Anda di halaman 1dari 18

7 Penaksiran

7.1 Pendahulua

Pada bab-bab terdahulu pebahasan ditekankan pada sifat-sifat sempel dari tataan sempel dan
variansi sempel. Negitupun penyajian data dalam berbagai bentuk telah diberi tekanan.
Tujuannya ialah untuk meletakan dasar agar memungkinkan para statistikawan menarik
kesimpulan tentang parameter-populasi dari data percobaan. Sebagai contoh, Teorema Limit
Pusat member informasi tentang distribusi dari tataan sempel 𝑋̅. Distribusinya mengandung
rataan populasi μ. Jadi setiap kesimpuln yang ditarik mengenai μ dari suatu rata-rata sampel yang
diamati haruslah tergantung pada pegetahuan tentang distribusi sampel ini. Di bab ini kita mulai
secara resmi membahas garis besar dari tujuan inferensi statistic. Ini kemudian diikuti dengan
membahas permasalahan penaksiran parameter populasi.

7.2 Inferensi statistika

Teori inferensi statistika terdiri atas metode untuk menarik inferensi rampatan mengenai
populasi. Kecenderungan yang sekarang adalah membedakan metode klasik dan metode bayes
dalam menaksir parameter populasi. Dalam metode klasik, inferensi didasarka sepeuhnyapada
informasi yang diperoleh melalui sempel acak yang diambil dari populasi. Metode bayes
menggunakan pengetahuan subjektif sebelumnya mengenai distribusi peuan parameter yang tak
diketahui bersama dengan informasi yang diberikan oleh data sempel. Pada sebagian besar bab
ini akan diturunkan metode klasik untuk menaksir parameter populasi yang tidak diketahui
seperti rataan, proporsi, dan variansi dengan menghitung statistic dari sempel acak dan
menggunakan teori distribusi sampel dari nan 6. Untuk lengkapnya, pendekatan Bayes terhadap
teori keputusan statistic dibicarakan pada pasal 7.12 dan 7.13.

Inferensi statistic dapat dibagi dalam dua bagian besar: penaksiran dan pengujian hipotesis.
Kedua bagian ini akan dibahas secara terpsah, teori penaksiran dan terapannya akan dibahas di
bab ini sedangkan teori pengujian hipotesis di bab 8. Untuk membedakan kedua bagian ini
dengan jelas, pandanglah contoh berikut. Seorang pengusaha yang hendak memasarkan
proskdinya dengan memasarkan produksi barunya mungkin ingin menaksir proporsi sesunguhny
calon pembeli produksinya dengan menanyakan oendapat sempel acak ukuran 100 calon
pembeli. Proporsi calon pembeli yang au membeli barangnya dalam semoel daoat dipakai
sebagai taksiran proporsi calon pembeli sesungguhnya dalam populasi. Pengetahuan distribusi
sempel proporsi memungkinkan kita menentukan drajat ketepatan taksiran tersebut. Masalah ini
asuk bagian penaksiran.

Sekarang pandanglah kasus seorang ibu yang ingin menentukan apakah sabun cuci rinso
mencuci lebih unggul daripada b29. Dia mungkin menghipotesiskan bahwa Rinso lebih baik
daripada b29, dan setelah mengadakan pengujian secukupnya, si ibu menerima atau menolak
hipotesis. Dalam contoh ini parameter tidak ditaksirkan, tapi sebagai gantinya kita ingin
mendapat keputusan yang benar mengenai hipotesis yang ditetapkan sebelumnya. Sekali lahi kita
menggunakan teori sampel untuk mendapatkan suatu ukuran ketetapan keputusan yang diambil

7.3 Metode penaksiran klasik

Suatu taksiran titik dari suatu parameter populasi θ ialah suatu nilai tunggal 𝜃̅ dari suatu titik
𝛩̂. Sebagai contoh, nilai 𝑥̅ suatu statistik 𝑋̅, dihitung dari suatu sampel ukuran n, merupakan
suatu taksiran titik parameter populasi μ. Begitupun 𝑝̂ = x/n, suatu taksiran titik dari proporsi
sesungguhna p untuk suatu percobaan binomial.

Statistik yang digunakan mendapatkan taksiran titik disebut penaksir atau fungsi keputusan.
Jadi fungsi keputusan S², yang merupakan funsi perubahan acak, ialah suatu penaksiran σ² dan
taksiran s² ialah ‘tindakan’ yang diambil. Sampel yang berlainan umumnya akan menghasilkan
tindakan atau taksiran yang berlainan pula.

Tidak dapat diharapkan suatu penaksir akan menaksr parameter populasi tanpa kesalahan yang
beralasan mengharapkan 𝑋̅ akan menaksr μ dengan tepat, tapi tentunya diharapjan bahwa
taksiran itu tidak terlalu jauh menyimpang. Untuk suatu sampel tertentu mungkin saja diperoleh
taksiran μ yang lebih dekat dengan mengambil median sampel 𝑋̅ sebagai penaksir. Pandang,
sebagai contohsuatu sampel yang terdiri atas nilai 2, 5, dan 11 yang diambil dari suatu poulasi
yang rataan nya 4 tapi yang dimisalkan tak diketahui. Kita akan menaksir μ dengan 𝑥̅ = 6 bila
menggunakan rataan sampel sebagai taksiran, atau 𝑥̅ = 5 bila menggunakan median sampel
sebagai taksiran. Dalam hal ini penaksiran 𝑋̅ menghasilkan taksiran yang lebih dekat parameter
sesungguhnya daripada penaksir 𝑋̅. Sebaiknya, bila sampel acak terdiri dari atas nilai 2,6, dan 7,
maka 𝑥̅ =5 dan x̅=6 sehingga ̅ X sekarang menjadi penaksir yang lebih baik, Karena nilai μ
sesungguhnya tak diketahui, kita hatus memutuskan sebelumnya apakah menggunakan penaksir
̅
X atau ̅
X.

