Tugas

STATISTIK

Oleh :

Nama : M. Akmal Hidayat

Nim : 161052003030
Kelas : PTK B 2016

Pendidikan Tekhnologi Kejuruan

Program Pascasarjana
Universitas Negeri Makassar
2016

Tug
as
4

Soal Latihan :
1. Apakah yang di maksud populasi dan sampel dalam suatu penelitian? Dapatkah
satu orang di gunakan sebagai populasi?
Jawab :
Populasi adalah keseluruhan kumpulan unsur-unsur objek penelitian yang
sejenis, yang akan dikaji karakteristiknya. Unsur-unsur objek penelitian tersebut
dapat berbentuk manusia, makhluk hidup (tumbuhan, hewan), benda mati (rumah,
sumber air, udara, pasar), benda abstrak (kegiatan, waktu).

Ya, Bisa, satu orang pun bisa di katakan populasi, kaarena satu orang itu
mempunyai berbagai karakteristik, misalnya gaya berbicara, kedisiplinanya, hobi,
cara bergaul dll. Misalnya akan meneliti gaya kepemimpinan seorang presiden,
maka kepemimpinan itu sebagai sampel suatu karakter yang melekat pada
presiden tersebut.
Dalam bidang kedokteran, satuorang sering bertindak sebagai populasi. Darah
yang ada pada setiap orang adalah populasi, kalau akan di teliti, dokter tidak perlu
mengambil seluruh darah yang ada pada pasien tersebut, namun cukup
mengambil beberapa cc saja. Karena beberapa cc itu sudah di anggap mewakili
seluruh darah yang ada
2. Sebutkan teknik-teknik sampling (teknik pengambilan sampel) yang anda
ketahui?
Jawab :
Ada beberapa macam prosedur sampling yang dapat dipilih oleh seorang
peneliti. Akan tetapi pada dasamya prosedur sampiing dibedakan menjadi dua
prosedur yang berbeda, yaitu sampling probabilitas dan sampling nonprobabilitas.

3. Apakah perbedaan nomogram harry king bila di bandingkan dengan tabel krejcie
dalam pengambilan sampel?

Nomogram harry king

Nomogram harry king disiapkan untuk jumlah anggota populasi yang tidak
lebih dari 2000 unit/orang. Adapun dasar pengambilannya adalah dengan
Error Maksimal yang dikehendaki selanjutnya diolah dengan rumus S= R.N
Ket :

S : Jumlah anggota sampel. R :

besarnya ratio
N : Jumlah anggota populasi
Contoh: penelitian dengan jumlah anggota populasi (N) 1000 orang, dan error
maksi-mal (E) diinginkan 5%. Dari nomogram didapat angka ratio (R) sebesar
23%. Jumlah anggota sampelnya (S) dapat di- hitung, S = 23% x 1000 = 230. Jadi,
anggota sampel pene- litian tersebut adalah 230 orang. Kalau diinginkan E=4%
maka ditemukan R=30%. Dengan N yang sama, yaitu 1000 orang, maka jumlah
anggota sampel penelitiannya dapat dihitung, S = 30% x 1000 = 300. Jadi, anggota
sampelnya sebanyak 300 orang.
Kesimpulannya: makin kecil error maksimal yang diinginkan semakin besar
jumlah anggota sampel peneliti-annya, sebaliknya makin besar error maksimal
yang dii-nginkan makin kecil jumlah anggota sampel penelitiannya (dengan jumlah
anggota populasi yang sama)
B. Tabel Krejcie atau Morgan
Tabel Morgan didesain berdasarkan angka tafsiran, serta diaplikasikan
pada anggota populasi yang bersifat homogen dengan jumlah yang tidak
terbatas. Jumlah anggo- ta sampel yang diperoleh dari tabel ini sering dikontrol
dengan "Formula Krejcie and Morgan" sbb:
S=

X 2 .N .P ( 1- P )
( N-1 ).d 2 + X 2. P ( 1- P )

