/2
N (, 2 /n)
X
Z/2
Z/2
Z N (0, 1)
P (Z/2 Z Z/2 ) 1
MMS-1403 p.147/204

/2
/2
N (, 2 /n)
X
Z/2
Z/2
Z N (0, 1)
P (Z/2 Z Z/2 ) 1

X
Z/2 ) 1
P (Z/2
/ n
MMS-1403 p.147/204

/2
/2
N (, 2 /n)
X
Z/2
Z/2
Z N (0, 1)
P (Z/2 Z Z/2 ) 1

X
Z/2 ) 1
P (Z/2
/ n
X + Z/2
) 1
P (X Z/2
n
n
MMS-1403 p.147/204

/2
/2
N (, 2 /n)
X
Z/2
Z/2
Z N (0, 1)
Interval Konfidensi (1 )100% untuk mean

BA
Z/2
B=X
n
+ Z/2
A=X
n
MMS-1403 p.148/204

Contoh:
Suatu sampel random dengan 150 keluarga di suatu kota
menunjukkan penghasilan bulanan rata-rata Rp 325 000,00
dengan deviasi standar Rp 25 000,00. Hitung interval konfidensi
95% untuk rata-rata penghasilan bulanan seluruh keluarga di
kota tersebut.
MMS-1403 p.149/204

Contoh:
Suatu sampel random dengan 150 keluarga di suatu kota
menunjukkan penghasilan bulanan rata-rata Rp 325 000,00
dengan deviasi standar Rp 25 000,00. Hitung interval konfidensi
95% untuk rata-rata penghasilan bulanan seluruh keluarga di
kota tersebut.
Jawab:
X : penghasilan bulanan di kota tersebut
= 325.000; s = 25.000; n = 150.
X
Interval konfidensi 95% untuk rata-rata penghasilan bulanan ():
Z/2 = 325.000 1,96 25 = 324.996
B=X
n
150
+ Z/2 = 325.000 + 1,96 25 = 325.004
A=X
n
150
Interval konfidensi 95%: 324.996 325.004

dapat diganti s
MMS-1403 p.150/204

Uji Hipotesis Mean () Populasi
1. Hipotesis
A. H0 : = 0 vs. H1 : 6= 0
B. H0 : 0 vs. H1 : > 0
C. H0 : 0 vs. H1 : < 0
2. Tingkat signifikansi
3. Statistik Penguji
0
X
Z=
/ n
atau
0
X
Z=
s/ n
jika tidak diketahui diganti s. Distribusi dari Z adalah

Normal Standar.
MMS-1403 p.151/204

Uji Hipotesis Mean () Populasi
4. Daerah penolakan (berdasarkan dan Hipotesis)
A. H0 ditolak apabila Z > Z/2 atau
Z < Z/2
B. H0 ditolak apabila Z > Z
C. H0 ditolak apabila Z < Z
MMS-1403 p.152/204

Contoh:
Ujian standar intelegensia telah diadakan beberapa tahun
dengan nilai rata-rata 70 dengan deviasi standar 8. Sekelompok
mahasiswa terdiri dari 100 orang mahasiswa, diberi pelajaran
dengan mengutamakan bidang Matematika. Apabila dari 100
mahasiswa ini diperoleh hasil ujian dengan nilai rata-rata 75,
apakah cukup alasan untuk mempercayai bahwa pengutamaan
bidang Matematika menaikkan hasil ujian standar?
MMS-1403 p.153/204

Contoh (Ujian standar intelegensia)
= 75, 0 = 70, = 8,
Diketahui X : ujian standar intelegensia, X
n = 100, : mean nilai ujian standar intelegensia:
1. Hipotesis
H0 : 70
H1 : > 70
2. Tingkat signifikansi = 0,05
0
X
75 70
=
Z=
= 6,25
/ n
8/ 100
4. Daerah kritik: H0 ditolak apabila Z > 1,64
5. Kesimpulan: karena Z = 6,25 > 1,64 maka H0 ditolak, cukup
alasan untuk mempercayai bahwa pengutamaan bidang
Matematika menaikkan hasil ujian standar (data mendukung
ditolaknya H0 )
MMS-1403 p.154/204

Estimasi interval proporsi (p) suatu populasi
Jika X Binomial(n, p), maka variabel random
mean p dan variansi
x
n
mempunyai
p(1p)
n
Untuk n besar
Z=
x
qn
x
x
(1 n
)
n
mendekati Normal Standar (Teorema Limit Pusat)
MMS-1403 p.155/204