Penaksir takbias

Sifat fungsi keputusan yang manakah yang dianggap ‘baik’ yang akan mempengaruhi kita dalam
memilih suatu penaksir dan bukan penaksir lainnya?

Misalkan Θ ̂ suatu penaksir dengan nilai θ̂ sebagai suatu taksiran titik suatu parameter populasi
(0) yang diketahui. Tentunya kita ingin distribusi sampel Θ mempunyai rataan sama dengan yang
ditaksi. Penaksir yang memiliki sifat ini disebut penaksir takbias

Definisi 7.1 Statistik dikatakan penaksir takbias parameter 0 apabila

̂) = θ
𝜇𝛩 = Ε(Θ
Contoh 7.1

Tunjukanlah bahwa S² merupakan penaksir takbias parameter σ²

Jawab

Tulisah
𝑛 𝑛

∑ (𝑋𝑖 − 𝑋̅)² = ∑[(𝑥𝑖 – 𝑢) − (𝑋̅ − 𝑢)²]


𝑖==1 𝑖=1

𝑛 𝑛

∑[(𝑋𝑖 − 𝑢)² − 2(𝑋̅ − 𝑢)] ∑(𝑋𝑖 − 𝑢) + 𝑛(𝑋̅ − 𝑢)²


𝑖=1 𝑖=1

∑[(𝑋𝑖 − 𝑢)² − 𝑛(𝑋̅ − 𝑢)] ²


𝑖=1

Sekarang

E(S²) = E

Tetapi

Jadi
Kendatipun S² merupakan takbisan o², tetapi, sebaiknya, S ssuatu penaksiran (o) yang bias dan
bias ini menjadi tak berarti bila sampel nya besar

Variansi penaksiran titik

Bila 𝛩̂1 dan 𝛩̂2 dua penakiran takbias parameter populasi θ yang sama maka kita akan memilih
penaksiran yang variansi distribusi sampelnya paling kecil. Jadi, bila (ooooooooo), maka
dikatakan bahwa 𝛩̂1 penaksiran θ yang lebih efisien daripada Θ ̂ 2.

Definisi 7.2 Dari semua tak bias θ yang mungkin dibuat penaksir yang memberikan variansi
terkecil disebut penaksir θ yang paling efisien

Pada gambar 7.1 dilukiskan distribusi sampel tiga penaksiran Θ ̂1 , Θ


̂2, Θ
̂ 3, yang berlainan, semua
penaksiran θ. Jelas bahwa Θ ̂ 1 dan Θ
̂ 2 yang tak bias karena distribusinya berpusat di θ. Penaksi Θ ̂1
mempuyai variansi yang lebih kecil daripada Θ ̂ 2 dank arena itu lebih efisien. Jadi kita sebagai
penaksir θ, di antara ketiganya Θ̂1.

Gambar 7.1 Distribusi sampel dari berbagai penaksir (o)

Untuk populasi normal dapat dibuktikan bahwa X ̅ maupun X ̅ penaksiran takbias untuk rataan
̅ lebih kecil daripada variansi X
populasi μ, akan tetapi variansi X ̅. Jadi kedia taksiran x̅ dan x̅ pada
rata-ratanya, akan sama dengan populasi μ tatapi x̅ kemungkinannya akan lebih dekat ke μ untuk
suatu sampel tertentu, dan karna itu ̅
X lebih efisien daripada ̅
X.

Penaksir takbias paling efisien sekalipun jarang akan menaksir parameter populasi μ dengan
tepat. Memang benar bahwa ketelitian meningkatkan bila sampelnya membesar, tetapi masih
tidak tetap tidak beralasan mengharapkan suatu taksiran titik dari suatu sampel tertentu akan
tepat sama dengan parameter populasi yang hendak ditaksir. Dalam banyak hal akan menyukai
menentukan suatu selang yang kedua ujungnya kita harapkan akan mengapit nilai parameter
yang sesungguhnya. Selang seperti itu disebut taksiran selang.

Penaksiran selang

Taksiran selang suatu parameter populasi θ ialah selang yang terbentuk θ̂1 < θ < θ̂2 ; θ̂2 dan θ̂2
̂ untuk suatu sampel tertentu dan juga pada distribusi sampel Θ
tergantung pada nilai statistic Θ ̂.
Jadi sampel acak nilai matematika mahasiswa ITB tahun pertama mungkin memberikan selang
dari 53 sampai 55; di antara kedua nilai ini dapatdiharapkan rata-rata sesungguhnya nilai
matematika mahasiswa tahun pertama di ITB. Kedua nilai ujung, 53 dan 55, akan tergantung
̅. Bila ukuran sampel membesar,
pada rataan sampel x̅ hasil perhitungan dan distribusi sampel X
2
maka σ𝑥 = σ²/n mengecil, sehingga kemungkinan besar taksiran bertambah dekat dengan
parameter μ, yang berarti selang yang lebih pendek. Jadi taksiran selang menunjukan
berdasarkan panjangnya, ketelitian taksiran titik.