Keterangan:
S : Jumlah anggota sampel
N : Jumlah anggota populasi
P : Proporsi populasi (0,5)
d : Derajat ketelitian / Galat pendugaan (0,05)
X2 : Nilai Tabel X2 (3,841)
Contoh: penelitian dengan anggota populasi seba- nyak 1000 orang; menurut 'Tabel
Morgan' dengan populasi yang 1000 orang tersebut akan diperoleh anggota sampel
sebanyak 278 orang. Apabila dikontrol dengan 'Formula Krejcie and Morgan' untuk
N = 1000, P = 0,5, d = 0,05, dan X2 = 3,841 akan diperoleh angka sebagai berikut.
3,841 x 1000 x 0,5 (1-0,5)
S=
0,052 x (1000-1) + 3,841 x 0,5 (1-0,5)
960,25
S=
3,457

= 277,71

S=

278

Jadi jumlah minimal anggota sampel dalam peneli-tian tersebut di atas adalah 278
orang.

4. Seseorang peneliti bermaksud mengetahui kekuatan berdiri pelayan toko di

jakarta. Dalam penelitian ini diajukan hipotesis bahwa kekuatan berdiri pelayan
toko di jakarta paling sedikit 10 jam perhari. Berapa ukuran sampel yang akan di
gunakan?
Gay dan Diehl menuliskan, untuk penelitian deskriptif, sampelnya 10% dari
populasi, penelitian korelasional, paling sedikit 30 elemen populasi, penelitian
perbandingan kausal, 30 elemen per kelompok, dan untuk penelitian eksperimen
15 elemen per kelompok( Reseach Methods for Business, LR. Gay dan P.L. Diehl, 1992 )
Ulber silalahi (2010 : 275-276) menyatakan bahwa untuk menentukan ukuran
sampel terbaik bergantung pada factor factor metodologis (derajat akurasi
yang diperlukan, derajat variabilitas, atau diversitas dalam populasi, dan jumlah
variable variable yang beerbeda yang dijelaskan secara simultan dalam analisis
data). Untuk itu perlu memperhatikan prinsip ukuran sampel yaitu makin kecil
populasi, rasio pemilihan sampel makin besar menghasilkan satu sampel
akurat. Makin besar populasi membolehklan rasio pemilihan sampel lebih kecil
untuk sampel yang sama baiknya. Untuk itu, umumnya peneliti memilih satu
dari beberapa pilihan berikut.
1. Jumlah sampel sekitar 30 kasus atau subjek yang dengannya analisis
statistic dapat dilakukan.
2. Menurut persentasi yang layak dijangkau. Untuk populasi kecil (di
bawah 1.000), peneliti membutuhkan rasio pemilihan sampel besar (kira
kira 30%) sebagai contoh, ukuran sampel sekitar 300 diperlukan untuk
derajat akurasi yang tinggi. Untuk ukuran populasi menengah (sekitar
10.000), rasio pemilihan sampel lebih kecil (sekitar 10%) dibutuhkan
untuk sama sama akurat atau ukuran sampel sekitar 1.000. untuk
populasi besar (melebihi 150.000) rasio pemilihan sampel lebih kecil (1
persen) adalah mungkin.
3. Untuk penelitian deskriptif, sampel 10% dari populasi dianggap sebagai
jumlah paling minimal. Untuk penelitian kolerasional atau kausal, paling
sedikit 30 sampel. Untuk studi eksperimental dengan control
eksperimental yang ketat, mungkin valid sebanyak 15 subjek per
kelompok. Pendapat ini cenderung digunakan untuk populasi ukuran
besar dan tidak dapat digunakan untuk satu populasi ukuran kecil.
Dalam perencanaan sampel survey, keputusan menentukan ukuran sampel
lebih awal adalah penting. Sampel yang terlalu besar merupakan pemborosan
sumber daya ukuran sampel hanyalah satu aspek keterwakilan. Sebuah sampel
lebih dari 2.000.000 bisa salah kaprah sementara sampel 1.000 orang yang diambil
dengan cara yang tepat bisa lebih memadai.(Muhammad arif tiro, Arbianingsih
2011:25,99)
Pengambilan ukuran sampel hendanya dilakukan dengan peritimbangan
tujuan ukuran sampel yang hendak digunakan, sebagai contoh ukuran sampel