Estimasi interval proporsi (p) suatu populasi
Interval Konfidensi (1 )100% untuk p
BpA
q
p)
B = p Z/2 p(1
q n
p)
A = p + Z/2 p(1
n
dengan p =
x
n
MMS-1403 p.156/204

Contoh:
Jika 610 dari 900 sampel random petani di suatu daerah adalah
buruh tani, hitunglah interval konfidensi 90% untuk proporsi
buruh tani di daerah itu.
MMS-1403 p.157/204

Contoh:
Untuk mengetahui apakah pasangan calon walikota dalam
pilkada pada suatu daerah akan memenangkan pemilihan,
dilakukan quick count oleh lembaga independen pengamat
pilkada. Ada dua pasangan calon pada pilkada ini, yaitu
pasangan calon A-B yang juga merupakan walikota periode ini
dan pasangan calon C-D. Pasangan calon A-B mendapatkan
suara 65% pada pemilihan yang lalu. Kandidat dinyatakan
menang jika pemilihnya lebih dari 50%. Dari sampel 1200
pemilih dari beberapa TPS, pasangan calon A-B diketahui
mendapatkan suara 738.
1. Apakah calon A-B memenangkan pemilihan berdasarkan
quick count ini?
2. Diduga dukungan masyarakat terhadap calon A-B tidak
sekuat sebelumnya, betulkah pendapat ini?
MMS-1403 p.158/204

Uji Hipotesis proporsi (p) Populasi
1. Hipotesis
A. H0 : p = p0 vs. H1 : p 6= p0
B. H0 : p p0 vs. H1 : p > p0
C. H0 : p p0 vs. H1 : p < p0
2. Tingkat signifikansi
p p0
Z=q
p0 (1p0 )
n
Distribusi dari Z adalah Normal Standar.
MMS-1403 p.159/204

Uji Hipotesis proporsi (p) Populasi
4. Daerah penolakan (berdasarkan dan Hipotesis)
A. H0 ditolak apabila Z > Z/2 atau
Z < Z/2
B. H0 ditolak apabila Z > Z
C. H0 ditolak apabila Z < Z
MMS-1403 p.160/204

Hubungan antara Interval Konfidensi dan Uji Hipotesis
X Z/2 X + Z/2
n
n
Daerah penolakan dengan tingkat signifikansi untuk

uji hipotesis H0 : = 0 vs. H1 : 6= 0
Z > Z/2 atau Z < Z/2
Daerah penerimaan
Z/2 Z Z/2
MMS-1403 p.161/204

X Z/2 X + Z/2
n
n

Daerah penerimaan
X
Z/2 /n0 Z/2
MMS-1403 p.162/204

X Z/2 X + Z/2
n
n

Daerah penerimaan
Z/2 0 X
+ Z/2
X
n
n
MMS-1403 p.163/204
Interval konfidensi
persentase int. konf. memuat parameter: 92.98
72
74
76
78
MMS-1403 p.164/204

Ringkasan
Parameter
mean
Statistik
0
X
Z=
/ n
Z N (0, 1)
p
proporsi
Z= q
p p0
p0 (1p0 )
n
Z N (0, 1)
Interval Konfidensi
(1-)100%
Hipotesis
alternatif
Daerah Kritik
BA
Z/2
B=X
n
A = X + Z/2
H1 : 6= 0
Z
Z
Z
Z
> Z/2 atau

< Z/2
> Z
< Z
Z
Z
Z
Z
> Z/2 atau

< Z/2
> Z
< Z
BpA
p(1
p)
q n
p(1
p)
Z/2
n
B = p Z/2
A = p +
H1 : > 0
H1 : < 0
H1 : p 6= p0
H1 : p > p0
H1 : p < p0
MMS-1403 p.165/204
Inferensi Statistik Satu Populasi Normal

Data dianggap berdistribusi Normal
Ukuran sampel tidak harus besar
Jenis parameter:
mean
variansi 2
Distribusi Sampling
Normal
t
Chi-kuadrat (Chi-square)
MMS-1403 p.166/204

Normal Standar
Jika X1 , . . . , Xn adalah sampel random berasal dari populasi
Normal dengan mean dan variansi 2 maka variabel random

X
Z=
/ n
berdistribusi Normal Standar N (0, 1)
MMS-1403 p.167/204

Distribusi t
Jika X1 , . . . , Xn adalah sampel random berasal dari populasi

X
t=
s/ n
berdistribusi t dengan derajad bebas n 1.