Karena sampel yang berlainan umumnya akan memberikan nilai Θ ̂ yang berlainan, jadi nilai Θ
̂1
dan Θ ̂ 2 yang berlainan, maka kedua ujung selang ini merupakan nilai dari peubah acak Θ ̂1 dan
̂ 2 . Dari distribusi samoek Θ
Θ ̂ dapat ditentukan Θ ̂1 dan Θ
̂ 2 sedemikian rupa sehingga P(Θ ̂ 1 < θ1 <
̂ 2 ) sama dengan setiap nilai positif yang kita inginkan. Bila misaslkanya, θ̂1 dan θ̂1 dicari
Θ
sehingga memenuhi

̂1 < θ1 < Θ
P(Θ ̂2) = 1 - a

Untuk 0 < a < 1, maka dengan peluang 1 – a sampel acak yang diambil akan menghasilkan suatu
selang yang mengandung θ. Selang Θ̂ 1 < θ1 < Θ
̂ 2 , yang dihitung berdasarkan sampel acak yang
diambil, disebut selang kepercayaan

(1 - a )100%. Pecahan 1 - a disebut koefisien kepercayaan dan taraf kepercayaan dan kedua
ujung, θ̂1 dan θ̂2 , disebut batas kepercayaan bawah dan atas. Jadi bila a=0,05 maka kita
peroleh selang kepercayaan 95% dan bila a=0,01 kita peroleh selang kepercayaan 99% yang
lebih lebar. Makin lebar kepercayaan makin yakin pula kita bahwa selang tersebut mengandung
kepercayaan parameter yang tak diketahui. Sudah barang tentu, lebih baik percaya 95% bahwa
rata-rata umur suatu transitor televise antara 6 sampai 7 tahun daripada kepercayaan 99% bahwa
umurnya antara 3 sampai 10 tahun. Idealnya, lebih disenangi selang yang pendek dengan sampel
kepercayaan yang tinggi. Kadang-kadang, pembatasan dalam ukuran sampel tidak
memungkinkan mendapat selang yang sempit tanpa mengorbankan sedikit derajat kepercayaan.

Pada pasal-pasal berikut gagsan penaksiran titik dan selang akan dibahas lebih lanjut, tiap pasal
menyatakan kasus khusus yang berbeda. Pembaca perlu menyadari bahwa sementara penaksiran
titik dan selang menyatakan pendekatan yang berbeda dalammencari informasi mengenai suatu
parameter, keduanya berkaitan dalam artian bahwa penaksiran selang kepercayaan didasarkan
̅ adalah suatu
pada penaksiran titik. Pada pasal berikut, misalnya, akan terlihat bahwa penaksir X
penaksir titik yang amat wajar untuk μ, pengetahuan mengenai distribusi sampel X ̅.

7.4 Menaksir rataan

̅. Distribusi sampel X
Penaksir titik rataan populasi μ diberikan oleh satatistik X ̅ berpusat di μ dan
umumnya variansinya lebih kecil dan penaksir μ lainnya. Karena itu rataan sampel x̅ akan
2
dipakai sebagai taksiran titik untuk rataan populasi μ yang berasal σ𝑥 = σ² / n, sehingga sampel
yang lebih besar akan memberikan nilai ̅ X yang berasal dari distribusi sampel dengan variansi
yang lebih kecil. Jadi x̅ cenderung merupakan taksiran μ yang amat tepat bila n besar.

Sekarang pandanglah taksiran selang μ. Bila sampel berasal dari populasi normal atau, bila tidak,
n cukup besar, selang kepercayaan untuk μ dapat dibuat dengan menggunakan distribusi sampel
̅
X. Menurut teorema Limit Sentral, distribusi sampel ̅X dapat diharapkan secara hampiran,
berdistribusi normal dengan rataan μx̅ = μ dari simpangan baku σx̅ = σ /√𝑛. Tulisan za/2 untuk
nilai z yang di sebelah kanannya terdapat daerah seluas a/2, maka dapat dilihat dari gambar 7.2
bahwa

gambar 7.2 P(-za/2 < Z < za/2) 1 - a

̅, dan
Kalian tiap suku dalam ketidaksamaan dengan σ / √𝑛, lalu kurangi tiap suku dengan X
kemudian kalikan dengan -1 (balikan arah tanda ketidaksamaan) maka diperoleh

(oooooooooooooooooooooooooooooooooo)

Bila suatu sampel acak ukuran n diambil dari populasi dengan variansi σ² yang diketahui dengan
rataan x̅ dihitung maka diperoleh selangan kepercayaan (1 - a)100% berikut.

Selangan kepercayaan untuk μ; σ diketahui bila x̅ rataan sampel acak berukuran n dari suatu
populasi dengan variansi σ² yang diketahui, maka silangan kepercayaan (1 - a)100% untuk μ
ialah

x̅ - za/2 (oooooooooooooooooo)

Bila za/2 menyatakan nilai z sehingga daerah sebelah kanannya mempunyai luas a/2.
Untuk sampel kecil yang dipilih dari populasi yang tidak normal, tidak dapat diharapkan bahwa
taraf kepercayaan akan tepat. Akan tetapi, untuk sampel berukuran n > 30, terlepas dari bentuk
kebanyakan populasi, teori tentang sampel menjamin hasil yang baik. Jelas bahwa nilai peubah
acak Θ̂1 dan Θ
̂ 2 yang didefinisikan di pasal 7.3 adalah dua batas kepercayaan

(ooooooooooooooooooooooooo)

Sampel yang berlainan akan memberikan nilai x̅ yang berlainan, jadi memberikan taksiran selang
yang berlainan bagi parameter μ seperti terlihat pada gambar 7.3. Bulatan titik di tengan tiap
selang menunjukan letak taksiran titik x̅ untuk tiap sampel acak. Kebanyakan selang
terlihatmengandung μ, tapi tidak semuanya. Perhatikan bahwa seua selang itu mempunyai
panjang yang sama, karena panjangnya hanya tergantung pada pilihan za/2 begitu x̅ tertentu.
Makin besar nilai za/2 yang dipilih, makin panjang semua selangan dan makin yakinlah kita
bahwa sampel yang diambil akan memberikan selang yang mengandung parameter μ yang tak
diketahui.