2.000.000 akan memberikan tingkat yang hampir sama pada setiap kasus populasi
400 asalkan penggunaannya lebih tepat.
Berikut ini proses dalam penentuan ukuran sampel
a. Harus ada beberapa pernyataan mengenai apa yang diharapkan dari sampel.
b. Beberapa persamaan yang menghubungkan ukuran sampel n dengan ketelitian
sampel yanbg diharapkan harus dapat dicari.
c. Sering terjadi bahwa data disajikan untuk beberapa subkelompok utama
tertentu mengenai populasi dan batas kekeliruan yang diinginkan disusun untuk
setiap sub kelompok.
d. Lebih dari satu butir ciri biasanya diukur dalam sebuah sampel survey; kadang
kadang butir banyak sekali. Akhirnya penentuan nilai ukuran sampel n harus
ditaksir untuk melihat apakah penentuan
tersebut
konsisten
dengan
sumberdaya yang tersedia untuk memperoleh sampel.
5. Untuk menguji hipotesis berapa lama daya tahan batu baterai merk tertentu di
perlukan sebuah sampel. Taraf kepercayaan yang di kehendaki adalah 95%.
Perbedaan antara yang di taksir (di hipotesiskan) dengan tolak ukur yang di
terapkan dari pabrik tidak lebih dari 10%. Jika simpangan baku daya tahan batu
baterai telah di ketahui sebesar 15 % berapa jumlah umur sampel yang akan di
gunakan untuk penelitian?
Dik:
1. : 95%.
2. b : 10%.
3. : 15%.
Rumus penentuan uji sampel untuk uji perbedaan Rata rata.
.Z
n ( b ) 2
dimana :
n : Ukuran sampel yang diperlukan
: Simpanan baku populas
: Nilai pada table distribusi normal pada tahap signifikasi tertentu
: perbedaan antara yang ditaksir dengan tolak ukur penafsiran
Dari data di atas jumlah umur sampel pada pengujian hipotesis terhadap baterai
merek tertentu sebagai berikut :
n (%. % / %)2
n = (. % / )2
n = (.. ./ )
n = 203.0625

6. Gunakan tabel krejcie untuk menentukan berapa besar anggota sample, bila
populasi berjumlah 55.000 dan taraf kesalahan 5 %.

Rumus Slovin
Champion (1981) mengatakan bahwa sebagian besar uji statistik selalu menyertakan
rekomendasi ukuran sampel. Dengan kata lain, uji-uji statistik yang ada akan sangat
efektif jika diterapkan pada sampel yang jumlahnya 30 s/d 60 atau dari 120 s/d 250.
Bahkan jika sampelnya di atas 500, tidak direkomendasikan untuk menerapkan uji
statistik. (Penjelasan tentang ini dapat dibaca di Bab 7 dan 8 buku Basic Statistics for
Social Research, Second Edition). persamaan yang dirumuskan oleh Slovin (Steph
Ellen, eHow Blog, 2010; dengan rujukan Principles and Methods of Research; Ariola et
al. (eds.); 2006) sebagai berikut :

Rumus Slovin
Champion (1981) mengatakan bahwa sebagian besar uji statistik selalu
menyertakan rekomendasi ukuran sampel. Dengan kata lain, uji-uji statistik yang
ada akan sangat efektif jika diterapkan pada sampel yang jumlahnya 30 s/d 60
atau dari 120 s/d 250. Bahkan jika sampelnya di atas 500, tidak direkomendasikan
untuk menerapkan uji statistik. (Penjelasan tentang ini dapat dibaca di Bab 7 dan
8 buku Basic Statistics for Social Research, Second Edition). persamaan yang
dirumuskan oleh Slovin (Steph Ellen, eHow Blog, 2010; dengan rujukan
Principles and Methods of Research; Ariola et al. (eds.); 2006) sebagai berikut :
Rumus
:

n=

N
(1 + Ne.^2)

Ket :
1. n : Jumlah sampel
2. N : total seluruh anggota sampel
3. e
: toleransi terjadinya galat; taraf signifikansi; untuk sosial dan
pendidikan lazimnya 0,05)
4. (^2) : Pangkat dua.
Untuk mengetahui berapa jumlah sampel yang akaan digunakan kita bisa
menggunakan rumus di atas berdasarkan taraf signifikansi dan toleransi terjadinya
galat sebesar 5% sebagai berikut.
Diketahui : N : 55.000
e : 5%
n

