JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
STATISTIKA
PENGENDALIAN MUTU
DISTRIBUSI SAMPLING, ESTIMASI
PARAMETER & UJI HIPOTESIS
Darmanto – Universitas Brawijaya
Proses produksi
p1 p2 Pt-1 pt
2
DISTRIBUSI SAMPLING
• Tujuan Statistika Inferensi: Untuk mengambil kesimpulan
(keputusan) tentang kondisi populasi berdasarkan sampel
yang diambil dari populasi tersebut.
3
DISTRIBUSI SAMPLING - Lanjutan
4
DISTRIBUSI SAMPLING - Lanjutan
5
DISTRIBUSI SAMPLING - Lanjutan
1. DISTRIBUSI 𝝌𝟐
• Jika 𝑥1 , 𝑥2 , … , 𝑥𝑛 ~𝑁 0,1 dan jika 𝑦 = 𝑥12 + 𝑥22 + ⋯ + 𝑥𝑛2 , maka 𝑌~𝜒𝑛2
dengan
1 𝑛 −𝑦
𝑓 𝑦 = 𝑦 2 −1 exp
𝑛 𝑛 2 , 𝑦 > 0.
2 2Γ
2
Distribution Plot
Chi-Square
0.16 df
5
0.14 10
20
0.12
0.10
Rata-rata = n
Density
0.08
0.06
0.04
Varians = 2n
0.02
0.00
0 10 20 30 40
X
6
DISTRIBUSI SAMPLING - Lanjutan
• Jika 𝑥1 , 𝑥2 , … , 𝑥𝑛 ~𝑁 𝜇, 𝜎 2 , maka
𝑛
𝑥𝑖 − 𝑥 2
𝑖=1 2
𝑦= 2 ~𝜒(𝑛−1)
𝜎
𝑛 − 1 𝑠2 2
𝑦= 2
~𝜒(𝑛−1) .
𝜎
2. DISTRIBUSI t
• Dimisalkan 𝑋~𝑁 0,1 dan 𝑌~𝜒𝑘2 dan keduanya saling independen, maka
𝑥
𝑡= ~𝑡𝑘
𝑦
𝑘
Dengan
𝑘 + 1 − 𝑘+1
Γ 2 𝑡
2 2
𝑓 𝑡 = +1 , −∞ < 𝑡 < ∞
𝑘 𝑘
𝑘𝜋Γ 2
7
DISTRIBUSI SAMPLING - Lanjutan
Distribution Plot
T
0.4 df
5
10
100
0.3
𝜇 = 0;
Density
0.2 𝜎2 = 𝑘 𝑘 − 2 , 𝑘 > 2
Jika 𝑘 → ∞, maka 𝑡~𝑁(0,1)
0.1
0.0
-5 -4 -3 -2 -1 0 1 2 3 4
X
• Misal 𝑥1 , 𝑥2 , … , 𝑥𝑛 ~𝑁 𝜇, 𝜎 2 , dan
𝑥−𝜇
𝑥 − 𝜇 𝜎/ 𝑛 𝑁(0,1)
= ~ ~𝑡𝑛−1
𝑠/ 𝑛 𝑠/𝜎 2
𝜒𝑛−1 (𝑛 − 1)
8
DISTRIBUSI SAMPLING - Lanjutan
3. DISTRIBUSI F
• Jika 𝑄 dan 𝑅 berdistribusi 𝜒 2 dengan derajat bebas masing-masing
𝑢 dan 𝑣, maka
𝑞
𝑢
𝐹(𝑢,𝑣) = 𝑟
𝑣
numerator
denominator
9
DISTRIBUSI SAMPLING - Lanjutan
Distribution Plot Distribution Plot
F, df1=10 F, df2=10
0.9 df2 0.9 df1
5 5
0.8 10 0.8 10
20 20
0.7 0.7
0.6 0.6
Density
0.5
Density
0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0.0 0.0
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6
X X
• Misal ada karakteristik kualitas (X) yang diamati dari 2 proses produksi berdistribusi
Normal: 𝑋1 ~𝑁 𝜇1 , 𝜎12 dan 𝑋2 ~𝑁(𝜇2 , 𝜎22 ). Dimisalkan pula 𝑥11 , 𝑥12 , … , 𝑥1𝑛1 adalah
observasi yang diamati pada proses 1 berukuran 𝑛1 dan 𝑥21 , 𝑥22 , … , 𝑥2𝑛2 berasal
dari proses 2 berukuran 𝑛2 , maka
𝑠12
𝜎12
2 ~𝐹𝑛1−1,𝑛2−1
𝑠2
𝜎22
10
DISTRIBUSI SAMPLING - Lanjutan
𝑥1 𝑥2 … 𝑥𝑛
Proses Bernoulli
Percobaan Bernoulli Percobaan Bernoulli
11
DISTRIBUSI SAMPLING - Lanjutan
DISTRIBUSI BINOMIAL
• Misal 𝑥1 , 𝑥2 , … , 𝑥𝑛 adalah observasi dari proses Bernoulli
dengan peluang sukses konstan p, maka
𝑥 = 𝑥1 + 𝑥2 + ⋯ + 𝑥𝑛
akan berdistribusi Binomial dengan parameter n dan p.