Gambar 7.3 penaksiran selang μ untuk berbagai sampel

Contoh 7.2

Rataan nilai matematika acak 36 mahasiswa tingkat sarjana, masing-masing, 2,6. Hitunglah
selang kepercayaan 95% dan 99% untuk rataan matematika semua mahasiswa tingkat sarjana.
Anggapan bahwa simpangan baku populasi 0,3.

Jawab
Taksiran titik untuk μ ialah x̅ = 2,6. Nilai z yang luas di sebelah kanannya 0,025, jadi luas
sebelah kirinya sebesar 0,975 adalah 𝑧0,025 =1,96 (tabel L.3). Jadi selang kepercayaan 95% ialah

(oooooooooooooooooooooooooooo)

Yang dapat disederhanakan menjadi

2,50 < μ < 2,70

Untuk mencari selang kepercaraan 99%, carilah nilai z sehingga di sebelah kanannya terdapat
luas sebesar 0,005 atau 0,995 di sebelah kirinya. Menurut tabel L.3 𝑧0,025 =2,575, dan selang
kepercayaan 99% yang dicari ialah

(oooooooooooooooooooooooooo)

Yang dapat disederhanakan menjadi

0,3 0,3
2,6 – (2,575) { ____ <μ<2,6=(1,9){ ____
√36 √36

Untuk mencari selang kepercayaan 99%, carilah nilai (z) sehingga disebelah kanannya terdapat
luas sebesar 0,005 atau 0,995 di sebelah kirinya. Menurut tabel L.3 𝑧0,005 =2,575, dan selang
keperayaan 99% yang dicari ialah

0,3 0,3
2,6 – (1,96) { ___ <μ<2,6=(2,575){ ___
√36 √36

Atau, bila disederhanakan,

2,47 < μ < 2,73

Terlihat sekarang bahwa untuk menaksir μ dengan derajat kecepatan yang lebih tinggi diperlukan
selang yang lebih besar.

Selang kepercayaan (1 - a)100% memberiikan taksirn ketepatan taksiran titik kita. Bila μ
sesungguhnya merupakan nilai pusat selang, maka 𝑥̅ menaksir tanpa galat. Tetapi, umumnya
sampek tidak akan menghasilkan 𝑥̅ tepat yang sama dengan μ sehingga taksiran titik umumnya
akan meleset (mengandung galat). Besarnya galat sama dengan nilai absolute selisih antara μ
dengan 𝑥̅ , dan dengan kepercayaan (1 - a)100% selisih tersebut akan kurang dari 𝑧a/2 σ/√𝑛
Hal ini akan terlihat jelas bila selang kepercyaan digambarkan seperti gambar 7.4.

Gambar 7.4 galat pada penaksiran μ dengan 𝑥̅

Teorema 7.1 bila 𝑥̅ dipakai untuk menaksir μ maka dengan kepercayaan (1- a)100% galatnya
akan lebih kecil dari 𝑧a/2 σ/√𝑛

Pada contoh 7.2 kita percaya 95% bahwa perbedaan rataan sampel 𝑥̅ = 2,6 dengan rataan
sesungguhnya μ kurang dari 0,1 dan percaya 99% bahwa perbedaan tersebut kurang dari 0,13

Sering ingin diketahui berapa besar sampel yang harus diambil agar galat dalam menaksir μ akan
lebih kecil dari suatu bilangan g yang ditetapkan sebelumnya. Menurut teorama 7.1 ini berarti n
harus dipilih sehingga memenuhi 𝑧a/2 σ/√𝑛 = g. Penyelesaian persamaan ini memberikan rumus
untuk n.

Terorama 7.2 bila 𝑥̅ dipakai untuk menaksir μ maka dengan kepercayaan (1 - a)100% galatnya
akan lebih kecil dari suatu bilangan g yang ditetapkan sebelumnya asal saja ukuran sampel

𝑧𝑎/2𝜎
n=( 𝑔

Dalam mencari penyelesaian untuk n, semua nilai pecahan dibulatkan ke atas, ke bilangan bulat
terdekat. Dengan menggunakan pegangan ini maka kita yakin bahwa taraf kepercayaan tidak
akan lebih kecil dari (1 - a)100%.

Tegasnya, rumus pada Teorama 7,2 hanya berlaku bila variansi populasi yang hendak diambil
sampelnya diketahui. Bila variansi ini tidak diketahui, maka dapat diambil sampel pendahulua
berukuran n > 30 dan dari σ ditaksir; kemudian, dengan menggunakan Teorama 7.2, ditenukan
dengan hampiran besarnya sampel yang diperlukan agar memenuhi drajat ketepatan yang
diinginkan.

Contoh 7.3

Berapa besar sampel yang diperlukan pada contoh 7.2 bila ingin percaya 95% bahwa taksiran μ
meleset kurang dari 0,05?

