MATA KULIAH STATISTIKA TERAPAN

BOBOT : 3 (3 0 ) sks
SEMESTER : GANJIL ( III )
PREREQUISIT :MATEMATIKA
DOSEN : IR. TAMSIL BUSTAMAM, MSc.

Mata kuliah Statistika Terapan ini dirancang untuk mahasiswa

Program S1, untuk memberikan pengertian dasar dari statistika
deskriptif dan statistika infrensia. Kuliah dilaksanakan selama
satu semester dengan 14 kali kegiatan tatap muka dan setiap tatap
muka berdurasi 3 x 50 menit. Disamping tatap muka, mahasiswa
juga diberi tugas berupa latihan pemecahan soal-soal dan
pekerjaan rumah yang dinilai.

TUJUAN :

1. Menguraikan hal-hal pokok tentang statistika

deskriptif sehingga mahasiswa memahami dan mampu
melakukan pengumpulan, pengolahan, penyajian data
serta mengungkapkan karakteristik suatu set data.

2. Menguraikan prinsip-prinsip dasar dari statistika

infrensia sehingga mahasiswa memahami dan mampu
merancang dan menarik kesimpulan tentang suatu
populasi berdasarkan nilai statistik sampel dengan
menggunakan Uji z, t, Chi Kuadrat dan Uji F.
 TOPIK- TOPIK PERKULIAHAN UNTUK 16 KALI
TATAP MUKA
MINGGU
TOPIK KULIAH
KE
1 Pengertian dasar tentang statistika deskriptif dan
statistika infrensia.
2 Teknik pengumpulan data
3 Teknik penyederhanaan data
4 Pengukuran tendensi sentral
5 Pengukuran dispersi
6 Skewness, Kurtosis, dan penyajian data.
7 Distribusi Binomial
8 Distribusi Normal dan distribusi normal standar
9 Ujian Tengah Semester (UTS)
10 Distribusi nilai tengah sampel
11 Distribusi t Student dan Selang Kepercayaan.
12 Pengujian Hipotesis
13 Pembandingan dua nilai tengah populasi
14 Distribusi Chi Kuadrat.
15 Distribusi Gauss atau F
16 Regresi dan korelasi
17 Regresi dan korelasi (lanjutan)
18 Ujian akhir Semester (UAS)

EVALUASI :
Evaluasi berupa pelaksanaan UTS, UAS, Kuis dan Tugas.
Komponen Nilai Akhir adalah 45 - 50 % nilai UAS, 25 - 30
% nilai UTS, dan 20 - 30 % nilai Kuis dan Tugas.
Mahasiswa yang kehadiran tatap mukanya kurang dari
75 % tidak boleh mengikuti UAS dan yang bersangkutan
dinyatakan GAGAL atau nilainya E.
REFERENSI :

1. Anto Dayan, 1996. Pengantar Metode Statistik Jilid

I. LP3ES, Jakarta.

2. Anto Dayan, 1996. Pengantar Metode Statistik Jilid

II. LP3ES, Jakarta.

3. Berenson, M.L., D.M. Levin, and D. Rindskopf. 1988.

Applied Statistics. A first Course. Prentice Hall,
Englewood Cliffs. New Yersey.

4. Hayslett, H.T. Jr. 1968. Statistics made simple. Made

Simple Books. Doubleday & Company, Inc. New
York.

5. Leabo, D.A. 1968. Basic Statistics.3rd Edition

Richard D. Irvin, Inc. Homewood, Illinois.

6. Steel, R.G.D. and J.H. Torrie. 1976. Introduction to

Satistics. McGraw Hill Book Company. New York.

7. Steel, R.G.D. and J.H. Torrie. 1981. Pronciples and

Procedures of Statistics A Biometrical Approach.
2nd Edition.McGraw-Hill International Book
Company

8. Sujana, 1984. Metoda Statistik. Tarsito, Bandung.

 STATISTIKA TERAPAN

ALAM DAN KEHIDUPAN INI PENUH DENGAN

DATA / INFORMASI YANG BERMANFAAT, TETAPI
MASIH BERTEBARAN DIMANA-MANA.

NILAI MATA KULIAH STATISTIKA DARI 125 MAHASISWA

71 75 96 80 83 58 82 88 93 79 80
68 83 68 88 76 92 74 85 77 82 80
79 68 79 74 80 76 72 87 86 86 93
78 89 78 73 82 77 82 55 90 83 73
69 88 73 82 79 81 90 84 79 78 74
81 84 78 75 47 83 86 91 79 42 72
84 85 78 79 89 56 86 72 62 64 78
79 84 81 64 74 60 55 77 85 94 75
49 68 54 57 56 87 63 77 79 69 91
79 77 87 62 98 66 89 65 68 85 71
73 84 81 62 64 74 69 74 78 75 69
78 70 73 78

DATA / INFORMASI YANG BANYAK TERSEBUT

BERSIFAT TIDAK HOMOGEN, TETAPI BERSIFAT
BERAGAM / BERVARIASI.
KONDISI DATA YANG BERAGAM ITU
MENYULITKAN DALAM MENARIK INFORMASI
YANG BERGUNA DAN DALAM MEMBUAT
KESIMPULAN TENTANG DATA ITU SENDIRI.
TANPA PENGELOLAAN YANG BAIK, SEMUA
DATA ITU AKAN MENJADI SIA-SIA, MENJADI
TIDAK BERGUNA.
METODE STATISTIKA MUNCUL UNTUK
MENGELOLA SEMUA DATA / INFORMASI YANG
BANYAK ITU SEHINGGA MENJADI SANGAT
BERMANFAAT ATAU MENJADI TIDAK SIA-SIA
BELAKA.
PERKEMBANGAN METODE STATISTIKA

1. KEBUTUHAN PEMERINTAHAN UNTUK :

DASAR MENYUSUN PERENCANAAN ( APBN,

PERPAJAKAN, PERTANAHAN, DSB ).
DASAR MEMBUAT KEBIJAKSANAAN ATAU
KEPUTUSAN.
DASAR PEMBANGUNAN

UNTUK MEMENUHI KEBUTUHAN AKAN POINT-

POINT DI ATAS DILAKUKANLAH
PENGUMPULAN DATA, PENGOLAHAN DATA,
PENYAJIAN DATA, DAN MERANGKUM SIFAT
ATAU KHARAKTERISTIK DARI DATA
TERSEBUT. SEMUA KEGIATAN INI
MELAHIRKAN STATISTIKA DESKRIPTIF.
STATISTIKA DESKRIPTIF TIDAK BISA
DIGUNAKAN UNTUK MEMPREDIKSI,
MENDUGA DAN MENGUJI HIPOTESIS.

2. PERKEMBANGAN TEORI PELUANG DAN

SAMPLING

TEORI PELUANG ADALAH BERDASARKAN

TEORI ILMIAH, BUKAN RAMALAN
TEORI SAMPLING MENURUNKAN BIAYA,
TENAG, WAKTU, DAN SELALU MUNGKIN
DILAKSANAKAN.
KEDUA TEORI INI SANGAT MEMBANTU
DALAM MELAKUKAN PREDIKSI, PENDUGAAN,
DAN PENGUJIAN HIPOTESIS YANG TIDAK BISA
DILAKUKAN PADA STATISTIKA DESKRIPTIF.
MELAHIRKAN STATISTIKA INFERENSIA.
STATISTIKA DESKRIPTIF
ADALAH METODE YANG MENGURAIKAN TENTANG
TEKNIK PENGUMPULAN, PENGOLAHAN, PENYAJIAN,
DAN MERINGKAS SIFAT ATAU KHARAKTERISTIK DARI
SEKELOMPOK DATA.

DENGAN MELAKUKAN KEGIATAN DI ATAS :

1. DATA MENTAH MENJADI LEBIH TERKELOLA

( MORE MANAGEABLE).

2. DATA DAPAT DISAJIKAN DALAM BENTUK YANG

LOGIK.

3. POLA DATA YANG SUDAH DIOLAH BISA DALAM

BENTUK :

A. TABEL DISTRIBUSI FREKUENSI.

B. HISTOGRAM, DIAGRAM DAN GRAFIK GARIS.
C. UKURAN TENDENSI PEMUSATAN.
D. UKURAN DISPERSI / VARIASI.
E. BENTUK SEBARAN DATA.

BENTUK PRODUK STATISTIKA DESKRIPTIF :

BUKU STATISTIK INDONESIA OLEH BPS

BUKU SUMATERA BARAT DALAM ANGKA.

JADI STATISTIKA DESKRIPTIF DIGUNAKAN UNTUK

MENGURAIKAN / MENJELASKAN SIFAT ATAU
KHARAKTERISTIK DARI SEKELOMPOK DATA.
STATISTIKA DESKRIPTIF JUGA DISEBUT STATISTIKA
DEDUKTIF.

STATISTIKA DESKRIPTIF BELUM MENGGUNAKAN

TEORI PELUANG DAN TEORI SAMPLING.
STATISTIKA INFERENSIA
ADALAH TEKNIK YANG MENGURAIKAN MENGENAI
PENDUGAAN, PENGAMBILAN KESIMPULAN TENTANG
POPULASI ( KESELURUHAN ) BERDASARKAN DATA
SAMPEL ( SEBAHAGIAN ).

METODE INI SUDAH MENGGUNAKAN TEORI PELUANG

DAN TEORI SAMPLING.

ILUSTRASI :

1. MENENTUKAN CUKUP / BELUM CUKUPNYA BUMBU

MASAK.

2. DAFTAR : HASIL PEMILIHAN PRESIDEN RI 8 JULI

2009 MENURUT QUICK COUNT DAN KPU*)
MEGA - SBY - JK -
LEMBAGA PRABOWO BUDIONO WIRANTO
NO.
SURVEY
(%) (%) (%)

1 LINGKARAN S.I 27,36 60,15 12,49

2 LEBAGA S.I 26,56 60,85 12,59

3 LP3ES 27,53 60,28 12,19

4 CIRUS 27,49 60,20 12,31

5 METRO TV 26,32 58,51 15,18

6 KPU 26,79 60,80 12,41

SUARA SYAH 32.548.105 73.874.562 15.081.814
(org)

TOTAL SUARA 121.504.481 Golput: 49.212.158

*) Sumber: Harian Padang Ekspres Jumat tanggal 24 Juli 2009.
JADI SAMPEL HARUS BERSIFAT REPRESENTATIF ATAU
MEWAKILI POPULASI DARI MANA SAMPEL ITU BERASAL
STATISTIKA INFERENSIA DISEBUT JUGA STATISTIKA
INDUKTIF.

ILMU PENGETAHUAN SANGAT BERKEMBANGAN PESAT

DENGAN MUNCULNYA STATISTIKA INFERENSIA.
PENELITIAN-PENELITIAN PADA UMUMNYA
MENGGUNAKAN STATISTIKA INFERENSIA.

STATISTIKA

DESKRIPTIF INFERENSIA

PENDUGAAN PENGUJIAN HIPOTESIS

POINT SELANG

STATISTIKA MATEMATIK :
UNTUK PENGEMBANGAN TEORI-TEORI STATISTIKA
BERDASARKAN TEORI MATEMATIKA.

STATISTIKA TERAPAN :
ADALAH PEMAKAIAN ATAU PENERAPAN TEORI
STATISTIKA YANG DIDAPATKAN STATISTIKA
MATEMATIKA DALAM BERBAGAI BIDANG ILMU.
DALAM DUNIA SEKARANG HAMPIR SEMUA CABANG
ILMU SUDAH MEMAKAI STATISTIKA TERAPAN INI.
KOMPUTER
STATISTIKA SANGAT BERHUBUNGAN ERAT DENGAN
KOMPUTER TERUTAMA DALAM KONDISI :

1. VOLUME DATA YANG BESAR.

2. PENGOLAHAN DATA YANG BERULANG-ULANG.

3. MEMBUTUHKAN PENYELESAIAN YANG CEPAT.

4. MEMBUTUHKAN KETEPATAN DAN KETELITIAN

YANG TINGGI.

5. PENGOLAHAN ATAU PERHITUNGAN YANG RUMIT.

ISTILAH-ISTILAH DALAM STATISTIKA

VARIABEL ATAU PEUBAH :
Adalah suatu sifat yang bisa diamati dan nilainya berbeda-beda
atau bervariasi dari individu ke individu. Variabel dilambangkan
dengan huruf kapital seperti X, Y, Z dstnya.
( tinggi badan, umur, agama yang dianut, pendidikan terakhir, dsb).

DATA :
Adalah nilai-nilai atau informasi hasil pengamatan terhadap suatu
variabel. Datum adalah bentuk tunggal dari data.

VARIABEL KUALITATIF :
Adalah variabel yang hasil pengamatannya berbentuk kategori
atau atribut, bukan dalambentuk angka. Jadi variabel kualitatif
menghasilkan DATA KUALITATIF yaitu data dalam bentuk
kategori atau atribut,bukan dalambentuk angka.
( agama : Islam, partai : Demokrat, Pangkat : kapten, dsb ).
VARIABEL KUANTITATIF
Adalah variabel yang hasil pengamatannya berbentuk angka. Jadi
variabel kuantitatif menghasilkan DATA KUANTITATIF yaitu
data dalam bentuk angka atau bilangan.
( tinggi badan : 163 cm, jumlah polong / batang : 27 buah, dsb )

DATA KUANTITATIF DISKRIT :

adalah data kuantitatif yang hanya dalam bentuk bilangan bulat
saja atau bilangan pasti. Data ini diperoleh dari pengamatan
variabel kuantitatif dengan cara menghitung atau menjumlahkan.
( jumlah kursi : 45 buah, jumlah ternak : 5 ekor, dsb )

DATA KUANTITATIF KONTINU :

adalah data kuantitatif yang tidak selalu dalam bentuk bilangan
bulat saja tetapi mempunyai decimal,sehingga dalam pencatatan
perlu pembulatan. Data ini diperoleh dari pengamatan variabel
kuantitatif dengan cara mengukur. (diameter batang : 15,7 cm, luas
daun : 103,6 cm2, berat 100 biji : 14,8 gram , dsb )

POPULASI ATAU UNIVERSE :

adalah kumpulan dari semua kemungkinan nilai atau data dari
suatu variabel. Jumlah anggota populasi dilambangkan dengan
huruf N. Individu anggota populasi dilambangkan dengan huruf
kecil : xi : x1 x2 x3 x4 . . . . . xN .

POPULASI TERBATAS ATAU DEFINITE POPULATION :

Adalah populasi yang semua nilai anggotanya ( N ) diketahui.

POPULASI TIDAK TERBATAS ATAU INDEFINITE

POPULATION :
Adalah populasi yang tidak semua nilai anggotanya ( N )
diketahui.
PARAMETER :
Adalah nilai yang menunjukkan sifat atau kharakteristik dari
populasi. Nilai- nilai parameter diantaranya adalah :

1. Rata-rata populasi, yang dilambangkan dengan

2. Ragam populasi, yang dilambangkan dengan 2
3. Simpang baku populasi, dilambangkan dengan

NILAI-NILAI PARAMETER DALAM KENYATAAN NYA

SULIT DIKETAHUI, TETAPI PASTI ADA DANHANYA SATU.

SAMPEL :
Adalah sebahagian dari anggota populasi yang nilainya menjadi
dasar dalam menarik kesimpulan tentang populasi itu sendiri.
Jumlah anggota sampel dilambangkan dengan huruf n, jadi
anggota sampel dilambangkan dengan xi : x1 x2 x3 . . . xn

STATISTIK :
adalah nilai yang menunjukkan sifat atau ciri dari sampel. Nilai-
nilai statistik diantaranya adalah :
1. Rata-rata sampel, yang dilambangkan dengan X
2. Ragam sampel, yang dilambangkan dengan s2
3. Simpang baku sampel, dilambangkan dengan s

NILAI STATISTIK MUDAH DIKETAHUI ATAU

DIDAPATKAN, TETAPI NILAINYA BERUBAH DARI
SAMPEL KE SAMPEL.

NILAI STATISTIK DIGUNAKAN UNTUK MENDUGA NILAI

PARAMETER YANG SULIT DIKETAHUI.

1. Rata-rata sampel untuk menduga Rata-rata populasi

2. Ragam sampel untuk menduga Ragam popuasi
3. Simpang baku sampel untuk menduga Simpang baku
populasi.
DATA MENTAH, DATA PRIMER, DATA SEKUNDER.

NOTASI MATEMATIK :

1.
i 1
X i X 1 X 2 X 3 ..... X n

2.
i 1
X i
2
X 1
2
X 2
2 X 2
3 ..... X 2
n

n n n

3. X
i 1
i Yi
i 1
X i
i 1
Yi

n n

4.
i 1
cX i c X
i 1
i

5.
i 1
c nc

n n

6. X
i 1
i c i 1
X i nc
 PENGUMPULAN DATA
CARA PENGUMPULAN DATA :

1. SENSUS :

yaitu dengan cara mengamati seluruh anggota

populasi, tidak ada satupun yang tertinggal.
( x1 x2 x3 ......... xN )

Membutuhkan biaya, tenaga dan biaya besar.

Tidak selalu dapat dilakukan.
Menghasilkan populasi terbatas
Tidak dipakai pada statistika inferensia.

2. SAMPLING :

yaitu hanya anggota sampel (sebahagian dari

populasi ) yang diamati. ( x1 x2 x3 ......... xn )

Cepat serta efisien.

