Anda di halaman 1dari 14

BAB I

PENDAHULUAN

1.1 Latar Belakang


Sejauh ini teori peluang yang kita bicarakan hanya sebatas pada suatu peristiwa
tertentu atau tentang kemungkinan terjadinya peristiwa dengan nilai peluang tertentu. Padahal
masih ada nilai-nilai peluang dari peristiwa lainnya yang bisa ditentukan. Nilai-nilai peluang
tambahan yang demikian bisa membentuk suatu distribusi yang disebut sebagai distribusi
peluang. Sebagai contoh, ketika melempar sebuah dadu, kita bisa menghitung peluang dari
seluruh peristiwa yang mungkin yakni munculnya angka 1, 2, 3, 4, 5 dan 6 yang masing-
masing memiliki peluang 1/6.
Teori peluang bukan bahan baru lagi bagi anda, karena teori ini sudah anda pelajari
dalam Matetatika tingkat SMP maupun SMA. Teori peluang ini juga dikenal teori
probabilitas atau teori kemungkinaan.
Peluang banyak digunakan dibidang lain, selain bidang Matematika. Ahli fisika
menggunakan peluang untuk mempelajari macam-macam gas dan hukum panas dalam teori
atom. Ahli biologi mengaplikasi teknik peluang dalam ilmu genetika dan teori seleksi alam.
Dalam dunia bisnis teknik peluang digunakan untuk pengembalian keputusan.
Peluang merupakan teori dasar stastistika, suatu disiplin ilmu yang mempelajari
pengumpulan, pengaturan, perhitungan, penggambaran dan penganalisisan data, serta
penarikan kesimpulan yang valid berdasarkan penganalisisan yang dilakukan dan pembuatan
keputusan yang rasional.
Pada makalah ini anda akan mempelajari pengertian dan aturan dalam peluang. Dalam
mempelajarinya anda diharapkan dapat menggunakan konsep permutasi, kombinasi dan
peluang untuk menyelesaikan masalah dalam Matematika atau bidang lain
Banyak masalah yang disinggung dan harus diselesaikan dengan cara yang mudah
dan sederhana namun dalam waktu yang singkat, oleh karena itu metode yang terdapat di
bagian statistik dapat mempermudah jalannya proses pemecahan masalah.
Dalam salah satu contoh penerapannya dalam menyelesaikan masalah metode statistik
menggunakan peluang sebagai pendekatan pada hasil sebuah masalah, hal ini dapat
diaplikasikan pada kehidupan sehari-hari sebagai satu pendekatan menyelesaikan suatu
masalah dalam pilihan.
1.2 Rumusan Masalah
1. Apa itu distribusi normal dan cara kerja?
2. Bagaimana pengujian normalitas?
3. Apa itu Distribusi student dan penerapannya?
4. Pengujian Chi-Kuadrat
5. Distribusi F
BAB II

PEMBAHASAN

2.1 Distribusi Peluang (Probabilitas)


Probabiltas sangat dibutuhkan, karena kebenaran dari suatu kesimpulan yang dibuat
dari analisis data sebetulnya tidak dapat dipastikan benar secara absolut, disebabkan data
berdasarkan dari sampel
Distribusi Probabilitas adalah suatu distribusi yang mengambarkan peluang dari
sekumnpulan variat sebagai pengganti frekuensinya. Probabilitas kumulatif adalah probalitas
dari suatu variabel acak yang mempunyai nilai sama atau kurang dari suatu nilai tertentu.
Fungsi distribusi peluang pada umumnya dibedakan atas distribusi peluang
diskrit dan distribusi peluang kontinu.