Untuk n yang semakin besar, distribusi t akan mendekati
distribusi Normal.
MMS-1403 p.168/204

Distribusi Chi-kuadrat 2k
Diketahui X1 , . . . , Xk adalah variabel random yang berdistribusi
Normal yang independen satu dengan yang lain. Distribusi
variabel random
2 = X12 + . . . + Xk2
berdistribusi Chi-kuadrat berderajad bebas k dengan mean
E(2 ) = k dan variansi Var(2 ) = 2k
MMS-1403 p.169/204

Distribusi Chi-kuadrat n 1
Diketahui X1 , . . . , Xn adalah variabel random yang berdistribusi
2
(n
1)s
2 =
2
berdistribusi Chi-kuadrat dengan derajad bebas n 1
MMS-1403 p.170/204

Distribusi Normal Standar
Apabila sampel random berukuran n diambil dari suatu populasi
yang berdistribusi Normal dengan mean dan variansi 2 ,
maka variabel random
s2 2
Z= q
2
2 n1
berdistribusi N (0, 1) untuk n besar.
MMS-1403 p.171/204

Parameter
mean
Statistik
Bila 2 diketahui
0
X
Z=
/ n
Interval Konfidensi
(1-)100%
Hipotesis
alternatif
Daerah Kritik
BA
Z/2
B=X
n
+ Z/2
A=X
H1 : 6= 0
Z
Z
Z
Z
H1 : > 0
H1 : < 0
> Z/2 atau

< Z/2
> Z
< Z
Z N (0, 1)
Bila 2 tidak diketahui
0
X
t=
s/ n
BA
H1 : 6= 0
t(n1,/2) s
B=X
n
s
A = X + t(n1,/2) n H1 : > 0
H1 : < 0
t > t(n1,/2) atau

t < t(n1,/2)
t > t(n1,)
t < t(n1,)
t distribusi t dgn.
derajad bebas n 1
MMS-1403 p.172/204

Parameter
2
variansi
Statistik
2 =
1)s2
(n
2
2 chi-square dgn.
derajad bebas
k =n1
Untuk n besar,
Z=
s2
2
2
n1
Interval Konfidensi
(1-)100%
Hipotesis
alternatif
Daerah Kritik
B 2 A
H1 : 2 6= 02
2 > 2(k,/2) atau
H1 : 2 > 02
2 > 2(k,)
B=
A=
(n1)s
2
(n1,/2)
2
(n1)s
2
(n1,1/2)
B 2 A
s2q
B=
1+Z/2
A=
s2q
1Z/2
2
n1
2
n1
2 < 2(k,1/2)
H1 : 2 < 02
2 < 2(k,1)
H1 : 2 6= 02
Z
Z
Z
Z
H1 : 2 > 02
H1 : 2 < 02
> Z/2 atau

< Z/2
> Z
< Z
Z N (0, 1)
MMS-1403 p.173/204

Contoh:
Dari sampel dengan 25 kasus, diperoleh dosis obat yang sesuai
untuk mendapatkan respon yang diinginkan dari pasien sebagai
berikut:
1,07 0,79 0,83 1,14 1,22 1,09 1,17 1,10 1,26
1,10 1,04 1,17 0,94 0,86 1,19 1,01 1,12 0,83
1,02 1,20 0,85 1,03 0,95 1,13 0,98
Dengan asumsi data berdistribusi Normal, hitung interval
konfidensi 95% untuk rata-rata dosis . Menggunakan interval
ini, ujilah (dua sisi, = 5%) bahwa rata-rata dosis adalah 1,00.
MMS-1403 p.174/204

Contoh:
Suatu mesin pembuat uang dikatakan masih baik jika mampu
memproduksi uang logam dengan standar deviasi berat kurang
dari 0,035 gram. Sampel random berukuran 20 uang logam
mempunyai deviasi standar 0,030 gram.
1. Ujilah apakah mesin tersebut masih baik dengan
mengasumsikan bahwa berat uang logam berdistribusi
Normal ( = 0, 05)
2. Statistik penguji apa yang digunakan jika n = 64?
Jelaskan!
MMS-1403 p.175/204
Inferensi Statistik Dua Populasi Sembarang