𝑛
𝑖=1 𝑥𝑖
𝑥= , 𝑥 = 0,1.
𝑛
𝑥 = 0, 1 2 𝑛−1
𝑛, 𝑛,…, 𝑛,1 .
𝑎𝑛
𝑛 𝑘 𝑛−𝑘
𝑃 𝑥 ≤ 𝑎 = 𝑃 𝑥 ≤ 𝑎𝑛 = 𝑝 1−𝑝
𝑘
𝑘=0
𝑝(1−𝑝)
dengan 𝜇𝑥 = 𝑝 dan 𝜎𝑥2 = .
𝑛
12
DISTRIBUSI SAMPLING - Lanjutan
SAMPLING DARI DISTRIBUSI POISSON
• Misal 𝑥1 , 𝑥2 , … , 𝑥𝑛 adalah observasi dari proses Poisson
dengan parameter 𝜆, maka
𝑥 = 𝑥1 + 𝑥2 + ⋯ + 𝑥𝑛
akan berdistribusi Poisson dengan parameter 𝑛𝜆.
𝑛
𝑖=1 𝑥𝑖
𝑥= ,
𝑛
𝑥 = 0, 1 𝑛 , 2 𝑛 , … .
𝑎𝑛
𝑒 −𝑛𝜆 (𝑛𝜆)𝑘
𝑃 𝑥 ≤ 𝑎 = 𝑃 𝑥 ≤ 𝑎𝑛 =
𝑘!
𝑘=0
𝜆
dengan 𝜇𝑥 = 𝜆 dan 𝜎𝑥2 = .
𝑛
13
ESTIMASI PARAMETER
• Variabel acak digambarkan oleh distribusi peluangnya.
• Estimasi parameter:
1. Estimasi titik
2. Estimasi selang (selang kepercayaan)
14
ESTIMASI PARAMETER - Lanjutan
ESTIMASI TITIK
1. Harus unbiased
2. Harus mempunyai varians minimum
• Rataan dan varians sample, 𝑥 dan 𝑠 2 merupakan estimator tak
bias dari 𝜇 dan 𝜎 2 :
𝐸 𝑥 = 𝜇 dan 𝐸 𝑠 2 = 𝜎 2
• s merupakan estimator bias untuk 𝜎,
1/2 𝑛
2 Γ( ) 𝑠
𝐸 𝑠 = 2 𝜎 = 𝑐4 𝜎 → 𝜎 =
𝑛−1 Γ (𝑛 − 1)/2 𝑐4
Poisson
Binomial Tabel SQC
𝑛 𝑛
𝑖=1 𝑥𝑖 𝑖=1 𝑥𝑖 unbiased
𝜆= = 𝑥; 𝑝 = =𝑥
𝑛 𝑛
15
ESTIMASI PARAMETER - Lanjutan
• Praktik: 𝜎 diestimasi dengan R (range/jarak).
𝑅 = 𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛
𝑅
• 𝑊 = W disebut jarak relatif dengan rata-rata 𝐸 𝑊 =
;
𝜎
𝑑2 sehingga estimator tak bias untuk 𝜎 adalah
Tabel SQC 𝑊
𝜎=
𝑑2
16
UJI HIPOTESIS
• Statistika Inferensi:
1. Estimasi Parameter
2. Uji Hipotesis: pernyataan tentang nilai
parameter dari suatu distribusi peluang.
• Contoh: Dinyatakan bahwa rata-rata diameter
dalam suatu bearing adalah 1.5 inch, maka
ditulis: Hipotesis Nol
𝐻0 : 𝜇0 = 1.5 𝑣𝑠
𝐻1 : 𝜇0 ≠ 1.5.
Hipotesis Alternatif Dua arah
17
UJI HIPOTESIS - Lanjutan
• Praktik: Uji hipotesis banyak digunakan dalam SQC terutama pada
penentuan spesifik nilai untuk H0 dan H1:
1. Pengujian hipotesis digunakan untuk memastikan bahwa nilai
parameter bersesuaian dengan spesifikasi yang telah ditetapkan
2. Membantu memodifikasi proses produksi hingga mencapai suatu nilai
(parameter) yang diinginkan.
18
UJI HIPOTESIS - Lanjutan
Hipotesis Nol
Benar Salah
Keputusan Terima Salah Jenis II (𝛽)
Tolak Salah Jenis I (𝛼) Power of Test (1 − 𝛽)
19
UJI HIPOTESIS - Lanjutan
• Prosedur umum dalam uji hipotesis adalah
menentukan nilai 𝛼 dan kemudian mendesain
prosedur pengujian sehingga diperoleh nilai 𝛽
yang kecil.
