PROGRAM STUDI STATISTIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA

STATISTIKA
PENGENDALIAN MUTU
DISTRIBUSI SAMPLING, ESTIMASI
PARAMETER & UJI HIPOTESIS
Darmanto – Universitas Brawijaya

“Very little is needed to make a happy life; it is all within

yourself, in your way of thinking.” (Marcus Aurelius)
PENGANTAR
• Praktik: parameter proses tidak diketahui.

Proses produksi

p1 p2 Pt-1 pt

p (peluang non-conforming) berbeda tiap proses produksi

Statistik Estimasi parameter dan Uji hipotesis

Inferensi

2
DISTRIBUSI SAMPLING
• Tujuan Statistika Inferensi: Untuk mengambil kesimpulan
(keputusan) tentang kondisi populasi berdasarkan sampel
yang diambil dari populasi tersebut.

• 𝑥1 , 𝑥2 , … , 𝑥𝑛 adalah sampel acak berukuran n yang diambil

dari suatu populasi N atau ∞, berdistribusi secara
independen dan identik.

• Dari 𝑥𝑖 yang terobservasi didapatkan statistik yang

diharapkan tepat atau mendekati parameter.
𝑛 𝑛
𝑖=1 𝑥𝑖 𝑥𝑖 − 𝑥 2
• 𝑅𝑎𝑡𝑎𝑎𝑛 = 𝑥 = atau 𝑉𝑎𝑟𝑖𝑎𝑛𝑠 = 𝑠2 = 𝑖=1
.
𝑛 𝑛−1

3
DISTRIBUSI SAMPLING - Lanjutan

• Jika kita mengetahui distribusi dari populasi di mana

sampel diambil, maka kita dapat menentukan distribusi
dari statistik yang kita hitung dari sampel terobservasi.

• Distribusi Sampling adalah distribusi peluang dari

statistik.

4
DISTRIBUSI SAMPLING - Lanjutan

SAMPLING DARI DISTRIBUSI NORMAL

• Misal: 𝑋~𝑁 𝜇, 𝜎 2 . Jika 𝑥𝑖 adalah sampel dari suatu
𝜎 2
proses yang mengikuti X, maka 𝑥~𝑁 𝜇, 𝑛 .
𝑛
𝑥−𝜇 𝑖=1 𝑥𝑖 −𝑛𝜇 𝑛
• 𝑛= → 𝑖=1 𝑥𝑖 ~𝑁 𝑛𝜇, 𝑛𝜎 2 .
𝜎 𝑛𝜎

DEFINISI. TEOREMA LIMIT PUSAT

Jika 𝑥1 , 𝑥2 , … , 𝑥𝑛 merupakan sampel acak saling bebas dengan rata-rata
𝜇𝑖 dan varians 𝜎𝑖2 dan jika 𝑦 = 𝑥1 + 𝑥2 + ⋯ + 𝑥𝑛 , maka distribusi dari:
𝑦 − 𝑛𝑖=1 𝜇𝑖
𝑛 2
𝑖=1 𝜎𝑖
Akan mendekati N(0,1) dengan 𝑛 → ∞.

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

Dengan pdf (probability density function):

𝑢
𝑢+𝑣 𝑢 2 𝑢
Γ 𝑥 2 −1
𝑓 𝑥 = 2 𝑣 ,0 < 𝑥 < ∞
𝑢 𝑣 𝑢+𝑣
Γ Γ 𝑢 2
2 2 𝑥+1
𝑣

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

SAMPLING DARI DISTRIBUSI BERNOULLI

• Pdf distribusi Bernoulli:

sukses
𝑝 ,𝑥 = 1
• 𝑝 𝑥 = 1 − 𝑝 = 𝑞, 𝑥 = 0 gagal

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.

• Distribusi peluang digambarkan oleh parameternya.

• Dalam SQC (statistical quality control), distribusi

peluang digunakan untuk menggambarkan atau
memodelkan beberapa karakteristik kualitas: titik kritis
produk atau bagian cacat dari suatu proses produksi.