Distribusi sampling selisih dua mean
Misalkan X11 , X12 , . . . , X1n1 dan X21 , X22 , . . . , X2n2 adalah dua
sampel random independen satu sama lain yang diambil dari
populasi yang mempunyai mean 1 dan 2 serta variansi 12 dan
22 , maka untuk n1 dan n2 besar, variabel random
1 X
2 ) (1 2 )
(X
q 2
Z=
1
22
n1 + n2
berdistribusi Normal Standar, dengan
1 =
X
n1
X
X1i
i=1
n1
2 =
X
n2
X
X2i
i=1
n2
MMS-1403 p.176/204

Jika 12 dan 22 tidak diketahui, dan diasumsikan 12 6= 22
1 X
2 ) (1 2 )
(X
q 2
Z=
s1
s22
n1 + n2
berdistribusi Normal Standar dengan s21 dan s22 adalah variansi

sampel
MMS-1403 p.177/204

Jika 12 dan 22 tidak diketahui, dan diasumsikan 12 = 22
1 X
2 ) (1 2 )
(X
q
Z=
s2p ( n11 + n12 )
berdistribusi Normal Standar dengan

s2p
(n1 1)S12 + (n2 1)S22

=
n1 + n2 2
yang disebut sebagai pooled variance
MMS-1403 p.178/204

Distribusi sampling selisih dua proporsi
sampel random independen satu sama lain yang diambil dari
populasi yang berdistribusi binomial. Untuk n1 dan n2 besar,
variabel random
1
(X
n1
Z=r
X1
n1
X2
n2 )
(p1 p2 )
(1 n 1 )
1
n1
X2
n2
(1 n 2 )
2
n2
berdistribusi Normal Standar.
MMS-1403 p.179/204

Parameter
1 2
selisih dua
mean
Statistik
12 dan 22 diketahui
X
(X
1 s 2 )(1 2 )
Z=
2
1
2
+ 2
n1
n2
ZN (0,1)
Interval Konfidensi
(1-)100%
Hipotesis
alternatif
Daerah Kritik
B 1 2 A
H1 :1 2 6=0
Z>Z/2
2
2
1
2
+n
n1
2
H1 :1 2 >0
Z>Z
H1 :1 2 <0
Z<Z
H1 :1 2 6=0
Z>Z/2
H1 :1 2 >0
Z>Z
H1 :1 2 <0
Z<Z
2 )
X
B=(X
r1
Z
2
X
2 )+
A=(X
r1
Z
2
2
2
1
2
+
n1
n2
12 dan 22 tdk diketahui, B 1 2 A

2 )
X
12 6= 22
B=(X
r1
X
(X
1 s 2 )(1 2 )
Z=
2
s2
1 + s2
n1
n2
ZN (0,1)
Z
2
2
s2
1 + s2
n1
n2
X
2 )+
A=(X
r1
Z
2
2
s2
1 + s2
n1
n2
atau
Z <Z/2
atau
Z <Z/2
MMS-1403 p.180/204

Parameter
Statistik
Interval Konfidensi
(1-)100%
12 dan 22 tdk diketahui, B 1 2 A

2 )
1 X
12 = 22
B=(X
Z=
X
)( )
(X
1
2
1
2
r
1
1
2
sp (
+
)
n1
n2
ZN (0,1)
s2
p=
p1 p2
Selisih dua
proporsi
Z=
(p
1 p
2 )(p1 p2 )
r
p1 (1p1 )
p (1p2 )
+ 2
n1
n2
ZN (0,1)
X
2 = n 2
p
1 = n 1 ; p
1
2
Daerah
Kritik
H1 :1 2 6=0
Z>Z
2
H1 :1 2 >0
Z>Z
H1 :1 2 <0
Z<Z
B p1 p2 A
H1 :p1 p2 6=p0
Z>Z
B=(p
p
2 )
r1
p1 (1p1 )
p (1p )
+ 2 n 2 H1 :p1 p2 >p0
Z
n
2
atau
Z<Z
2( 1 + 1 )
Sp
n1
n2
2
1 X
2 )+
A=(X
q
2( 1 + 1 )
Z Sp
n
n
2 +(n 1)S 2
(n1 1)S1
2
2
n1 +n2 2
Hipotesis
alternatif
H1 :p1 p2 <p0
A=(p
p
2 )+
r1
p1 (1p1 )
p (1p )
+ 2 n 2
Z
n
atau
Z<Z
2
Z>Z
Z<Z
MMS-1403 p.181/204
Inferensi Statistik Dua Populasi Normal

sampel random independen satu sama lain yang berdistribusi
Normal dengan mean 1 dan 2 serta variansi 12 dan 22 , maka
variabel random
2 ) (1 2 )
1 X
(X
q 2
Z=
1
22
n1 + n2
berdistribusi Normal Standar, dengan
1 =
X
n1
X
X1i
i=1
n1
2 =
X
n2
X
X2i
i=1
n2
MMS-1403 p.182/204