5
=

(1 + 55.000 . 5% . 5%)

55.000

n=

(1 + 55.000 . 0.05 . 0.05)

55.000

n=

(1 + 137.5)

n=

55.000
(139)

n = 396

7. Gunakan nomogram harry king untuk menentukan jumlah anggota sampel, bila
populasi berjumlah 1.700 orang dengan taraf kesalahan 1%, 5%, dan 12%. Mengapa
makin besar jumlah sampel, kesalahan penelitian makin kecil.?

1. Jumlah Populasi 1.700 dengan taraf kesalahan 1%

dari tabel dibawah ini dapat disimpulkan bahwa jumlah anggota sampel dari total populasi
sebesar 1.700 orang berada dikisaran 80%. Jadi banyaknya sampel minimum yang harus di
ambil adalah : (80% . 1700) : 1360 sampel

2. Jumlah Populasi 1.700 dengan taraf kesalahan 5%

dari tabel dibawah ini dapat disimpulkan bahwa jumlah anggota sampel dari total populasi
sebesar 1.700 orang berada dikisaran 17%. Dari tabel dibawah ini menunjukkan perubahan
yang sangat signifikan terhadap berubahnya taraf kesalahan dari yang sebelumnya hanya 1%
menjadi 5%.

3. Jumlah Populasi 1.700 dengan taraf kesalahan 12%

dari tabel dibawah ini dapat disimpulkan bahwa jumlah anggota sampel dari total
populasi sebesar 1.700 orang berada dikisaran 3%. Dari tabel dibawah ini menunjukkan
perubahan yang sangat signifikan terhadap berubahnya taraf
kesalahan dari yang sebelumnya hanya 5% menjadi 12%.

(berdasarkan garis yang ditarik tegak lurus antara ukuran populasi terhadap tingkat
kesalahan). Jadi banyaknya sampel minimum yang harus diambil adalah:
3% x 1700 = 51 sampel.
Jadi, jumlah sampel minimum untuk populasi sebanyak 1700 data dengan tingkat
kepercayaan sebesar 88% dan tingkat kesalahan sebesar 12% adalah sebanyak 51
data. Dari ketika table diatas sangatlah jelas peranan dalam hal penentuan ukuran
sampel dalam ilmu statistic. Sampel yang lebih besar lebih baik sebab sampel besar
cenderung memiliki sedikit kekeliruan (less error). Ini berarti makin kecil
kekeliruan yang dikehendaki semakin besar ukuran sampel yang diperlukan
.
8. Mengapa statistik perlu mempelajari kurve normal. Kapan kita perlu membuktikan
bahwa data yang akan di analisis harus berdistribusi normal?
Sugiyono (2010:75) menyatakan bahwa penggunaan statistic parametric, bekerja
dengan asumsi bahwa data setiap variable peneltitian yang akan dianalisis membentuk
distribusi normal. Data yang tidak normal maka tidak dapat digunakan teknik statistic
parametris untuk menganalisis data. Sebagai gantinya digunakan teknik statistic lain
yang tidak harus berasumsi bahwa data berdistribusi normal. Teknik statistic itu
adalah statistic nonparametris. Sebelum peneliti menggunakan teknik statistic

parametris sebagai analisisnya maka hal utama yang perlu diperhatikan adalah apakah
data yang hendak dianalisis berdistribusi normal atau tidak
Jelaslah bahwa statistic sangat perlu untuk mempelajari kurve normal, yang tidak lain
disebabakan kurve normal adalah penentu dalam menganalisis data dan menetukan
apakah suatu data itu berdistribusi normal atau tidak, sehingga dengan kurve normal
ini akan membantu bagi peneliti dalalm menyelesaikan data dengan menggunakan
kurve normal.
Selain itu suatu data yang membentuk distribusi normal jika jumlah data di atas dan di
bawah rata rata adalah sama, demikian juga simpanan bakunya, hal tersebut
mengindikasikan bahwa data yang berdistribusi normal hanya dapat dipakai ketika
jumlah datanya baik data di atas dan di bawah pada kurve normal rata ratanya adalah
sama, begitupula pada nilai simpanan bakunya, dengan kata lain ketika melihat data
perlu memperhatikan frequency data tengah, karena keakuratan data dilihat dari hal
yang seperti ini, cara membaca dan melihat data yakni data hendaknya data terbesar
ada di tengah. Kurve normal adalah suatu kurve yang terbentuk atas dasar data dengan
distribusi normal bentuk kurve normal menyerupai genta atau bel10, seperti yang
terlihat di bawah ini:

Kapan diperlukan pembuktian data yang dianalisis harus

berdistribusi normal?
penelitian menggunakan teknik statistic parametris, maka kenormalan data
harus diuji terlebih dahulu. Bila data tidak normal, maka statistic parametris tidak
dapat digunakan, oleh karena itu perlu digunakan statistic non parametris.
Pembuktian data yang akan dianalisa harus berdistribusi normal hanya akan dilakukan
ketika penggunaan teknik statistic parametric, Karena syarat utama untuk melakukan
teknik analisis data dengan statistic parametric ini adalah data yang akan di analisis
hendaknya berdistribusi normal.
9. Teknik statistik apa saja yang dapat digunakan untuk menguji normalitas data ?
Dalam pembahasan sub bagian ini kurang lebih akan dijelaskan 3 teknik
teknik statistic untuk menguji normalitas sebuah data, yang terdiri atas: uji CHISQUARE, uji kolmogorof smirnof, dan uji normalitas data dengan metode liliefors,
yang akan dijelaskan sebagai berikut.

1. Uji CHI-SQUARE.
Uji chi-kuadrat merupakan pengujian hipotesis tentang perbandingan antara
frekuensi sampel yang bebar benar benar terjadi (selanjutnya disebut dengan frekuensi
observasi, dilambangakan dengan fo) dengan frekuensi harapan yang didasarkan atas
hipotesis tertentu pada setiap kasus atau data (selanjutnya disebut dengan frekuensi
harapan, dilambangkan dengan fe).
Distribusi chi kuadrat
Ekspresi matematis tengtang distribusi chi kuadrat hanya bergantung pada satu
parameter, yaitu derajat kebebasan (d.f). ada distribusi chi kuadrat tertentu untuk
masing masing nilai derajat kebebasan. Misalnya distribusi Z2 (kuadrat standar
normal) merupakan distribusi chi-kuadrat dengan d.f. = 1. Masing masing distribusi
merupakan distribusi probabilitas, sehingga luas di bawah kurve bernilai 1.
Variable x tidak bernilai negative, sehingga kurva chi-kuadrat tidak mungkin berada
disebelah kiri nilai nol. Tingkat signifikasi merupakan daerah di sisi kanan dari
distribusi chi kuadrat. Lambing X2 menyatakan nilai X2 berarti distribusi chi kuadrat
dengan derajat kebebasan d.f dan memiliki luas sebesar pada daerah sisi kanan.
Uji Kecocokan
Dalam uji kecocokan Goodness of fit test, hipotesis nol merupakan suatu
ketentuan tentang pada yang diharapkan dari frekuensi frekuensi dalam barisan
barisan kategori kategori. Pola yang diharapkan harus sesuai dengaan asumsi atau
anggapan atas kemungkinan kejadian yang sama dan bersifat umum.
Untuk penerima hipotesis nol, perbedaan antara frekuensi observasi dengan yang
diharapkan harus dapat dilambangkan dengan variabilitas secara sampling pada
tingkat signifikansi yang diinginkan. Dengan demikian, uji chi kuadrat di dasarkan
pada besarnya perbedaan dari masing masing kategori dalam distribusi formal. Nilai
chi kuadrat untuk pengujian perbedaan antara pola frekuensi observasi dan frekensi
harapan adalah:

dalam uji kecocokan derajat kebebasan (degree of freedom, d.f.) sama d kategori
dikurangi jumlah estimator parameter yang di dassarkan pada sampel.
Uji table kontingensi
tabel kontingen memuat data yang diperoleh dari sampel random sederhana dan
diatur berdasarkan baris dan kolom. Nilai nilai data tersebut dinamakan frekuensi
obsernvasi (fo).
dengan uji tabel kontingensi (contingency table test) kita dapat menguji apakah dua
variable saling independen. Gagasan ini didasarkan atas anggapan bahwa nilai frekuensi

observasi mendekati nilai frekuensi harapan jika kategori kategori independen. Perbedaan
perbedaan yang besar akan mendukung kita untuk menolak hipotesis independensi.
2. Kolmogorof-Smirnof