Jawab
Simpangan baku populasi σ = 0,3. Maka, menurut Teorama 7.2,

n = (oooooooooooooooooo)

Jadi, dengan kepercayaan 95% sampel acak ukuran 139 akan memberikan taksiran 𝑥̅ yang
perbedaannya dengan μ kurang dari 005.

Sering pula kita ingin menaksir rataan populasi padahal variansinya tidak diketahui. Pembaca
tentunya masih ingat bab 6 telah kita pelajari bahwa bila ada suatu sampel acak dari suatu
distribusi normal maka peubah acak

𝑋̅−𝜇
T=
𝑆 /√ 𝑛

Berdistribusi-t Student dengan drajat kebebasan n-1. Di sini S adalah simpangan baku sampel.
Dalam keadaan σ tidak diketahui seperti ini, T dapat dipakai untuk membuat selang kepercayaan
untuk μ. caranya sama saja dengan bila σ diketahui kecuali bahwa σ diganti dengan S dan
distribusi normal baku diganti dengan distribusi t. dengan memperhatikan gambar 7.5 maka
dapat ditentukan bahwa

P(−t a/2< T < t a/2 ) = 1- a

Bila t a/2 menyatakan nilai t dengan drajat kebebasan n – 1, sehingga di sebelah kanannya
terdapat daerah seluas a / 2. Karna kurvanya setangkup, daerah dengan luas sama berada di
sebelah kiri −t a/2. Ganti T, maka diperoleh

Oooooooooooooooooooooooo)

Gambar 7.5 P(−t a/2< T < t a/2 ) = 1- a

Kalikan tiap suku dalam ketidaksamaan dengan S/ √𝑛, lalu kurangi tiap suku dengan ̅
X dan
kemudian kalikan degan -1, maka diperoleh

(ooooooooooooooooooooooooooooo)

Dari sampel acak berukuran n yang diambil dihitung rataan x̅ dan simpangan baku s sehingga
selang kepercayaan (1 – a)100% untuk μ dapat dicari.
Selang kepercayaan untuk μ;σ tidak diketahui bila x̅ dari s adalah rataan simpangan baku dari
suatu sampel acak dari suatu populasi normal dengan variasi σ² yang tidak diketahui maka selang
kepercayaan (1 - a)100% untuk μ ialah

Bila t a/2 menyatakan nilai distribusi t, dengan drajat kebebasan v= n-1 sehingga disebelah
kanannya seluas a/2.

Kita telah membuat perbedaan antara kasus σ diketahui dengan σ takdiketahui dalam
penghitungan taksiran selang kepercayaan. Perlu ditegaskan untuk kasus σ diketahui kita
manfaatkan Teorama Limit Pusat, sedangkan untuk kasus σ tak diketahui menggunakan
distribusi sampel dari peubah acak T. akan tetapi, penggunaan distribusi-t berdasarkan anggapan
bahwa sampel berasal dari distribusi normal. Sepanjang distribusi kira-kira berbentuk lonceng,
selang kepercayaan dapat dihitung bila σ² tak diketahui dengan menggunakan distribusi-t dan
hasilnya cukup baik.

Malah para stastikawan sering menyarankan bahwa kendati kenormalan tidak dipenuhi, σ
takdiketahui, dan n>30, σ dapat diganti dengan s dan selang kepercayaan

(ooooooooooooooooo)

dapat dipakai. Ini sering dinamakan sebagai selang kepercayaan sampel-besar, pembenarannya
hanya berdasarkankeyakinan bahwa bila ukuran setidak-tidaknya 30 maka s tentunya akan dekat
sekali ke nilai σ yang sesungguhnya dank arena itu Teorama Limit Pusat berlaku. Perlu kiranya
ditegaskan bahwa hanyalah hampiran dan kebaikan cara ini akan bertambah baik bila ukuran
sampel bertambah beasr.

Contoh 7.4

Tujuh botol yang mirip masing-masing berisi asam sulfat 9,8 10,2 10,4 9,8 10,0 10,2, dan 9,6
liter. Carilah selang kepercayaan 95% untuk rataan isi botol semacam itu bila distribusinya
dianggap hamper normal.

Jawab

Rataan dan simpangan baku sampel di atas ialah

x̅=10,0 dan s=0,283.


Dari tabel L.4 diperoleh t 0,025=2,447 untuk drajat kebebasan v = 6. Jadi selang kepercayaan 95%
untuk μ adalah

(ooooooooooooooooooooo)

Yang bila disederhanakan menjadi

9,74 < μ < 10,26

7.5 Galat baku taksiran titik

Kita telah membuat perbedaan yang ukup tajam antara tujuan dari taksiran titikk dengan taksiran
selang kepercayaan. Yang pertama memberikan suatu bilangan yang disarikan dari sekumpulan
data percobaan, sedangkan yang terakhir memberikan suatu selang jika data percobaan
diberikan yang wajar untuk parameter tersebut; yaitu, 100(1 – a)100% dari selang yang dihitung
dengan cara yang sama’mencangkup’ parameter tersebut.