Jika 12 dan 22 tidak diketahui, dan diasumsikan 12 6= 22
1 X
2 ) (1 2 )
(X
q 2
t=
s1
s22
n1 + n2
berdistribusi t dengan derajad bebas

k=
(s21 /n1 + s22 /n2 )2

(s21 /n1 )2
n1 +1
(s22 /n2 )2
n2 +1
2,
atau k =
(s21 /n1 + s22 /n2 )2

(s21 /n1 )2
n1 1
(s22 /n2 )2
n2 1
dengan s21 dan s22 adalah variansi sampel
MMS-1403 p.183/204

Jika 12 dan 22 tidak diketahui, dan diasumsikan 12 = 22
1 X
2 ) (1 2 )
(X
q
t=
s2p ( n11 + n12 )
berdistribusi t dengan derajad bebas n1 + n2 2 dan

s2p
(n1 1)S12 + (n2 1)S22

=
n1 + n2 2
yang disebut sebagai pooled variance
MMS-1403 p.184/204

Distribusi sampling Perbandingan dua variansi
sampel random independen satu sama lain yang berdistribusi
Normal dengan mean 1 dan 2 serta variansi 12 dan 22 , maka
variabel random
s21 /12
F = 2 2
s2 /2
berdistribusi F dengan derajad bebas pembilang n1 1, derajad
bebas penyebut n2 1
MMS-1403 p.185/204

Parameter
Statistik
1 2
12 dan 22 diketahui
Selisih dua Z= (X1 sX22)(21 2 )

1
+ 2
mean
n1
n2
Interval Konfidensi
(1-)100%
Hipotesis
alternatif
Daerah
Kritik
B 1 2 Ar
H1 :1 2 6=0
Z>Z atau
ZN (0,1)
2
2
1
2
2 )Z
1 X
+
B=(X
n2
2 r n1
2
2
1
2
1 X
2 )+Z
A=(X
+
n1
n2
2
12 dan 22 tdk diketahui

dan 12 6= 22
B 1 2 A r
(X
1 s 2 )(1 2 )
t=
2
s2
1 + s2
n1
n2
2
s2
1 + s2
n
n2
2
r 1
s2
s2
1
A=(X1 X2 )+t ,k n + n2
1
2
2
2 )t
1 X
B=(X
,k
Z<Z
2
H1 :1 2 >0
Z>Z
H1 :1 2 <0
Z<Z
H1 :1 2 6=0
t>t ,k atau
2
t<t ,k
2
H1 :1 2 >0
t>t,k
H1 :1 2 <0
t<t,k
ttk dgn
k=
atau
k=
2
2
(s2
1 /n1 +s2 /n2 )
2
2
2 2
(s2
1 /n1 ) + (s2 /n2 )
n1 +1
n2 +1
2
2
(s2
1 /n1 +s2 /n2 )
2
2
2
(s2
1 /n1 ) + (s2 /n2 )
n1 1
n2 1
MMS-1403 p.186/204

Parameter
Statistik
12 dan 22 tdk diketahui
dan 12 = 22
X
)( )
(X
1
2
1
2
r
t=
1
1
2
+
)
Sp (
n1
n2
ttk dgn. k=n1 +n2 2

2
Sp
=
12 / 22
Perbandingan dua
variansi
2 +(n 1)S 2
(n1 1)S1
2
2
n1 +n2 2
F = s21 /s22
dengan
F F ,k ,k
1 2
2
k1 = n1 1, k2 = n2 1
Interval Konfidensi
(1-)100%
Hipotesis
alternatif
Daerah
Kritik
B 1 2 A
H1 :1 2 6=0
t>t ,k atau
2 )
1 X
B=(X
q
2( 1 + 1 )
t ,k Sp
n
n
1
2 )+
1 X
A=(X
q
2( 1 + 1 )
t ,k Sp
n
n
1
B=
A=
F(k ,k , )
1 2 2
2
s1
F(k1 ,k2 , )
s2
2
2
catatan:
H1 :1 2 >0
t>t,k
H1 :1 2 <0
t<t,k
H1 :1 6=2
F >F ,k ,k atau
1 2
2
F <1/F ,k ,k
B 12 /22 A
2
s2
1 /s2
t<t ,k
F >F,k1 ,k2
H1 :1 >2
F <1/F,k2 ,k1
H1 :1 <2
,k1 ,k2 )=
F (1
2
1/F (
,k2 ,k1 )
2
MMS-1403 p.187/204
Parameter
d
mean
selisih
data berpasangan
Statistik
D
t = sD
/
n
D
dengan t distribusi t
dgn derajad bebas

