ANALISA STATISTIKA

Buku Prinsip dan Prosedur Statistika (Pendekatan Biometri)

(Robert G.D. Steel, James H. Torrie, David A. Dickey)
BAB 3, 4, 5
Peluang
Penarikan Contoh Dari Sebuah Populasi Normal
Pembandingan Dua Nilai tengah

Oleh :
Intan Fadhla Risda
Jauharin Insiyah

S2 STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
MALANG
2019
 Bab 4.
PENARIKAN CONTOH DARI SEBUAH POPULASI NORMAL

4.1 Pendahuluan
Perhitungan statistik-statistik yang banyak digunakan Ῡ, 𝑠 2 , dan s sebagai pengganti ukuran
pemusatan dan penyebaran telah dibicarakan. Bila dihitung dari contoh, Ῡ dan 𝑠 2 merupakan nilai
dugaan tak bias (Pasal 3.11) bagi parameter populasi µ dan 𝜎 2 , sedangkan 𝑠 adalah nilai dugaan
berbias bagi 𝜎.
Simpangan baku nilai tengah dapat diduga dari pengamatan-pengamatan contoh melalui
𝑠
rumus 𝑠Ῡ = , sedangkan dalam hal ini s adalah simpangan baku contoh. Penggunaan Ῡ, 𝑠Ῡ , dan nilai
√𝑛

table t-student untuk membuat selang kepercayaan bagi nilai tengah populasi telah pula dibahas
dalam Pasal 3.11 . proporsi selang yang mencakup µ disebut peluang kepercayaan (confidence
probability) atay koefisien kepercayaan (confidence coefficient).
Hasil-hasil yang diperoleh sejauh ini didasarkan pada teorema-teorema dan prosedur-
prosedur matematik. Hasil-hasil itu dapat pula diperlihatkan dengan tingkat ketelitian yang memadai
melalui penarikan contoh berskala besar. Inilah yang disebut metode empirik. Dalam bab ini,
penarikan contoh digunakan sebagai metode untuk memeriksa sebaran sejumlah statistik dan
prosedur pembuatan selang kepercayaan.

4.2 Populasi Normal

Populasi normal berasal dari suatu peubah kontinu dengan jelajah tak terhingga; dengan demikian
suatu pengamatan dapat berupa sembarang bilangan nyata, positif atau negative. Tabel 4.1
mencantumkan hasil lemak mentega (dalam pound) dari 100 sapi Houlstein, data aslinya telah diubah
sedikit agar membentuk sebaran yang mendekati normal. Data ini menyimpang dari kenormalan
dalam dua hal utama: peubah ini mempunyai jelajah nilai yang terhingga, dan bersifat diskret atau
tidak kontinu. Pengaruh kedua penyimpangan itu sangat kecil dibandingkan keragaman penarikan
contoh, dengan demikian mempunyai pengaruh yang sangat kecil pada penarikan kesimpulan yang
didasarkan pada contoh.
Tabel 4.1 Data lemak mentega, dalam pund, yang diproduksi selama sebulan oleh 100 Sapi perah
jenis Holstein.
Data aslinya telah diubah sedikit agar menghampiri sebaran normal dengan µ=40 lb dari 𝝈=12 lb.

Nomor Berat Nomor Berat Nomor Berat Nomor Berat

00 10 25 33 50 40 75 47
01 12 26 33 51 40 76 48
02 14 27 34 52 41 77 48
03 15 28 34 53 41 78 48
04 17 29 34 54 41 79 49
05 18 30 35 55 41 80 49
06 20 31 35 56 42 81 49
07 22 32 35 57 42 82 50
08 23 33 36 58 42 83 50
09 25 34 36 59 42 84 51
10 26 35 36 60 43 85 51
11 27 36 37 61 43 86 52
12 28 37 37 62 43 87 52
13 28 38 37 63 43 88 53
14 29 39 37 64 44 89 54
15 29 40 38 65 44 90 55
16 30 41 38 66 44 91 57
17 30 42 38 67 45 92 58
18 31 43 38 68 45 93 60
19 31 44 39 69 45 94 62
20 31 45 39 70 46 95 63
21 32 46 39 71 46 96 65
22 32 47 39 72 46 97 66
23 32 48 40 73 47 98 68
24 33 49 40 74 47 99 70
Total 4000

Ciri menonjol sebaran ini terlihat dalam Gambar 4.1 dan 4.2. Gambar 4.1 merupakan sebuah
histogram dengan pound pada sumbu mendatar dab frekuensi pada sumbu tegak. Nilai-nilai
pengamatan terkonsentrasikan di pusat dan kemudian menyebar secara setangkup ke kedua arah,
mula-mula cepat tetapi kemudian semakin lambat. Gambar 4.2 mengambarkan keseratus
pengamatan secara komulatif. Misalnya, untuk menentukan banyaknya pengamatan (atau posisi
dalam susunan table itu) yang beratnya kurang dari suatu berat tertentu, Tarik sebuah garis tegak dari
berat itu sehingga memotong kurva dan kemudian Tarik garis mendatar dari titik potong itu sampai
memotong sumbu tegak, dan disitulah bilangan yang dicari itu ditemukan.