Kedua pendekatan penaksiran ini berkaitan satu sama lain. ‘Benang merahnya’ ialah distribusi
̅ untuk μ dan σ diketahui. Telah
sampel dari penaksiran titik. Pandang misalnya, penaksir X
ditunjukan sebelumnya bahwa suatu ukuran dari kualitas penaksir takbias ialah variansinya.
̅ adalah
Variansi X

𝜎²
σ²x̅ =
𝑛

Jadi simpangan baku dari ̅


X atau galat baku dari ̅
X adalah σ / √𝑛. Dengan perkataan lain, galat
baku suatu penaksir adalah simpangan bakunya. Untuk kasus ̅ X, batas kepercayaan dari
perhitungan adalah
𝜎
𝑥̅ ± za/2
√𝑛

Ditulis sebagai

̅̅̅̅
𝑥̅ ± za/2 g.b(x)

Di sini g.b. ialah galat baku. Yang pentingdicatat di sini bahwa lebar selang kepercayaan untuk
(u) bergantung pada kualitas dari penaksir titik melalui galat bakunya. Dalam hal (o) tidak
diketahui dan sampling dari distribusi normal, (o) diganti dengan s dan melibatkan taksiran galat
baku (oooooo). Jadi batas kepercayaan untuk (u) berbentuk
𝑠
𝑥̅ ± t a/2 ̅̅̅̅
= x̅ ± 𝑡𝑎/2 g.b(x)
√𝑛
Sekali lagi, selang kepercayaan ini tidak lebih baik (dinyatakan dalam lebarnya) dibandingkan
dengan kualitas taksiran titiknya, dalam hal ini melalui taksiran galat bakunya. Paket computer
sering menanamkan taksiran galat baku hanya dengan nama ‘galat baku’

Dalam membehas selangan kepercayaan yang lebih rumit, berlaku gagasan bahwa lebar selang
kepercayaan makin pendek bila kualitas taksiran titik padanyalebih baik, kendati keadaan
tidaklah sesederhana seperti yang telah dijelaskan sebelumnya. Dapat dikemukakan bahwa
selang kepercayaan hanyalah telah dijelaskan dari taksiran titik guna memperhitungkan ketelitian
dari taksiran titik tersebut.

7.6 batas toleransi

Di pasal 7.3 telah didefinisikan selang kepercayaan untuk parameter σ, yaitu selang yang
berbentuk θ̂1 < θ < θ̂2 bila θ̂1 dan θ̂2 tergantung pada nilai statistic σ untuk suatu sampel tertentu
dan juga pada distribusi sampel σ. Ini berarti bahwa batas kepercayaan dihitung rupa sehingga
proporsi tertentu dari selang yang dihitung dari seluruh sampel yang dibuat dengan ukuran yang
sama mengandung parameter populasi θ. Sebagai contoh, bila semuasampel dengan ukuran n
yang sama diambil dari suatu dari distribusi normal, 95% dari semua selang yang ditentukan oleh
batas kepercayaan x̅ ± 1,96σ/ √𝑛 akan mengandung unsure parameter μ. Hal itu digambarkan
pada gambar 7.3. karena itu dengan kepercayaan 95% selang x̅ ± 1.96σ/ √𝑛, yang dihitung dari
suatu sampel tertentu, akan mengandung parameter μ.

Sering pula peneliti kurang tertarik menaksir parameter dan lebih berkepentingan dalam mencari
petunjuk mengenai di mana pengamatan tunggal atau pengukuran akan jatuh. Bila insinyur
yang membuat sukucadang dan dia mempunyai ketentuan mengenai ukuran tertentu dari suku
yang akan dibuat, maka perhatian tentang rataan dimensi tentunya kecil. Tetapi, perlu ditentukan
yang dari segi pengertian peluang ‘mencangkup’ nilai tunggal dari populasi (yakni, nilai ukuran
yang diukur).

Suatu cara menetapkan batas untuk nilai tunggal dalam populasi ialah dengan menentukan suatu
selang kepercayaan untuk suatu proporsi tertentu dari pengukuran. Ini paling baik dijelaskan
dengan membayangkan suatu keadaan yang menyangkut pengambilan sampelacak dari suatu
distribusi norml dengan rataan μ dan variansi σ² yang diketahui. Jelas, suatu batas yang
mencangkup bagian tengah 95% dari populasi pengmatan adalah

μ ± 1,96μσ

Ini disebut selang toleransi, dan memang cakupan 95% dari pengamatan yang diukur adalah
tepat. Akan tetapi, dalam praktek μ dan σ jarang diketahui; jadi pengguna terpaksa
menggunakan

𝑥̅ ± ks,
dan sekarang, selang berbentuk perubah acak dank arena itu cakupan dari proporsi populasi yang
dipenuhi selang tadi tidak lagi tepat. Akibatnya selang kepercayaan 100(1 - y )% berlaku untuk
pernyataan tersebut karena x̅ ± ks tidak dapat diharapkan selalu mencakup setiap proporsi
tertentu. Sebagai hasilnya kita mendapat definisi berikut

Batas toleransi Untuk pengukuran yang berdistribusi normal dengan rataan μ dan simpangan
baku σ yang keduanya tak diketahui, batas toleransi diberikan oleh 𝑥̅ ± ks, k ditentukan
sedemikian rupa sehingga dapat ditegaskan dengan 100(1 - y)% kepercayaan bahwa batas tersbut
mengandung paling sedikit 1-a proporsi pengukuran.

Tabel L.7 memberkan nilai k untuk 1 – a=0,90, 0,95, 0,99;y=0,05, 0,01; dan untuk beberapa nilai
n dari 2 sampai 100.

Contoh 7.5

Suatu mesin menghasilkan tembaga yang berbentuk silinder. Sampel potongan diambil dan
diameternya ternyata 1,01, 0,97, 1,03, 1,04, 0,99, 0,98, 0,99, 1,01, dan 1,03cm. Carilah batas
tolerani 99% yang akan mengandung 95% potongan tembaga yang dihasilkan mesin tersebut bila
dianggap distribusinya hamper normal.