Selalu mungkin dilaksanakan.
Selalu dipakai dalam statistika inferensia.
 TIPE SAMPEL

NON-PROBABILITY PROBABILITY SAMPLE

SAMPLE
1. Simple random sampling
1. Judgment sample 2. Systematic random sampling
2. Quota sample 3. Stratified random sampling
3. Chunk 4. Cluster random sampling

Pada non-probability sample tidak ada cara untuk

mengetahui seberapa baiknya sampel mewakili populasi.
( mudah dan ekonomis )

Probability sample sangat erat sekali dengan statistika

inferensia.

Pemilihan sampel agar mewakili populasi, sangat

tergantung pada pengetahuan dan skill pengambil
sampel.

Penarikan sampel acak dengantabel bilangan random.

 TEKNIK PENGUMPULAN DATA DENGAN CARA
SAMPLING DIGUNAKAN DALAM PENELITIAN

DAFTAR : HASIL PEMILIHAN PRESIDEN RI 8 JULI

2009 MENURUT QUICK COUNT DAN KPU*)
MEGA - SBY - JK -
NO. LEMBAGA SURVEY PRABOWO BUDIONO WIRANTO
(%) (%) (%)

1 LINGKARAN S.I 27,36 60,15 12,49

2 LEBAGA S.I 26,56 60,85 12,59

3 LP3ES 27,53 60,28 12,19

4 CIRUS 27,49 60,20 12,31

5 METRO TV 26,32 58,51 15,18

6 KPU 26,79 60,80 12,41

SUARA SYAH (org) 32.548.105 73.874.562 15.081.814

TOTAL SUARA 121.504.481 Golput: 49.212.158

*) Sumber: Harian Padang Ekspres Jumat tanggal 24 Juli 2009.

PENELITIAN :
1. SURVEY : mengamati sebahagian populasi ( sampel ) di
lapangan menurut apa adanya, tidak ada sama
sekali pengaturan/pengontrolan faktor menurut
yang diinginkan sipeneliti. (kuesioner, wawancara
dan langsung ).
 KUESIONER ATAU DAFTAR PERTANYAAN
dibawa langsung atau dikirim. ( pertanyaan terbuka
atau tertutup, pertanyaan meragukan ).
WAWANCARA secara langsung atau lewat telpon.
(terstruktur/tidak terstruktur, tidak jelas bisadiulang
atau diberi penjelasan, hati-hati hal yang sensitif ).
PENGAMBILAN SAMPEL LAPANG LANGSUNG
(sampelnya bukan manusia ).

2. PERCOBAAN ATAU EXPERIMENT : adalah penelitian

terhadap sesuatu, baik di laboratorium ataupun
di lapangan, dimana beberapa faktor diatur atau
dibuat menurut keinginan sipeneliti.

Di laboratorium : banyak faktor yang bisa diatur atau

dikontrol menurut yang diinginkan,(To, RH, cahaya)

Di lapangan : kondisi selain perlakuan diatur dan

diusahakan seragam

3. PENGAMATAN TINGKAH LAKU ATAU BEHAVIOR:

Pengamatan terhadap hewan atau binatang.

Pengamatan arkeologi

DATA HARUS : VALID DAN TERPERCAYA

Alat dan metode analisis yang canggih tidak akan

berguna jika data tidak valid dan tidak terpercaya.
Kevalidan dan keterpercayaan data tidak bisa diperiksa
dengan metode statistika. Pemeriksaan diarahkan kepada
pelaku pengukuran/pengamatan.
DALAM PENGUKURAN ATAU PENGAMATAN VARIABEL
PERLU DIJELASKAN :

1. Kriteria atau konsep dari apa yang akan diukur

atau yang diamati.

2. Harus jelas alat ukur yang dipakai, dan harus ada

sangkut pautnya dengan yang diukur.

3. Pengukuran harus mempunyai akurasi dan presisi

yang tinggi

akurasi, presisi akurasi JELEK akurasi, presisi

JELEK presisi BAGUS BAGUS

EMPAT LEVEL SKALA PENGUKURAN

1. SKALA NOMINAL
Ada pengolongan/pengelompokan saja
Skala pengukuran paling lemah
Berasal dari variabel kualitatif ( jenis
kelamin, partai, kesehatan, warna )
2. SKALA ORDINAL
Ada penggolongan dan urutan
Berasal dari variabel kualitatif (level
hotel, kepangkatan, tingkat pendidikan,
rangking olah raga )

3. SKALA INTERVAL
Ada penggolongan, urutan dan jarak.
Tidak ada 0 mutlak,
tidak bisa diperbandingkan (ratio)
Berasal dari variabel kuantitatif
( To, waktu suatu daerah, tanggal)

4. SKALA RATIO
Ada pengolongan, urutan, jarak, dan ada
0 mutlak yaitu tidak nilai dibawah nol,
bisa diperbandingkan
Ber asal dari variabel kuantitatif (berat,
panjang, luas, volume )
Skala pengukuran paling kuat.
 RATIO
4
INTERVAL
3
ORDINAL
2
NOMINAL
1
Berasal dari variabel kuali- Berasal dari variabel
tatif, dan banyak dipakai kuantitatif, terpakai
dalam statistika non para- dalam statistika para-
metrik. metrik.
 PENYEDERHANAAN DATA

NILAI MATA KULIAH STATISTIKA DARI 125 MAHASISWA

71 75 96 80 83 58 82 88 93 79 80
68 83 68 88 76 92 74 85 77 82 80
79 68 79 74 80 76 72 87 86 86 93
78 89 78 73 82 77 82 55 90 83 73
69 88 73 82 79 81 90 84 79 78 74
81 84 78 75 47 83 86 91 79 42 72
84 85 78 79 89 56 86 72 62 64 78
79 84 81 64 74 60 55 77 85 94 75
49 68 54 57 56 87 63 77 79 69 91
79 77 87 62 98 66 89 65 68 85 71
73 84 81 62 64 74 69 74 78 75 69
78 70 73 78

DATA MENTAH INI TIDAK MEMBERIKAN INFORMASI SAMA

SEKALI, SEHINGGA PERLU DIOLAH, DIORGANISIR, ATAU DI
SEDERHANAKAN AGAR MENJADI LEBIH INFORMATIF.

TUJUAN PENGOLAHAN / PENGORGANISIRAN DATA :

1. Data menjadi menjadi sederhana dan mudah dibaca.

2. Data menjadi lebih informatif.

3. Sifat-sifat atau kharakteristik dari sekelompok data diketahui.

TEKNIK PENGOLAHAN DATA :

1. Mengurut data dari kescil ke besar atau sebaliknya.

2. Membentuk Tabel Distribusi Frekuensi.
3. Membuat Histogram, Poligon Frekuensi dan Ogive.
4. Menghitung niai-nilai Tendensi Sentral.
5. Menghitung nilai-niai dispersi atau penyimpangan.
6. Menentukan bentuk sebaran atau distribusi data ( normal, skewness,
kurtosis ).
 1. MENGURUT DATA DENGAN TEKNIK BATANG DAN DAUN

1.1. Satu digit terakhir dari data dijadikan sebagai DAUN, dan
digit sisanya dijadikan BATANG.

1.2. Seluruh kemungkinan DIGIT BATANG disusun dari kecil ke

besar secara vertikal.

1.3. Tuliskan setiap DIGIT DAUN dari data di depan atau sebelah
kanan dari DIGIT BATANG.

1.4. Seluruh DIGIT DAUN hasil point 1.3 untuk setiap DIGIT
BATANG disusun dari kecil ke besar.

1.5. Data menjadi tersusu dari kecil ke besar.

ILUSTRASI :

THE STEM-AND-LEAF DISPLAY

STEM LEAF
3
4 729
5 8565476
6 88892440839262582499
7 1596479946288373399848592928947579971344858038
8 0328038520076692298214143644596415773541
9 6323001418
10

DATA TERURUT
STEM LEAF
3
4 279
5 4556678
6 0222344456888889999
7 01122233333444444555566777778888888889999999999
8 000011112222233334444455556666777888999
9 0011233468
10
2. TABEL DISTRIBUSI FREKUENSI
adalah penyusunan data dalam bentuk tabel,
dimana data dibagi atas beberapa kelompok
sebagai kepala baris, dan frekuensi dari masing-
masing kelompok pada satu kolom.

Tabel distribusi frekuensi data kualitatif.

Tabel distribusi frekuensi data tidak
dikelompokkan.
Tabel distribusi frekuensi data dikelompokkan

ISTILAH PADA TABEL DISTRIBUSI

FREKUENSI

1. Kelas interval : adalah kelompok ke mana suatu

nilai dimasukkan.
Jumlah kelas interval dari suatu Tabel distribusi
frekuensi dilambangkan dengan huruf k.
ki adalah adalah kelas interval ke i. i = 1 2 .... k.
k dianjurkan antara 5 - 20.

2. Batas kelas interval : adalah nilai pembatas yang

menentukan bisa atau tidak bisa masuknya suatu
nilai ke dalam kelas interval itu.
Di kenal Batas bawah kelas ( Bb ) dan Batas atas kelas
( Ba ).
Gap atau celah adalah nilai beda antara Ba dan Bb
dari dua kelas interval yang berurutan.
Kemungkinan nilai gap adalah 1 0,1 0,01 dst.
3. Tepi kelas interval : adalah nilai batas riil atau
nyata antara dua kelas interval yang berurutan.
Dikenal Tepi bawah kelas ( Tb ) dan Tepi atas kelas
(Ta).

1 1
Tb Bb gap Ta Ba gap
2 2

Ta dab Tb dari dua kelas interval berurutan nilainya

adalah sama.

4. Panjang kelas interval atau Lebar kelas interval

adalah jumlah unit yang terdapat dalam suatu kelas
interval, dilambangkan dengan huruf p.
p = Ta - Tb dari suatu kelas interval, atau
p = Ba - Bb + nilai gap dari suatu kelas interval.
Sebaiknya nilai p sama dalam satu tabel distribusi
frekuensi dan nilainya dianjurkan nilai bulat ganjil.

5. Nilai tengah kelas atau Tanda kelas adalah nilai

yang letak paling ditengah dari suatu kelas interval,
dan nilainya bersifat mewakili nilai kelas tersebut,
dilambangkan dengan xi

Tb Ta Bb Ba
Ntk atau Ntk
2 2
 6. Frekuensi kelas adalah nilai yang menunjukkan
jumlah anggota dari suatu kelas interval.
fi adalah frekuensi kelas interval ke i. i= 1 2 .. k.

LANGKAH-LANGKAH PEMBUATAN TABEL

DISTRIBUSI FREKUENSI

1. Tentukan jumlah kelas interval atau k

k = 5 - 20
Rumus H.A. Sturges tahun 1926

k= 1 + 3,322 log n

2. Tentukan panjang kelas interval atau p

Sebaiknya :

p sama untuk setiap kelas interval.

p nilainya bulat dan bilangan ganjil.
range
p k

3. Tentuk kelas-kelas interval

Kelas interval pertama harus memuat nilai yang
terendah, dan kelas interval terakhir harus memuat
nilai yang tertinggi.
Bb atau Ba kelas interval pertama paling tinggi sama
dengan terendah.

4. Tentukan frekuensi masing kelas interval

dengan cara diturus atau tally.
DAFTAR : Distribusi Frekwensi nilai mata kuliah Statistika dari 125
Mahasiswa Fakultas Pertanian Univ. Bonai tahun 2000.
No Kelas Kelas Kelas
. Inter Fi Xi Ci Frel kurang lebih Fkum
val dari Fkum dari
1 41 - 45 1 43 -7 .008 <41 0 >40 125
2 46 - 50 2 48 -6 .016 <46 1 >45 124
3 51 - 55 3 53 -5 .024 <51 3 >50 122
4 56 - 60 5 58 -4 .040 <56 6 >55 119
5 61 - 65 8 63 -3 .064 <61 11 >60 114
6 66 - 70 11 68 -2 .088 <66 19 >65 106
7 71 - 75 20 73 -1 .160 <71 30 >70 95
8 76 - 80 30 78 0 .240 <76 50 >75 75
9 81 - 85 22 83 1 .176 <81 80 >80 45
10 86 - 90 15 88 2 .120 <86 102 >85 23
11 91 - 95 6 93 3 .048 <91 117 >90 8
12 96-100 2 98 4 .016 <96 123 >95 2
125 1.00 <101 125 >100 0

SELANJUTNYA BISA DIBUAT :

1. Tabel Distribusi Frekuensi Relatif

fi fi
f i rel . k
atau f i rel .
i1
fi n

2. Tabel Distribusi Frekuensi Relatif Persentase

fi
fi(%) k
x100% fi(%)
fi
x100%
atau
f
i 1
i n
3. Tabel Distribusi Frekuensi Kumulatif kurang
dari dan lebih dari.

4. Tabel Distribusi Frekuensi Kumulatif Relatif.

5. Tabel Distribusi Frekuensi Kumulatif Relatif

Persentase.

HISTOGRAM DAN POLIGON

 TABEL DISTRIBUSI FREKUENSI NILAI AKHIR STATISTIKA
DARI 125 MAHASISWA
FREKUENSI FREKUENSI Rel
KELAS
NO FREKUENSI RELATIF Persentase (
INTERVAL
( fi ) ( fi rel. ) fi %)
1 41 - 45 1 1/125 = 0.008 0.8
2 46 - 50 2 0.016 1.6
3 51 - 55 3 0.024 2.4
4 56 - 60 5 0.040 4.0
5 61 - 65 8 0.064 6.4
6 66 - 70 11 0.088 8.8
7 71 - 75 20 0.160 16.0
8 76 - 80 30 0.240 24.0
9 81 - 85 22 0.176 17.6
10 86 - 90 15 0.120 12.0
11 91 - 95 6 0.048 4.8
12 96 - 100 2 0.016 1.6
JUMLAH 125 1.000 100.0
TABEL DISTRIBUSI FREKUENSI KUMULATIF KURANG DARI
NILAI AKHIR STATISTIKA DARI 125 MAHASISWA
FREK.KUM. FREK.KUM. Rel
KELAS FREK.KUM.
NO RELATIF Persentase
INTERVAL ( fi kum.)
( fi kum.rel. ) ( fi kum.%)
1 <41 0 0 0
2 <46 1 0.008 0.8
3 <51 3 0.024 2.4
4 <56 6 0.048 4.8
5 <61 11 0.088 8.8
6 <66 19 0.152 15.2
7 <71 30 0.240 24.0
8 <76 50 0.400 40.0
9 <81 80 0.640 64.0
10 <86 102 0.816 81.6
11 <91 117 0.936 93.6
12 <96 123 0.984 98.4
13 <101 125 1.000 100.0
 TABEL DISTRIBUSI FREKUENSI KUMULATIF LEBIH DARI
NILAI AKHIR STATISTIKA DARI 125 MAHASISWA
FREK. KUM. FREK. KUM Rel
KELAS FREK. KUM
NO RELATIF Persentase (
INTERVAL ( fi kum )
( fi kum. rel. ) fi kum.%)
1 >40 125 1.000 100.0
2 >45 124 0.992 99.2
3 >50 122 0.976 97.6
4 >55 119 0.952 95.2
5 >60 114 0.912 91.2
6 >65 106 0.848 84.8
7 >70 95 0.760 76.0
8 >75 75 0.600 60.0
9 >80 45 0.360 36.0
10 >85 23 0.184 18.4
11 >90 8 0.064 6.4
12 >95 2 0.016 1.6
13 >100 0 0 0
OGIVE
140

120

100

80

60

40

20

0
<41 <46 <51 <56 <61 <66 <71 <76 <81 <86 <91 <96 <101

140

120

100

80

60

40

20
VARIASI BENTUK-BENTUK KURVA
0
>40 >45 >50 >55 >60 >65 >70 >75 >80 >85 >90 >95 >100
 PENGUKURAN DESKRIPTIF

TIGA BENTUK PENGUKURAN DESKRIPTIF YANG

MENJELASKAN SIFAT ATAU CIRI SUATU
KELOMPOK DATA :

I. TENDENSI SENTRAL / UKURAN PEMUSATAN

1. Rata-Rata Hitung ( Arithmatic mean ).

2. Median ( kuartil, desil dan persentil ).
3. Modus.
4. Rata-rata Ukur ( Geometric mean ).
5. Rata-rata Harmonis ( Harmonic mean ).

II. UKURAN DISPERSI ATAU PENYIMPANGAN :

1. Rentang.
2. Dispersi Kuartil.
3. Rata-rata Simpang.
4. Ragam dan Simpang Baku.

III. BENTUK SEBARAN ATAU KURVA :

1. Kemiringan ( Skewness ).
2. Keruncingan ( Kurtosis ).
I. TENDENSI SENTRAL :
Suatu kelompok data mempunyai tendensi untuk
mengelompok atau memusat pada nilai tertentu.
Sifat seperti ini yang disebut Tendensi Sentral atau
Gejala Pemusatan. Nilai tertentu seperti telah
diutarakan di atas, dan nilai itu bisa dipakai untuk
mewakili atau menggambarkan sifat dari
kelompok data itu.