2.2 Distribusi Normal


Dikenalnya distribusi normal diawali oleh kemajuan yang pesat dalam pengukuran
pada abad ke 19. Pada waktu itu, para ahli matematika dihadapkan pada suatu tantangan
mengenai fenomena variabilitas pengamat atau interna yang artinya bila seorang mengadakan
pengukuran berulang-ulang maka hasilnya akan berbeda-beda.
Yang menjadi pertanyaan adalah nilai manakah yang dianggap paling tepat dari
semua hasil pengukuran tersebut. Maka kemudian berdasarkan kesepakatan maka nilai rata-
rata dianggap paling tepat dan semua penyimpangan dari rata-rata dianggap suatu kesalahan
atau error.
Abraham de Moivre adalah yang pertama kali memperkenalkan distribusi normal ini
dan kemudian dipopulerkan oleh Carl Fredreich Gauss. Sehingga nama lain distribusi ini
adalah distribusi Gauss.
Gauss mengamati hasil dari percobaan yang dlakukan berulang-ulang, dan dia
menemukan hasil yang paling sering adalah nilai rata-rata. Penyimpangan baik ke kanan atau
ke kiri yang jauh dari rata-rata, terjadinya semakin sedikit. Sehingga bila disusun maka akan
terbentuk distribusi yang simetris.

2.2.1 Pengertian
Distribusi Normal adalah model distribusi kontinyu yang paling penting dalam teori
probabilitas. Distribusi Normal diterapkan dalam berbagai permasalahan. Distribusi normal
memiliki kurva berbentuk lonceng yang simetris.
Distribusi normal merupakan suatu alat statistik yang sangat penting untuk menaksir
dan meramalkan peristiwa-peristiwa yang lebih luas. Distribusi normal disebut juga dengan
distribusi Gauss untuk menghormati Gauss sebagai penemu persamaannya (1777-
1855). Menurut pandangan ahli statistik, distribusi variabel pada populasi mengikuti
distribusi normal.
Distribusi normal pertama kali diperkenalkan oleh Abraham DeMoivre (1733)
sebagai pendekatan distribusi binomial untuk n besar. Selanjutnya dikembangkan oleh Pierre
Simon de Laplace dan dikenal dengan Teorema Moivre - Laplace. Laplace menggunakan
distribusi normal untuk analisis galat suatu eksperimen.
Suatu data membentuk distribusi normal jika jumlah data di atas dan di bawah mean
adalah sama.
Distribusi normal berupa kurva berbentuk lonceng setangkup yang melebar tak
berhingga pada kedua arah positif dan negatifnya.
2.2.2 Ciri-ciri kurva normal
1. Bentuk kurva normal
a. Menyerupai lonceng (genta/bel).
b. Merupakan suatu poligon yang dilicinkan yang mana ordinat (sumbu tegak) merupakan
frekuensi dan absisnya (sumbu alas) memuat nilai variabel.
c. Simetris
d. Luas daerah merupakan nilai rata-rata (mean).
e. Luas daerah sebelah kiri dan kanan mendekati 50%.
f. Memiliki satu modus (disebut juga bimodal).
2. Daerah kurva normal
a. Merupakan ruangan yang dibatasi daerah kurva dengan absisnya (sumbu alas).
b. Luas daerah biasanya dinyatakan dalam persen atau proporsi.

Distribusi normal dipengaruhi oleh dua parameter, yaitu mean dan standar deviasi.
Mean menentukan lokasi pusat statistik dan standar deviasi menentukan lebar dari kurva
normal
Kurva normal menggambarkan daerah penerimaan dan penolakan Ho.
2.2.3 Pentingnya distribusi normal dalam statistika
Satu-satunya distribusi probabilitas dengan variabel random kontinu adalah distribusi normal.
Ada 2 peran yang penting dari distribusi normal :
Memiliki beberapa sifat yang mungkin untuk digunakan sebagai patokan dalam mengambil
suatu kesimpulan berdasarkan hasil sampel yang diperoleh. Pengukuran sampel digunakan
untuk menafsirkan parameter populasi.
Distribusi normal sangat sesuai dengan distribusi empiris, sehingga dapat dikatakan bahwa
semua kejadian alami akan membentuk distribusi ini. Karena alasan inilah sehingga distribusi
ini dikenal sebagai distribusi normal dan grafiknya dikenal sebagai kurva normal atau kurva
gauss.
2.2.4 Ciri-ciri distribusi normal
1. Distribusi normal mempunyai beberapa sifat dan ciri, yaitu:
2. Disusun dari variable random kontinu
3. Kurva distribusi normal mempunyai satu puncak (uni-modal)
4. Kurva berbentuk simetris dan menyerupai lonceng hingga mean, median dan modus
terletak pada satu titik.
5. Kurva normal dibentuk dengan N yang tak terhingga.
6. Peristiwa yang dimiliki tetap independen.
7. Ekor kurva mendekati absis pada penyimpangan 3 SD ke kanan dan ke kiri dari rata-rata dan
ekor grafik dapat dikembangkan sampai tak terhingga tanpa menyentuh sumbu absis.