Gambar 4.1 Histogram sebaran data lemak mentega berasal dari 100 sapi perah jenis Holstein.
Tabel 4.2 adalah sebaran frekuensi bagi berat lemak mentega yang tercantum pada Tabel 4.1. Setiap
kelas lebarnya adalah 5 pound.
Latihan 4.2.1 untuk suatu sebaran normal, apakah peubahnya diskret? Kontinu? Kualitatif?
Kuantitatif? Terhingga jelajahnya? Apakah mempunyai nilai minimum? Nilai Maksimum?
Latihan 4.2.2 Untuk contoh acak dari sebaran normal, apakah Ῡ dari Persamaan (2.1), 𝑠 2 dari
persamaan (2.6) dan s = √𝑠 2 menghasilkan nilai-nilai dugaan yang berbias bagi µ, 𝜎 2 , dan 𝜎 ?
Latihan 4.2.3 Apakah sebaran dari Ῡ, bila setiap 𝑌𝑖 berasal dari suatu sebaran normal?
Bagaimana hubungan antara nilai tengah dan ragam populasi semua Ῡ dengan nilai tengah dan ragam
populasi induknya?
Gambar 4.2 Penyajian grafis data lemak mentega dari 100 sapi perah Holstein.
Tabel 4.2 Sebaran Frekuensi data lemak mentega dari 100 sapi perah Holstein.
Titik tengah 10 15 20 25 30 35 40 45 50 55 60 65 70
kelas
Frekuensi 2 3 3 4 12 16 20 16 12 4 3 3 2

4.3 Contoh Acak dari dari sebuah Sebaran Normal

Penarikan contoh acak tidak boleh dilakukan secara subjektif, tetapi harus merupakan akibat dari
suatu metode yang objektif, dan lenih disukai lagi yang mekanik. Table bilangan acara seperti table
A.1 dapat memberikan keobjektifan yang dikenhendaki itu. Untuk memudahkan pemakaian table
bilangan acak itu, setiap individu dalam populasi diberi nomor berurutan. Misalnya data dalam table
4.1 telah dinomori dari 00 sampai 99.
Cara menggunakan table bilangan acak telah diilustrasikan pada pasal 2.5. untuk contoh yang
berurutan, pasangan bilangan yang terakhir dapat dipakai untuk menentukan baris dan kolom awal
bagi contoh berikutnya. Bila diterapkan pada table 4.1, prosedur ini memungkinkan terambilnya suatu
pengamatan lebih dari sekali. Setiap pengambilan selalu berasal dari populasi yang sama; dan peluang
terambilnya setiap nomor sama besar. Prosedur ini pada hakikatnya sama seperti mengambil contoh
dari sebuah populasi tak terhingga.
 Table 4.3 mencantumkan lima contoh acak yang diperoleh melalui prosedur ini. Kelima contoh
itu merupakan bagian dari 500 contoh acak berukuran 10 pengamatan yang diambil dari Tabel 4.1
yang dipakai sebagai bahan diskusi untuk pasal-pasal selanjutnya dari bab ini.

Latihan 4.3.1 Kedua prosedur penarikan contoh acak yang diuraikan dalam pasal ini
sesungguhnya tidak sama betul. Mengapa? (Petunjuk. Lihat Pasal 2.5 untuk sebaran angka angka
dalam Tabel A.1 )

4.4 Sebaran Nilai Tengah Contoh

Dari table 4.1, 500 contoh acak, masing-masing terdiri dari atas 10 pengamatan, telah ditarik. Sebaran
frekuensi dari 500 nilai tengah itu dapat dilihat pada table 4.4, dengan lebar selang 1.5 lb. Tabel
frekuensi ini menonjolkan beberapa ciri dari penarikan contoh. Pertama, sebaran nilai tengah itu
mendekati normal. Teori juga mengatakan bahwa walaupun populasi induknya menyimpang dari
normal, sebaran nilai tengah contoh cenderung mendekati normal bila ukuran contohnya semakin
besar. Hasil ini sangat penting dalam penerapan, karena bentuk sebaran induk jarang sekali diketahui.
Kedua, rata-rata dari ke-500 nilai tengah contoh itu 39,79 lb, sangat dekat dengan µ=40 lb, Nilai tengah
populasi induknya. Ini mengilustrasikan sifat ketakbiasan itu. Nilai tengah contoh dikatakan tidak
berbias karena nilai tengah dari semua nilai tengah contoh sama dengan nilai tengah populasi
induknya. Ketiga, keragaman nilai tengah contoh jauh lebih kecil daripada keragaman individunya;
wilayahnya 27lb untuk nilai tengah contoh dan 60lb untuk pengamatan individu. Teori mengatakan
bahwa 𝜎𝑌2 =𝜎 2 /𝑛 ; untuk populasi ini 𝜎𝑌2 = 14.4 dan 𝜎Ῡ = 3.79 lb. Untuk contoh, padanan rumus itu
adalah 𝜎𝑌2 = 𝑠 2 /𝑛 . Bila rumus ini diterapkan pada rata-rata dari ke-500 ragam contoh itu, yaitu 𝑠 2
(Lihat Tabel 4.5), Kita peroleh 𝑠𝑌2 = 140.4/10 = 14.04 dan 𝑠Ῡ = 3.75 lb. Perhitungan lengasung dari ke-
500 nilai tengah itu menghasilkan
Tabel 4.3 Lima contoh acak masing-masing dengan 10 pengamatan dari Tabel 4.1, berikut statistic
contohnya

Tabel 4.4 Sebaran Frekuensi 500 rata-rata contoh acak 10 pengamatan dari tabel 4.1

(Titik tengah kelas, +lb Frekuensi teramati Frekuensi teoritis Frekuensi komulatif Frkeunsi komulatif
teramati teoritis

26.5 1 0 1 0.2
28.0 0 0.5 1 0.8
29.5 2 2 3 2.6
31.0 2 5 5 7.5
32.5 14 11 19 18.8
34.0 20 23 39 41.9
35.5 47 39 86 80.6
37.0 65 58 151 138.8
38.5 74 72 225 210.4
40.0 71 79 296 289.6
41.5 78 72 374 261.2
43.0 49 58 423 419.4
44.5 40 39 463 458.1
46.0 24 23 487 481.2
47.5 8 11 495 492.5
49.0 4 5 499 497.4
 50.5 0 2 499 499.2
52.0 0 0.5 499 499.8
53.5 1 0 500 500.0

