Makalah Tugas Kelompok 6 Statistika Lanjut
Makalah Tugas Kelompok 6 Statistika Lanjut
STATISTIKA LANJUT
DISUSUN OLEH
Titik-titik contoh di dalam Ruang Sampel (S) dapat disajikan dalam bentuk numerik/bilangan.
Peubah Acak
Fungsi yang mendefinisikan titik-titik contoh dalam ruang contoh sehingga memiliki nilai
berupa bilangan nyata disebut : PEUBAH ACAK = VARIABEL ACAK = RANDOM
VARIABLE (beberapa buku juga menyebutnya sebagai STOCHASTIC VARIABLE )
X dan x
Contoh 1 :
3 2 2 2 1 1 1 0
Tabel atau Rumus yang mencantumkan semua kemungkinan nilai peubah acak berikut
peluangnya.
Percobaan Binomial
n: banyaknya ulangan
x: banyak keberhasilan dalam peubah acak X
Contoh 2 :
Tentukan peluang mendapatkan "MATA 1" muncul 3 kali pada pelemparan 5 kali sebuah
dadu setimbang!
x=3
1 1 5
p= q = 1- =
6 6 6
b(x;n,p) C xn p x q n-x
b( 3;5, 16 ) C35 ( 16 ) 3 ( 56 ) 2
5! 52
= = 10 0.003215...= 0.03215...
3! 2 ! 65
Contoh 4b:
Peluang seorang mahasiswa membolos adalah 6:10, jika terdapat 5 mahasiswa, berapa
peluang terdapat 2 orang mahasiswa yang tidak membolos?
Soal-soal peluang peluang binomial dapat diselesaikan dengan bantuan Tabel Distribusi
Peluang Binomial (Lihat hal 157-162, Statistika 2)
Misal :
Perhatikan Total setiap Kolom p = 1.0000 (atau karena pembulatan, nilainya tidak persis =
1.0000 hanya mendekati 1.0000)
Contoh 5 :
Suatu perusahaan “pengiriman paket ” terikat perjanjian bahwa keterlambatan paket akan
menyebabkan perusahaan harus membayar biaya kompensasi.
Jika Peluang setiap kiriman akan terlambat adalah 0.20 Bila terdapat 5 paket, hitunglah
probabilitas :
a. Tidak ada paket yang terlambat, sehingga perusahaan tidak membayar biaya kompensasi?
(x = 0)
Jawab
atau .....
Rata-rata m = np
Ragam ² = npq
n = ukuran populasi
1. Hasil percobaan pada suatu selang waktu dan tempat tidak tergantung dari hasil
percobaan di selang waktu dan tempat yang lain yang terpisah
2. Peluang terjadinya suatu hasil percobaan sebanding dengan panjang selang waktu dan
luas tempat percobaan terjadi. Hal ini berlaku hanya untuk selang waktu yang singkat
dan luas daerah yang sempit
3. Peluang bahwa lebih dari satu hasil percobaan akan terjadi pada satu selang waktu
dan luasan tempat yang sama diabaikan
e x
poisson ( x ; )
x!
Perhatikan rumus yang digunakan! Peluang suatu kejadian Poisson hitung dari rata-rata
populasi ()
Seperti halnya peluang binomial, soal-soal peluang Poisson dapat diselesaikan dengan Tabel
Poisson (Statistika 2, hal 163-164)
Cara membaca dan menggunakan Tabel ini tidak jauh berbeda dengan Tabel Binomial
0 0.0111 0.0067
1 0.0500 0.0337
2 0.1125 0.0842
3 0.1687 0.1404
15 0.0001 0.0002
atau
= 1 - poisson(x 2)
Rata-rata seorang sekretaris baru melakukan 5 kesalahan ketik per halaman. Berapa peluang
bahwa pada halaman berikut ia membuat:
Jawab:
m=5
atau
c. x 3 ® poisson( x > 3; 5.0) = poisson(4; 5.0) + poisson(5; 5.0) + poisson (6; 5.0) +
= 1 - 0.2650
= 0.7350
Pendekatan Peluang Poisson untuk Peluang Binomial, dilakukan jika n besar (n > 20) dan
p sangat kecil (p < 0.01) dengan terlebih dahulu menetapkan p dan kemudian
menetapkan = n x p
Contoh 7
Dari 1 000 orang mahasiswa 2 orang mengaku selalu terlambat masuk kuliah setiap hari, jika
pada suatu hari terdapat 5 000 mahasiswa, berapa peluang ada lebih dari 3 orang yang
terlambat?