1. RATA-RATA HITUNG
adalah jumlah nilai semua data dibagi dengan
banyak data tersebut. Rata-rata populasi diberi
lambang dengan (mu), dan rata-rata sampel
dilambangkan dengan x.
a. RATA-RATA UNTUK DATA INDIVIDUAL

Xi X 1 X 2 X 3 ....... XN
= N
i 1
(parameter)
N

Xi X 1 X 2 X 3 ....... Xn
x = n
i 1
(statistik)
n

Karakteristik Rata-rata hitung :

Nilai rata-rata ada dan hanya satu.
Nilai rata-rata paling demokratis.
Nilai rata-rata membagi dua data sama berat.
Nilai rata-rata dipengaruhi nilai ekstrim
Bagus mewakili data yang variasinya kecil.
Dipakai dalam statistika inferensia.
Hanya berlaku untuk skala interval dan ratio.
b. RATA-RATA UNTUK DATA
TERKELOMPOK.
k

fiXi f 1 X 1 f 2 X 2 f 3 X 3 ........ fkXk

x i 1

k
f 1 f 2 f 3 ...... fk
fi
i 1
_
x = nilai rata-rata hitung
fi = frekuensi kelas atau kelompok ke i
Xi = nilai tengah kelas atau kelompok ke i
k = jumlah kelas atau kelompok

RATA-RATA DENGAN METODE CODING

k

f i C i
X X p i1

o
k

i1
fi

_
x = nilai rata-rata hitung
Xo = nilai tengah kelas dimana Ci =0
fi = frekuensi kelas ke i
Ci = nilai kode kelas ke i
k = jumlah kelas interval
Xi = nilai tengah kelas ke i

X i X ci 0
Ci
p
2. MEDIAN
adalah nilai yang letaknya paling ditengah dari satu
set data yang terurut dari kecil ke besar. Median
membagi dua data sama banyak.

Karakteristik Median :
Nilai median ada dan hanya satu.
Tidak dipengaruhi nilai ekstrim.
Bisa ditentukan untuk data kualitatif ordinal, dan
TDF terbuka atas/bawah.
Bagus untuk mewakili populsi yang mempunyai
nilai ektrim.

MEDIAN untuk data yang belum dikelompokan

Me = nilai ke 1
n 1
2

MEDIAN untuk data yang sudah dikelompokan

n
F
Me T b p 2
fm


Tb = nilai tepi bawah dari kelas yang
mengandung nilai median.
p = panjang kelas interval.
n = jumlah data
F = jumlah frekuensi dari kelas-kelas sebelum
kelas yang mengandung nilai median.
fm = frekuensi dari kelas yang mengandung
nilai median.
3. MODUS
adalah nilai yang paling banyak muncul dala suatu
set data.

Karkateristik Modus :
Nilainya tidak unik, bisa satu, dua, tidak ada.
Nilainya tidak dipengaruhi nilai ekstrim.
Nilai modus sangat tidak stabil, mudah sekali
berubah dengan sedikit perubahan.
Nilai modus bisa juga ditentukan untuk data
kualitatif.

Modus untuk data yang sudak dikelompokkan :

a1
Mo T b p
a1 a 2

Mo = nilai modus
Tb = tepi bawah kelas yang mengandung nilai
Modus.
P = panjang kelas interval.
a1 = beda frekuensi kelas modus dengan
frekuensi kelas sebelumnya.
a2 = beda frekuensi kelas modus dengan
frekuensi kelas sesudahnya.

Mo = M - 3 ( M - Me )
4. RATA-RATA UKUR

Rata-rata ukur untuk data yang belum dikelompokan

:

RU n
x 1 . x 2 . x 3 ...... x n atau

log x1 log x2 log x3 ..... log xn

log RU
n

Rata-rata ukur untuk data yang sudah

Dikelompokan :

f 1(log x1) f 2(log x2) f 3(log x3) ...... fk (log xk )

log RU
f 1 f 2 f 3 ....... fk

Pemakaian rata-rata ukur diutamakan untuk yang

bersifat perbandingan, laju pertumbuhan atau data
yang meningkat berupa kelipatan data sebelumnnya.

5. RATA-RATA HARMONIS

a. Data yang belum dikelompokan

n
RH
1 1 1 1
....
x1 x2 x3 xn
 b. Data yang sudah dikelompokan :

fi
f1 f 2 f ..... f k
3
RH i 1
k

fi f1 f f 3 fk

2
....
i 1 Xi X1 X 2 X 3 Xk

Rata-rata harmonis dipakai untuk bilangan yang

dinyatakan dalam nilai per satuan.

Ukuran lokasi :

1. Kuartil

a. Data yang belum dikelompokkan :

Ki nilaike
i
n 1
4

b. Data yang sudah dikelompokkan :

in
F
Ki Tb p 4
f Ki


2. Desil

a. Data yang belum dikelompokkan :

Di nilaike
i
n 1
10

b.Data yang sudah dikelompokkan :

in
F
Di Tb p 10
f Di

3. Persentil

a.Data yang belum dikelompokkan :

Pi nilaike
i
n 1
100

b. Data yang sudah dikelompokkan :

in
F
Pi Tb p 100
f Pi


_
x
 1
II. PENGUKURAN DISPERSI

UNTUK MENDESKRIPSIKAN SUATU KELOMPOK DATA

ATAU SUATU POPULASI TIDAK CUKUP HANYA DENGAN
NILAI TENDENSI SENTRAL SAJA. NILAI TENDENSI
SENTRAL HANYA MENUNJUKKAN TEMPAT
MENGUMPULNYA ANGGOTA POPULASI, TETAPI TIDAK
BISA MENJELASKAN BAGAIMANA ANGGOTA POPULASI
ITU BERVARIASI ATAU MENYEBAR. VARIASI ATAU
DISPERSI INI PENTING SEKALI UNTUK MENILAI
DISTRIBUSI POPULASI.

TABEL NILAI MATA KULIAH DARI 5 MAHASISWA

NILAI MATA KULIAH Rata

MHS
1 2 3 4 5 6 7 rata Range 2
A 66 67 69 70 71 73 74 70
B 20 73 74 74 74 75 100 70
C 10 40 40 100 100 100 100 70
D 10 76 76 76 76 76 100 70
E 70 70 70 70 70 70 70 70

NILAI KARAKTER ATAU SIFAT DARI MASING-MASING MHS

UKURAN DISPERSI ABSOLUT :

1. RANGE
2. DEVIASI KUARTIL
3. DEVIASI RATA-RATA
4. RAGAM DAN STANDAR DEVIASI
1. RANGE :
adalah beda antara nilai tertinggi dengan nilai terendah.
Semakin besar nilai range berarti variasi data besar pula,
semakin kecil nilai range berarti variasi data kecil pula,
dan bilai range sama dengan nol berarti data tidak berva-
riasi atau semua data mempunyai nilai yang sama.

Kelemahan pengukuran range ini adalah dia hanya diten-

tukan oleh dua buah nilai saja, terbesar dan terkecil,
sehingga variasi antara kedua nilai ini tidak bisa dijelas-
laskannya, lihat nilai mahasiswa C dan D.

2. DEVIASI KUARTIL :
Pada dasarnya pengukuran dispersi dengan Deviasi
Kuartil sama dengan Range, sehingga sifatnya kurang
lebih sama. Deviasi Kuartil ditentukan oleh nilai K3 dan
K1, sehingga nilainya adalah :

Deviasi Kuartil = K3 - K1

3. DEVIASI RATA-RATA :
kelemahan Range dan Deviasi Kuartil diatasi oleh Deviasi
Rata-rata, yaitu dengan melibatkan seluruh data dalam
menentukan ukuran dispersinya. Deviasi ( jarak) masing-
masing data dengan nilai rata-ratanya dipertimbangkan.
Untuk mendapatkan Deviasi rata-rata, seluruh deviasi
masing-masing data dijumlahkan dan dibagi dengan
banyak data, atau dengan rumus :
 N

Xi
Deviasirat arata i 1
( populasi )
N

n _

i 1
Xi x
Deviasirat arata (sampel)
n

DEVIASI RATA-RATA UNTUK DATA YANG SUDAH

DIKELOMPOKAN

k
fi Xi X
Deviasirat arata i 1
k

i 1
fi

Kelemahan dari Deviasi rata-rata;

1. Nilai absolut sukar dimanipulasi lanjut secara

matematis.
2. Nilai absolut tidak menunjukkan jarak yang
sebenarnya.
4. RAGAM DAN STANDAR DEVIASI
Kelemahan pada Dviasi rata-rata diatasi oleh Ragam
yaitu dengan mengkuadratkan deviasi masing-masing
data dengan rata-ratanya, kemudian dijumlahkan, lalu
dibagi dengan banyak data. Ragam ada dua macam yaitu
Ragam popuklasi dilambangkan dengan 2 dan Ragam
sampel dilambangan dengan s2. Untuk Standar deviasi
populasi dilambangkan dengan , dan Standar deviasi
sampel dilambangkan denan s.

RAGAM UNTUK DATA YANG BELUM

DIKELOMPOKAN

Xi
N 2

i 1
2
(ragam populasi)
N
2
n
Xi X
2


i1

s n 1
(ragam sampel)

atau
2
n Xi

i 1
n

Xi
2

n

2 i 1
s n 1

Pembilang dari rumus di atas disebut Jumlah Kuadrat ( JK )

dan (n-1) disebut Derajat bebas atau disingkat dengan db.
Ragam atau Varian tidak mempunyai satuan, agar nilainya kembali
ke satuan awalnya maka ragam diakarkan dan nilai yang diperoleh
disebut dengan Standar deviasi atau Simpang baku.

RAGAM UNTUK DATA YANG TERKELOMPOK

2
N fiXi
2 i 1
X
N N

fi
2
i fi
Xi

N
i1
2 i 1
N

f
N
i
i 1

n
2
n fiXi
f X X i i

n
2 i 1


i 1 fi Xi
n
s i1
2
n
n 1
fi 1 i 1
SIMPANG BAKU SAMPEL DENGAN METODE CODING

2
n n f ic i

2
fi c i

i 1
S p i 1
n n n 1

DISPERSI RELATIF ATAU KOEFISIEN KERAGAMAN

S
CV KK
x 100 %
X

Kegunaan :

1. menilai tingkat ketelitian

2. membandingkan variasi dari sampel atau populasi.
PENGARUH PENGUBAHAN DATA TERHADAP RATA-RATA
DAN RAGAM POPULASI

1. Semua data ditambah / dikurangi dengan bilangan c

POPULASI DATA POPULASI
Awal X1 X2 X3 ......... XN x x2 x
+c X1+c X2+c X3+c ...... XN+c
-c X1-c X2-c X3-c ....... XN-c

Xi
N

X i
N 2
x
x i 1
2
x i 1

N N

Jika setiap data ditambah c, maka

N N

Xi C X 1 NC
i 1
i 1
x c
N N
dan ragamnya:

X c c Xi
N 2 N 2
i x x
i 1
x2 i 1
x2 ,
N N

Jika setiap data dikurangi c, maka

N N

Xi C X 1 NC
i 1
i 1
x c
N N

X c c Xi
N 2 N 2
i x x
i 1
x2 i 1
x2 ,
N N
2. Semua data dikali / dibagi dengan c
POPULASI DATA POPULASI
Awal X1 X2 X3 ......... XN x x2 x
xc cX1 cX2 cX3 ...... cXN
x 1/c X1/c X2/c X3/c ....... XN/c

Jika setiap data dikali dengan c, maka :

N
c Xi
cX 1 cX 2 cX 3 ..... cX N
i 1
c x
N N

dan ragamnya adalah :

cXcx cXx X x
N 2 N 2 N 2
i i i

2 i1` i1
C2 i1
C2 x2
N N N

Jika setiap data dibagi dengan c, maka :

1 N
X 1 / C X 2 / C X 3 / C ..... XN / C Xi 1
c i 1
x
N N c
dan ragamnya adalah :

X x
N 2
i
1 1
i 1
2
x
C2 N C2
 BENTUK SEBARAN DARI DATA
I. SKEWNESS / KEMIRINGAN KURVA
SETIAP POPULASI MEMPUNYAI KURVA TAU DISTRIBUSI
YANG BERBEDA SATU SAMA LAINNYA. PERBEDAAN ITU
BISA DILIHAT DARI APAKAH KURVA TERSEBUT SIMETRIS
ATAU ASIMETRIS / MIRING.

DENGAN MEMPERHATIKAN NILAI MEAN, MEDIAN, DAN

MODUS DARI SUATU KURVA, SEBETULNYA SUDAH BISA
DITENTUKAN KURVA ITU SIMETRIS ATAU TIDAK.

JIKA : 1. M = Me = Mo : KURVA ADALAH SIMETRIS

2. M > Me > Mo : KURVA MIRING KE KANAN

3. M < Me < Mo : KURVA MIRING KE KIRI

TETAPI SEBERAPA BESAR KURVA TERSEBUT MIRING
BELUM BISA DIKETAHUI.
BESAR KEMIRINGAN SUATU KURVA DITENTUKAN OLEH
KOEFISIEN SKEWNESS ATAU KOEFISIEN KEMIRINGAN :
KOEFISIEN SKEWNESS :

Mo
1. KOEF. Skew. PEARSON 1 = ( POPULASI )

Atau

_
X Mo
= ( SAMPEL )
s

3 Me
2. Koef. Skew. PEARSON 2 =
( POPULASI )

Atau

_
3 X Me

= ( SAMPEL )
s
 K 3 2 K 2 K1
3. KOEF. Skew. BOWLEY = K 3 K1

JIKA NILAINYA : = 0 : KURVA SIMETRIS

> 0 : KURVA MIRING KE KANAN
< 0 : KURVA MIRING KE KIRI

P90 2 P50 P10

4. KOEF. Skew. PERSENTIL = P90 P10

JIKA NILAINYA : = 0 : KURVA SIMETRIS

> 0 : KURVA MIRING KE KANAN
< 0 : KURVA MIRING KE KIRI

5. KOEF. Skew. RELATIF 3

f X
1 3
i i
N
3
3
 II. KURTOSIS / KERUNCINGAN

SUATU KURVA SIMETRIS BISA JUGA DIBEDAKAN

BERDASARKAN BENTUK PUNCAKNYA, APAKAH
TERGOLONG LEPTOKURTIK, MESOKURTIK, ATAU
PLATIKURTIK.

UNTUK MENETUKAN APAKAH TERGOLONG LEPTO, MESO

ATAU PLATIKURTIK, DITENTUKAN DENGAN MENGHITUNG
NILAI KOEFISIEN KURTOSIS ATAU KOEF. KERUNCINGAN
SEBAGAI BERIKUT :

0 ,5 K 3 K 1
1. KOEF. KURTOSIS =
P90 P10
JIKA NILAINYA : = 0,263 : KURVA MESOKURTIK
> 0,263 : KURVA LEPTOKURTIK
< 0,263 : KURVA PLATIKURTIK
2. KOEF. KURTOSIS 4

f X
1 4
i i
N
4 i 1
4

JIKA NILAINYA : = 3 : KURVA MESOKURTIK

> 3 : KURVA LEPTOKURTIK
< 3 : KURVA PLATIKURTIK
PENYAJIAN DATA

I. TABEL

JUDUL TABEL ;
KEPALA KEPALA KOLUM
BARIS

SEL

*) SUMBER DATA / KETERANGAN

II. GAMBAR

1. DIAGRAM BATANG
2. HISTOGRAM
3. DIAGRAM LINGKARAN
4. PICTO GRAPH
5. GRAFIK GARIS
CONTOH :

JUMLAH PELAJAR
300

250

200

150 LK
PR
100

50

0
TK SD SMP SMA

JUMLAH PELAJAR
500
450
400
350
300
250 PR
200 LK
150
100
50
0
TK SD SMP SMA
 JUMLAH PELAJAR
300
250
200
150
LK
100
PR
50
0
TK
SD
SMP
SMA

JUMLAH PELAJAR
500

400

300

200 PR
LK
100

0
TK
SD
SMP
SMA
SMA

SMP

PR
LK
SD

TK

0 50 100 150 200 250 300

SMA

SMP

LK
PR
SD

TK

0 100 200 300 400 500

 JENIS PENGGUNAAN LAHAN

LAIN-LAIN
17%
TNH KERING
13%
HUTAN
SAWAH 59%
11%

JENIS PENGGUNAAN LAHAN

LAIN-LAIN
17%

TNH KERING
13%
HUTAN
59%

SAWAH
11%
JENIS PENGGUNAAN LAHAN

LAIN-LAIN
17%

TNH KERING
13%
HUTAN
SAWAH 59%
11%

JENIS PENGGUNAAN LAHAN

LAIN-LAIN
17%

TNH KERING
13%
HUTAN
SAWAH 59%
11%
 JENIS PENGGUNAAN LAHAN

LAIN-LAIN
17%
TNH KERING
13%
HUTAN
SAWAH 59%
11%

JENIS PENGGUNAAN LAHAN

LAIN-LAIN
17%
TNH KERING
13%
HUTAN
SAWAH 59%
11%
120

100

80

60
Series1

40

20

0
I II III IV V VI VII VII IX X XI

120

100

80

60
Series1

40

20

0
I II III IV V VI VII VII IX X XI
TEORI PELUANG ( PROBABILITY THEORY) 1

1. Semua kesalahan-kesalahan yang mungkin terjadi pada

Statistika Deskriptif pada umumnya berupa :

a. Kesalahan dalam perhitungan

b. Kesalahan dalam memilih formula
c. Kesalahan dalam membaca data
d. Kesalahan lain karena kelalaian

Semua kesalahan ini bisa dihilangkan dengan meningkatkan

prosedur dengan lebih hati-hati.