Total 500 500

Rata-rata dari rata-rata : Ῡ = 39,79

Pusat selang kelas

(∑Ῡ)2
𝑆Ῡ = √(∑Ῡ2 − 500
)/499 = 3.71 lb

Frekuensi nilai tengah hasil pengamatan dan teoritiknya dibandingkan dalam Tabel 4.4. Frekuensi
teoritik itu didasarkan pada sebuah
Tabel 4.5 Sebaran Frekuensi 500 ragam 𝒔𝟐 bagi contoh acak 10 pengamatan dari tabel 4.1

Sebaran normal dengan µ= 40 lb dan 𝜎 = √144/10 = 12/√10 = 3.79 lb. yang bagi masalah kita
sebenarnya adalah 𝜎Ῡ . Pada kolom frekuensi teoritik, satuan yang digunakan adalah setengah,
sedangkan dalam frekuensi komulatif teoritik satuannya adalah sepersepuluh. Inilah yang
menyebabkan perbedaan antara kedua kolom itu.
Latihan 4.4.1 Bila diberikan sebuah sebaran normal induknya dan sebaran turunan nilai
tengah contoh 100 pengamatan, hubungan apakah yang ada antara nilai tengah kedua populasi sama?
Bila dari kedua populasi itu, Anda mengambil masing-masing sebuah contoh 50 pengamatan,
bagaimana harapan Anda tentang jelajah kedua contoh itu?

Latihan 4.4.2 Untuk memperoleh sebuah nilai dugaan bagi 𝜎2/Ῡ , salh satu cara yang
digunakan di atas adalah merata-ratakan ke-500 ragam contoh dan kemudian membaginya dengan
10. Bandingkan cara ini dengan bila setiap 𝑠 2 dibagi dengan 10 dan baru kemudian merata-ratakannya.

4.5 Sebaran Ragam Contoh dan Simpangan Baku

Untuk setiap contoh, dihitung ragam dan simpangan bakunya. Prosedur dan hasilnya diilustrasikan,
meskipun hanya lima contoh, dalm Tabel 4.3 .
 Sebaran dari ke-500 ragam contoh diberikan dalam Tabel 4.5. Ragam-ragam itu menumpuk di
sebelah kiri nilai-tengahnya, dilambangkan 𝑠 2 , tetapi mengurus di sebelah kanannya. Sebarannya
menjulur. Besaran (𝑛 − 1)𝑠 2 /𝜎 2 = 9𝑠 2 /144 menyebar menurut sebaran 𝑋 2 dengan derajat bebas 𝑛 −
1 = 9 . Ragam nilai tengahnya adalah
Tabel 4.6 Sebaran frekuensi 500 Simpangan Baku padanan ragam pada Tabel 4.5

𝑠 2 = 140.4 𝑙𝑏 2, sangat menghampiri ragam populasinya 𝜎 2 = 144. Fakta ini mengilustrasikan

ketakbiasan dari 𝑠 2 sebagai suatu nilai dugaan bagi 𝜎 2 . Nilai-nilai 𝑠 2 bervariasi mulai dari 20 sampai
380 𝑙𝑏 2 .
Tabel 4.6 memberikan sebaran dari simpangan-simpangan baku. Perhatikan bahwa penarikan
akar telah menghilangkan sifat kemenjuluran yang diperlihatkan oleh sebaran dari ragam. Bila kita
periksa dengan seksama nilai nilai s berikut 𝑠 2 – nya, akan terlihat bahwa ragam di atas rata-ratanya
bertambah lebih cepat dibandingkan dengan ragam di bawah rata-ratanya, perbedaan antara dua 𝑠 2
berurutan merupakan bilangan-bilagan ganjil yang berurutan pula.
𝑠 10 11 12 13 14
𝑠2 100 121 144 169 196

(Ini sangat menarik karena memberikan petunjuk betapa pentingnya pemilihan skala pengukuran
dalam setiap penelitian, sebaran nilai-nilai pengamatan sangat bergantung pada skala
pengukurannya. Bila sebarannya normal atau dapat dibuat demikian melalui transformasi, yaitu
mengganti skala pengukurannya, maka Teknik-teknik statistika yang didasarkan pada sebaran normal
dapat diterapkan; bila tidak maka hanya merupakan hampiran belaka.)
Rata-rata dari ke-500 simpangan baku itu, dilambangkan dengan 𝑠 , adalah 11.47 lb, dibandingkan

dengan 𝜎=12 lb . Akar dari rata-rata 500 ragam itu adalah √𝑠 2 = √140.4 = 11.85 lb . Tidak

mengeherankan bahwa 𝑠 lebih kecil daripada √𝑠 2 , karena s menduga lebih kecil (underestimates) 𝜎.
1 1
Untuk mendapatkan sebuah nilai dugaan tak bias bagi 𝜎, hitunglah {1 + 4(𝑛−1)} 𝑠 = (1 + 36) 𝑠 =

1.028 𝑠 karena dalam hal ini 𝑛 = 10 . Hampiran ini sangat baik, bahkan untuk 𝑛 yang kecil sekalipun.
 Latihan 4.5.1. Buat histrogram untuk data Tabel 4.5 dan Tabel 4.6, dan perhatikan
kemenjulurannya.

4.6 Ketakbiasan 𝒔𝟐

Telah dikatakan bahwa 𝑠 2 = ∑(𝑌𝑖 − Ῡ)2 /(𝑛 − 1) adalah penduga tak bias bagi 𝜎 2 . Rata rata dari 500
ragam contoh itu, yaitu 𝑠 2 , adalah 140.4 𝑙𝑏 2 .
Bila ragam contoh didefinisikan sebagai ∑(𝑌𝑖 − Ῡ)2 /𝑛 , maka kita akan memperoleh sebuah penduga
yang berbias bagi 𝜎 2 , karena rata-rata dari populasi nilai-nilai demikian ini adalah (𝑛 − 1)𝜎 2 /𝑛 . Kita
dapat memperolah kembali setiap jumlah kuadrat melalui persamaan (𝑛 − 1)𝑠 2 = ∑(𝑌𝑖 − Ῡ)2 . Tetapi
karena derajat bebasnya sama untuk semua contoh, rata-rata dari ke-500 ragam yang dihitung dengan
𝑠2
𝑛 = 10 sebagai pembagi adalah 9 10 = 126.4 𝑙𝑏 2 , jauh lebih kecil dari 140.4 . Perbedaan antara nilai-

nilai yang diperoleh dengan menggunakan 𝑛 dan 𝑛 − 1 jelas semakin kecil bila 𝑛 semakin besar.