2
p= = 0.002 n = 5 000 x>3
1000
= n p = 0.002 5 000 = 10
Keseluruhan kurva akan bernilai 1, ini mengambarkan sifat peluang yang tidak pernah
negatif dan maksimal bernilai satu
Perhatikan gambar di bawah ini:
x
1 x 2
1 ( )
n(x; , ) = e 2
2 2
: rata-rata populasi
² : ragam populasi
Untuk memudahkan penyelesaian soal-soal peluang Normal, telah disediakan tabel nilai z
(Statistika2, hal 175)
Perhatikan dalam tabel tersebut :
x
z
2. Luas kurva yang dicantumkan dalam tabel = 0.50 (setengah bagian kurva normal)
0 z
3. Nilai z yang dimasukkan dalam tabel ini adalah luas dari sumbu 0 sampai dengan
nilai z
Dalam soal-soal peluang Normal tanda = . dan diabaikan, jadi hanya ada tanda < dan
>
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0
0.1
0.2
::
1.0
1.1
1.2 0.3944
3.4
Nilai 0.3944 adalah untuk luas atau peluang 0 < z < 1.25 yang digambarkan sebagai berikut
0 1.25
Dari Gambar 2 dapat kita ketahui bahwa P(z >1.25 ) = 0.5 - 0.3944 = 0.1056
0 1.25
0 1.25
Luas daerah untuk z negatif dicari dengan cara yang sama, perhatikan contoh berikut :
-1.25 0
Jika ingin dicari peluang diantara suatu nilai z z1 < z < z2, perhatikan contoh berikut :
-1.25 0 1.25
Gambar 9. Peluang(-1.30<x<1.25)
0 1.25 1.35
= 8.00 = 0.60
a. x < 7.80
x 7.80 8.00
z 0.33
0.60
P(x < 7.80) = P(z < -0.33) = 0.5 - 0.1293 = 0.3707 (Gambarkan!)
banyak buruh yang menerima upah/jam kurang dari $ 7.80 = 0.3707 x 1 000
b. x > 8.30
x 8.30 8.00
z 0.50.
0.60
P(x > 8.30) = P(z > 0.50) = 0.5 - 0.1915 = 0.3085 (Gambarkan!)
Banyak buruh yang menerima upah/jam lebih dari $ 8.30 = 0.3085 x 1 000
z1 = -0.33 z2 = 0.50
P(7.80 < x < 8.30) = P(-0.33 < z < 0.50) = 0.1915 + 0.1293 = 0.3208 (Gambarkan)
= 0.3208 x 1 000
dengan =np
b) JIKA rata-rata () > 20 MAKA lakukan pendekatan dengan distribusi NORMAL
dengan =np
2 n pq
n pq
Contoh 12 :
Dari 200 soal pilihan berganda, yang jawabannya terdiri dari lima pilihan (a, b, c,d dan e),
berapa peluang anda akan menjawab BENAR lebih dari 50 soal?
q = 1 - 0.20 = 0.80
n pq = 32
50 40 10
z= 1.7677 1.77
32 5.6568...
BAB II
Kegunaan Chi-Square:
1. Uji Chi Square berguna untuk menguji hubungan atau
2. pengaruh dua buah variabel nominal dan mengukur
3. kuatnya hubungan antara variabel yang satu dengan
4. variabel nominal lainnya (C = Coefisien of contingency).
Karakteristik Chi-Square:
· Nilai Chi-Square selalu positif.
· Terdapat beberapa keluarga distribusi Chi-Square, yaitu
distribusi Chi-Square dengan DK=1, 2, 3, dst.
· Bentuk Distribusi Chi-Square adalah menjulur positif.
DISTRIBUSI F
Jika uji t digunakan untuk pengujian dua sampel, uji F atau Anova digunakan untuk
pengujian lebih dari dua sampel.
Distribusi F digunakan untuk menguji hipotesis, apakah variansi dari sebuah populasi
normal sama dengan variansi dari populasi normal lainnya. Satu variansi sampel yang
lebih besar ditempatkan pada pembilang, sehingga rasio minimalnya adalah 1,00.
Distribusi F juga digunakan untuk menguji asumsi-asumsi bagi beberapa statistik uji.