k =n1
Interval Konfidensi
(1-)100%
BA

B = X
t(n1,/2) sn
+
A = X
Hipotesis
alternatif
Daerah
Kritik
H1 :D 6=0
t>t(n1,/2) atau
t<t(n1,/2)
H1 :D >0
t>t(n1,)
H1 :D <0
t<t(n1,)
t(n1,/2) sn
MMS-1403 p.188/204
Latihan
1. Dalam suatu eksperimen plant breeding dengan dua tipe
bunga A dan B. Probabilitas terjadinya tipe A diharapkan
lebih besar dari 7/16. Seorang ahli melakukan eksperimen
dengan 100 kuntum bunga dan mendapatkan bahwa
separuhnya adalah tipe A, dengan menggunakan = 0,01;
kesimpulan apakah yang dapat kita tarik?
MMS-1403 p.189/204
Latihan
2. Suatu jenis tikus tertentu yang mendapatkan makanan biasa
menunjukkan kenaikan rata-rata 65 gram selama tiga bulan
pertama dari hidupnya. Suatu sampel random dengan 40
ekor tikus seperti itu diberi makanan dengan protein tinggi
dan menunjukkan kenaikan berat rata-rata 82 gram dengan
deviasi standar 17,6 gram selama tiga bulan pertama
hidupnya. Apakah fakta cukup mendukung dugaan bahwa
makanan yang berprotein tinggi akan memperbesar
kenaikan berat tikus?
MMS-1403 p.190/204
Latihan
3. Suatu perusahaan alat elektronik ingin menguji dua macam
kualitas hasil produksinya. Untuk ini diadakan
percobaan-percobaan dan diperoleh hasil sebagai berikut:
10 produk kualitas A mempunyai tahan hidup rata-rata 2600
jam dengan deviasi standar 300 jam. Sedangkan 15 produk
kualitas B mempunyai tahan hidup rata-rata 2400 jam
dengan deviasi standar 250 jam. Berdasarkan hasil
percobaan di atas, apakah kita percaya bahwa kedua
kualitas produk elektronik itu berbeda tahan hidupnya?
(Anggap distribusi kedua populasi normal dengan variansi
sama).
MMS-1403 p.191/204
Latihan
4. Seorang Zoologist ingin menggunakan tikus yang berat
waktu lahirnya mempunyai variabilitas yang rendah.
Tersedia dua jenis tikus yang berbeda. Dia mengambil
sampel random dengan 10 jenis pertama dan 16 jenis
kedua. Diperoleh S12 = 0,36 gram dan S22 = 0,87 gram.
Apakah variabilitas dua jenis tersebut berbeda? ( = 0,02)
MMS-1403 p.192/204
Latihan
5. Suatu stimulan akan diuji akibatnya terhadap tekanan darah.
Dua belas orang laki-laki diambil secara random dari laki-laki
dalam kelompok umur 30 - 40 tahun. Tekanan darah mereka
diukur sebelum dan sesudah diberi stimulan. Hasilnya
adalah sbb.:
Tekanan darah sebelum dan sesudah (mmHg)
orang ke-
9 10 11 12
sebelum 120 124 130 118 140 128 140 135 126 130 126 127
sesudah 128 130 131 127 132 125 141 137 118 134 129 130
Hitung interval konfidensi 95% untuk rata-rata selisih tekanan
darah sesudah dan sebelum stimulan untuk semua orang laki-laki
dalam kelompok 30 - 40 tahun.
MMS-1403 p.193/204
Latihan
6. Ada hipotesis yang menyatakan bahwa untuk sepasang bayi
kembar, berat badan bayi yang lahir kemudian lebih berat
dari bayi yang lahir sebelumnya. Apabila kita ingin menguji
pernyataan tersebut, uji statistik apa yang digunakan?
MMS-1403 p.194/204
Latihan
7. Suatu survei menyatakan bahwa dalam suatu daerah
tertentu 20 % rumah tangga berada di bawah garis
kemiskinan. Suatu program pengentasan kemiskinan
dilaksanakan pada daerah tersebut. Untuk mengetahui
apakah program tersebut berhasil, sampel sebesar 400
rumah tangga diambil dari daerah tersebut, 68 rumah
tangga dinyatakan berada di bawah garis kemiskinan.
Berhasilkah program ini ? ( = 0.05)
MMS-1403 p.195/204
Latihan
8. Sebuah program diet untuk mengurangi berat badan
diterapkan pada 12 pria dan 14 wanita. Diperoleh hasilnya
sebagai berikut (dalam kg):
Wanita X1 109 135 88 118 132 154 121 146 129 94 104 116 136 142
X2
Pria
85 105 54 85 105 123 98 115 97 64 69 89 115 106
Y1 137 127 106 127 122 109 121 115 93 118 139 113
Y2 118 99 79 109 99 83 105 98 75 95 117 92
( X1 , X2 adalah berat wanita sebelum dan sesudah melakukan diet ; Y1 , Y2 adalah