4.7 Simpangan Baku Nilai Tengah Contoh atau Galat Baku

Simpangan baku nilai tengah merupakan salah satu statistik yang paling bermanfaat. Besaran

ini dihitung menurut rumus 𝑠Ῡ = 𝑠/√𝑛 atau 𝑠Ῡ = √𝑠 2 /𝑛 , dan merupakan penduga yang berbias bagi
𝜎Ῡ , simpangan baku nilai tengah dari suatu contoh acak berukuran 𝑛 yang berasal dari suatu populasi
induk dengan simpangan baku 𝜎. Jadi untuk suatu contoh berukuran 10 dari tabel 4.1. 𝑠Ῡ merupakan
𝜎
nilai dugaan bagi 𝜎Ῡ = = 12/√10 =3.79 lb .Untuk mendapatkan nilai dugaan bagi 𝜎Ῡ dari ke-500
√10

contoh itu, tariklah akar dari rata-rata ragam itu dibagi dengan 𝑛 = 10 . namakan besaran itu (𝑠Ῡ )′,
maka
𝑠2
(𝑠Ῡ )′ = √ 𝑛 = √140.4/10 = 3.75 lb

Prosedur ini lebih baik dalam menduga 𝜎Ῡ dari sejumlah 𝑠 2 dibandingkan dengan membagi rata-rata
dari ke 500 simpangan baku itu dengan akar 10. Bila yang terakhir ini disebut (𝑠Ῡ )′′ , maka
(𝑠Ῡ )′′ = 𝑠̅ /√𝑛 = 11.47 / √𝑛 = 3.63 lb

Untuk lebih memberikan penilaian yang lebih baik dalam memperoleh 𝑠Ῡ dari s, kita akan
menggunakan ke-500 nilai tengah contoh itu untuk menduga 𝜎Ῡ sebagai pembanding. Kita peroleh

∑Ῡ2 − (∑Ῡ)2 /500

𝑠Ῡ = √ = 37.1 𝑙𝑏
499
Kesesuain yang sangat dekat tantara nilai ini dengan (𝑠Ῡ )’=3.75 lb membuat kita dapat mengatakan
dengan lebih yakin bahwa hubungan 𝜎Ῡ = 𝜎/√𝑛 memang sah. Dan dengan demikian, setiap contoh
acak selalu dapat menghasilkan sebuah nilai dugaan 𝑠Ῡ bagi galat baku nilai tengah contoh 𝜎Ῡ .
Sangat penting untuk disadari bahwa ragam, baik populasi maupun contoh , dari suatu nilai tengah
contoh berbanding terbalik dengan n, sedangkan simpangan baku nilai tengah contoh berbanding
terbalik dengan √𝑛 . Hal ini jelas ditunjukkan baik oleh teladan itu maupun oleh rumus.

n 𝜎𝑌2 𝜎𝑌̅
4 𝜎 2 144 𝜎 12
= = 36 ==6
4 4 √4 √4
8 𝜎 2 144 𝜎 12
= = 18 = = 4.24
8 8 √8 √8
16 𝜎 2 144 𝜎 12
= =9 = =3
16 16 √16 √16

4.8 Sebaran t Student

Sebaran t-student dan t-student telah dibicarakan dalam Pasal 3.10 . Sekarang kita akan
memperlihatkan bahwa sebaran ke-500 nilai t contoh kita menghampiri dengan sangat baik sebaran
teoritiknya untuk derajat bebas 9.
Ῡ−μ Ῡ−40
Untuk setiap contoh, kita hitung nilai 𝑡 = = , Terlihat bahwa t adalah simpangan nilai
𝑠Ῡ 𝑠Ῡ