Uji Kolmogorov Smirnov merupakan pengujian normalitas yang banyak

dipakai, terutama setelah adanya banyak program statistik yang beredar.
Kelebihan dari uji ini adalah sederhana dan tidak menimbulkan perbedaan persepsi di
antara satu pengamat dengan pengamat yang lain, yang sering terjadi pada uji
normalitas dengan menggunakan grafik.
1. Konsep dasar dari uji normalitas Kolmogorov Smirnov adalah dengan
membandingkan distribusi data (yang akan diuji normalitasnya) dengan
distribusi normal baku.
2. Distribusi normal baku adalah data yang telah ditransformasikan ke dalam
bentuk Z-Score dan diasumsikan normal.
3. Jadi sebenarnya uji Kolmogorov Smirnov adalah uji beda antara data yang
diuji normalitasnya dengan data normal baku.
Seperti pada uji beda biasa, jika signifikansi di bawah 0,05 berarti terdapat
perbedaan yang signifikan, dan jika signifikansi di atas 0,05 maka tidak terjadi
perbedaan yang signifikan.
Penerapan pada uji Kolmogorov Smirnov adalah bahwa jika signifikansi di
bawah 0,05 berarti data yang akan diuji mempunyai perbedaan yang signifikan
dengan data normal baku, berarti data tersebut tidak normal.
p < 0,05 distribusi data tidak normal
p 0,05 distribusi data normal
kelemahan dari Uji Kolmogorov Smirnov, yaitu bahwa jika kesimpulan kita
memberikan hasil yang tidak normal, maka kita tidak bisa menentukan transformasi
seperti apa yang harus kita gunakan untuk normalisasi.
Jadi ya kalau tidak normal, gunakan plot grafik untuk melihat menceng ke kanan atau
ke kiri, atau menggunakan Skewness dan Kurtosis sehingga dapat ditentukan
transformasi seperti apa yang paling tepat dipergunakan
Metode liliofers
Uji kenormalan secara non-parametik atau dikenal dengan nama uji liliefors
yaitu dengan menggunakan penaksir rata-rata dan simpangan baku. Uji Liliefors
dilakukan dengan mencari nilai Lhitung, yakni nilai |F(Zi)-S(Zi)| yang terbesar.
Rumus yang digunakan adalah sebagai berikut.
H0 : Sampel berdistribusi normal
H1 : Sampel tidak berdistribusi normal

Dengan kriteria pengujian :

Jika Lhitung < Ltabel terima Ho
Jika Lhitung > Ltabel tolak Ho

10. Buktikan apakah data berikut membentuk kurve normal atau tidak :
78 23 45 67 87 23 45 68 90 87 13 45 67 89 45 67
56 49 56 78 29 67 45 65 45 67 87 67 78 34 89 98
74 83 87 65 34 43 23 34 45 67 87 56 76 89 76 45
56 78 90 87 43 54 32 34 23 45 67 87 65 45 89 96
56 34 67 56 54 45 56 67 78 67 56 45 58 78 45 78
56 35 33 45 56 78 45 78 89 76 56 45 89 70 98 87

43
67
56
56
98
65

56
45
78
23
76
25

78
65
67
54
75
36

67
76
54
34
64
71

dari hasil analisis data diatas menggunakan metode liliofer dapat disimpulkan
bahwa data tersebut merupakan data yang berdistribusi normal.
Melihat Lo (hitung) < Ltabel maka sampel berasal dari populasi yang berdistribusi
normal. Lhitung adalah nilai terbesar dari |f(z) s(z)| maka didapat -0.9394 dan Ltabel

Dengan asumsi diatas bahwa Lt > dengan Lo (hitung ) maka data tersebut berdistribusi
normal dan dapat membentuk kurve normal