berat pria sebelum dan sesudah melakukan diet).
a. Apakah program diet tersebut berhasil secara umum (tanpa

memandang pria atau wanita)? ( = 0, 05)
b. Bila ingin diketahui program diet tersebut lebih baik untuk wanita
atau pria, inferensi statistik apakah yang dapat digunakan?
MMS-1403 p.196/204
Latihan
9. Dari sampel random n = 25 bola lampu, diperoleh tahan
hidup rata-rata 1,85 tahun dan standar deviasi 0,5 tahun.
a. Hitunglah interval konfidensi 95% untuk rata-rata tahan
hidup bola lampu
b. Hitunglah interval konfidensi 90% untuk variansi tahan
hidup bola lampu
c. Apabila n = 64, hitunglah interval konfidensi 90% untuk
variansi tahan hidup bola lampu
MMS-1403 p.197/204
Latihan
10. Ingin diketahui mean berapa lama seorang mahasiswa
melakukan chatting di internet. Untuk itu itu akan dilakukan
survei di beberapa warung internet di kampus. Penelitian
pendahuluan menunjukkan bahwa standar deviasi dari lama
chatting adalah 67 menit dan berdistribusi Normal. Bila
kesalahan estimasi interval survei ini tidak boleh lebih dari
10 menit dengan tingkat konfidensi 95%, berapa ukuran
sampel yang harus digunakan?
MMS-1403 p.198/204
Latihan
11. Ingin diketahui apakah suatu metode pembiakan tanaman
pisang yang menggunakan cara modern menghasilkan
pisang dengan berat yang lebih besar daripada pisang yang
dikembangkan dengan cara tradisional. Diperoleh informasi
sebagai berikut:
Jenis pisang
cara tradisional cara modern
banyak sampel
100
120
rata-rata pertandan
4,2 kg
4,8 kg
deviasi standar
1,2 kg
0,9 kg
a. Ujilah apakah terdapat perbedaan nyata dari hasil kedua metode
pembiakan tersebut ( = 3%). Anggap kedua variansinya sama.
b. Jika variansinya tidak diketahui apakah sama atau tidak, uji
apakah yang dapat saudara gunakan untuk menguji kesamaan
dua variansi? Dengan menganggap kedua populasi berdistribusi
normal, tulislah hipotesis dan uji statistiknya
MMS-1403 p.199/204
Latihan
12. Apakah cukup bukti yang menyatakan bahwa lebih dari Is
there sufficient evidence at 1% level (=0.01) that more than
30% mahasiswa baru gagal memenuhi standar pengethauna
dan pemahaman matematika jika 60 mahasiswa baru dari
sampel 130 mahasiswa gagal memenuhi standar?
MMS-1403 p.200/204
Latihan
13. Suatu alat pengukur tekanan darah elektronik akan diuji
ketepatan hasil pengukurannya. Bila hasil pengukuran
tekanan darah sama atau mendekati hasil pengukuran alat
ukur standar maka alat pengukur elektronik ini dinyatakan
dapat dipakai. Dari 15 orang yang terpilih sebagai sampel
dilakukan dua kali pengukuran masing-masing dengan alat
ukur tekanan darah standar dan dengan alat ukur elektronik.
Diperoleh hasil pengukuran tekanan darah diastolik sebagai
berikut:
alat standar 68 82 94 106 92 80 76 74 119 93 86 65 74 84 100
alat elektronik 72 84 89 100 97 88 84 70 103 84 86 63 69 87 93
Apakah alat pengukur tekanan darah elektronik ini dapat