tengah contoh dari nilai tengah populasi dalam satuan simpangan baku nilai tengah contoh, suatu
satuan ukuran yang sering digunakan untuk menilai biasa atau tidak biasanya suatu simpangan .
Karena populasi nilai tengah contoh menyebar secara setangkup di sekitar μ, maka kira-kira setengah
dari 500 nilai t positif dan setengahnya lagi negatif; dan nilai tengahnya harus kira-kira nol. Ternyata
setelah dihitung, kita peroleh 248 positif dan 252 negatif, dan nilai tengahnya -0.038 .
Tabel 4.7 adalah sebaran frekuensi nilai-nilai t yang teramati. Selang-selang kelas sengaja
dipilih tidak sama agar frekuensi yang teramati dapat dibandingkan dengan frekuensi teoritiknya pada
Tabel 4.3 . Jadi, batas-batas kelasnya sama dengan batas-batas kelas bagi t yang ditabelkan pada taraf
peluang 0.5 , 0.3, 0.2, 0.1, 0.05, 0.02, dan 0.01 . diberikan pula frekuensi persentase bagi nilai-nilai t
contoh dan teoritiknya untuk membantu perbandingan.
Dalam suatu populasi nilai-nilia t, 2.5 persen lenih besar dari +2.262 dan 2.5 persen lebih kecil
dari -2.262. Ini dapat dilihat dari frekuensi persentase teoritiknya. Kolom terakhir dalam table 4.7
menggabungkan kedua ekor sebaran dengan mengabaikan tanda t, inilah kolom yang paling sering
dibaca untuk berbagai taraf peluang. Jadi 2.262 adalah nilai t pada taraf nyata 5 persen untuk derajat
bebas 9, dan biasa dilambangkan sebagai 𝑡0.025 . Bila yang dimaksud hanya ekor sebaran t yang posotif,
5 persen dari nilai nilai t terletak di sebelah kanan dari 1.833 . nilai ini dilambangkan sebagai 𝑡0.05.
Sekali lagi bila kedua ekor diperhatikan, 1 persen dari nilai nilai nilai t terletak di luar +3.250 yaitu nilai
t pada taraf nyata 1 persen untuk derajat bebas 9 . untuk nilai-nilai contoh kita, ada 20t yang nilai
mutlaknya lebih besar dari nilai t taraf 5 persen dan ada 4t yang nilai mutlaknya lebih besar daripada
nilai t pada taraf 1 persen. Bandingkan dengan nilai harapannya, masing-masing 25 dan 5. Ini
menunjukkan adanya kesesuaian yang memadai antara nilai-nilai contoh dan teoritiknya. Suatu
perbandingan antara nilai-nilai contoh dengan teoritiknya pada taraf peluang yang lain juga
menunjukkan adanya kesesuaian yang memadai.
Table 4.7 Nilai-nilai t contoh dan teoritis untuk 9 dearajat bebas
Ῡ−μ
𝑡=
𝑠Ῡ
Komulatif Komulatif
Dari Sampai Frekuensi Presentase Satu arah Dua arah Presentase Satu arah Dua arah
frekuensi frekuensi
-3.250 1 0.4 0.5 100.0 100.0
-3.250 -2.821 0 0.0 0.5 99.5 99.5
-2.821 -2.262 7 2.8 1.5 99.0 99.0
-2.262 -1.833 5 2.0 2.5 97.5 97.5
-1.833 -1.383 14 5.6 5.0 95.5 95.0
-1.833 -1.100 13 5.2 5.0 90.0 90.0
-1.100 -0.703 21 8.4 10.0 85.0 85.0
-0.703 0.0 71 28.4 25.0 75.0 75.0
0.0 0.703 62 24.8 25.0 50.0 100.0 50.0 100.0
0.703 1.100 24 9.6 10.0 25.0 50.0 25.0 50.0
1.100 1.383 10 4.0 5.0 15.0 30.0 15.0 30.0
1.383 1.833 7 2.8 5.0 10.0 20.0 10.0 20.0
1.833 2.262 9 3.6 2.5 5.0 10.0 5.0 10.0
2.262 2.821 2 0.8 1.5 2.5 5.0 2.5 5.0
2.821 3.250 1 0.4 0.5 1.0 2.0 1.0 2.0
3.250 3 1.2 0.5 0.5 1.0 0.5 1.0
250 100.0

Latihan 4.8.1 Bilakah suatu statistic dikatakan sebagai suatu penduga tak bias bagi suatu parameter?
2
Tentukan apakah statistik-statistik Ῡ, 𝑠 2 , 𝑠, 𝑠 , 𝑠Ῡ berbias atau tak bias.
𝑦

Latihan 4.8.2 Bila diketahui suatu contoh acak yang terdiri dari atas 20 pengamatan yang berasal dari
suatu sebaran normal, bagaimana kita dapat menduga ragam dari populasi semua nilai-nilai contoh
yang terdiri atas 20 pengamatan? 40 pegamatan?
2
Latihan 4.8.3 Apakah hubungan 𝜎 𝑌 = 𝜎 2 /𝑛 tetap berlaku bila populasinya tidak normal?
Latihan 4.8.4 Apakah perbedaan antara t-student dengan kriterium normal Z padanannya? Apakah
ada lebih dari satu sebaran t? Bila seseorang mempunyai dua contoh acak berukuran sama dari
2
populasi yang menyebar sama pula dan kemudian dihitung besaran (Ῡ − μ)/√𝑠 2 /𝑛 , apakah besaran

itu juga menyebar menurut sebaran t? Bila kedua contohnya berukuran tidak sama, apakah besaran
itu juga menyebar menurut sebaran t? Pertanyaan yang sama, tetapi bila populasinya berbeda?
(Petunjuk lihat kembali Pasal 3.10)

4.9 Pernyataan Kepercayaan

Sekarang akan kita periksa pernyataan-pernyataan kepercayaan yang didasarkan pada nilai-nilai
contoh, untuk melihat apakah kepercayaan yang dinyatakan itu masih dapat diterima atau tidak.
Untuk setiap contoh acak dan sebarang taraf peluang, dibuat sebuah selang kepercayaan di sekitar
Ῡ−μ
nilai tengah contohnya. Caranya mudah, yaitu menyelesaikan kedua persamaan ±𝑡 = 𝑠Ῡ
bagi μ

sehingga diperoleh μ = Ῡ ± 𝑡𝑠Ῡ . Kemudian dengan mensubtitusikan nilai t table, Ῡ dan 𝑠Ῡ diperoleh
kedua nilai bagi μ , yaitu 𝑙1 = Ῡ − 𝑡𝑠Ῡ dan 𝑙1 = Ῡ + 𝑡𝑠Ῡ .
Untuk masing-masing dari ke-500 contoh acak kita, 𝑙1 = Ῡ − 2.262𝑠Ῡ dan 𝑙2 = Ῡ + 2.262𝑠Ῡ
telah dihitung. Keduanya merupakan titik ujung dari selang kepercayaan 95 persen. Nilai t 1 persen,
yaitu 𝑡0.005 untuk db 9 juga digunakan. Karena μ = 40 lb, maka banyaknya pernyataan kepercayaan
tentang μ yang benar dapat ditentukan. Untuk ke-500 contoh kita, banyaknya selang keprcayaan yang
mencakup μ ada 480 untuk taraf nyata 5 persen dan ada 496 untuk taraf nyata 1 persen. Keduanya
sangat dekat dengan nilai-nilai teoritinya, yaitu masing-masing 475 dan 495 . Persentase selang yang
tidak mencakup μ sama dengan persentase nilai-nilai t contoh yang lebih besar dari nilai t table pada
taraf nyata 5 persen dan 1 persen, yaitu 𝑡0.025 𝑑𝑎𝑛 𝑡0.05 .
Di dalam prakteknya nilai parameter μ tidak diketahui. Dengan demikian, peneliti hanya
mengetahui persentase penarikan kesimpulan( inferensia) yang benar mengenai μ , dan tidak pernah
mengetahui apakah μ terletak di dalam suatu selang kepercayaan tertentu.
Kadang-kadang ada yang menganut suatu pemikiran yang salah, yaitu bahwa selang
kepercayaan 95 persen di sekitar nilai tengah contoh menunjukkan bahwa 95 persen dari nilai tengah-
nilai tengah contoh akan jatuh di dalam selang itu. Hal ini tidak benar, karena sebaran nilai tengah
contoh terpusat pada nilai tengah populasi dan tidak pada nilai tengah contoh tertentu. Jika digunakan
contoh kita sekarang ini, penyataan yang benar mengenai suatu pengamatan atau nilai tengah yang
akan datang telah dibicarakan dalam Pasal 3.12 . Untuk membuat sebuah selang yang mencakup suatu
proporsi populasi tertentu dengan koefisien kepercayaan tertentu, kita memerlukan suatu prosedur
selang toleransi; misalnya, lihat Dixon dan Massey (4.2)
4.10 Penarikan Contoh Selisih Dua Pengamatan