Histogram of C1
Normal
Fits
Distribution Fit
Lowess

20

Mean
61
StDev 20.22
N
120

Frequency

15

10

Fx

x(xme)

x2

fx2

75

90

Zi

tabel
Zi

f
k

sZi

0.02
17

0.0322
581

0.05
48
0.06
55
0.09
01
0.11
12
0.12
1
0.12
92
0.13
79
0.14
69
0.22
66
0.25
14
0.30
85
0.38
59
0.41
68

2
3
4
5
6
7
8
9
1
01
11
12
3
1
4

0.0645
161
0.0967
742
0.1290
323
0.1612
903
0.1935
484
0.2258
065
0.2580
645
0.2903
226
0.3225
806
0.3548
387
0.3870
968
0.4193
548
0.4516
129

0.45
22
0.45
22
0.43
64
0.40
13
0.38
59
0.35
57
0.33
72
0.29
46
0.28
1
0.26
43
0.23
89
0.17
88
0.13
79
0.12
1
0.11
12
0.07
08
0.06
06

1
51
16
71
81
92
02
12
22
32
42
52
62
72
82
93
03
1

0.4838
71
0.5161
29
0.5483
871
0.5806
452
0.6129
032
0.6451
613
0.6774
194
0.7096
774
0.7419
355
0.7741
935
0.8064
516
0.8387
097
0.8709
677
0.9032
258
0.9354
839
0.9677
419
1

fZi

F(Zi)S(Zi)

15

30

45

60
C1

105

No
1

13

13

-48

230
4

2
3
4
5
6
7
8
9
10
11
12
13

23
25
29
32
33
34
35
36
43
45
49
54

5
1
1
1
1
7
1
1
2
1
71
4

-38
-36
-32
-29
-28
-27
-26
-25
-18
-16
-12
-7

144
4
129
6
102
4
841
784
729
676
625
324
256
144
49

722
0
129
6
102
4
841
784
510
3
676
625
648
435
2
144
196

14

56

1
4

11
5
25
29
32
33
23
8
35
36
86
76
5
49
21
6
78
4

-5

25

350

15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
JM

58
64
65
67
68
70
71
74
75
76
78
83
87
89
90
96
98
18

1
1
5
1
41
1
1
1
1
5
11
1
8
6
2
1
3
1

58
64
32
5
93
8
68

-3
3
4
6
7
9
10
13
14
15
17
22
26
28
29
35
37
-75

9
9
16
36
49
81
100
169
196
225
289
484
676
784
841
122
5
136
9
170

9
9
80
504
49
81
100
169
196
112
5
317
9
484
540
8
470
4
168
2
122
5
410
7
486

70
71
74
75
38
0
85
8
83
69
6
53
4
18
0
96
29
4
73

230
4

0.47
2.022.5
83
09
0.44
1.601.1
52
0.43
1.516.8
45
0.40
1.348.3
99
0.38
1.221.9
88
0.37
1.179.7
9
0.37
1.137.6
08
0.36
1.095.5
21
0.35
105.339
31
0.27
0.75844
34
0.24
0.67417
86
0.19
0.50562
15
0.114
0.29494
1
0.08
0.21067
32
8
0.04
0.12640
78
0.12640 0.04
68
78
0.16854
0.06
24
36
0.25281
0.09
36
87
0.29494
0.114
92
1
0.37922
0.14
04
43
0.42135
0.16
6
28
0.54776
0.20
28
54
0.58989
0.21
84
9
0.63203
0.23
4
57
0.71630
0.261
52
1
0.92698
0.32
32
12
10.955.
0.36
256
21
11.797.
0.37
968
9
12.219.
0.38
324
88
1.474.7
0.42
46
92
15.590.
0.43
172
94

0.01055
8
0.00971
0.03127
0.03893
0.05009
0.07254
0.09660
0.12016
0.14342
0.09598
0.10343
0.07859
0.03345
0.03481
3
0.03167
0.06392
0.11198
0.17934
0.22700
0.28946
0.34021
0.41507
0.46093
0.50989
0.56755
0.65991
0.73306
0.78222
0.82428
0.89694
-0.9394