Jawab

Data di atas mempunyai rataan dan sampingan baku sampel

x̅ = 1,0056 dan s = 0,0245

Dari tabel L.7 untuk n=9,1 – y=0,99 dan 1 – a,=0,95 diperoleh k= 4,550 sehingga batas toleransi
99% diberikan oleh

1,0056 +(4,550)(0,0245)

Atau 0,894 dan 1,117. Ini berarti selang toleransi dari 0,894 sampai 1,117 akan mengandung
paling sedikit 95% potongan tembaga yang dihasilkan mesin tadi dengan kepercayaan 99%.
Perlu dicatat bahwa pedanan selang kepercayaan 99% untuk μ (lihat soal 13 dihalaman 280)
mempunyai batas bawah 0,987 dan batas atas 1,033 sesuai dengan apa yang dikemukakan
sebelumnya bahwa selang toleransi pasti lebih panjang daripada selang kepercayaan dengan
derajat kepercayaan yang sama.

SOAL

1. Misalkan S² = (oooooooooooooo). Tunjukanlah E S² = (n - 1)/n)σ² sehingga S² suatu


penaksir σ² yang bias
2. Bila X perubahan acak bionimal, tunjukan bahwa
𝑥
a. ̂
P = 𝑛 penaksir takbias untuk p;
b. P’ = (ooooooooooo) penaksir bias untuk p
3. Tunjukan bahwa penaksir P’ di soal 2b menjadi takbias n > ∞
4. Suatu perusahaan listrik yang membuat bola lampu panjang umurnya berdistribusi
normal dengan simpangan 40 jam. Bila sampel 30 bola lampu berumuran rata-rata 780
jam. Hitunglah selang rata-rata 780 jam, hitunglah selang kepercayaan 90% untuk rataan
populasi bola lampu yang dihasilkan perusahaan tersebut.
5. Suatu mesin minumn diatursedemikian rupa sehingga minuman yang dikeluarkannya
berdistribusi hamper normal dengan simpangan baku 0,15 desiliter. Hitunglah selang
kepercayaan 95% untuk rataan semua minuman yang dikeluarkan mesin tersebut bila
sampel acak 98% bila ditaksirkan rataan tinggi semua mahasiswa 174,5 cm?
6. Tinggi sampel acak 50 mahasiswa rata-rata 174,5 cm dengan simpangan 6,9 cm.
a. Buatlah selang kepercayaan 98% untuk rataan tinggi semua mahasiswa.
b. Apakah yang dapat dikatakan tentang kemungkinan besarnya galat dengan
kepercayaan 98% bila ditaksirkan rataan tinggi semua mahasiswa 174,5 cm?
7. Suatu sampel acak 100 pemilik mobil di Negara Bagian Virginia AS, menunjukan bahwa
mobil mereka rata-rata menempuh 23.500 km setahun, dengan simpangan baku 3900 km.
a. Buatlah selang kecepatan 99% untuk rata-rata jarak yang ditempuh sebuah mobil
Virginia setahun.
b. Apa yang dikatakan mengenai kemungkinan besarnya galat dengan kepercyaan 99%
bila ditaksirkan jarak yang ditempuh mobil dalam setahun di Virginia 23.500 km?
8. Berapakah besaran sampel diperlukan pada soal 4 bila diinginkan kepercayaan 96% agar
rataan paling banyak meleset 10 jam dari rataan sesungguhnya?
9. Berapa besaran sampel yang diperlukan pada soal 5 bila diinginkan kepercayaan 95%
agar rataan banyak meleset 0,09 desiliter dari rataan sesungguhnya?
10. Seorang ahli dalam efisien ingin menentukan rata-rata yang diperlikan untuk member tiga
lubang pada sejenis kepitan logam. Berapa besar sampelkah yang dia perlukan agar yakin
95% bahwa rataan sampelnya paling jauh 15 detik dari rataan sesungguhnya?
Misalkanlah bahwa dari penelitian sebelumnya diketahui σ = 40 detik.
11. Seorang peneliti UNCLA menyatakan bahwa umur tikus dapat diperpanjang sebanyak
25% bila kalori dalam makanannya dikurangi kira-kira sebanyak 40% sejak tikus itu
disapih. Makanan tersebut kemudian diperkaya sampai tahap normal dengan vitamin dan
protein. Misalkan penelitian terdahulu diketahui bahwa σ = 5,8 bulan, berapa ekor tikus
seharusnyadiikuti sertakan dalam bila kita ingin yakin 99% bahwa rataan umur tikus
dalam sampel sepanjang 2 bulan dari rataan populasi tikus yang diberikan makan
menurut diet seperti ini?
12. Sarapan teratur yang diberi pemanis sebelumnya menyebabkan kerusakan gigi, sakit
jantung, dan penyakit lainnya menurut penelitian yang dilakukan oleh Dr. W.H. Bowen
dari institutKesehatan Nasional dan Dr. J. Yudhen, Propesor Nutrisi dan Diet di
Universiti London. Dalam suatu sampel acak 20 porsi yang sama Alpha-Bits (sejenis
sereal) rata-rata kadar gulanya 11,3 gr dengan simpangan baku 2,45 gr. Bila untuk rataan
kadar gula untuk satu porsi Alpha-Bits.
13. Sebuah mesin menghasilkan potongan logam yang berbentuk silinder. Sampel beberapa
potongan diukur dan ternyata diameternya 1,01, 0,97, 1,03, 1,04, 0,99, 0,98, 0,99, 1,01,
dan 1,03 cm. Hitunglah selang kepercayaan 99% untuk rataan diameter potongan yang
dihasilkan mesin tersebut bila dimisalkan distribusinya hamper normal.
14. Sampel acak 8 batang rokok merek tertentu mempunyai kadar nikotin rata-rata 2,6 mg
dengan simpangan baku 0,9 mg. buatlah selang kepercayaan 99% untuk kadar nikotin
rata-rata sesungguhnya rokok merek tersebut, anggap distribusinya hamper normal.
15. Sampel acak 12 paku penjepit gunting besar diambil untuk meneliti kekerasan Rockwell
kepala paku tersebut. Kekerasan Rockwell keduabelas kepala paku diukur dan
pengukuran menghasilkan nilai rata-rata 48,50 dengan simpangan baku sampel 1,5. Bila
dimisalkan pengukuran berdistribusi normal, buatlah selang kepercayaan 90% untuk
rataan kekerasan Rockwell.
16. Sampel acak 12 lulusan suatu sekolah sekretaris mengetik rata-rata 79,3 kata per menit
dengan simpangan baku 7,8 kata per menit. Anggapan jumlah kata yang diketik per menit
berdistribusi normal, buatlah selang kepercayaan 95% untuk rata-rata jumlah kata yang
diketik per menit oleh semua lulusan sekolah tadi.
17. Sampel acak 25 batang rokok merek tertentu mempunyai kadar nikotin rata-rata 1,5 mg
dengan simpangan baku 0,17 mg. hitunglah batas toleransi 95% yang akan mengandung
95% kadar nikotin untuk rokok merek tersebut. Anggap bahwa pengukuran berdistribusi
normal.
18. Pengukuran berikut memberikan waktu mongering, dalam jam, sejenis car leteks merek
tertentu