Suatu persoalan yang sering dihadapi oleh peneliti adalah menentukan apakah ada perbedaan respon
yang sesungguhnya antara dua perlakuan atau, apakah perbedaan yang teramati cukup kecil untuk
berasal dari faktor kebetulan. Suatu pendekatan empirik terhadap masalah ini adalah dengan
memperhatikan hasil-hasil dari suatu prosedur penarikan contoh terhadap dua perlakuan boneka.
Dengan kata lain, mengambil contoh dari satu populasi tetapi menganggap data yang diperolehnya
seolah-olah berasal dari dua populasi. Dengan cara ini, kita dapat mempelajari bagaimana yang
merupakan beda akibat penarikan contoh semata dan beda yang cukup besar (tidak biasa) , bila
sesungguhnya tidak ada perbedaan populasi.
Beda dua pengamatan yang diambil secara acak dari suatu populasi normal akan menyebar
normal pula dengan nilai tengah nol. Ke- 500 contoh acak dari Tabel 4.1 dipasang-pasangkan secara
acak dan selisih antara unsur pertama dan unsur kedua dari setiap pasangan pun diperoleh. Karena
contoh asalnya diambil dari individu yang berurutan; tidak perlu diacak lagi. Untuk setiap contoh yang
terdiri atas 10 beda D , dan semuanya diambil sebanyak 250 contoh, dihitung statistic-statistik berikut:
̅ , ragam dari beda-beda 𝑠𝑝2 , simpangan baku beda 𝑠𝑝 , simpangan baku beda nilai
beda nilai tengah 𝐷
tengah 𝑠𝑝̅ , nilai t , dan batas batas kepercayaan bagi beda nilai tengah populasi, yang dalam hal ini
bernilai 𝜇𝑝 = 0 . hal ini diilustrasikan dalm tabel 4.8 , serupa dengan tabel 4.3 untuk nilai-nilai individu
̅ . Sebaran ini kira-kira
. Tabel 4.9 adalah suatu sebaran frekuensi dari 250 beda nilai tengah 𝐷
setangkup dengan 118 beda niali tengah lebih besar dari noldan 132 beda nilai tengah lebih kecil dari
nol. Kedua bilangan itu diperoleh dari Tabel 4.9 dengan tambahan keterangan bahwa kelas yang
̅ positif dan 19 negatif . Nilai tengah dari ke-250 beda nilai tengah
mencakup nol mengandung 14 𝐷
itu adalah -0.533, sangat dekat dengan nol.
Notasi 𝑌𝑖 , untuk pengamatan ke-i dalam contoh, tidak lagi dapat membedakan antar
pengamatan dari beberapa contoh. Oleh karena itu diperkenalkan subkrip kedua dan setiap
pengamatan dilambangkan dengan 𝑌𝑖𝑗 . Jadi 𝑌𝑖𝑗 menyatakan pengamatan ke-j dari contoh ke-I .
misalnya 𝑌25 (baca Y sub 2.5) adalah pengamatan kelima dari contoh kedua; dan 𝑌13 − 𝑌23 adalah hasil
pengurangan pengamatan ketiga dari contoh 2 dari pengamatan ketiga dalam contoh pertama.
Tabel 4.10 dan 4.11 adalah sebaran frekuensi dari 250 ragam dan simpangan baku contoh
yang terdiri atas 10 beda. Bentuk kedua sebaran itu serupa dengan yang ada dalam tabel Tabel 4.5
dan 4.6 untuk 𝑠 2 dan s . Bandingkan tabel-tabel itu dan perhatikan bahwa wilayah (range) nya jauh
lebih besar pada beda antarpengamatan daripada pengamatan aslinya. Alasannya menjadi jelas bila
wilayah (range) yang mungkin kita perhatikan. Kemungkinan wilayahnya adalah dari (10-7) = -60 lb
 sampai (70-10) = 60 lb , dua kali dari wilayah individunya. Rata rata dari ke-250 ragamnya adalah
𝑠𝐷2 =272.7 , dari Tabel 4.5 2𝑠 2 = 2(140.4) = 280.8; Keduanya cukup dekat pada 2𝜎 2 = 2(144) =
288 . Hasil ini mengilustrasikan sebuah teorema yang penting.
Ragam beda pengamatan berpasangan yang diambil secara acak dua kali dari ragam
pengamatan dalam populasi induknya.
Dengan demikian,
Ragam contoh 𝑠𝐷2 dari beda pengamatan berpasangan merupakan penduga tak bias bagi 2𝜎 2

̅ untuk contoh yang terdiri atas 10 beda.