2.2.5 Penggunaan Tabel Distribusi Normal


Tabel distribusi normal standar terdiri dari kolom dan baris.
Kolom paling kiri menunjukkan nilai Z, tertera angka 0 sampai 3 dengan satu desimal
dibelakangnya. Desimal berikutnya terletak pada baris paling atas dengan angka dari 0
sampai 9.
Misalnya dari hasil perhitungan diperoleh nilai Z = 1,96
1. Maka di kolom kiri kita cari nilai1,9 dan baris atas kita cari angka 6
2. Dari kolom 6 bergarak ke bawah, hingga pertemuan titik yang menunjukkan angka 0,4750.
3. Berarti luas daerah di dalam kurva normal antara rata-rata dengan 1,96 SD ke kanan adalah
0,475.
4. Karena luas kurva ke kanan dan ke kiri sama, maka luas penyimpangan 1,96 ke kanan dan ke
kiri dari rata-rata adalah 0,95 (95%).

2.3 Pengujian Normalitas


Pengujian normalitas dimaksudkan untuk mendeteksi apakah data yang akan
digunakan sebagai pangkal tolak pengujian hipotesis meru-pakan data empirik yang
memenuhi hakikat naturalistik. Hakikat naturalistik menganut faham bahwa penomena
(gejala) yang terjadi di alam ini berlangsung secara wajar dan dengan kecenderungan berpola.
Statistika berupaya memelihara kewajaran tersebut dengan proses randomisasi
pengambilan sampel, dengan harapan bahwa data yang diperoleh merupakan cerminan dari
kondisi yang wajar dari pada penomena alami aspek yang diukur. Melalui proses
pengambilan sampel yang memenuhi tabiat random, respon dari sampel penelitian sebagai
wakil populasi, diasumsikan wajar. Kecenderungan penomena alami yang berpola seragam
dan respon yang wajar tersebut memberikan data yang tidak jauh menyimpang dari
kecenderungannya, yaitu kecenderungan terpola/terpusat. Untuk menguji hal itu, perlu
ditempuh suatu pengujian normalitas populasi.
Dalam pendekatan statistika parametrik, setidak-tidaknya ada dua teknik statistika
yang dapat digunakan untuk pengujian normalitas, yaitu Uji Liliefors dan chi kuadrat. Teknik
Liliefors menggunakan pendekatan pemeriksaan data individu dalam keseluruhan
(kelompok). Prosedurnya akan jadi rumit apabila jumlah data cukup banyak. Karena itu,
teknik Liliefors biasanya digunakan untuk rentang data yang relatif sedikit. Sedangkan untuk
rentangan yang lebih besar digunakan teknik chi kuadrat, dengan menguji data berkelompok.
Karena asumsinya normal, maka pengujian didasarkan pada pendekatan Stanine.
Dalam tulisan ini teknik pengujian normalitas yang dicontohkan adalah teknik
Liliefors dengan hipotesis pengujian sebagai berikut:
Ho : Sampel berasal dari populasi berdistribusi normal.
H1 : Sampel berasal dari populasi berdistribusi tidak normal.
Kriteria Pengujian: Tolak Ho, jika Lo > L kritis, selain itu Ho diterima.

2.3.2 Contoh Pehitungan


Dalam menguji kenormalan data, ada dua pendekatan yang dapat dilakukan. Bila
konstalasi penelitian dalam bentuk korelasi (hubungan) dan pengaruh antar variable, maka
kenormalan yang diuji yaitu kenormalan galat data taksiran. Galat taksiran merupakan selisih
skor amatan dengan skor idel (teoretis) variabel terikan (endogenus) dari setiap persamaan
regresi yang dibentuk. Sedangkan untuk konstalasi penelitian komparasi (perbandingan),
maka kenormalan yang diuji yaitu kenormalan data amatan.
Berikut merupakan contoh perhitungan kenormalan galat data yang dibentuk oleh
variabel Y atas X1. Dalam hal ini data yang diuji kenormalannya yaitu galat taksiran. Untuk
itu perlu dihitung terlebih dahulu persamaan regresi yang dibentuk Y atas X1, dengan
mencari koefisien a dan b. Dalam hal ini terlebih dahulu dicari persamaan regresi sederhana
antara kinerja pegawai (Y) atas budaya organisasi (X1), yaitu: Y = a + bX1 Ket : Y =
Variabel terikat. (endegonus) X1 = Variabel bebas (eksegonus) a = Konstanta intersep b =
Koefisien regresi Y atas X1.