2. Pada Statistika Inferensia kita terlibat dengan kesalahan

yang tidak bisa dihilangkan dengan meningkatkan prosedur
dengan lebih hati-hati.
Kesalahan pada Statistika Inferensia ini muncul pada
ssetiap saat kita menggunakan informasi parsial seperti
sampel yang selanjutnya digunakan untuk menarik
kesimpulan untuk keseluruhan atau populasi.

3. dengan Statistika Inferensia ilmu pengetahuan berkembang

begitu pesat seperti sekarang. Hal ini disebabkan ilmu
pengetahun tersebut pengembangan nya didasarkan pada
prosedur induktif melalui penelitian.

4. Untuk bisa memahami dan menggunakan Statistika

Inferensia secara baik, mesti dipahami Probability Theory
yang merupakan dasar dari Statistika Inferensia itu sendiri.
Kita bisa menggunakan Teori Peluang dalam membuat
kesimpulan tentang populasi hanya berdasarkan nilai
statistic dari satu sampel. Dengan memahami Teori Peluang
ini, akan bisa dibedakan antara ilmuwan dengan tukang
ramal.
 DISTRIBUSI PELUANG 2
( PROBABILITY DISTRIBUTUION)

Dengan pendekatan secara matematis bisa dicari atau ditentukan

formula matematis yang mewakili suatu kurva.
Dari sekian banyak bentuk kurva matematis, ada beberapa
bentuk dasar yang berguna sekali dalam memahami kebera
gaman yang ditemui dalam kehidupan nyata, diantaranya adalah
:

1. Distribusi Binomial
2. Distribusi Normal/Gauss
3. Distribusi t Student
4. Distribusi Chi Square
5. Distribusi F
6. Distribusi Poisson
7. Distribusi Hypergeometric.

Semua distribusi ini adalah berdasarkan peluang

DISTRIBUSI BINOMIAL

Distribusi Binomial sangat penting sekali karena dia

memungkinkan kita untuk bisa menghitungpeluang dari suatu
sampel.

Distribusi Binomial merupakan distribusi peluang yang

dihasilkan melalui eksperimen yang menghasilkan dua macam
hasil saja, seperti hasilnya dalam bentuk sukses dan gagal,
menang dan kalah, sisi muka dan sisi belakang, Kartu As dan
bukan kartu As.
Besar peluang untuk Sukses dilambangkan dengan p dan peluang
untuk Gagal dilambangkan dengan q, dimana
p +q = 1 , atau p = 1 q , atau q = 1 p dan n adalah ukuran
banyak sampel.

KARAKTERISTIK DISTRIBUSI BINOMIAL 4

1. Setiap nilai n dan p yang ditetapkan akan membentuk satu

distribusi binomial.

2. Bentuk dari Distribusi Binomial bisa miring dan bisa

simetris. Bila nilai p = 0,5 maka Diastribusi Binomialnya
akan simetris untuk setiap besaran n. Bila p 0,5 ,
distribusi akan miring, dan akan semakin menjadi simetris
dengan semakin mendekatnya nilai p ke 0,5.

3. Nilai rata-rata atau Nilai tengah ( ) dari Distribusi

Binomial adalah :

a.
X i P X i jika n = 4 dan 0,5 maka
i 1

Xi : 0 1 2 3 4
P(Xi) : 1/16 4/16 6/16 4/16 1/16

b. = np. = 4 x 0,5 = 2

4. Standar deviasi atau Simpang baku dari Distribusi

Binomial adalah :
 n

a.
Xi 2
P Xi b. npq
i 1

SOAL: 5

1. Peluang seorang pasien akan sembuh setelah operasi adalah

70%. Jika ada 10 orang yang dioperasi :

a. Tulislah matematik model yang mewakili distribusi

binomial untuk masalah di atas !
b. Berapa peluang akan sembuh sebanyak 7 orang dari 10
orang yang dioperasi ?
c. Berapa rata-rata populasi dan simpang baku populasi
dari distribusi binoal dari data di atas.

2. Dilaporkan bahwa sebuah mangga terserang larva lalat

buah adalah 30%. Kalau saudara beli mangga tersebut
sebanyak 20 buah, berapa peluang saudara :

a. Terbeli mangga itu busuk sebanyak 13 buah ?

b. Terbeli mangga itu busuk paling kurang 3 buah ?

3. Pada suatu pabrik ban mobil ternyata hanya 92% dari ban
yang diproduksinya yang bagus. Kalau diambil 20 buah ban
sebagai sampel, berapa kemungkinan dari sampel itu akan
terambil 18 ban bagus dan 2 rusak.
 DISTRIBUSI BINOMIAL

JUMLAH X = JUMLAH MUNCUL H

EVENT 0 1 2 3 4

T H
n =1
p q

TT HT HH
n = 2 HT
T2 2 HT H2
(p + q)2 q2 2 pq p2

TTT HTT HHT HHH

THT HTH
n = 3
TTH THH
T3 3 HT2 3 H2T H3
(p + q)3 q3 3 pq2 3 p2q p3

TTTT HTTT HHTT HHHT HHHH

THTT HTHT HHTH
TTHT HTTH HTHH
n = 4 TTTH TTHH THHH
THTH
THHT
T4 4 HT3 6 H2T2 4 H3T H4
(p + q )4 q4 4 pq3 6 p2q2 4 p3q p4

P( H ) = p P( T ) = q q = (1 - p )

PX x n, p
n!
pxqnx
x!n x!
 DISTRIBUSI NORMAL / GAUSS

Pada distribusi binomial kita terkait dengan variable random

diskrit. Pada distribusi normal ini berkaitan dengan variable
random kontinu.

Distribusi normal berhubungan erat dengan kurva yang simetris,

bukan dengan kurva miring. Kurva simetris yang memenuhi
persyaratan berikut dan dikemukakan oleh Gauss dinamakan
KURVA NORMAL atau DISTRIBUSI NORMAL.

SIFAT-SIFAT ATAU CIRI KURVA NORMAL :

1.

1 X 2
i x
f x
1 2 x
e
x 2
f(x) : nilai fungsi kepekatan peluang normal
Xi : nilai ke i dari variable random kontinu yang
nilainya - < X >
: konstanta matematis yang nilainya 3, 14159
e : bilangan dasar logaritma Napier : 2,71828
x : rata-rata populasi
x : standard deviasi populasi

Garis kurva tidak pernah menyinggung sumbu X,

sedangkan peluangnya ditunjukkan oleh daerah yang
teletak anatara dua garia vertical, dan peluang pada satu
titik atau satu nilai x adalah nol.
http://serc.carleton.edu/nnn/teachwdata/Statcentral.html 19 Oktober 2012

2. Kurva normal berbentuk lonceng dan simetris

3. Setiap kombinasi dari x dan x membentuk satu

distribusi normal dimana x menentukan letak kurva
dan x menentukan penyebaran atau tinggi kurva.

http://en.wikipedia.org/wiki/Normal_distribution 21 Oktober 2012

4. Bila ditarik garis tegak lurus pada x = kurva kan
terbagi dua sama besar yaitu masing-masing 0,5
bagian atau 50 %.Luas daerah antara :

( - ) x ( + ) adalah 0,6826 ( 68,26 % )

( - 2) x ( + 2 ) adalah 0,9544 (95,44 %)

( - 3) x ( + 3 ) adalah 0,9973 (99,73 %)

http://en.wikipedia.org/wiki/Normal_distribution 21 Oktober 2012.

Eq. Satu populasi rata-ratanya 50 dan simpang

bakunya 10 dengan jumlah anggota populasi
10.000. Berapa jumlah anggota populasi
>50, berapa jumlah anggota populasi >53.
KURVA NORMAL BAKU / NORMAL STANDARD

x = 0 x =1

X Z

Xi x
Zi
x

Pop. Xi : 2 4 6 8 10 12 14 x = 8 x=4

Pop. Zi :-1,5 -1,0 -0,5 0 0,5 1,0 1,5 z = 0 z=1

1 X i x 2

f x
1 2 x
e
x 2

1 2
Z
f z
1 2
e
2
Berdasarkan model matematis dari distribusi normal
standard yang mempunyai = 0 dan =1 disusun tabel
yang memuat luas daerah dibawah kurva antara dua nilai z
sebagai berikut :
 Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
http://www.mathsisfun.com/data/standard-normal-distribution-table.html 11/10/2012
 The z-Distribution

Area from infinity to z. Negative values are found by symmetry.

Second Decimal Place of Z

Z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0 .5000 .4960 .4920 .4880 .4840 .4801 .4761 .4721 .4681 .4641
0.1 .4602 .4562 .4522 .4483 .4443 .4404 .4364 .4325 .4286 .4247
0.2 .4207 .4168 .4129 .4090 .4052 .4013 .3974 .3936 .3897 .3859
0.3 .3821 .3783 .3745 .3707 .3669 .3632 .3594 .3557 .3520 .3483
0.4 .3446 .3409 .3372 .3336 .3300 .3264 .3228 .3192 .3156 .3121
0.5 .3085 .3050 .3015 .2981 .2946 .2912 .2877 .2843 .2810 .2776
0.6 .2743 .2709 .2676 .2643 .2611 .2578 .2546 .2514 .2483 .2451
0.7 .2420 .2389 .2358 .2327 .2296 .2266 .2236 .2206 .2177 .2148
0.8 .2119 .2090 .2061 .2033 .2005 .1977 .1949 .1922 .1894 .1867
0.9 .1841 .1814 .1788 .1762 .1736 .1711 .1685 .1660 .1635 .1611
1.0 .1587 .1562 .1539 .1515 .1492 .1469 .1446 .1423 .1401 .1379
1.1 .1357 .1335 .1314 .1292 .1271 .1251 .1230 .1210 .1190 .1170
1.2 .1151 .1131 .1112 .1093 .1075 .1056 .1038 .1020 .1003 .0985
1.3 .0968 .0951 .0934 .0918 .0901 .0885 .0869 .0853 .0838 .0823
1.4 .0808 .0793 .0778 .0764 .0749 .0735 .0722 .0708 .0694 .0681
1.5 .0668 .0655 .0643 .0630 .0618 .0606 .0594 .0582 .0571 .0559
1.6 .0548 .0537 .0526 .0516 .0505 .0495 .0485 .0475 .0465 .0455
1.7 .0446 .0436 .0427 .0418 .0409 .0401 .0392 .0384 .0375 .0367
1.8 .0359 .0352 .0344 .0336 .0329 .0322 .0314 .0307 .0301 .0294
1.9 .0287 .0281 .0274 .0268 .0262 .0256 .0250 .0244 .0239 .0233
2.0 .0228 .0222 .0217 .0212 .0207 .0202 .0197 .0192 .0188 .0183
 2.1 .0179 .0174 .0170 .0166 .0162 .0158 .0154 .0150 .0146 .0143
2.2 .0139 .0136 .0132 .0129 .0125 .0122 .0119 .0116 .0113 .0110
2.3 .0107 .0104 .0102 .0099 .0096 .0094 .0091 .0089 .0087 .0084
2.4 .0082 .0080 .0078 .0075 .0073 .0071 .0069 .0068 .0066 .0064
2.5 .0062 .0060 .0059 .0057 .0055 .0054 .0052 .0051 .0049 .0048
2.6 .0047 .0045 .0044 .0043 .0041 .0040 .0039 .0038 .0037 .0036
2.7 .0035 .0034 .0033 .0032 .0031 .0030 .0029 .0028 .0027 .0026
2.8 .0026 .0025 .0024 .0023 .0023 .0022 .0021 .0021 .0020 .0019
2.9 .0019 .0018 .0017 .0017 .0016 .0016 .0015 .0015 .0014 .0014

http://mips.stanford.edu/courses/stats_data_analsys/234_99.html

Eq. 1. P( 0 Z 1,00 ) 4. P( Z 1,19 )

2. P( 0,57 Z 1,72 ) 5. P( Z 2,58 )

3. P( -1,21 Z 2,34 ) 6. P( Z z ) = 0,0250

7. Populai nilai akhir Statistika dari mahasiswa

menyebar secara normal dengan nilai rata-
ratanya adalah 65 , simpang bakunya 5 dan
jumlah seluruh mahasiswa 5000 orang .

Hitunglah :

1. Berapa persen mahasiswa yang mempu nyai

nilai antara 60 70.

2. Berapa orang mahasiswa yang mempu nyai

82.

3. Dari nilai berapa akan didapatkan 5%

mahasiswa yang mempunyai tertinggi
 PENDEKATAN DISTRIBUSI BINOMIAL DENGAN
DISTRIBUSI NORMAL BAKU
Distribusi Binomial bisa didekati dengan distribusi
normal baku jika distribusi binomial itu mempunyai np
5 atau n( 1 p 5.

Distribusi normal baku :

Xi x
Zi
x
Distribusi Binomial : x = np dan x npq

Distribusi Binomial Distribusi normal baku

X i np
Zi
npq
Contoh ;

Satu sampel 1600 ban mobil diambil secara acak dari

pabrik ban yang produksi berpeluang rusak sebesar 8 %.
Berapa peluang dari sampel tersebut akan mengandung
150 ban rusak.
 DISTRIBUSI RATA-RATA SAMPEL
(SAMPLING DISTRIBUTION)
Statistika Inferensia berkaitan dengan pengambilan kesimpulan
tentang populasi ( parameter) berdasarkan data sampel
(statistik)

Mari kita lihat hubungan antara sampel dengan populasi

Apakah memang data sampel (statistic) bagus untuk menduga
tentang populasi (parameter) ?

Pop. Xi : X1 X2 X3 X4 .. XN x ; x

Sampel n : S1 S2 S3 S4 SNn

Rata2 sampel X : X1 X2 X3 X 4 .. X Nn X X

Pertanyaan :

1. Jumlah anggota populasi X dan jumlah anggota populasi X

2. Hubungan bentuk distribusi X dengan bentuk distribusi X

3. Hubungan antara X dengan x

4. Hubungan antara X dengan x

ILUSTRASI

Populasi Xi : 2 4 6 N=3 x = 4 ; x2 = 8/3

Ambil sampel dengan pengembalian (replacement)

n =2 : sampel X TDF X fi
2,2 2 2 1
2,4 3 3 2
2,6 4 4 3
4,2 3 5 2
4,4 4 6 1
4,6 5
6,2 4 N = Nn = 32 = 9
6,4 5
6,6 6

X = 36/9 = 4 x2 = 12/9

n =3 : sampel X TDF X fi
2,2,2 2,0 2,00 1
2,2,4 2,67 2,67 3
2,2,6 3,33 3,33 6
........ 4,00 7
2,4,6 4,00 4,67 6
2,6,6 4,67 5,33 3
.. 6,00 1
4,6,6 5,33
6,6,4 5,33 N = Nn = 33 = 27
6,6,6 6,00

X = 108/27 = 4 , x2 = 24/27
n 4
n=4 : N = N = 3 = 81 X = 324/81 = 4 , x2 = 54/81
KESIMPULAN :

1. Jumlah anggota populasi dari distribusi rata-rata sampel

dengan sampel pengembalian adalah Nn.

2. Distribusi rata-rata sampel mendekati distribusi normal

dengan semakin meningkatnya jumlah sampel n :

http://www.google.co.id/imgres?imgurl=http://1.bp.blogspot.com/_0Lnn2o
P30gU/TTyVkV3_mII/AAAAAA 16 Oktober 2012
 a. Jika distribusi awal non normal, akan mendekati distribusi
normal bila n 30.
b. Jika distribusi awal simetris, akan mendekati distribusi
normal bila n 15.
c. Jika distribusi awal normal akan tetap normal, tidak
tergantung pada besar sampel n.

INI DALIL LIMIT SENTRAL (CENTRAL LIMIT

THEOREM)

3. Rata-rata dari distribusi rata-rata sampel sama dengan rata-

rata distribusi X : X = x

4. Ragam dan simpang baku untuk distribusi tidak terbatas :

2
x
x2 x atau
x (standard error)
n n
atau rumus ini dipakai jika n/N 5 %.

5. Simpang baku untuk distribusi terbatas :

x N n
x
n N 1 dipakai jika n/N 5 %.

6. Sejalan dengan bertambah jumlah sampel n, maka nilai

x semakin kecil dari nilai x . Akibatnya nilai rata-rata
sampel ( X ) akan semakin banyak menumpuk mendekati nilai
X . Hal ini menjadikan nilai X menjadi sebagi nilai penduga
yang bagus bagi rata-rata populasi x.
 7. Agar nilai Standard error x bertambah kecil, bisa
diusahakan dengan :
a. Ukuran sampel n diperbesar.

b. Nilai x diperkecil dengan control yang bagus.

c. Kombinasi a dan b di atas.

