BOBOT : 3 (3 0 ) sks
SEMESTER : GANJIL ( III )
PREREQUISIT :MATEMATIKA
DOSEN : IR. TAMSIL BUSTAMAM, MSc.
TUJUAN :
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 :
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
ILUSTRASI :
STATISTIKA
DESKRIPTIF INFERENSIA
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 :
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 )
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
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 :
2. SAMPLING :
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 ).
Pengamatan arkeologi
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
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
1.1. Satu digit terakhir dari data dijadikan sebagai DAUN, dan
digit sisanya dijadikan BATANG.
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.
ILUSTRASI :
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.
1 1
Tb Bb gap Ta Ba gap
2 2
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.
k= 1 + 3,322 log n
fi fi
f i rel . k
atau f i rel .
i1
fi n
fi
fi(%) k
x100% fi(%)
fi
x100%
atau
f
i 1
i n
3. Tabel Distribusi Frekuensi Kumulatif kurang
dari dan lebih dari.
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
1. Rentang.
2. Dispersi Kuartil.
3. Rata-rata Simpang.
4. Ragam dan Simpang Baku.
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
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.
Me = nilai ke 1
n 1
2
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.
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
RU n
x 1 . x 2 . x 3 ...... x n atau
5. RATA-RATA HARMONIS
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
Ukuran lokasi :
1. Kuartil
Ki nilaike
i
n 1
4
in
F
Ki Tb p 4
f Ki
2. Desil
Di nilaike
i
n 1
10
in
F
Di Tb p 10
f Di
3. Persentil
Pi nilaike
i
n 1
100
in
F
Pi Tb p 100
f Pi
_
x
1
II. PENGUKURAN DISPERSI
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.
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
k
fi Xi X
Deviasirat arata i 1
k
i 1
fi
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
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
S
CV KK
x 100 %
X
Kegunaan :
Xi
N
X i
N 2
x
x i 1
2
x i 1
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
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
cXcx cXx X x
N 2 N 2 N 2
i i i
2 i1` i1
C2 i1
C2 x2
N N N
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.
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
f X
1 3
i i
N
3
3
II. KURTOSIS / KERUNCINGAN
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
I. TABEL
JUDUL TABEL ;
KEPALA KEPALA KOLUM
BARIS
SEL
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
SMA
SMP
LK
PR
SD
TK
LAIN-LAIN
17%
TNH KERING
13%
HUTAN
SAWAH 59%
11%
TNH KERING
13%
HUTAN
59%
SAWAH
11%
JENIS PENGGUNAAN LAHAN
LAIN-LAIN
17%
TNH KERING
13%
HUTAN
SAWAH 59%
11%
LAIN-LAIN
17%
TNH KERING
13%
HUTAN
SAWAH 59%
11%
JENIS PENGGUNAAN LAHAN
LAIN-LAIN
17%
TNH KERING
13%
HUTAN
SAWAH 59%
11%
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. Distribusi Binomial
2. Distribusi Normal/Gauss
3. Distribusi t Student
4. Distribusi Chi Square
5. Distribusi F
6. Distribusi Poisson
7. Distribusi Hypergeometric.
DISTRIBUSI BINOMIAL
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
a.
Xi 2
P Xi b. npq
i 1
SOAL: 5
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
T H
n =1
p q
TT HT HH
n = 2 HT
T2 2 HT H2
(p + q)2 q2 2 pq p2
P( H ) = p P( T ) = q q = (1 - p )
PX x n, p
n!
pxqnx
x!n x!
DISTRIBUSI NORMAL / GAUSS
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
x = 0 x =1
X Z
Xi x
Zi
x
Pop. Xi : 2 4 6 8 10 12 14 x = 8 x=4
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
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
Hitunglah :
Xi x
Zi
x
Distribusi Binomial : x = np dan x npq
X i np
Zi
npq
Contoh ;
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 :
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 :
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.
x N n
x
n N 1 dipakai jika n/N 5 %.
Besar sampel
n= 1 n = 2 n = 3 n = 4 n = 8
X Fi X Fi X Fi X Fi X Fi
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
Xi x
Zi
X Z dengan rumus x
X i x
Zi
X Z dengan rumus x
n
CONTOH SOAL :
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
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
Contoh : Tentukanlah
1. t0,25( 9 )
2. t0,05( 20 )
4. t( 12 ) = 2,6810 = ?
5. t( 12 ) = - 2,6810 = ?
6. t(n 1 ) = 1,9944 n= ?
Pop. Xi : X1 X2 X3 X4 .. XN x ; x
Sampel n
Pop. X : X1 X2 X3 X 4 .. X Nn X X
X i x
Zi
X Z dengan rumus x
n
Note : kurva
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
Kembali ke :
Pop Xi : 2 4 6 x = 4 ; x = 1,633
X1 = 2,8682 X2 = 5,1317
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.
sampel x = x
Populasi sampel
x
sampel X =
n
Sampel X, s2, s
Populasi (x, x2 x ) sampel 2
X,s , s
2
Sampel X,s , s
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
C1 C2
X
i 0
Z hit .
x
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
X 2,78 2,65
Z
i 0
Zhit. 1,86
hit .
x
0,42
n 36
X 0
t hit .
i
s
n
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
X 0 2,78 2,65
t hit .
i
t hit 2,17
s 0,36
n 36
X 11 X 12 X 1N
n
: X 1, X 1 X 21 X 22 X 2N
n
: X 2,
X 2
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
( 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
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
Z hit .
X 1
X 2 1 2
x21 x22
n1 n2
Jka Zhit. > Z , maka Ho ditolak.
t hit .
X 1
X 2 1 2
1 1
S
2
p
n1 n 2
dengan db = ( n1 + n2 - 2 )
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
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.
Subur
Kaki Paling subur
Populasi 1 Populasi 2
2
n
D j
j 1
n n
D j D
j 1
2
j
n
j 1
D SD
n n 1
D 0
t hit .
SD
dengan db = n 1
n
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 :
2 ( n1)
http://www.jrigol.com/Statistics/AboutChiSquare.htm 20 Oktober 2012.
1. Z 22 2(n 1) 1 Z
2. / 2 2
(1)
UJI DENGAN CHI KUADRAT
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
.
( 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 ).
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
O E ij
2
hit
2 ij
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
S 12
Perbandingan ragam sampel F nilainya mendekati 1
S 22
Dan S 12 > S 22
F1 F2 F3 F4 F5 . . . FN Distribusi F
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
..
t F (1, v 2 )
( n 1)
2
ANALISIS REGRESI
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.
Diagram pencar :
X
REGRESI LINEAR SEDERHANA
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= -
Yi = 0 + 1xi + i
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
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:
yi ( xi , y i ) i = bo + b1Xi
(xi, i )
y (xi,y)
x xi x
(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
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.
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
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
Y Y Y
X X X
1 1 0
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
r
t hit
1 r2
n2