2.4 Distribusi Student


2.4.1 Sejarah
W.S. Gosset menuliskan distribusi peluang t pada saat bekerja diperusahaan bir di Irlandia
(1908). Perusahaan tersebut melarang semua karyawan untuk menerbitkan hasil
penelitiannya. Untuk menghindari larangan tersebut W.S. Gosset menerbitkan karyanya
secara rahasia dengan nama student. Oleh sebab itulah distribusi t disebut sebagai distribusi
peluang student t.

2.4.2 Dasar
Distribusi Student atau distribusi t, ialah Distribusi dengan variabel acak kontinu lainnya,
selain daripada distribusi normal dengan fungsi densitasnya adalah :
Untuk harga-harga n yang besar, biasanya n 30, distribusi t mendekati distribusi normal
baku.
Distribusi probabilitas t-Student diturunkan dari distribusi probabilitas normal baku, dalam
bentuk yang berkaitan dengan distribusi probabilitas khi-kuadrat, yakni :

Dengan z1, z2, z3, . . . sebagai distribusi probabilitas normal baku dan c2n= z21 + z22 + z23
+ . . . + z2n dari distribusi probabilitas khi-kuadrat.
Distribusi dengan variabel acak kontinu lainnya selain dari distribusi normal ialah
DISTRIBUSI STUDENT ATAU DISTRIBUSI - t. Fungsi densitasnya adalah:
Berlaku untuk harga-harga t yang memenuhi - < t <
K merupakan bilangan tetap yang besarnya bergantung pada n sedemikian sehingga luas
daerah di bawah kurva sama dengan satu unit. Pada distribusi t ini terdapat bilangan (n-1)
yang dinamakan derajat kebebasan, akan disingkat dengan dk. Bentuk kurva-t identik dengan
bentuk kurva normal, tetapi kurtosisnya ditentukan oleh besar kecilnya derajat kebebasan df.

Beberapa contoh penggunaan daftar distribusi-t


1. Untuk n = 13, jadi dk = (n-1) = 13 - 1 = 12, dan p = 0,95 maka t = 1,782 ini didapat
(lihat tabel distruibusi-t) dengan jalan maju ke kanan dari 12 dan menurun 0,95.
2. Tentukan t sehingga luas dari t ke kiri = 0,05 dengan dk = 9. Untuk ini p yang
digunakan = 0,95. Dengan dk = 9 didapat t = 1,83. karena yang diminta kurang dari 0,5, maka
t harus bertanda negatif. Jadi t = - 1,83