DISTRIBUSI NILAI TENGAH SAMPEL DENGAN BERBAGAI n

Besar sampel
n= 1 n = 2 n = 3 n = 4 n = 8
X Fi X Fi X Fi X Fi X Fi

2,0 1 2,0 1 2,0 1 2,0 1 2,00 1

2,25 8
2,5 4 2,50 36
2,67 3 2,75 112
3,0 2 3,0 10 3,00 266
3,33 6 3,25 504
3,5 16 3,50 784
3,75 1016
4,0 1 4,0 3 4,0 7 4,0 19 4,00 1107
4,25 1016
4,5 16 4,50 784
4,67 6 4,75 504
5,0 2 5,0 10 5,00 266
5,33 3 5,25 112
5,5 4 5,50 36
5,75 8
6,0 1 6,0 1 6,0 1 6,0 1 6,00 1

X 3 9 27 81 6561
x 4 4 4 4 4
x 8/3 12/9 24/27 54/81 2187/6561
http://www.google.co.id/imgres?imgurl=http://upload.wikimedia.org/wiki
pedia/en/1/1d/Marginoferror95.PNG&imgrefurl=http://terrytao.wordpress.
com/2010/09/14/a-second-draft-of-a-non-technical-article-on-
universality/&usg=__IWo2zeikutDwJPG7G94SMZWL7xg=&h=973&w=1029&sz=49&hl
=id&start=12&zoom=1&tbnid=Cf9yT_9bvbw4VM:&tbnh=142&tbnw=150&ei=qMuAUKH
dO9GHrAeGq4CoBQ&um=1&itbs=1 16 Oktober 2012.
 PENDEKATAN DISTRIBUSI RATA-RATA SAMPEL DENGAN
DISTRIBUSI NORMAL STANDARD

Distribusi normal X bisa dikonversi menjadi distribusi normal

standard.

Xi x
Zi
X Z dengan rumus x

Analog dengan yang di atas, Distribusi X tentu bisa pula dikonversi

menjadi distribusi normal standard.

X i x
Zi
X Z dengan rumus x
n

CONTOH SOAL :

1. Lama hidup dari baterai merek A menyebar menurut

distribusi normal dengan rata-ratanya 100 jam dan simpang
bakunya 10 jam.

a. Berapa persen dari baterai tersebut yang mempunyai masa

hidup antara 100 105 jam.
b. Jika diambil 16 baterai secara acak sebagai sampel :

b.1. Berapa peluang nilai rata-rata sampel tersebut akan

berada antara 100 105 jam?
b.2. Berapa peluang nilai rata-rata sampel tersebut diatas
110 jam ?
 RAGAM SAMPEL
DAN DISTRIBUSI t STUDENT
HUBUNGAN RAGAM POPULASI 2 DENGAN RAGAM
SAMPEL S2

Xi Xi x
N n
2 2

S2 i 1
i 1
2
; n 1
N
Kenapa harus dibagi dengan ( n-1) atau derajad bebas ?

Bukti :
8
Pop Xi : 2 4 6 x = 4 ;
x2
3

Tarik sampel n = 2
Sampel n
Xi X 2
n
Xi X 2

X i 1 n
i 1 n 1
2,2 2 0 0
2,4 3 1 2
2,6 4 4 8
4,2 3 1 2
4,4 4 0 0
4,6 5 1 2
6,2 4 4 8
6,4 5 1 2
6,6 6 0 0
Rata-rata 36 / 9 = 4 12/ 9 = 4/3 24/9 = 8/3
 2
n
Xi
Xi X X i2 i 1
n n

n
S2 i 1
S 2 i 1
n 1 n 1

JK dan FK, db

Kesimpulan :
Bila semua sampel yang besarnya n ditarik dari suatu
populasi, maka nilai tengah ragam dari ragam semua
sampel ( S2 ) adalah sama dengan ragam populasi x2 ,
artinya ragam sampel adalah penduga yang bagus untuk
ragam populasi, atau S adalah yang bagus untuk x.

DISTRIBUSI t STUDENT
Xi x
Zi
Terdahulu sudah didapatkan rumus x
n
Pemakaian rumus ini sangat terbatas karena mengandung nilai
parameter x yang nilainya sulit atau tidak mungkin diketahui.
Untuk mengatasi permasalahan ini, maka W. S. Gosset dengan
nama samaran Student mempelajari bagaimana kalau nilai x
diduga dengan nilai S, atau nilai x disubstitusi dengan nilai S,
maka rumus menjadi
 Xi x Xi x
Zi ti
x S
n n

ILUSTRASI : Cari nilai ti untuk setiap nilai Xi

Pop Xi : X1 X2 X3 X4 .. X N x ; x

Pop ti : t1 t2 t3 t4 tN t ; t
Kumpulan dari semua nilai ti ini yang dikatakan distribusi t

Student yang mempunyai t =0 , t > 1, dan db= n -1

Distribusi t Student tidak satu, melainkan banyak karena setiap
sampel n akan membentuk satu distribusi t Student.

SIFAT-SIFAT PENTING DARI DISTRIBUSI t STUDENT :

1. Distribusi t Sudent adalah berbeda untuk sampel n berbeda.

2. Bentuk Distribusi t Student adalah berbentuk lonceng dan
simetrris, sama seperti distrbusi normal baku, tetapi variasi
nya lebih besar dari distribusi normal standard.

3. Distribusi t Student mempunyai t =0 sama seperti

distribusi normal standard yaitu z =0 .
4. Standard deviasi atau simpang baku distribusi t Student

bervariasi bersama sampel n dan nilainya > 1 ( t > 1), tidak

seperti distrbusi normal standard yang z = 1.

 5. Jika nilai sampel n bertambah besar, maka distribusi t
Student akan mendekati distribusi normal standard, dan pada
saat n =, distribusi t Student persis sama dengan distribusi
normal standard, dengan kata lain ni t = Z untuk ( luas
kurva diatas nilai t atau Z) yang sama.

6. Setiap kombinasi nilai n 1 dengan bisa dicari nilai t nya,

dan kumpulan nilai-nilai t ini membentuk Tabel t.
TABEL DISTRIBUSI t STUDENT
Degree of = upper tail area
freedom 0,25 0,10 0,005
1
2
3 t ( n 1 ) = ?


PERCENTAGE POINTS OF THE T DISTRIBUTION
Tail Probabilities
One Tail 0.10 0.05 0.025 0.01 0.005 0.001 0.0005
Two Tails 0.20 0.10 0.05 0.02 0.01 0.002 0.001
-------+---------------------------------------------------------+----
D 1 | 3.078 6.314 12.71 31.82 63.66 318.3 637 | 1
E 2 | 1.886 2.920 4.303 6.965 9.925 22.330 31.6 | 2
G 3 | 1.638 2.353 3.182 4.541 5.841 10.210 12.92 | 3
R 4 | 1.533 2.132 2.776 3.747 4.604 7.173 8.610 | 4
E 5 | 1.476 2.015 2.571 3.365 4.032 5.893 6.869 | 5
E 6 | 1.440 1.943 2.447 3.143 3.707 5.208 5.959 | 6
S 7 | 1.415 1.895 2.365 2.998 3.499 4.785 5.408 | 7
8 | 1.397 1.860 2.306 2.896 3.355 4.501 5.041 | 8
O 9 | 1.383 1.833 2.262 2.821 3.250 4.297 4.781 | 9
F 10 | 1.372 1.812 2.228 2.764 3.169 4.144 4.587 | 10
11 | 1.363 1.796 2.201 2.718 3.106 4.025 4.437 | 11
F 12 | 1.356 1.782 2.179 2.681 3.055 3.930 4.318 | 12
R 13 | 1.350 1.771 2.160 2.650 3.012 3.852 4.221 | 13
E 14 | 1.345 1.761 2.145 2.624 2.977 3.787 4.140 | 14
E 15 | 1.341 1.753 2.131 2.602 2.947 3.733 4.073 | 15
D 16 | 1.337 1.746 2.120 2.583 2.921 3.686 4.015 | 16
O 17 | 1.333 1.740 2.110 2.567 2.898 3.646 3.965 | 17
M 18 | 1.330 1.734 2.101 2.552 2.878 3.610 3.922 | 18
19 | 1.328 1.729 2.093 2.539 2.861 3.579 3.883 | 19
20 | 1.325 1.725 2.086 2.528 2.845 3.552 3.850 | 20
21 | 1.323 1.721 2.080 2.518 2.831 3.527 3.819 | 21
22 | 1.321 1.717 2.074 2.508 2.819 3.505 3.792 | 22
23 | 1.319 1.714 2.069 2.500 2.807 3.485 3.768 | 23
24 | 1.318 1.711 2.064 2.492 2.797 3.467 3.745 | 24
25 | 1.316 1.708 2.060 2.485 2.787 3.450 3.725 | 25
26 | 1.315 1.706 2.056 2.479 2.779 3.435 3.707 | 26
27 | 1.314 1.703 2.052 2.473 2.771 3.421 3.690 | 27
28 | 1.313 1.701 2.048 2.467 2.763 3.408 3.674 | 28
29 | 1.311 1.699 2.045 2.462 2.756 3.396 3.659 | 29
30 | 1.310 1.697 2.042 2.457 2.750 3.385 3.646 | 30
32 | 1.309 1.694 2.037 2.449 2.738 3.365 3.622 | 32
34 | 1.307 1.691 2.032 2.441 2.728 3.348 3.601 | 34
36 | 1.306 1.688 2.028 2.434 2.719 3.333 3.582 | 36
38 | 1.304 1.686 2.024 2.429 2.712 3.319 3.566 | 38
40 | 1.303 1.684 2.021 2.423 2.704 3.307 3.551 | 40
42 | 1.302 1.682 2.018 2.418 2.698 3.296 3.538 | 42
44 | 1.301 1.680 2.015 2.414 2.692 3.286 3.526 | 44
46 | 1.300 1.679 2.013 2.410 2.687 3.277 3.515 | 46
48 | 1.299 1.677 2.011 2.407 2.682 3.269 3.505 | 48
50 | 1.299 1.676 2.009 2.403 2.678 3.261 3.496 | 50
55 | 1.297 1.673 2.004 2.396 2.668 3.245 3.476 | 55
60 | 1.296 1.671 2.000 2.390 2.660 3.232 3.460 | 60
65 | 1.295 1.669 1.997 2.385 2.654 3.220 3.447 | 65
70 | 1.294 1.667 1.994 2.381 2.648 3.211 3.435 | 70
80 | 1.292 1.664 1.990 2.374 2.639 3.195 3.416 | 80
100 | 1.290 1.660 1.984 2.364 2.626 3.174 3.390 | 100
150 | 1.287 1.655 1.976 2.351 2.609 3.145 3.357 | 150
200 | 1.286 1.653 1.972 2.345 2.601 3.131 3.340 | 200
-------+---------------------------------------------------------+----
Two Tails 0.20 0.10 0.05 0.02 0.01 0.002 0.001
One Tail 0.10 0.05 0.025 0.01 0.005 0.001 0.0005

Contoh : Tentukanlah
1. t0,25( 9 )

2. t0,05( 20 )

3. t/2(n 1) = 0,05 t0,025/2(21 )

4. t( 12 ) = 2,6810 = ?

5. t( 12 ) = - 2,6810 = ?

6. t(n 1 ) = 1,9944 n= ?

7. t0,05() = = Z0,05 = 1,6449

8. t0,025() = = Z0,025 = 1,96

. http://easycalculation.com/statistics/t-distribution-critical-value-table.php 11/10/2012