dipakai? (=0,05)
MMS-1403 p.201/204
Latihan
14. Diketahui data gizi dan berat badan 50 anak usia 4-5 tahun
di suatu desa seperti pada tabel berikut
n status gizi berat badan (kg)
rata-rata deviasi std.
35
baik
13,5
2,5
15
buruk
7,5
1,5
a. Hitunglah interval konfidensi 95% untuk proporsi anak
dengan gizi buruk!
b. Hitunglah interval konfidensi 95% untuk mean berat anak
dengan status gizi baik!
c. Statistik penguji apakah yang dapat digunakan untuk
inferensi mean berat anak dengan status gizi buruk?
Jelaskan!
MMS-1403 p.202/204
Latihan
15. Dengan menggunakan tabel Normal standar hitunglah:
a. P (2 Z 1.5)
b. P (Z 1)
c. k , jika diketahui P (0 Z k) = 0,4236
d. P ( X + )
e. k yang memenuhi P (X k) = 0,05
dengan Z adalah variabel random normal standar dan X adalah

variabel random dengan mean dan variansi 2
MMS-1403 p.203/204
Latihan
16. Suatu desain mobil diperkirakan akan menurunkan
konsumsi bahan bakar sekaligus variabilitasnya. Sampel
random dengan 16 mobil biasa diperoleh deviasi standar
untuk konsumsi bahan bakar (liter per 100 km) sebesar 3,1.
Sedangkan sampel random dengan 12 mobil desain ini
diperoleh deviasi standar 1,8. Dengan asumsi sampel
berasal dari distribusi normal ujilah bahwa desain mobil baru
tersebut memang dapat menurunkan variabilitas konsumsi
bahan bakar ( = 0,05).
MMS-1403 p.204/204

MMS1403 07 PDF

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

MMS1403 07 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Statistika (MMS-1403)

Dr. Danardono, MPH

Program Studi Statistika

Materi dan Jadual

Sub Pokok Bahasan

Grafik dan Ringkasan

1 Distribusi Frekuensi dan Grafiknya

1 Kejadian dan Peluang

1 Variabel Random dan Distribusinya

1 Distribusi Bernoulli dan Binomial

Materi dan Jadual

1 Distribusi Uniform Kontinu

Distribusi Sampling Statistik

Review dan Latihan

Inferensi Statistik Satu

1 Inferensi untuk Mean

Inferensi Statistik Satu

1 Inferensi untuk Mean

Materi dan Jadual

Inferensi Statistik Dua

1 Inferensi untuk Selisih Mean Dua

Inferensi Statistik Dua

1 Inferensi untuk Selisih Mean Dua

Review dan latihan

Yang dapat ditentukan untuk dua

Contoh (Data penghasilan buruh):

Penghasilan (ribu rupiah)

Contoh (Data penghasilan buruh):

Penghasilan (ribu rupiah)

Ogive Frekuensi Kumulatif

Contoh (Data penghasilan buruh):

Penghasilan (ribu rupiah)

Contoh (Data telepon seluler):

Notasi Himpunan Data

Notasi Himpunan Data

Notasi Himpunan Data

Xij = X11 + X12 + . . . + Xnm

Jika k suatu konstan, maka

Jika k suatu konstan, maka

Data berkelompok (distribusi frekuensi), dengan k nilai

yang masing-masing mempunyai frekuensi

adalah total observasi

mungkin ya mungkin tidak

Pelemparan sebuah mata uang logam

Sebuah biji kedelai ditanam

Pemilihan seorang mahasiswa secara

Sebuah dadu dilempar sekali

Sebuah dadu dilempar sekali

Sebuah dadu dilempar sekali

Sebuah dadu dilempar sekali

Sebuah dadu dilempar sekali

Sebuah dadu dilempar sekali

dengan n(A) = banyaknya anggota dalam peristiwa A, dan

P (S) = 1 (peluang dari ruang sampel)

P (A B) = P (A) + P (B) P (A B) (aturan penjumlahan)

Dua kejadian A dan B disebut kejadian independen jika

Secara umum jika kejadian A1 , A2 , . . . , Ak saling asing dan

Peluang dan Variabel Random

Peluang untuk nilai x tertentu:

Distribusi kumulatif F (x)

Peluang dan Variabel Random

Nilai peluang untuk interval tertentu

Distribusi kumulatif F(x)