• Artinya, 𝛼 bersifat ditentukan sedangkan 𝛽
umumnya merupakan fungsi dari ukuran
sampel (n). Semakin banyak ukuran sampel
yang digunakan dalam pengujian, maka
semakin kecil nilai 𝛽.
20
UJI HIPOTESIS - Lanjutan
PENGGUNAAN NILAI-P PADA UJI HIPOTESIS
• Cara klasik pengambilan keputusan adalah dengan menyatakan bahwa H0 ditolak
atau diterima pada nilai 𝛼 tertentu (fixed significance level testing).
• Misal 𝐻0 : 𝜇0 = 1.5 ditolak pada level signifikan 5%. Pernyataan seperti ini sering
masih belum memadai karena tidak ada informasi yang pasti seberapa jauh
statistik hitung berada pada wilayah kritis. Apakah berada dekat dengan wilayah
penerimaan H0 ataukah memang terletak jauh di wilayah kritis.
21
UJI HIPOTESIS - Lanjutan
• UJI RATA-RATA 1 POPULASI
| |
Varians Pop.
Wilayah kritis diketahui
| |
Wilayah kritis
| | Varians Pop.
Tidak diketahui
22
UJI HIPOTESIS - Lanjutan
• Penghitungan Nilai-P
23
UJI HIPOTESIS - Lanjutan
• UJI VARIANS 1 POPULASI
| |
Wilayah kritis
| |
24
UJI HIPOTESIS - Lanjutan
• Uji ini sangat berguna dalam perbaikan kualitas. Misal
𝑋~𝑁 𝜇, 𝜎 2 , jika 𝜎 2 proses produksi kurang dari atau
sama dengan variabilitas inheren proses (𝜎02 ) maka
semua proses berjalan sesuai dengan yang diinginkan
(memenusi standar), akibatnya hampir semua produk
dinyatakan baik. Demikian sebaliknya, jika 𝜎 2 > 𝜎02 ,
maka proses berjalan tidak sesuai standar sehingga
persentase produk yang tidak sesuai akan tinggi.
25
UJI HIPOTESIS - Lanjutan
• UJI PROPORSI 1 POPULASI
26
UJI HIPOTESIS - Lanjutan
SALAH JENIS II (𝜷)
• Perhatikan:
27
UJI HIPOTESIS - Lanjutan
• Peluang salah jenis II adalah peluang bahwa statistik uji
𝑍0 terletak antara −𝑍𝛼/2 dan 𝑍𝛼/2 dengan syarat 𝐻1
benar.
• Untuk mengkaji 𝛽 ini, maka hitung 𝐹 𝑍𝛼 − 𝐹 −𝑍𝛼 , di
2 2
mana F adalah CDF (cumulative distribution function) dari
𝛿 𝑛
𝑁 ,1 .
𝜎
28
UJI HIPOTESIS - Lanjutan
Isi Kopi Kalengan
• Diamati rata-rata isi kopi kalengan. Standar rata-rata isi kopi
kalengan ditentukan sebesar 16 oz, dan dari pengalaman lalu
diketahui bahwa standar deviasi isi kalengan adalah 0.1 oz.
Hipotesis:
• Tentukan peluang salah jenis II dan power of test jika rata-rata isi
kopi kalengan yang benar adalah 𝜇1 = 16.1 𝑜𝑧.
29
UJI HIPOTESIS - Lanjutan
• 𝛿 = 𝜇1 − 𝜇0 = 16.1 − 16.0 = 0.1
30
UJI HIPOTESIS - Lanjutan
Power Curve for 1-Sample Z Test
1.0
Sample
Size
2
0.8 4
6
7
9
0.6 A ssumptions
Power
A lpha 0.05
S tDev 0.1
A lternativ e N ot =
0.4
0.2
0.0
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3
Difference
31
UJI HIPOTESIS - Lanjutan
• Dengan demikian 𝛽 merupakan fungsi dari 𝑛, 𝛿 dan 𝛼.
𝛿
𝑑=
𝜎
32
UJI HIPOTESIS - Lanjutan
UJI SELISIH RATA-RATA 2 POPULASI
33
UJI HIPOTESIS - Lanjutan
34
UJI HIPOTESIS - Lanjutan
35
UJI HIPOTESIS - Lanjutan
~𝑡𝑣
36
UJI HIPOTESIS - Lanjutan
UJI RATA-RATA DATA BERPASANGAN
37
UJI HIPOTESIS - Lanjutan
• UJI RASIO VARIANS 2 POPULASI
38
UJI HIPOTESIS - Lanjutan
UJI SELISIH PROPORSI 2 POPULASI
39
REFERENSI
• Montgomery, D. C. 2009. Introduction to
Statistical Quality Control. John Wiley & Sons,
New York.
40