Tabel 4.9 Sebaran frekuensi 250 beda rata-rata 𝑫
Titik tengah kelas -12 -10.5 -9 -7.7 -6 -4.5 -3 -1.5 0 1.5 3 4.5 6 7.5 9 10.5 12 13.5 15

Frekuensi 4 7 7 8 12 16 30 29 33 21 28 17 13 10 8 4 2 0 1

Tabel 4.10 Sebaran frekuensi ragam, 𝒔𝟐𝑫 dari 250 contoh acak 10 beda yang didasarkan pada Tabel
4.1
Titik tengah 60 100 140 180 220 260 300 340 380 420 460 500 540 580 620 660 700 740
kelas
rekuensi 8 14 24 37 40 34 19 16 12 15 13 7 1 4 2 3 0 1
̅̅̅ ̅̅̅̅̅2 = ̅̅̅̅̅
𝑠𝐷2 =272.7 2𝑠 2𝑠 2 =280.8 2𝜎 2 =288
 Tabel 4.11 Sebaran frekuensi simpangan baku, 𝒔𝑫 , dari 250 contoh acak 10 beda yang didasarkan
pada Tabel 4.1
Titik tengah 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
kelas

Rekuensi 1 5 4 7 8 17 24 28 29 26 19 13 19 10 16 10 4 4 3 2 1

𝑠̅𝑝 = 16.04 𝑙𝑏 √̅̅̅̅̅

2𝑠 2 =16.76 lb √𝑠𝐷2 = 16.51 𝑙𝑏 √2𝜎 2 =16.97 lb

Perhatikan bahwa 20 pengamatan menghasilkan 10 beda, dan akibat proses pengurangan

tinggal 9 db bagi nilai dugaan 𝑠𝐷2 . Dalam praktek, bila ragam dari beda antara dua nilai tengah
diperlukan, orang tidak melakukan perpasangan secara acak dan tidak pula menggunakan beda-beda
̅ =𝑌̅1 -𝑌̅2 dan 2𝜎 2
itu dalam perhitungan. Melalui kaidah-kaidah aritmatika dapat diperlihatkan bahwa 𝐷
diduga dengan 2𝑠 2 = 𝑠𝐷2

Rata-rata simpangan baku beda-beda tersebut adalah 𝑠̅𝑝 = 16.04 dan √𝑠𝐷2 =√272.7= 16.51 lb
. Sekali lagi ternyata rata-rata langsung dari semua simpangan baku itu lebih kecil daripada akar rata-

rata ragamnya, namun keduanya masih cukup dekat dengan 𝜎𝑝 =√2𝜎 2 = √288= 16.97 lb , simpangan
baku itu sedikit berbias, sedangkan ragam bersifat tak bias.
Telah dinyatakan bahwa 𝜎𝑌2 =𝜎 2 /𝑛 dan 𝜎𝐷2 =2𝜎 2 . secara sekaligus kedua teorema itu
sesungguhnya mengatakan bahwa ragam suatu beda antara dua nilai tengah, dilambangkan dengan
2𝜎 2
𝜎𝐷2 , sama dengan 𝑛
bila setiap nilai tengah berasal dari n pengamatan. Jadi 𝜎𝐷̅ =√288/10= 5.37 lb.

𝑠2
untuk ke-250 contoh itu, 𝑠𝐷̅ =√ 𝑛𝐷 = √280.8/10 = 5.30 lb

Dari sebuah nilai tunggal 𝑠 2 , nilai dugaan bagi parameter-parameter penting berikut, 𝜎 2 ,
𝜎𝑌2 , 𝜎𝐷2 , 𝜎𝐷̅2 , 𝜎, 𝜎𝑌̅ , 𝜎𝐷 dan 𝜎𝐷̅ dapat diperoleh. Saling berhubungan antara nilai-nilai itu ditunjukkan
dalam Gambar 4.3.
Gambar 4.3 Ilustrasi hubungan antara simpangan baku dan ragam. (Diagram ini tidak dimakasudkan
untuk mengimplikasikan berlakunya dalil Pitagoras, yaitu bahwa jumlah kuadrat Panjang kedua sisi
siku-sikunya sama dengan kuadrat Panjang sisi miringnya).
Untuk masing-masing dari ke-500 contoh yang berukuran 10 beda. Nilai t dihitung menurut
̅
̅ . Perhatikan bahwa 𝑡 = 𝐷 = (𝑌̅1 - 𝑌̅2 )/𝑠̅̅̅
rumus ( 𝐷 − 0)/ 𝑠𝐷̅ , suatu simpangan baku dari 𝐷 𝑠 ̅ 𝑌2 ,
̅̅̅̅̅̅̅̅̅
𝑌1 − ̅̅̅
𝐷

̅ = 𝑌̅1 - 𝑌̅2 . sebaran dari nilai-nilai t itu dicantumkan dalam Tabel 4.12 dan ternyata serupa
karena 𝐷
dengan tabel 4.7 untuk 𝑡 = (𝑌̅-𝜇)/ 𝑠𝑌̅ Di antara nilai-nilai t itu. 118 positif dan 132 negatif; nilai
tengahnya adalah -0.00013. Empat belas nilai t melebihi taraf nyata 5 persen, dibandingkan dengan
nilai harapannya yaitu sebanyak 12,5; empat melebihi taraf nyata 1 persen dibandingkan dengan nilai
harapannya 2.5.
Kembali pada masalah bagaimana menentukan apakah ada perbedaan sesungguhnya antara
respons dari dua perilakuan, kita melihat bahwa prosedur penarikan contoh yang dibicarakan telah
menunjukkan apa yang dapat diharapkan bila sesungguhnya tidak ada perbedaan dan hasil-hasil itu
hanyalah disebabkan oleh faktor kebetulan belaka. Nilai-nilai 𝑡 = 𝑌̅/𝑆𝑌̅ dalam tabel 4.12 ternyata
sangat sesuai dengan sebaran t-student. Dalam kenyataannya, kita hanya perlu menghitung nilai
statistik t itu dan menentukan peluang memperoleh nilai yang sama atau lebih besar bila penarikan
contohnya acak dan berasal dari