• 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

Efisiensi relatif R terhadap s

berdasarkan n

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.

• Penentuan nilai parameter pada hipotesis dalam SQC:

1. Nilai parameter didasarkan atas informasi yang telah lalu. Nilai
parameter diambil berdasarkan kondisi proses yang terkontrol dan
kemudian diuji secara berkala untuk menentukan bahwa nilai
tersebut tidak berubah.
2. Nilai parameter didasarkan atas teori tertentu atau model dari suatu
proses.
3. Nilai parameter didasarkan atas spesifikasi desain atau sesuai
permintaan konsumen.

18
UJI HIPOTESIS - Lanjutan
Hipotesis Nol
Benar Salah
Keputusan Terima Salah Jenis II (𝛽)
Tolak Salah Jenis I (𝛼) Power of Test (1 − 𝛽)

• 𝛼 = 𝑃 Tolak 𝐻0 |𝐻0 benar

• 𝛽 = 𝑃 Terima 𝐻0 |𝐻0 salah
• 1 − 𝛽 = 𝑃 Tolak 𝐻0 |𝐻0 salah
• 𝛼 disebut Resiko Produsen karena 𝛼 menyatakan peluang produk yang baik akan
ditolak (dinyatakan cacat) atau peluang bahwa suatu proses yang memproduksi
produk dengan karakteristik kualitas tertentu masih berada pada nilai spesifikasi
dinyatakan tidak memenuhi nilai tersebut.
• 𝛽 disebut Resiko Konsumen karena 𝛽menyatakan peluang konsumen menerima
produk yang cacat atau peluang membiarkan proses produksi berlangsung padahal
proses tersebut memproduksi produk yang tidak sesuai dengan spesifikasi.

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.

• Untuk menjawab masalah tsb, digunakan pendekatan nilai-p.

• NILAI-P adalah level signifikansi terkecil yang memungkinkan pengambil keputusan

untuk menolak H0. Jadi nilai-p memberikan banyak informasi tentang bukti
penolakan terhadap H0 sehingga pengambil keputusan dapat memberi keputusan
pada semua level signifikan.

• Perhitungan nilai-p didasarkan atas data observasi.

21
 UJI HIPOTESIS - Lanjutan
• UJI RATA-RATA 1 POPULASI

| |

Varians Pop.
Wilayah kritis diketahui
| |

CEK NORMALITAS DATA

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.

• Dengan kata lain, kapabilitas proses berhubungan

secara langsung dengan variabilitas proses.

25
UJI HIPOTESIS - Lanjutan
• UJI PROPORSI 1 POPULASI

atau Wilayah kritis

x  np0
Z0 
np0 q0

26
UJI HIPOTESIS - Lanjutan
SALAH JENIS II (𝜷)
• Perhatikan:

• Untuk menghitung peluang salah jenis II, diasumsikan

bahwa 𝐻0 : 𝜇 = 𝜇0 adalah salah. Anggap bahwa rata-
rata benar bergeser menjadi 𝜇1 = 𝜇0 + 𝛿; 𝛿 > 0. Jadi,
𝐻1 : 𝜇 ≠ 𝜇0 adalah benar dan statistik uji 𝑍0 berada di
bawah asumsi distribusi

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:

• 9 sampel acak diamati dan dengan 𝛼 = 0.05 diperoleh:

• 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

• Jadi, peluang tidak menolak H0 padahal H0 salah atau menerima

pernyataan bahwa rata-rata isi kopi kalengan adalah 16.0 padahal rata-rata
isi kopi kalengan yang sebenarnya adalah 16.1 sebesar 0.1492.

• Dengan kata lain, dapat dinyatakan bahwa peluang menolak H0 karena

memang H0 salah (power of test) adalah 1 − 𝛽 = 1 − 0.1492 = 0.8508.

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

• Kurva Karakteristik Operasi untuk Uji Hipotesisi 2 Arah, 𝛼 = 0.05.

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