2.5 Pengujian Chi-Kuadrat (x2)


Dalam teori probabilitas dan statistika, distribusi khi-kuadrat (bahasa Inggris: Chi-square
distribution) atau distribusi dengan k derajat bebas adalah distribusi jumlah kuadrat k
peubah acak normal baku yang saling bebas. Distribusi ini seringkali digunakan dalam
statistika inferensial, seperti dalam uji hipotesis, atau dalam penyusunan selang
kepercayaan.[2][3][4][5] Apabila dibandingkan dengan distribusi khi-kuadrat nonsentral,
distribusi ini dapat juga disebut distribusi khi-kuadrat sentral.
Salah satu penggunaan distribusi ini adalah uji khi-kuadrat untuk kebersesuaian (goodness of
fit) suatu distribusi pengamatan dengan distribusi teoretis, kriteria klasifikasi analisis data
yang saling bebas, serta pendugaan selang kepercayaan untuk simpangan baku populasi
berdistribusi normal dari simpangan baku sampel. Sejumlah pengujian statistika juga
menggunakan distribusi ini, seperti Uji Friedman.
Chi-kuadrat digunakan untuk mengadakan pendekatan dari beberapa vaktor atau mngevaluasi
frekuensi yang diselidiki atau frekuensi hasil observasi dengan frekuensi yang diharapkan
dari sampel apakah terdapat hubungan atau perbedaan yang signifikan atau tidak.
Dalam statistik, distribusi chi square termasuk dalam statistik nonparametrik. Distribusi
nonparametrik adalah distribusi dimana besaran-besaran populasi tidak diketahui. Distribusi
ini sangat bermanfaat dalam melakukan analisis statistik jika kita tidak memiliki informasi
tentang populasi atau jika asumsi-asumsi yang dipersyaratkan untuk penggunaan statistik
parametrik tidak terpenuhi.
Beberapa hal yang perlu diketahui berkenaan dengan distribusi chi square adalah :
1. Distribusi chi-square memiliki satu parameter yaitu derajat bebas (db).
2. Nilai-nilai chi square di mulai dari 0 disebelah kiri, sampai nilai-nilai positif tak terhingga di
sebelah kanan.
3. Probabilitas nilai chi square di mulai dari sisi sebelah kanan.
4. Luas daerah di bawah kurva normal adalah 1.
a) Uji Kecocokan = Uji Kebaikan Suai = Goodness of Fit
b) Uji Kebebasan
c) Uji Beberapa Proporsi (Prinsip pengerjaan (b) dan (c) sama saja)
Nilai chi square adalah nilai kuadrat karena itu nilai chi square selalu positif. Bentuk
distribusi chi square tergantung dari derajat bebas (Db)/degree of freedom. Pengertian pada
uji chi square sama dengan pengujian hipotesis yang lain, yaitu luas daerah penolakan Ho
atau taraf nyata pengujian
Metode Chi-kuadrat menggunakan data nominal, data tersebut diperoleh dari hasil
menghitung. Sedangkan besarnya nilai chi-kuadrat bukan merupakan ukuran derajat
hubungan atau perbedaan.
Macam-macam bentuk analisa Chi-kuadrat :
1. Penaksiran standar deviasi
2. Pengujian hipotesis standar deviasi
3. Pengujian hipotesis perbedaan beberapa proporsi atau chi-square dari data multinominal
4. Uji hipotesis tentang ketergantungan suatu variabel terhadap variabel lain/uji Chi-square dari
tabel kontingensi/tabel dwikasta/tabel silang
5. Uji hipotesis kesesuaian bentuk kurva distribusi frekuensi terhadap distribusi peluang
teoritisnya atau uji Chi-square tentang goodness of fit.

2.5.1 Ketentuan Pemakaian Chi-Kuadrat (X2)


Agar pengujian hipotesis dengan chi-kuadrat dapat digunakan dengan baik, maka
hendaknyamemperhatikan ketentuan-ketentuan sebagai berikut:
1. Jumlah sampel harus cukup besar untuk meyakinkan kita bahwa terdapat kesamaan antara
distribusi teoretis dengan distribusi sampling chi-kuadrat.
2. Pengamatan harus bersifat independen (unpaired). Ini berarti bahwa jawaban satu subjek tidak
berpengaruh terhadap jawaban subjek lain atau satu subjek hanya satu kali digunakan dalam
analisis.
3. Pengujian chi-kuadrat hanya dapat digunakan pada data deskrit (data frekuensi atau data
kategori) atau data kontinu yang telah dikelompokan menjadi kategori.
4. Jumlah frekuensi yang diharapkan harus sama dengan jumlah frekuensi yang diamati.
5. Pada derajat kebebasan sama dengan 1 (table 2 x 2) tidak boleh ada nilai ekspektasi yang
sangat kecil. Secara umum, bila nilai yang diharapkan terletak dalam satu sel terlalu kecil (<
5) sebaiknya chi-kuadrat tidak digunakan karena dapat menimbulkan taksiran yang berlebih
(over estimate) sehingga banyak hipotesis yang ditolak kecuali dengan koreksi dari Yates.
Bila tidak cukup besar, maka adanya satu nilai ekspektasi yang lebih kecil dari 5 tidak akan
banyak mempengaruhi hasil yang diinginkan.
Pada pengujian chi-kuadrat dengan banyak ketegori, bila terdapat lebih dari satu nilai
ekspektasi kurang dari 5 maka, nilai-nilai ekspektasi tersebut dapat digabungkan dengan
konsekuensi jumlah kategori akan berkurang dan informasi yang diperoleh juga berkurang.