(1 tail) 0.05 0.025 0.01 0.005 0.0025 0.001 0.0005

(2 tail) 0.1 0.05 0.02 0.01 0.005 0.002 0.001
df
1 6.3138 12.7065 31.8193 63.6551 127.3447 318.4930 636.0450
2 2.9200 4.3026 6.9646 9.9247 14.0887 22.3276 31.5989
3 2.3534 3.1824 4.5407 5.8408 7.4534 10.2145 12.9242
4 2.1319 2.7764 3.7470 4.6041 5.5976 7.1732 8.6103
5 2.0150 2.5706 3.3650 4.0322 4.7734 5.8934 6.8688
6 1.9432 2.4469 3.1426 3.7074 4.3168 5.2076 5.9589
7 1.8946 2.3646 2.9980 3.4995 4.0294 4.7852 5.4079
8 1.8595 2.3060 2.8965 3.3554 3.8325 4.5008 5.0414
9 1.8331 2.2621 2.8214 3.2498 3.6896 4.2969 4.7809
10 1.8124 2.2282 2.7638 3.1693 3.5814 4.1437 4.5869
11 1.7959 2.2010 2.7181 3.1058 3.4966 4.0247 4.4369
12 1.7823 2.1788 2.6810 3.0545 3.4284 3.9296 4.3178
13 1.7709 2.1604 2.6503 3.0123 3.3725 3.8520 4.2208
14 1.7613 2.1448 2.6245 2.9768 3.3257 3.7874 4.1404
15 1.7530 2.1314 2.6025 2.9467 3.2860 3.7328 4.0728
16 1.7459 2.1199 2.5835 2.9208 3.2520 3.6861 4.0150
17 1.7396 2.1098 2.5669 2.8983 3.2224 3.6458 3.9651
18 1.7341 2.1009 2.5524 2.8784 3.1966 3.6105 3.9216
19 1.7291 2.0930 2.5395 2.8609 3.1737 3.5794 3.8834
20 1.7247 2.0860 2.5280 2.8454 3.1534 3.5518 3.8495
21 1.7207 2.0796 2.5176 2.8314 3.1352 3.5272 3.8193
22 1.7172 2.0739 2.5083 2.8188 3.1188 3.5050 3.7921
23 1.7139 2.0686 2.4998 2.8073 3.1040 3.4850 3.7676
24 1.7109 2.0639 2.4922 2.7970 3.0905 3.4668 3.7454
25 1.7081 2.0596 2.4851 2.7874 3.0782 3.4502 3.7251
26 1.7056 2.0555 2.4786 2.7787 3.0669 3.4350 3.7067
27 1.7033 2.0518 2.4727 2.7707 3.0565 3.4211 3.6896
28 1.7011 2.0484 2.4671 2.7633 3.0469 3.4082 3.6739
29 1.6991 2.0452 2.4620 2.7564 3.0380 3.3962 3.6594
30 1.6973 2.0423 2.4572 2.7500 3.0298 3.3852 3.6459
31 1.6955 2.0395 2.4528 2.7440 3.0221 3.3749 3.6334
32 1.6939 2.0369 2.4487 2.7385 3.0150 3.3653 3.6218
33 1.6924 2.0345 2.4448 2.7333 3.0082 3.3563 3.6109
34 1.6909 2.0322 2.4411 2.7284 3.0019 3.3479 3.6008
35 1.6896 2.0301 2.4377 2.7238 2.9961 3.3400 3.5912
36 1.6883 2.0281 2.4345 2.7195 2.9905 3.3326 3.5822
37 1.6871 2.0262 2.4315 2.7154 2.9853 3.3256 3.5737
38 1.6859 2.0244 2.4286 2.7115 2.9803 3.3190 3.5657
39 1.6849 2.0227 2.4258 2.7079 2.9756 3.3128 3.5581
40 1.6839 2.0211 2.4233 2.7045 2.9712 3.3069 3.5510
41 1.6829 2.0196 2.4208 2.7012 2.9670 3.3013 3.5442
42 1.6820 2.0181 2.4185 2.6981 2.9630 3.2959 3.5378
43 1.6811 2.0167 2.4162 2.6951 2.9591 3.2909 3.5316
44 1.6802 2.0154 2.4142 2.6923 2.9555 3.2861 3.5258
45 1.6794 2.0141 2.4121 2.6896 2.9521 3.2815 3.5202
46 1.6787 2.0129 2.4102 2.6870 2.9488 3.2771 3.5149
47 1.6779 2.0117 2.4083 2.6846 2.9456 3.2729 3.5099
48 1.6772 2.0106 2.4066 2.6822 2.9426 3.2689 3.5051
49 1.6766 2.0096 2.4049 2.6800 2.9397 3.2651 3.5004
50 1.6759 2.0086 2.4033 2.6778 2.9370 3.2614 3.4960
51 1.6753 2.0076 2.4017 2.6757 2.9343 3.2579 3.4917
52 1.6747 2.0066 2.4002 2.6737 2.9318 3.2545 3.4877
53 1.6741 2.0057 2.3988 2.6718 2.9293 3.2513 3.4838
54 1.6736 2.0049 2.3974 2.6700 2.9270 3.2482 3.4800
55 1.6730 2.0041 2.3961 2.6682 2.9247 3.2451 3.4764
56 1.6725 2.0032 2.3948 2.6665 2.9225 3.2423 3.4730
57 1.6720 2.0025 2.3936 2.6649 2.9204 3.2394 3.4696
58 1.6715 2.0017 2.3924 2.6633 2.9184 3.2368 3.4663
59 1.6711 2.0010 2.3912 2.6618 2.9164 3.2342 3.4632
60 1.6706 2.0003 2.3901 2.6603 2.9146 3.2317 3.4602
61 1.6702 1.9996 2.3890 2.6589 2.9127 3.2293 3.4573
62 1.6698 1.9990 2.3880 2.6575 2.9110 3.2269 3.4545
63 1.6694 1.9983 2.3870 2.6561 2.9092 3.2247 3.4518
64 1.6690 1.9977 2.3860 2.6549 2.9076 3.2225 3.4491
65 1.6686 1.9971 2.3851 2.6536 2.9060 3.2204 3.4466
66 1.6683 1.9966 2.3842 2.6524 2.9045 3.2184 3.4441
67 1.6679 1.9960 2.3833 2.6512 2.9030 3.2164 3.4417
68 1.6676 1.9955 2.3824 2.6501 2.9015 3.2144 3.4395
69 1.6673 1.9950 2.3816 2.6490 2.9001 3.2126 3.4372
70 1.6669 1.9944 2.3808 2.6479 2.8987 3.2108 3.4350
71 1.6666 1.9939 2.3800 2.6468 2.8974 3.2090 3.4329
72 1.6663 1.9935 2.3793 2.6459 2.8961 3.2073 3.4308
73 1.6660 1.9930 2.3785 2.6449 2.8948 3.2056 3.4288
74 1.6657 1.9925 2.3778 2.6439 2.8936 3.2040 3.4269
75 1.6654 1.9921 2.3771 2.6430 2.8925 3.2025 3.4250
76 1.6652 1.9917 2.3764 2.6421 2.8913 3.2010 3.4232
77 1.6649 1.9913 2.3758 2.6412 2.8902 3.1995 3.4214
78 1.6646 1.9909 2.3751 2.6404 2.8891 3.1980 3.4197
79 1.6644 1.9904 2.3745 2.6395 2.8880 3.1966 3.4180
80 1.6641 1.9901 2.3739 2.6387 2.8870 3.1953 3.4164
81 1.6639 1.9897 2.3733 2.6379 2.8859 3.1939 3.4147
82 1.6636 1.9893 2.3727 2.6371 2.8850 3.1926 3.4132
83 1.6634 1.9889 2.3721 2.6364 2.8840 3.1913 3.4117
84 1.6632 1.9886 2.3716 2.6356 2.8831 3.1901 3.4101
85 1.6630 1.9883 2.3710 2.6349 2.8821 3.1889 3.4087
86 1.6628 1.9879 2.3705 2.6342 2.8813 3.1877 3.4073
87 1.6626 1.9876 2.3700 2.6335 2.8804 3.1866 3.4059
88 1.6623 1.9873 2.3695 2.6328 2.8795 3.1854 3.4046
89 1.6622 1.9870 2.3690 2.6322 2.8787 3.1844 3.4032
90 1.6620 1.9867 2.3685 2.6316 2.8779 3.1833 3.4020
91 1.6618 1.9864 2.3680 2.6309 2.8771 3.1822 3.4006
92 1.6616 1.9861 2.3676 2.6303 2.8763 3.1812 3.3995
93 1.6614 1.9858 2.3671 2.6297 2.8755 3.1802 3.3982
94 1.6612 1.9855 2.3667 2.6292 2.8748 3.1792 3.3970
95 1.6610 1.9852 2.3662 2.6286 2.8741 3.1782 3.3959
96 1.6609 1.9850 2.3658 2.6280 2.8734 3.1773 3.3947
97 1.6607 1.9847 2.3654 2.6275 2.8727 3.1764 3.3936
98 1.6606 1.9845 2.3650 2.6269 2.8720 3.1755 3.3926
99 1.6604 1.9842 2.3646 2.6264 2.8713 3.1746 3.3915
100 1.6602 1.9840 2.3642 2.6259 2.8706 3.1738 3.3905
101 1.6601 1.9837 2.3638 2.6254 2.8700 3.1729 3.3894
102 1.6599 1.9835 2.3635 2.6249 2.8694 3.1720 3.3885
103 1.6598 1.9833 2.3631 2.6244 2.8687 3.1712 3.3875
104 1.6596 1.9830 2.3627 2.6240 2.8682 3.1704 3.3866
105 1.6595 1.9828 2.3624 2.6235 2.8675 3.1697 3.3856
106 1.6593 1.9826 2.3620 2.6230 2.8670 3.1689 3.3847
107 1.6592 1.9824 2.3617 2.6225 2.8664 3.1681 3.3838
108 1.6591 1.9822 2.3614 2.6221 2.8658 3.1674 3.3829
109 1.6589 1.9820 2.3611 2.6217 2.8653 3.1667 3.3820
110 1.6588 1.9818 2.3607 2.6212 2.8647 3.1660 3.3812
111 1.6587 1.9816 2.3604 2.6208 2.8642 3.1653 3.3803
112 1.6586 1.9814 2.3601 2.6204 2.8637 3.1646 3.3795
113 1.6585 1.9812 2.3598 2.6200 2.8632 3.1640 3.3787
114 1.6583 1.9810 2.3595 2.6196 2.8627 3.1633 3.3779
115 1.6582 1.9808 2.3592 2.6192 2.8622 3.1626 3.3771
116 1.6581 1.9806 2.3589 2.6189 2.8617 3.1620 3.3764
117 1.6580 1.9805 2.3586 2.6185 2.8612 3.1614 3.3756
118 1.6579 1.9803 2.3583 2.6181 2.8608 3.1607 3.3749
119 1.6578 1.9801 2.3581 2.6178 2.8603 3.1601 3.3741
120 1.6577 1.9799 2.3578 2.6174 2.8599 3.1595 3.3735
121 1.6575 1.9798 2.3576 2.6171 2.8594 3.1589 3.3727
122 1.6574 1.9796 2.3573 2.6168 2.8590 3.1584 3.3721
123 1.6573 1.9794 2.3571 2.6164 2.8585 3.1578 3.3714
124 1.6572 1.9793 2.3568 2.6161 2.8582 3.1573 3.3707
125 1.6571 1.9791 2.3565 2.6158 2.8577 3.1567 3.3700
126 1.6570 1.9790 2.3563 2.6154 2.8573 3.1562 3.3694
127 1.6570 1.9788 2.3561 2.6151 2.8569 3.1556 3.3688
128 1.6568 1.9787 2.3559 2.6148 2.8565 3.1551 3.3682
129 1.6568 1.9785 2.3556 2.6145 2.8561 3.1546 3.3676
130 1.6567 1.9784 2.3554 2.6142 2.8557 3.1541 3.3669
131 1.6566 1.9782 2.3552 2.6139 2.8554 3.1536 3.3663
132 1.6565 1.9781 2.3549 2.6136 2.8550 3.1531 3.3658
133 1.6564 1.9779 2.3547 2.6133 2.8546 3.1526 3.3652
134 1.6563 1.9778 2.3545 2.6130 2.8542 3.1522 3.3646
135 1.6562 1.9777 2.3543 2.6127 2.8539 3.1517 3.3641
136 1.6561 1.9776 2.3541 2.6125 2.8536 3.1512 3.3635
137 1.6561 1.9774 2.3539 2.6122 2.8532 3.1508 3.3630
138 1.6560 1.9773 2.3537 2.6119 2.8529 3.1503 3.3624
139 1.6559 1.9772 2.3535 2.6117 2.8525 3.1499 3.3619
140 1.6558 1.9771 2.3533 2.6114 2.8522 3.1495 3.3614
141 1.6557 1.9769 2.3531 2.6112 2.8519 3.1491 3.3609
142 1.6557 1.9768 2.3529 2.6109 2.8516 3.1486 3.3604
143 1.6556 1.9767 2.3527 2.6106 2.8512 3.1482 3.3599
144 1.6555 1.9766 2.3525 2.6104 2.8510 3.1478 3.3594
145 1.6554 1.9765 2.3523 2.6102 2.8506 3.1474 3.3589
146 1.6554 1.9764 2.3522 2.6099 2.8503 3.1470 3.3584
147 1.6553 1.9762 2.3520 2.6097 2.8500 3.1466 3.3579
148 1.6552 1.9761 2.3518 2.6094 2.8497 3.1462 3.3575
149 1.6551 1.9760 2.3516 2.6092 2.8494 3.1458 3.3570
150 1.6551 1.9759 2.3515 2.6090 2.8491 3.1455 3.3565
151 1.6550 1.9758 2.3513 2.6088 2.8489 3.1451 3.3561
152 1.6549 1.9757 2.3511 2.6085 2.8486 3.1447 3.3557
153 1.6549 1.9756 2.3510 2.6083 2.8483 3.1443 3.3552
154 1.6548 1.9755 2.3508 2.6081 2.8481 3.1440 3.3548
155 1.6547 1.9754 2.3507 2.6079 2.8478 3.1436 3.3544
156 1.6547 1.9753 2.3505 2.6077 2.8475 3.1433 3.3540
157 1.6546 1.9752 2.3503 2.6075 2.8472 3.1430 3.3536
158 1.6546 1.9751 2.3502 2.6073 2.8470 3.1426 3.3531
159 1.6545 1.9750 2.3500 2.6071 2.8467 3.1423 3.3528
160 1.6544 1.9749 2.3499 2.6069 2.8465 3.1419 3.3523
161 1.6544 1.9748 2.3497 2.6067 2.8463 3.1417 3.3520
162 1.6543 1.9747 2.3496 2.6065 2.8460 3.1413 3.3516
163 1.6543 1.9746 2.3495 2.6063 2.8458 3.1410 3.3512
164 1.6542 1.9745 2.3493 2.6062 2.8455 3.1407 3.3508
165 1.6542 1.9744 2.3492 2.6060 2.8452 3.1403 3.3505
166 1.6541 1.9744 2.3490 2.6058 2.8450 3.1400 3.3501
167 1.6540 1.9743 2.3489 2.6056 2.8448 3.1398 3.3497
168 1.6540 1.9742 2.3487 2.6054 2.8446 3.1394 3.3494
169 1.6539 1.9741 2.3486 2.6052 2.8443 3.1392 3.3490
170 1.6539 1.9740 2.3485 2.6051 2.8441 3.1388 3.3487
171 1.6538 1.9739 2.3484 2.6049 2.8439 3.1386 3.3483
172 1.6537 1.9739 2.3482 2.6047 2.8437 3.1383 3.3480
173 1.6537 1.9738 2.3481 2.6046 2.8435 3.1380 3.3477
174 1.6537 1.9737 2.3480 2.6044 2.8433 3.1377 3.3473
175 1.6536 1.9736 2.3478 2.6042 2.8430 3.1375 3.3470
176 1.6536 1.9735 2.3477 2.6041 2.8429 3.1372 3.3466
177 1.6535 1.9735 2.3476 2.6039 2.8427 3.1369 3.3464
178 1.6535 1.9734 2.3475 2.6037 2.8424 3.1366 3.3460
179 1.6534 1.9733 2.3474 2.6036 2.8423 3.1364 3.3457
180 1.6534 1.9732 2.3472 2.6034 2.8420 3.1361 3.3454
181 1.6533 1.9731 2.3471 2.6033 2.8419 3.1358 3.3451
182 1.6533 1.9731 2.3470 2.6031 2.8416 3.1356 3.3448
183 1.6532 1.9730 2.3469 2.6030 2.8415 3.1354 3.3445
184 1.6532 1.9729 2.3468 2.6028 2.8413 3.1351 3.3442
185 1.6531 1.9729 2.3467 2.6027 2.8411 3.1349 3.3439
186 1.6531 1.9728 2.3466 2.6025 2.8409 3.1346 3.3436
187 1.6531 1.9727 2.3465 2.6024 2.8407 3.1344 3.3433
188 1.6530 1.9727 2.3463 2.6022 2.8406 3.1341 3.3430
189 1.6529 1.9726 2.3463 2.6021 2.8403 3.1339 3.3428
190 1.6529 1.9725 2.3461 2.6019 2.8402 3.1337 3.3425
191 1.6529 1.9725 2.3460 2.6018 2.8400 3.1334 3.3422
192 1.6528 1.9724 2.3459 2.6017 2.8398 3.1332 3.3419
193 1.6528 1.9723 2.3458 2.6015 2.8397 3.1330 3.3417
194 1.6528 1.9723 2.3457 2.6014 2.8395 3.1328 3.3414
195 1.6527 1.9722 2.3456 2.6013 2.8393 3.1326 3.3411
196 1.6527 1.9721 2.3455 2.6012 2.8392 3.1323 3.3409
197 1.6526 1.9721 2.3454 2.6010 2.8390 3.1321 3.3406
198 1.6526 1.9720 2.3453 2.6009 2.8388 3.1319 3.3403
199 1.6525 1.9720 2.3452 2.6008 2.8387 3.1317 3.3401
200 1.6525 1.9719 2.3451 2.6007 2.8385 3.1315 3.3398
 PENDUGAAN PARAMETER
( PARAMETER ESTIMATION )

Nilai parameter seperti x, x2 , x adalah nilai-nilai yang

diketahui karena N yang terlalu besar atau semua N tidak bisa
diamati. Tetapi dalam kehidupan nilai-nilai parameter ini yang
akan banyak manfaatnya kalau nilainya diketahui.

Untuk mendapatkan nilai parameter tersebut, bisa dilakukan

dengan pendugaan yaiatu nilai parameter itu diduga dengan
statistik yang berasal dari sampel ( X , S2, dan S ), dan proses
inilah yang dinamakan dengan STATISTIKA INFERENSIA.

Pop. Xi : X1 X2 X3 X4 .. XN x ; x
Sampel n
Pop. X : X1 X2 X3 X 4 .. X Nn X X

Pendugaan x dengan menggunakan satu nilai X ini tidak akan

persis tepat, adalah kesalahannya. Seberapa besar kesalan yang
dibuat dalam pendugaan itu ditentukan dengan peluang atau
probability.

Ada dua cara pendugaan suatu nilai parameter dengan nilai

satistik yaitu cara :

1. Pendugaan dengan selang kepercayaan ( Confidence

Interval Estimate )

2. Pendugaan titik ( Point Estimate )

 I. PENDUGAAN DENGAN SELANG KEPERCAYAAN
( CONFIDENCE-INTERVAL ESTIMATE)

1. PENDUGAAN x DENGAN SELANG KEPERCAYAAN

DIAMANA NILAI x DIKETAHUI.

X i x
Zi
X Z dengan rumus x
n

Note : kurva

P(X 1 x X 2 )=(1) P (-Z/2 Z Z/2) = ( 1 )

P (-Z/2 Z Z/2) = ( 100 )

X i x x

P ( -Z/2 x Z/2) = ( 1 ) : dikali n
n

x x
Z / 2 X x Z / 2
n n : ditamabah X

x x
X Z / 2 x X Z / 2
n n
 x x
P( X Z / 2 x X Z / 2 ) (100 )
n n

Kalau = 0,10 Z /2 = Z0,05 = 1,645

= 0,05 Z /2 = Z0,025 = 1,96

= 0,01 Z /2 = Z0,005 = 2,576

Kembali ke :

Pop Xi : 2 4 6 x = 4 ; x = 1,633

Dari populasi ini ditarik sampel n = 8 maka N = 6561

Pilih satu nilainya X dan duga x dengan selang kepercayan 95%

P( X 1 = ?) = 0,15 dikiri X1 dan P( X 2 = ?) = 0,15 dikanan X2

X1 = 2,8682 X2 = 5,1317

Antara ( X 1 - X2 ) aka nada nilai X yang bagus untuk menduga

x sebanyak 95 % X 6561 = 6233
Untuk nilai-nilai X < 2,8682 dan nilai-nilai X > 5,1317 yang
jumlah 5 % dari 6561 tidak mengandung nilai x bila digunakan
untuk pendugaan nilai x dimaksud.
Contoh :

Diketahui produksi kentang per hektar mempunyai simpang

baku 0,18 ton. Jika rata-rata hasil kentang dari 36 daerah sampel
18 ton per hektar, tentukanlah rata-rata produksi per hektar
dengan selang kepercayaan 70, 80 dan 90 % berdasarkan data
sampel tersebut.

1. PENDUGAAN x DENGAN SELANG KEPERCAYAAN

DIAMANA NILAI x TIDAK DIKETAHUI.

Karena nilai x tidak diketahui, maka nilai ini kita duga dengan
nilai S, sehingga nilai Z berubah menjadi nilai t student.

x x
P( X Z / 2 x X Z / 2 ) (100 )
n n
nilai x diganti dengan nilai S, tentunya Z digantic dengan t/2,
maka :

S S
P( X t / 2( n 1) x X t / 2( n 1) ) (1 )
n n
Contohkan dengan tinggi mahasiswa.

Berapa nilai x, nilai x tidak diketahui tarik sampel n

 PENGUJIAN HIPOTESIS

Hubungan populasi dengan sampelnya sudah dibicarakan

sampel x = x
Populasi sampel
x
sampel X =
n

Sekarang akan dipelajari hubungan sampel dengan populasinya

Sampel X, s2, s
Populasi (x, x2 x ) sampel 2
X,s , s
2
Sampel X,s , s

Dengan informasi dari satu sampel saja kita tarik kesimpulan

tentang populasi (parameter) dari mana sampel tersebut berasal,
yang didasarkan pada konsep distribusi rata-rata sampel.
Inilah yang kita kenal dengan teori statistika inferensia.

Hipotesis : adalah suatu rekaan awal berdasarkan kepada peng

amatan pendahuluan dari fakta yang ada.