(ooooooooooooooooooooooooooooooooooo)

Bila dimisalkan pengukuran menyatakan sampel acak yang diambil dari populasi normal,
hitunglah batas toleransi 99% yang akan mengandung 95% dari waktu mongering.
19. Kembali pada soal 7, biatlah selang toleransi 99% yang mengandung 99% jarak yang
ditempuh mobil selama satu tahun di Virginia. Anggap bahwa distribusi pengukuran
hamper normal.
20. Kembali pada soal no 15, buatlah selang toleransi 95% yang mengandung 95%
pengukuran.

7.7 Menaksir selisih dua rataan


2
Bila ada dua populasi masing-masing dengan rataan μ1 dan μ2 dan variansi σ12 dan σ2 maka
penaksir titik untuk selisih anatara μ1 dan μ2 diberikan oleh stastitik 𝑋̅1 - 𝑋̅2. jadi untuk
memperoleh taksiran titik untuk μ1 – μ2 diperlukan dua sampel acak yang saling bebas, satu dari
tiap populasi, masing-masing berukuran n1 dan n2 kemudian dihitung selisih rataan kedua
sampel 𝑥̅1 – 𝑥̅2. jelas, kita harus menggunakan distribusi sampel 𝑋̅1 – 𝑋̅2. Menuruut teorama
6.15, dapat diharapkan distribusi sampel 𝑋̅1 – 𝑋̅2 akan berdistribusi hamper normal dengan
rataan μx̅1 - μx̅2 = μ1- μ2 dan simpangan baku

(oooooooooooooooooooo)

(ooooooooooooooooo)

Akan berada antara −za/2 dan za/2 . Dengan memperhatikan kembali gambar7.2, dapat ditulis

P (−za/2 Z < za/2 ) = 1 – a

Ganti Z pada rumus di atas, maka diperoleh

(oooooooooooooooooooooooo)

Yang memberikan selang kepercayaan (1 – a)100% berikut μ1 – μ2


2 𝟐
Selang kepercayaan untuk μ1 – μ2 ; σ1 dan 𝛔𝟏 diketahui. Bila x̅1 dan x̅2 menyatakan rataan
sampel acak bebas ukuran n1 dan n2 yang berasal dari dua populasi yang variansinya diketahui,
2 2
masing-masing σ1 dan σ2 , maka selang kepercayaan (1 – a)100% untuk (oooooo) diberikan oleh

(oooooooooooooooooooooooooooooo)

Dengan za/2 menyatakan nilai z sehingga luas daerah di sebelah kanannya a/2.

Taraf kepercayaan tepat bila sampe berasal dari populasi normal. Untuk populasi yang tidak
normal Teorema Limit Pusat memberikan hampiran yang cukuo baik asal ukuran sampel cukup
besar.

Contoh 7.6

Suatu ujian kimia yang telah dibekukan pada 50 siswa wanita dan 75 siswa peria. Nilai rata-rata
wanita 76, sedangkan murid peria mendapap nilai rata-rata 82. Carilah selang kepercayaan 96%
untuk selisih μ1 – μ2 bila μ1 menyatakan rataan nilai semua siswa peria dan μ2 rataan nilai
semua siswa wanita yang mungkin akan mengikuti ujian ini. Anggap simpangan baku populasi
untuk wanita dan pria, masing-masing, 6 dan 8.

Jawab
Taksiran titik untuk μ1 – μ2 ialah x̅1- x̅2 = 82 – 76 = 6. Dari tabel L.3, dengan menggunakan a =
0,04 diperoleh z0,02 = 2,05. Masukan semua nilai ini pada rumus di atas maka diperoleh selang
kepercayaan 96%

(ooooooooooooooooo)

Atau

3,43 < μ1 - μ2 < 8,57.

Anda mungkin juga menyukai