2.5.2 Chi-Kuadrat Untuk Pengujian Independensi


Dibidang kedokteran tidak jarang kita menemukan dua variabel dimana masing
masing variabel terdiri dari beberapa kategori,misalnya tingkat beratnya penyakit dengan
tingkat kesembuhan. Bila kita ingin mengetahui apakah diantara dua variabel tersebut
terdapat hubungan atau tidak, dengan kata lain apakah kedua variabel tersebut bersifat
dependen atau independen, maka pengujian hipotesis dilakukan dengan x2.
Interpretasi hasil pengujian ialah apabila hipotesis nol diterima, berarti tidak ada
hubungan (independen), tetapi bila hasilnya menolak hipotesis nol maka dikatakan kedua
variabel tersebut mempunyai hubungan atau dependen. Rumus yang digunakan adalah rumus
umum x2.
Contoh :
Sebuah penelitian dilakukan oleh seorang kepala rumah sakit untuk mengetahui
apakah ada hubungan antara tingkat pendidikan dengan kelas ruang rawat inap. Untuk
kepentingan tersebut diambil sampel sebanyak 200 orang penderita dengan hasil sebagai
berikut.
Ho : variabel 1 dan variabel 2 disebut independen
Ha : variabel 1 dan variabel 2 disebut dependen
1) 70 orang dengan pendidikan SD
20 memilih kelas 1
40 memilih kelas 2
10 memilih kelas 3
2) 50 orang berpendidikan SLTP
25 memilih kelas 1
15 memilih kelas 2
10 memilih kelas 3
3) 40 orang berpendidikan SLTA
15 memilih kelas 1
10 memilih kelas 2
15 memilih kelas 3

4) 40 orang berpendidikan akademi dan perguruan tinggi


20 memilih kelas 1
5 memilih kelas 2
15 memilih kelas 3

Data diatas dapat disajikan dalam bentuk tabel sebagai berikut.


Kelas Pendidikan Jumlah
ruang SD SLTP SLTA PT
1 20 25 15 20 80
2 40 15 10 5 70
3 10 10 15 15 50
Jumlah 70 50 40 40 200

Hasil
perhitungan : O E (O E) (O E)2 (O E)2/E
20 28 -8 64 2,29
25 20 5 25 1,25
15 16 -1 1 0,06
20 16 4 16 1,00
40 24,5 15,5 240,25 9,81
15 17,5 -2,5 6,25 0,06
10 14 -4 16 1,14
5 14 -9 81 5,75
10 12,5 -2,5 6,25 0,50
10 17,5 -7,5 56,25 3,21
15 10 5 25 2,5
15 10 5 25 2,5
Jumlah 30,11

X2 = 0,05, dk 6 = 12,59
Hipotesis ditolak pada derajat kemaknaan 0,05 atau p > 0,05.
Kesimpulannya, kita 95% percayat bahwa terdapat hubungan antara tingkat pendidikan
dengan kelas ruang rawat inap.
2.6 Distribusi F
Dalam teori probabilitas dan statistika, distribusi F merupakan distribusi probabilitas
kontinyu. [1][2][3][4]Distribusi F juga dikenal dengan sebutan distribusi F Snedecor atau
distribusi Fisher-Snedecor (setelah R.A. Fisher dan George W. Snedecor). Distribusi F
seringkali digunakan dalam pengujian statistika, antara lainanalisis varians dan analisis
regresi,distribusi ini juga mempunyai variabel acak yang kontinu.
Fungsi identiatasnya mempunyai persamaan:Dengan variabel acak F memenuhi batas
F > 0, K = bilangan yang tetap harganya bergantung pada v1 dan v2 . sedemikian sehingga
luas dibawah kurva sama dengan satu, v1= dk pembilang dan v2= dk penyebut. Jadi
distribusi F ini mempunyai dua buah derajat kebebasan. Grafik distribusi F tidak simetrik dan
umumnya sedikit positif seperti juga distribusi lainya, untuk keperluan penghitungan dengan
distribusi F, daftar distribusi F telah disediakan seperti dapat ditemukan dalam lampiran ,
daftar 1. Daftar tersebut berisikan nilai-nilai F untuk peluang 0,01 dan 0,05 dengan derajat
kebebasan v1 dan v2. Peluang ini sama dengan luas daerah ujung kanan yang diarsir,
sedangkan dk=v1 ada pada baris paling atas dan dk=v2 pada kolom paling kiri.