Rekaan awal ini bisa benar dan bisa salah, maka perlu
pengujian yaitu Pengujian Hipotesis.
Pengujian tersebut bertolak dari fakta yang lebih baru dan
objektif.
Jika fakta baru tersebut cocok/menyokong hipotesis maka
hipotesis kita terima, tetapi jika fakta baru tersebut tidak
menyokong hipotesis, maka hipotesis ditolak.
Pengujian hipotesis harus bersifat objektif, terlepas dari
kepentingan pribadi/kelompok.
 Dalam pengujian hipotesis dikenal dua macam hipotesis
yaitu Hipotesis Nol ( Ho ) dan Hipotesis Alternatif ( H1).
Ho adalah pernyataan tentang parameter yang dinyatakan
tidak terjadi perubahan atau tidah pengaruh. Dalam
pengadilan Ho ini identik dengan Praduga tidak bersalah.
Dalam pengujian Hipotesis Ho inilah yang di uji. Hipotesis
Alternatif atau hipotesis tandingan adalah pernyataan yang
berlawanan dengan Ho, dengan perkataan lain sudah
terjadi perubahan:

Ho : x = 50 cm
H1 : x 50 cm

Dalam mengambilan keputusan yaitu apakah menerima

atau menolak hipotesis nol diperlukan penetapan daerah
kritis yaitu daerah penolakan Ho atau nilai kritis (C1 danC2 )
pada kurva teoritis ( kurva Z, t, 2, F). Daerah dibawah
kurva yang berada diluar daerah kritis adalah daerah
penerimaan dari Ho ( C1 - C2 )

daerah kritis daerah kritis (/2)

(/2) daerah
penerimaan

C1 C2

Luas daerah kritis merupakan peluang untuk menolak Ho

yang benar. Peluang ini juga disebut taraf nyata ( level of
significance ) yang dilambangkan dengan
 Ada tiga jenis pengujian hipotesis yaitu (1) pengujian dua
arah, (2) pengujian satu arah ke kanan, dan (3) pengujian
satu arah ke kiri.

(1): Ho : x = o (2): Ho : x o (3): Ho : x o

H1 : x o H1 : x > o H1 : x < o

Dalam pengujian Hipotesis berkemungkinan bisa terjadi

kesalahan yaitu Kesalahan tipe I atau Kesalahan tipe II.
Kesalahan tipe I terjadi jika Hipotesis nol yang benar
ditolak, peluangnya dinyatakan dengan , sedangkan
Kesalahan tipe II terjadi jika Hipotesis nol yang salah
diterima, peluangnya dinyatakan dengan .

Tabel hasil pengujian hipotesis dan peluangnya

Keputusan pengujian
Kondisi aktual
Ditolak Ho Diterima Ho
Kesalahan tipe I Keputusan benar
Ho benar
Peluangnya = Peluang = (1 - )
Keputusan benar Kesalah tipe II
Ho salah
Peluang = ( 1 - ) Peluang =

Bila peluang untuk membuat salah satu tipe kesalahan

diperkecil, maka peluang untuk membuat kesalahan tipe
lainnya akan bertambah besar

Usaha untuk memperkecil peluang membuat kesalahan tipe

I dan II adalah dengan :
1. Memperbesar jumalh sampel
2. Memperkecil ragam populasi
3. Kombinasi 1 dan 2 di atas.
http://www.socialresearchmethods.net/kb/stat_t.php 20 Oktober 2012.

Langkah-langkah Pengujian hipotesis :

1. Tentukan Ho dan H1
2. Kemukakan assumsi, dan tetapkan besar taraf nyata ( ).
3. Tentukan besar sampel atau n
4. Tentukan teknik pengujian statistik yang tepat
5. Tentukan daerah kritis
6. Kumpulkan data sampel dan hitung nilai test statistik
yang cocok.
7. Tentukan apakah nilai test statitsik jatuh di dalam atau
diluar daerah kritis dan buat keputusan statistik.
8. Kesimpulan pengujian.
1. PENGUJIAN HIPOTESIS MENGENAI NILAI TENGAH
POPULASI ( x ) DIMANA x DIKETAHUI

Untuk pengujian ini diperlukan data baru, dalam hal ini

data diperoleh dari satu sampel (n) yang ditarik secara acak
dari populasi terkait, katakan x1 x2 x3 . xn dari
sampel ini dihitung X .
Dengan demikian kita terkait dengan distribusi asal,
distribusi rata-rata sampel, dan distribusi normal standard,
sehingga test statistiknya adalah :

X

i 0
Z hit .
x

Kemudian secara umum nilai Zhit dibandingkan dengan

nilai Z, dan jika ternyata nilai

Zhit > Z maka Ho ditolak dan H1 diterima.

CONTOH :
Berdasarkan laporan Rektor tahun 2000 rata-rata IPK
lulusan universitas yang dipimpinnya adalah 2,65 dengan
simpang baku 0,42. Mulai dari tahun 2001 Rektor
menerapkan sistim pengajaran dan pembimbingan yang
dianggap lebih baik. Pada tahun 2006 Rektor ingin
mengetahui apakah ada pengaruh dari sistim yang
diterapkannya tersebut terhadap IPK lulusan. Untuk
menjawab keingin tahuan Rektor itu ditarik 36 dari lulusan
sebagai sampel secara acak, dan ternyata dari sampel itu
 rata-rata IPK adalah 2,78. Apa kesimpulan Rektor pada
taraf nyata 5 %.

JAWABAN :

1. Ho : x 2,65
2. H1 : x > 2,65
3. Asumsi : 1. Sampel berasal dari distribusi normal
2. Sampel diambil secara acak
4. Taraf nyata : = 0,05
5. Daerah Kritis : Z0,05 = 1,645

Jika Zhit > 1,645 maka Ho ditolak

6.Perhitungan : x = 0,42 o = 2,65 X = 2,78 n = 36

X 2,78 2,65
Z
i 0
Zhit. 1,86
hit .
x
0,42
n 36

7.Keputusan Zhit=1,86 > 1,645 , maka Ho ditolak

8.Kesimpulan : Sistim baru yang diterapkan Rektor nyata

meningkatkan IPK lulusan.

2. PENGUJIAN HIPOTESIS MENGENAI NILAI TENGAH

POPULASI ( x ) DIMANA x TIDAK DIKETAHUI

Untuk pengujian ini diperlukan data baru berupa

penarikan satu sampel ( n ) secara acak dari populasi terkait
dan dihitung nilai X , s2 dan s. Karena nilai x tidak
diketahui maka nilai x tersebut diduga dengan nilai s.
Dengan demikian kita terlibat dengan distribusi asal,
distribusi rata-rata sampel dan distribusi t student, sehingga
test statistinya adalah :

X 0
t hit .
i

s
n

Kemudian secara umu nilai thit dibandingkan dengan nilai

t(n 1), dan jika ternilai

thit > t(n 1) , maka Ho ditolak dan H1 diterima.

CONTOH :
Berdasarkan laporan Rektor tahun 2000 rata-rata IPK
lulusan universitas yang dipimpinnya adalah 2,65 . Mulai
dari tahun 2001 Rektor menerapkan sistim pengajaran dan
pembimbingan yang dianggap lebih baik. Pada tahun 2006
Rektor ingin mengetahui apakah ada pengaruh dari sistim
yang diterapkannya tersebut terhadap IPK lulusan. Untuk
menjawab keingin tahuan Rektor itu ditarik 36 dari lulusan
sebagai sampel secara acak, dan ternyata dari sampel itu
rata-rata IPK adalah 2,78 dan simpang bakunya 0,36. Apa
kesimpulan Rektor pada taraf nyata 5 %.

JAWABAN :
1. Ho : x 2,65
2. H1 : x > 2,65

3. Asumsi : 1. Sampel berasal dari distribusi normal

2. Sampel diambil secara acak
4. Taraf nyata : = 0,05
5. Daerah Kritis : t0,05(35) = 1,6896

Jika thit > 1,6896 maka Ho ditolak

6.Perhitungan : o = 2,65 X = 2,78 s = 0,36 n = 36

X 0 2,78 2,65
t hit .
i
t hit 2,17
s 0,36
n 36

7.Keputusan : thit = 2,17 > 1,6896 maka Ho ditolak

8.Kesimpulan : Sistim baru yang diterapkan nyata mening

katkan IPK lulusan.
 MEMBANDINGKAN DUA RATA-RATA
POPULASI
Dalam kehidupan orang sering ingin membandingkan dua atau
lebih objek atau variable seperti :

Apakah varitas yang diintroduksi lebih baik dari varitas

lokal.
Apakah pemberian pupuk A lebih baik dari pupuk B.
Apakah jenis pelumas A lebih efisien dari jenis pelumas B.
Apakah resep baru lebih baik dari resep sebelumnya.
Apakah metode baru lebih baik dari metode konvensional.
Artinya pada contoh di atas kita membandingkan dua nilai
tengah populasi yaitu 1 dan 2 .

Dalam membandingkan dua nilai tengah dikenal dua :

1. PEBANDINGAN DUA NILAI TENGAH POPULASI
YANG BERSIFAT INDEPENDEN ATAU BEBAS
2. PEBANDINGAN DUA NILAI TENGAH POPULASI
YANG BERSIFAT DEPENDEN ATAU
BERPASANGAN
POPULASI 1 : POPULASI 2 POPULASI 1 : POPULASI 2
X11 X21 X11 X21
X12 X21 X12 X21

X1N1 X2N2 X1N1 X2N2
2 populasi bebas (homogen) 2 populasi berpasangan
 DISTRIBUSI SELISIH DUA RATA-RATA SAMPEL
BEBAS
POPULASI 1 POPULASI 2

X11 X12 X1N1 : X1, X1 X21 X22 . X2N2 : X2, X2

n1 n2

X 11 X 12 X 1N
n
: X 1, X 1 X 21 X 22 X 2N
n
: X 2,
X 2

PEMBANDINGAN DALAM HAL INI DENGAN CARA MEM

PERHATIKAN SELISIH :
X 11 _ X 21 X 12 _ X 21 ... X 1N1 _ X 21

X 11 _ X 22 X 12 _ X 22 X 1N1 _ X 22

.. ..
n n
X 11 _ X 2N X 12 _ X 2N X 1N1 _ X 2N2

Ternyata dari populasi selisih rata-rata sampel mempunyai :

( X 1 _ X 2) = X 1 - X 2 = X1 - X2

x21 x22

( X 1 _ X 2) = n1 n2
Konversi distribusi selisih rata-rata sampel ke Distribusi Z

( X 1 _ X 2) =0 ( X 1 _ X 2) =1

Z
X 1
X 2 1 2
X 1 X 2

Z
X 1
X 2 1 2
x21 x22

n1 n2
Terdahulu sudah disampaikan bahwa nilai 1 dan 2 sulit
diketahui atau didapatkan dan nilai ini bisa disubstitusi
dengan S1 dan S2 yang nilai mudah didapatkan.
Jika populasi 1 dan populasi 2 adalah normal dan 1 = 2
dan nilai-nilai ini disubstitusi dengan S1 dan S2, maka nilai
Z pada rumus di atas akan menjadi t sebagai berikut :

t
X 1
X 2 1 2
1 1
S
2
p
n1 n 2
Dimana seluruh nilai yang didapatkan akan mengikuti
distribusi t Student dengan derajat bebasnya ( n1 + n2 - 2 )
dan dengan ragam sampel gabungan S p2
:
 n1 1S12 n2 1S22
S 2

p
n1 n2 2

Tetapi jika populasi 1 dan populasi 2 tidak mempunyai

ragam yang sama (1 2 ), maka rumus t diatas menjadi
sbb :

t
X 1
X 2 1 2
S12 S 22

n1 n 2
dan semua nilai t nya akan mendekati distribusi t Student
dengan derajat bebas (db ) sebagai berikut :
2
S 12 S 22

n n
1
db
2
2 2
S 12 S 22

n n
1 2

n 1 1 n 2 1
 PENGUJIAN HIPOTESIS Ho TENTANG DUA RATA-
RATA POPULASI INDEPENDEN

A. Simpang baku populasi kedua populasi sama (1 = 2 )

dan diketahui.

Karena nilai simpang baku populasi diketahui, maka

ujinya adalah uji Z sebagai berikut :

Z hit .
X 1
X 2 1 2
x21 x22

n1 n2
Jka Zhit. > Z , maka Ho ditolak.

B. Simpang baku populasi kedua populasi sama (1 = 2 )

dan tidak diketahui.
Karena kedua nilai simpang baku populasi sama dan tidak
diketahui, maka ujinya adalah uji t sebagai berikiut :

t hit .
X 1
X 2 1 2
1 1
S
2
p
n1 n 2
dengan db = ( n1 + n2 - 2 )

Jika nilai thit > t(db) , maka Ho ditolak.

 C. Simpang baku populasi kedua populasi tidak sama
(1 2 ) dan tidak diketahui.
Karena kedua nilai simpang baku populasi tidak sama dan
tidak diketahui, maka ujinya adalah uji t sebagai berikiut :

t hit .
X 1
X 2 1 2
S12 S 22
dengan db :
n1 n 2
2
S 12 S 22

n n
1
db
2
2 2
S 12 S 22

n n
1 2

n 1 1 n 2 1

Jika nilai thit > t(db) , maka Ho ditolak.

CONTOH :
1. Seorang manager quality control dari suatu pabrik bola
lampu ingin menentukan apakah ada perbedaan umur
pakai dari bola lampu yang dihasilkan oleh dua jenis mesin
yaitu mesin A dan mesin B. Telah diketahui bahwa simpang
 baku populasi umur pakai dari bola lampu yang dihasilkan
mesin A adalah 60 jam dan bola lampu yang dihasilkan
mesin B adalah 90 jam. Satu sampel acak berupa 30 buah
bola lampu dari mesin A dan ternyata rata-rata umur
pakainya 2165 jam, dan satu sampel acak 25 buah bola
lampu dari mesin B dan didapatkan bahwa rata-rata umur
pakai dari bola lampu sampel itu adalah 2205 jam. Ujilah
pada taraf nyata 5 % apakah terdapat perbedaan yang
nyata dari umur pakai dari bola lampu yang dihasilkan
kedua mesin tersebut.

2. Untuk menguji apakah ada pengaruh pemberian pupuk

Nitrogen terhadap tinggi tanaman kedele dilakukan
percobaan sebagai berikut. Kedele varitas Wilis ditanam
dalam 56 pot yang kondisinya cukup seragam dan pada
masing-masing pot di pelihara satu batang kedele. Dari 56
pot tanaman ini diambil secara acak sebanyak 25 pot untuk
diberi pupuk Nitrogen dengan dosis setara 50 kg N per
hektar, sedangkan 31 pot lagi tidak diberi pupuk Nitrogen.
Pada minggu ke 12 setelah tanam diukur tinggi tanaman,
dan didapatkan dari tanaman yang dipupuk N rata-rata
tingginya adalah 74,9 cm dan simpang bakunya 3,6 cm, dari
tanaman yang tidak dipupuk N rata-rata tingginya adalah
63,4 cm dengan simpang bakunya 5,0 cm. Kalau ragam
populasi mengenai tinggi tanaman yang dipupuk N dan
yang tidak dipupuk N adalah sama, ujilah pada taraf nyata
0,05 apaka terdapat pengaruh yang nyata dari pemupukan
N terhadap tinggi tanaman kedele
 PENGAMATAN BERPASANGAN
Hal ini bertolak dari dua populasi yang bersifat tidak bebas atau
dependen, dengan perkataan lain anggota populasi 1
berpasangan dengan anggota populasi 2. Kondisi ini timbul
karena kondisi yang tidak seragam atau tidak homogen. Kondisi
homogen hanya ditemukan pada pasangan yang sama, sedangkan
antar pasangan tidak seragam.

Puncak Kurang subur

Subur
Kaki Paling subur
Populasi 1 Populasi 2

Jenis Oli A Oli B

Sedan Toyota
Sedan Suzuki
Sedan Nissan
Sedang Honda
Pop. 1 Pop. 2

POP. 1 POP. 2 Dj = ( X1j - X2j )

X11 X21 D1
X12 X22 D2
X13 X23 D3


X1N X2N DN

Jika Distribusi selisih Dj di atas tidak diketahui Ragamnya atau

simpang baku populasinya, maka distribusi tersebut bisa didekati
dengan distruibusi t Student sebagai berikut ;
 X i x D x
ti ti
S SD
n n

2
n
D j

j 1
n n

D j D
j 1
2
j
n
j 1
D SD
n n 1

PENGUJIAN HIPOTESIS ( Ho )PADA PENGAMATAN

BERPASANGAN.

Karena kedua nilai simpang baku populasi tidak diketahui,

maka ujinya adalah uji t sebagai berikiut :

D 0
t hit .
SD
dengan db = n 1
n

Jika nilai thit > t(db) , maka Ho ditolak.

CONTOH
Ingin diketahui apakah terdapat perbedaan nyata antara
berat biji kedele yang berasal dari polong dekat pangkal
batang dengan berat biji kedele yang berasal dari polong di
ujung batang kedele tipe indeterminate. Untuk itu diambil
10 batang tanaman kedele secara acak sebagai sampel, dan
didapatkan data sebagaiberikut :
Berat biji dari
Berat biji dari polong
Tanaman ke polong pangkal (
ujung( g/100biji)
g/100biji)
1 12,45 11,41
2 12,67 11,23
3 12,91 10,78
4 12,73 10,89
5 11,98 11,86
6 13,09 11,48
7 12,52 10,63
8 12,38 10,97
9 12,76 12,75
10 12,89 11,27
 DISTRIBUSI CHI KUADRAT ( 2 )
Distribusi Chi Kuadrat adalah tergolong distribusi kontinu dan
berkaitan erat dengan distribusi normal standar.