Distribusi F memberikan sebuah perangkat untuk menjalankan suatu uji variansi dari
dua populasi normal. Menentukan validasi sebuah asumsi untuk suatu statistik uji, mula-
mula kita tetap harus menentukan hipotesis nolnya. Hipotesis nolnya adalah bahwa
variansi dari suatu populasi (σ1²), sama dengan variansi dari populasi normal lainnya
(σ2²). Hipotesis alternatifnya dapat berupa perbedaan variansi tersebut. Dalam hal ini
hipotesis nolnya dan hipotesis alternatifnya adalah :
H0 : σ1² = σ2²
H1 : σ1² ≠ σ2²
Bila kita ingin membandingkan nilai rata-rata dua kelompok seri hasil pengamatan
digunakan uji t (t Test)
Ada kalanya kita ingin membandingkan variansi / keragaman kedua kelompok seri hasil
pengamatan untuk ini digunakan uji F (diciptakan oleh R.A. Fisher). Uji F ini dikenal pula
dengan nama ANOVA (Analysis of Variance).
Untuk melakukan uji F, kita harus menghitung angka banding kedua variansi yang
bersangkutan.
Dalam hal ini variansi (S2) yang besar ditaruh pada pembilang (numerator) dan variansi (S2)
yang kecil ditaruh pada penyebut (denominator), seperti terlihat pada rumus dibawah ini :
S12 (besar) ( xi - X ) 2
Kemudian dibandingkan antara F hasil hitungan dengan F dari tabel (pada dan df tertentu
kelompok 1 dan 2).
Apabila F hitung < F tabel maka hipotesa nol benar, artinya tidak ada perbedaan yang nyata
dalam hal variansi / keragaman antara kedua kelompok pengukuran tersebut.
Sebaliknya, bila F hitung > F hitung l maka hipotesa nol salah, artinya ada perbedaa yang nyata
dalam hal variansi / keragaman antara kedua kelompok pengukuran tersebut.
Contoh soal :
Suatu pengukuran analisis dilakukan dengan metode A dan metode B, dengan hasil sbb :
Metode A Metode B
95.6 93.3
94.9 92.1
96.2 94.7
95.1 90.1
95.8 95.6
96.3 90.0
94.7
Ditanyakan : dengan metode ANOVA (F Test) apakah ada perbedaan yang nyata dalam hal
variansi (pada = 0.01 ) antara ke 2 metode diatas ?
Jawab :
SB2 5.14
F tabel = 10,67
Karena F hitung (15,9) F tabel (10,67) maka hipotesis nol salah, artinya ada perbedaan dalam hal
variansi antara metode A dan metode B tersebut.
DISTRIBUSI t (t Test)
Uji t (t Test) terutama digunakan untuk membandingkan dua nilai rata-rata, apakah ada
perbedaan yang nyata (signifikan) antara kedua nilai rata-rata yang diuji.
Maka kita mengajukan suatu hipotesa nol (Ho), artinya bahwa tidak ada perbedaan yang nyata
antara kedua nilai rata-rata tersebut.
X 1– X 2
S (x1 – x2)
S12 S22
N1 N2
X 1– X 2
S12 S22
+
N1 N2
Jika t hitung > t tabel, maka hipotesis nol tidak benar artinya ada perbedaan yang signifikan
(nyata) antara kedua nilai rata-rata tersebut.
Catatan : Simak penjelasan dosen tentang definisi dan df, serta cara pembacaan
Tabel Distribusi t.
Contoh :
Suatu sampel tanah yang mengandung Cu ( tembaga ) dianalisis di Laboratorium I dan Laboratorium
II. Masing-masing dianalisis 5 kali dengan hasil sebagai berikut (untuk mudahnya satuan dihilangkan).
Laboratorium I Laboratorium II
17,7 17,2
17,5 17,4
17,4 17,0
17,8 17,0
17,5 17,3
Pertanyaan : Dengan t Test apakah ada perbedaan yang nyata antara hasil analisis kedua
Laboratorium tersebut.
Jawab :
Kita pakai hipotesis nol, bahwa hasil analisis kedua Laboratorium tersebut tidak ada
perbedaan nyata.
Karena t hitung (3,68) > dari t tabel (1,86) maka hipotesis nol tidak berlaku, artinya hasil analisis
kedua Laboratorium tersebut ada perbedaan yang nyata.
***