Untuk tiap dk= v2, daftar terdiri atas dua baris, yang atas untuk peluang p=0,05 dan
yang bawah untukp=0,01.
Contoh: untuk pasangan derajat kebebasan v1 = 24 dan v2 = 8, ditulis juga (v1,v2) = (24,8),
maka untuk p =0,05 didapat F = 3,12 sedangkan untuk p = 0,01 didapat F=5,28. Ini didapat
dengan jalan mencari 24 pada baris atas dan 8 pada kolom kiri. Jika dari 24 turun dan dari 8
ke kanan, maka didapat bilangan bilangat tersebut. Yang atas untuk p=0,05 dan yang
bawahnya untuk p=0,01.
Notasi lengkap untuk nilai-nilai F dari daftar distribusi F dengan peluang p dan dk=(v1,v2)
adalah Fp(v1,v2)
Demikian untuk contoh kita didapat
F0,05(24,8)=3,12 dan F0,01(24,8)=5,28
Meskipun daftar yang diberikan hanya untuk peluang p=0,01 dan p=0,05, tetapi sebenarnya
masih bisa didapat nilai-nilai F dengan peluang 0,99 dan 0,95.
Contoh: telah didapat F0,05(24,8)=3,12
makaF 0,95(8,24)= 0,321.
BAB III

PENUTUP

5.1 Kesimpulan
Statistika dapat dibedakan sebagai statistika teoritis dan statistika terapan. Statistika
teoritis merupakan pengetahuan yang mengkaji dasar-dasar teori statistika, teori penarikan
contoh, distribusi, penaksiran dan peluang. Statistika terapan merupakan penggunaan
statistika teoritis yang disesuaikan dengan bidang tempat penerapannya. Teknik-teknik
penarikan kesimpulan seperti cara mengambil sebagian populasi sebagai contoh, cara
menghitung rentangan kekeliruan dan tingkat peluang, menghitung harga rata-rata.
Tanpa menguasai statistika adalah tak mungkin untuk dapat menarik kesimpulan
induktif dengan sah. Statistika harus mendapat tempat yang sejajar dengan matematika agar
keseimbangan berpikir deduktif dan induktif yang merupakan ciri dari berpikir ilmiah dapat
dilakukan dengan baik. Statistika merupakan sarana berpikir yang diperlukan untuk
memproses pengetahuan secara ilmiah. Statistika membantu untuk melakukan generalisasi
dan menyimpulkan karakteristik suatu kejadian secara lebih pasti dan bukan terjadi secara
kebetulan.
5.2 Saran
Statistika mampu memberikan secara kuantitatif tingkat ketelitian dari kesimpulan yang
ditarik, yang pokoknya didasarkan pada azas yang sangat sederhana, yakni makin besar
contoh yang diambil maka makin tinggi pula tingkat ketelitian kesimpulan. Sebaliknya makin
sedikit contoh yang diambil maka makin rendah pula tingkat ketelitiannya. Statistika juga
memberikan kemampuan untuk mengetahui suatu hubungan kausalita antara dua faktor atau
lebih bersifat kebetulan atau memang benar-benar terkait suatu hubungan yang bersifat
empiris.
DAFTAR PUSTAKA

Dudewicz, E.J. and Mishra, M. (1995). Statistika Matematika Modern. (Terjemahan oleh
R.K. Sembiring). Bandung: ITB.

Ross, S. (1996). Suatu Pengantar ke Teori Peluang. (Terjemahan oleh Bambang Sumantri).
Bogor: Jurusan Statistika FMIPA-IPB.

Sudjana. (1996). Metoda Statistika. Bandung: Tarsito.

http://id.wikipedia.org/wiki/Distribusi_F Diakses Tanggal 24 Desember 2015

http://www.slideshare.net/ExzAzzizz/distribusi-normal-presentasi Diakses Tanggal 24


Desember 2015

Khoiril.Distribui Khi-Kuadrat (Chi Square).22 Desember 2014.