̅ /𝒔𝑫̅ contoh dan teoritis, 9 db , 𝝁𝑫̅ = 𝟎

Tabel 4.12 Nilai 𝒕 = 𝑫
Selang t Contoh Teoritis
Komulatif
Dari Sampai Frekuensi Persentase Presentase Satu arah Dua arah
frekuensi frekuensi
-3.250 1 0.4 0.5 100.0
-3.250 -2.821 0 0.0 0.5 99.5
-2.821 -2.262 7 2.8 1.5 99.0
-2.262 -1.833 5 2.0 2.5 97.5
-1.833 -1.383 14 5.6 5.0 95.5
-1.833 -1.100 13 5.2 5.0 90.0
-1.100 -0.703 21 8.4 10.0 85.0
-0.703 0.0 71 28.4 25.0 75.0
0.0 0.703 62 24.8 25.0 50.0 100.0
0.703 1.100 24 9.6 10.0 25.0 50.0
1.100 1.383 10 4.0 5.0 15.0 30.0
1.383 1.833 7 2.8 5.0 10.0 20.0
1.833 2.262 9 3.6 2.5 5.0 10.0
2.262 2.821 2 0.8 1.5 2.5 5.0
 2.821 3.250 1 0.4 0.5 1.0 2.0
3.250 3 1.2 0.5 0.5 1.0
250 100.0

Suatu populasi yang bernilai tengah nol. Bila peluang memperoleh nilai yang lebih besar itu kecil dan
peneliti tidak yakin bahwa penarikan contohnya berasal dari suatu populasi bernilai tengah nol, ia
mungkin akan memutuskan bahwa ada beda yang nyata antara respons dari kedua perlakuan itu.
Pembuatan selang kepercayaan membawa pada kesimpulan serupa, karena bila suatu t contoh berada
di luar taraf peluang 5 persen atau 𝑡0.025 , maka selang kepercayaa 95 persen tidak mencakup nol. Bila
selang kepercayaan itu tidak mencakup nol, peneliti merasa kurang yakin pada pernyataan bahwa
tidak ada perbedaan antara respons dari kedua perlakuan itu.

Latihan 4.10.1 Diberikan dua contoh pengamatan berpasangan:

I 10, 15, 13, 12, 11
II 12, 14, 14, 15, 13
Tentukan nilai 𝑌11 ? 𝑌22 ? 𝑌14 ? 𝑌12 − 𝑌22 ? 𝑌̅1 - 𝑌̅2 ?

Latihan 4.10.2
Diberikan 𝑠 2 = 36, 𝐵𝑒𝑟𝑎𝑝𝑎𝑘𝑎ℎ 𝑠𝐷2 ?
Diberikan 𝑠𝑦2 = 12. 𝐵𝑒𝑟𝑎𝑝𝑎𝑘𝑎ℎ 𝑠𝐷2 ? 𝑠 2 ?
Diberikan 𝑠𝐷2 = 50. 𝐵𝑒𝑟𝑎𝑝𝑎𝑘𝑎ℎ 𝑠𝐷2 ? 𝑠 2 ? 𝑠𝑦2 ?

4.11 Ringkasan
Ringkasan hasil-hasil yang diperoleh melalui percobaan penarikan contoh diberikan dalam Tabel 4.13.
Ringkasan ini jelas menunjukkan bahwa melalui penarikan contoh kita dapat memperlihatkan
sejumlah
Tabel 4.13 Ringkasan informasi dari :

Teori dan teorema penting tentang populasi yang menyebar normal. Khususnya :
1. Nilai tengah contoh acak yang terdiri atas n pengamatan menyebar normal dengan nilai
tengah 𝜇 dan simpangan baku 𝜎/√𝑛 (Mengenai kenormalan nilai tengah contoh, teorema
ini masih mendekati kebenaran meskipun penarikan contohnya bukan berasal dari
populasi normal; sedangkan mengenai simpangan baku teorema di atas selalu benar. )
2. Nilai tengah beda yang berasal dari contoh acak berukuran n pengamatan menyebar

normal dengan nilai tengah nol dan simpangan baku √2𝜎 2 /𝑛 .

3. Suatu contoh acak dapat menghasilkan nilai-nilai dugaan tak bias bagi 𝜇, 𝜎 2 , 𝜎𝑌2 , 𝜎𝐷2 , 𝜎𝐷̅2
4. Statistik 𝑡 = (𝑌̅ − 𝜇)/𝑠𝑌̅ atau ( t= 𝐷 − 0)/ 𝑠𝐷̅ = (𝑌̅1 - 𝑌̅2 )/𝑠̅̅̅ 𝑌2 , menyebar secara
̅̅̅̅̅̅̅̅̅
𝑌1 − ̅̅̅

setangkup di sekitar nilai tengah nol dan mengikuti sebaran t-student yang ditabelkan.
Latihan Laboratorium untuk Bab 4
Tujuan untuk mendapatkan bukti tentang sebaran dari pengamatan berpasangan yang diambil secara
acak, yakni ragam dan nilai tengahnya.
1. Pasangkan 10 contoh acak sehingga memberikan lima contoh yang masing-masing terdiri atas
10 pasang. (karena kesepuluh contoh itu sudah bersifat acak, maka tidak diperlukan proses
mekanik lebih lanjut untuk memastikan bahwa pemasangan itu bersifat acak)
2. Untuk setiap contoh yang terdiri atas lima pasangan itu, hitunglah
a. Beda bertanda (selisih antara unsur pertama dengan unsur kedua dari setiap pasangan)
b. Nilai tengah dari beda-beda bertanda itu 9Yang dalam hal ini sama dengan beda antara
kedua nilai tengah)
c. Ragam dan simpangan bakunya
̅ /𝑆𝐷̅
d. 𝑡 = 𝐷
e. Selang kepercayaan 95 dan 99 persen bagi nilai tengah beda beda itu.