Xi x
Z
Pop. : X1 X2 X3 .. XN Xi Z x

Jika Z dikuadratkan

2
X X
2
Z 2 i x
i 2 x
x x
Dari populasi di atas ditarik sampel n : X1 X2 X3 Xn ,
Kemudian dicari nilai Z2 untuk setiap anggota sampel dan
dijumlahkan :

X 1 x 2 X 2 x 2 ........... X n x 2
x2 x2 x2

Z12 Z 22 ........ Z n2 Z i2 2
2
Bila dicari nilai untuk setiap sampel n dari populasi di atas
maka di peroleh :

12 22 32 N2 : distribusi Chi Kuadrat dgn (n

1),

Artinya setiap sampel yang besarnya n akan membentuk satu

distribusi Chi Kuadrat dengan dbnya ( n - 1 ).
Berbeda dari distribusi normal dan distribusi t Student,
distribusi Chi Kuadrat mempunyai kurva yang miring ke kanan,
dan kemiringannya akan berkurang mengarah simetris dengan
semakin bertambah besarnya sampel atau derajat bebeas ( n 1).

2 ( n1)
http://www.jrigol.com/Statistics/AboutChiSquare.htm 20 Oktober 2012.

walaupun kurvanya berbeda-beda tetapi luas daerah dibawah

tetap 100 % atau 1 unit.
2
Nilai pada sumbu datar ditentukan oleh luas daerah dibawah
kurva ( ) dan derajat bebas (n 1), dan untuk memudahkan
sudah diciptakan Tabel Chi Kuadrat. Pada tabel ini nilai (n-1)
adalah menentukan baris , dan nilai mentukan kolum yang
akan dibaca, perpotongan antara baris dan kolum yang dibaca
2
merupakan nilai pada luas kurva dan db (n-1).

1. p (10) = ? 2. 2 (30) 02, 25( n1) =20,489

2
= 18,493 = ? 3. n= ?

Pada saat (n-1) > 60 akan terdapat hubungan antara Z dgn 2 :

1. Z 22 2(n 1) 1 Z
2. / 2 2
(1)
 UJI DENGAN CHI KUADRAT

1. UJI APAKAH RAGAM POPULASI SAMA

DENGAN HARGA YANG DIDUGA.

Populasi Sampel

Z2
X i x 2
Z2
X i X
2

x2 x2
db=(n-1)

X
2
X

Z 2 i

x2
2 ( n1)

X
2
X
S2 X
i 2
X ( n 1) S 2
( n 1) i

(n 1) S 2
hit
2

x2
.

Kaedah ini dipakai untuk menguji hipotesis Ho : x = o , jika

( n 1) S 2
2
2
( n 1)

hit . 2
0
maka Ho ditolak dan H1 diterima.

CONTOH:
Suatu pabrik accu merek A menyatakan bahwa rgam umur
pakai accu tersebut 0,81. Diambil sampel acak 10 buak accu dan
didapatkan ragam umur pakai sampel 1,44. Ujilah pernyataan
pabrik pada taraf nyata 5 %.
2. PENGUJIAN KOMPATIBILITAS ( TEST OF
GOODNESS OF FIT ).

Pada dasarnya pada pengujian ini kita membanding nilai

frekuensi dari pengamatan sampel dengan nilai frekuensi
yang diperkirakan berdasarkan kaedah yang berlaku dari
yang dibahas, sehingga nilai Chi Kuadrat yang dihitung
adalah :

O i Ei
2

hit .
2

Ei jika nilai

hit
2
. 2
( n 1)
maka Ho ditolak dan H1 diterima.

Contoh :
1. Dari hasil persilangan genetik Aa X Aa ada 180 buah
turunan dengan rincian genetik AA = 35, Aa = 105 , dan
aa = 40. Ujilah pada taraf nyata 5 % apakah persilangan
tersebut mengikuti kaedah hukum Mendel.
2. Sebuah mata dadu bersisi enam dilempar sebanyak 60
kali, dan jumlah frekuensi untuk masing mata dadu yang
muncul adalah :

Mata dadu 1 2 3 4 5 6
Frekuensi 8 11 9 13 14 5
 3. PENGUJIAN INDEPENDEN ( R X C ) TABEL

Banyak data yang diklasifikasi atas beberapa baris ( Row )

dan beberapa kolum ( Colum ), secara umum sebagai
berikut :

Klasifikasi Klasifikasi lajur Jumlah

baris 1 2 3 j
1 O11 O12 O13 O1j O1.
2 O21 O22 O23 O2j O2.
3 O31 O32 O33 O3j O3.

i Oi1 Oi2 Oi3 Oij O1.
Jumlah O.1 O.2 O.3 O.j O..

Eij = (Oi. X O.j ) / O..

O E ij
2

hit
2 ij

E ij dengan db = ( r - 1)( c - 1) , jika :

hit
2
2(r 1)(c1) , maka Ho ditolak dan H1 diterima.

CONTOH :
Ujilah pada taraf nyata 5 % apakah ada kaitan antara tipe kom
puter dengan penggunaanya oleh pemilik berdasarkan data
berikut
Tipe Jenis kegunaan
Jumlah
komputer Bisnis Pendidkan Kesenangan
IBM 55 5 6 66
Apple 34 10 5 49
Atari 5 24 23 52
Lain-lain 26 5 5 36
Jumlah 120 44 39 203
 DISTRIBUSI F
Distrubusi matematis ini di dapatkan oleh R. F. Fisher

Pop. Xi : X1 X2 X3 X4 .. XN x ; x

n1 : S112 S122 S132 S142 S152 .. S1N

2

n2 S 212 S 222 S 232 S 242 S 252 .. S 22N

S 12
Perbandingan ragam sampel F nilainya mendekati 1
S 22
Dan S 12 > S 22

F1 F2 F3 F4 F5 . . . FN Distribusi F

Distribusi F ini mempunyai dua derajad bebas yaitu v1 dan v2

V1 = derajad bebas pembilang = (n1 1) 1-
V2 = derajad bebas penyebut = (n2-1 ) 1-
Distribusi F tidaklah satu kurva saja, tetapi terdiri dari banyak
kurva, karena setiap kombinasi dari v1 dan v2 membentuk satu
distribusi F, yang kurvanya miring ke kanan.
Distribusi F bisa juga dibentuk dari perbandingan-perbandingan
ragam sampel yang berasal dari dua populasi normal yang berbeda
tetapi mempunyai ragam populasi yang sama, dengan kata lain

tetapi 1 2
2 2
1 2

http://www.statistics4u.info/fundstat_eng/cc_distri_fisher_f.html
21 Oktober 2012.
Tabel distribusi F
(1 )
F(v1, v2)
V2 = db V1 = db pembilang
penyebut 1 2 3 4 5 .. .. .. ..
1
2
3
4 F(v1, v2)
5
..

F 0,05(3, 4) = 6,59 artinya 5 % dari nilai F dg db(3 , 4) lebih dari 6,59.

F(v1, v2) = 1 / F(1-)(v2, v1)
F0,95(4, 3) = 1/ F0,05(3,4) = 1 / 6,59 = 0,1517

t F (1, v 2 )
( n 1)
2
 ANALISIS REGRESI

Pada alisis terdahulu baru melibatkan satu variabel saja.

Kalau sudah melibatkan dua atau lebih variabel , maka didekati
dengan ANALISIS REGESI.

ANALISIS REGRESI :
Adalah teknik analisis statistik yang menguraikan hubungan
antara satu variabel kuantitatif dependen ( variable respon )
dengan satu atau lebih variabel kuantitatif independen ( variable
predictor ). Variabel dependen biasa dilambang dengan Y, dan
variable independen dilambangkan dengan X.

Berdasarkan jumlah variabel independen yang terlibat dalam

analisis regresi, maka analisis regresi dibagi dua yaitu :

1. REGRESI SEDERHANA : yaitu analisis regresi yang

hanya melibatkan satu variabel independen saja. ( SIMPLE
REGRESSION).
Eq. Hubungan antara dosis pupuk fospor dengan hasil.

2. REGRESI BERGANDA : yaitu analisis regesi yang

melibatkan dua tau lebih variabel independen. (MULTIPLE
REGRESSION ).
Eq. Hubungan antara dosis pupuk N dan jumlah mulsa
dengan hasil.
Hubungan antara kandungan N, K, dan Cl pada daun
tembakau dengan daya bakar daun.
TUJUAN ANALISIS REGRESI :

1. Menentukan model statistik dari variabel dependen dengan

variabel independen yang terlibat.
Menentukan variabel variabel independen mana saja
yang betul-betl berhubungan dengan variabel dependen.
Apa bentuk hubungan antara variabel dependen dengan
variabel independen, apakah bersifat linear atau bukan
linear ( kuadratik, kubik, exponensial, logaritmik).

2. Untuk memprediksi atau peramalan yaitu berapa nilai Y

pada nilai X tertentu.

3. Untuk menduga nilai parameter yang terdapat dala model

statistik yang terkait seperti 0, 1, 2, dll.

Diagram pencar :

X
 REGRESI LINEAR SEDERHANA

Pada analisis ini sebetulnya yang dibicarakan adalah regresi

linear Y pada X.

X adalah variabel independen yang harga sudah tertentu atau

ditetapkan, makanya variabel X bukanlah variabel random, dan
diasumsikan tidak mempunyai kesalahan atau error.

Y adalah variabel dependen yang nilainya merupakan respon

terhadap variabel X, atau nilai Y tergantung pada X.
Untuk nilai X tertentu nilai Y tidak satu, tetapi bervariasi dan
membentuk satu populasi, Justeru itu variabel Y merupakan
variabel random dan diasumsikan mempunyai kesalahan atau
error. Sifat random dari variabel Y ini sangat penting, karena
dengan sifat ini teori peluang bisa digunakan.

Untuk mengambarkan hubungan Y dan X bias gigunaka satu

sumbu koordinal, dimana X pada sumbu datar dan Y pada
vertical sebagai berikut :
 Garis regresi y / x 0 1 xi

yN
(xi, yi) .
.. .
.. .
.
y3 1 .

y2

y1 0

x1 x2 x3 .. .. xN

Pada gambar ini terlihat bahwa pada X tertentu nilai Y tidak satu
tetapi bervariasi membentuk satu populasi. y adalah rata-rata
Y pada X tertentu, dan semua nilai y dari seluruh nilai X
membentuk garis regresi yaitu :
y / x 0 1 xi
y/x = adalah nilai rata-rata dari Y pada X tertentu.
0 = adalah nilai Y pada saat X= 0, atau nilai Y pada saat
garis regresi memotong sumbu Y, justeru itu disebut
juga intercept.
1 = adalah nilai tingat perubahan nilai Y untuk setiap unit
perubahan nilai X. Disebut juga Slope karena menun
jukan kemiringan garis regresi. Disebut juga Koefsien
regresi.
Bagaimana kalau : 0 = 0, 1= 0, 1= + , 1= -

Kembali ke persamaan garis regresi : y / x 0 1 xi

Persamaan untuk satu titik Yi saja ( xi, yi ) tentu :

Yi = 0 + 1xi + i

i adalah variable error yaitu nilai perbedaan nilai y/x pada xi

dengan nilai yi pada xi. atau i adalah nilai penyimpangan Yi
dari y/x. i ini variabel random dan nilai rata-ratanya adalah
nol dengan ragamnya 2.

Berdasarkan persamaan diatas nilai Yi akan sulit ditentukan

karena 0, 1, dan i adalah parameter yang nilai tidak dike
tahui. Tetapi nilaiYi ini bisa diperkirakan yaitu dengan menduga
nilai 0 dengan b0 dan 1 diduga dengan b1, dimana nila bo dan
b1 berasal dari sampel, sehingga garis regresi perkiraan adalah

i = bo + b1
dan dengan metode Least square nilai bo dan b1 dapat ditentuk
dengan rumus berikut :

X iY
X Y
i i
JP
b0 Y b1 X b1 n
dan Xi
2
JK x
X i2
n

dengan demikian garis regresi perkiraan bisa didapatkan.

CONTOH :
Ingin dipelajari hubungan antara umur dan tinggi dari anak-anak
yang dalam masa pertumbuhan.

Sampel Umur (Xi) Tinggi (Yi) XiYi Xi2 Yi2

1 5 77 385 25 5929
2 6 89 534 36 7921
3 7 97 . . .
4 8 110 . . .
5 10 121 . . .
6 12 130 . . .
7 14 142 . . .
8 16 156 . . .
9 18 163 . . .
10 20 164 3280 400 26896
Jumlah 116 1249 15.946 1594 164865
Rata2 11,6 124.9

X iY
X Yi i
JP
b1 n b0 Y b1 X
Xi
2
JK x
X i
2

n
116X1249
15.946
10 1457,6
b1 5,87
(116) 2
246,4 b0 = 124,9 5,87x 11,6
1594
10
= 56,81
Jadi garis regresi perkiraan adalah:

i = bo + b1 Xi i = 56,81 + 5,87 Xi INTERPRETASI

 SUMBER KERAGAMAN
PADA REGRESI LINEAR SEDERHANA

i = bo + b1Xi , dimana nilai i tidak akan persis sama dengan

nilai Yi faktual seperti terlihat ilustrasi seberikut :

yi ( xi , y i ) i = bo + b1Xi

(xi, i )

y (xi,y)

x xi x

Perbedaan yang terlihat pada gambar bisa diungkapkan dalam

persamaan sebagai berikut :

(Yi Y ) (Yi Y ) (Y Y )
Jika dijumlahkan untuk seluruh Yi dimana I = 1, 2, ., n,

n n n

Maka : (Y Y ) (Y
i 1
i
i 1
i Y ) (Yi Y i ) 0
i 1
Agar nilainya tidak nol diatasi dengan mengkuadratkan sbb :

2
n
n n

i 1
(Yi Y ) (Y i Y ) (Yi Y i )
2

i 1 i 1

n n n

Maka : (Y
i 1
i Y ) (Y i Y ) (Yi Y i ) 2
2

i 1
2

i 1

JKTotal = JK Regresi + JK Sisa

2
n
Yi
(Yi Y )2 Yi 2 i 1 JKY
n
JKTotal
i 1 n

n 2
JP
JKRe gresi b12 ( X i X ) 2 b1 JP
i 1 JKx
n
JKSisa (Yi Y i ) 2 JKTotal JKRe gresi
i 1
Tabel Sidik Ragam Regresi Linear Sederhana
Sumber
db JK KT Fhit. F(1,(n-2)
Keragaman
Regresi 1 JKReg. KT Reg.
Sisa (n 2 ) JKSisa KTSisa
Total (n1) JKTot.

Kuadrat Tengah (KT) adalah JK dibagi dengan dbnya

sendiri, sedangkan :

Fhit. = KTReg. / KTSisa

Sidik Ragam ini digunakan untuk menguji H0 : 1= 0

Jika Fhit. > F(1, n-2) maka H0 ditolak.

CONTOH : DATA UMUR DAN TINGGI BADAN

TERDAHULU.

1. H0 : 1 = 0
2. H1 : 1 0
3. Asumsi : Sampel acak.
4. Taraf Nyata : = 0,05
5. Daerah Kritis : Tolak H0 jika Fhit. > F0,05, (1, 8) = 5.32
 6. Data
Sampel Umur (Xi) Tinggi (Yi) XiYi Xi2 Yi2
1 5 77 385 25 5929
2 6 89 534 36 7921
3 7 97 . . .
4 8 110 . . .
5 10 121 . . .
6 12 130 . . .
7 14 142 . . .
8 16 156 . . .
9 18 163 . . .
10 20 164 3280 400 26896
Jumlah 116 1249 15.946 1594 164865
Rata2 11,6 124.9

7. Perhitungan :

2
n
Yi
n
12492
JKTotal Yi
2 i 1
164865 8864,9
i 1 n 10

2
n
Yi
n
1162
JK X X i
2 i 1
1594 248,4
i 1 n 10
 n n

X i Yi
JP X iYi i 1 i 1 15946
n
(116)(1249)
1457,6
i 1 n 10

JP 2 1457,6 2
JK Re gresi 8553,13
JK x 248,4

JKSisa JKTotal JKRe gresi 8864,9 8553,13 311,77

JK Re g . 8553,13
KTRe g . 8553,13
dbRe g . 1

JK Sisa 311,77
KTSisa 38,97
dbSisa 8

KTRe g . 8553,13
FHit . 219,5
KTSisa 38,97
Tabel Sidik Ragam Regresi Linear Sederhana
Sumber
db JK KT Fhit. F(1,(n-2)
Keragaman
Regresi 1 8553,13 8553,13 219,5* 5,32
Sisa 10-2=8 311,77 38,97
Total 10-1=9 8864,90

Kesimpulan : Ho ditolak, Jadi 1 0, dengan perkataan lain

nilai Yi sangat tergantung pada nilai Xi.
ANALISIS KORELASI

Analisis Korelasi mengkaji tingkat keeratan asosiasi antara

dua variabel X dan Y yang digambarkan oleh nilai yang
disebut Koefisien Korelasi yang dilambangkan dengan
( dibaca rho ), dan nilainya berada antara -1 s/d 1.

Y Y Y

X X X

1 1 0

Nilai adalah nilai parameter yang nilainya sulit

diketahui, maka nilai ini diduga dengan nilai koeefisien
korelasi yang berasal dari sampel yang dilambangkan
dengan r.
Nilai koefisien korelasi r ditentukan dengan rumus :

1. r koef. deter minasi r

2

X iYi
X i Yi
JP n
r
2. JK x JK y
X i
2 X i 2

Yi
2 Yi 2


n n

PENGUJIAN H0 : 0

Bisa diuji dengan uji statistic berikut :

r
t hit
1 r2
n2

Jika thit > t/2(n-2) maka H0 ditolak.