Contoh :
Mencari tinggi (densitas) normal N(0,1) pada titik 0
dnorm(0,mean=0,sd=1)
[1] 0.3989423
#Cara 2
plotDistr(x, dnorm(x), xlab="Z", ylab="p(z)", main="Standard Normal
Density",region=list(c(qnorm(0), qnorm(.025)), c(qnorm(.975),
qnorm(1)))) # same
Aplikasi lain yang berkaitan dengan fungsi distribusi peluang
1. Menghitung p-value atau signifikansi dari suatu uji hipotesis
Contoh 1:
Diketahui bahwa pada Uji Hipotesis Perbedaan Mean satu sampel diperoleh
bahwa Statistik Uji (T_hitung) mengikuti distriburi t dengan derajat bebas (n-1)
Dengan informasi T_hitung yang diperoleh maka kita dapat mencari nilai
P_value atau tingkat signifikansinya.
Misalnya diketahui T_hit = 2.302 dengan pengamatan sebanyak 50 observasi
tentukan nilai p-valuenya:
P_value = P[T > |T_hit|]=1- P[T ¿ |T_hit|]
Sintaksnya:
p_value= 1-pt(abs(T_hit),df=n-1)
atau dalam R dapat ditulis:
#Menghitung p-value uji dua sisi
>2*(1-pt(2.301,49))
[1] 0.02568618
Jika ingin mencetak nilai table peluang kumulatif Normal baku (Tabel Z) untuk
interval dari -3 sampai dengan 0, dengan interval 0.1 maka diperoleh Output:
> tabel.normal_baku(-3,0,0.1)
========================================================
Tabel Normal Baku
========================================================
quantile Peluang Kumulatif
[1,] -3.0 0.001349898
[2,] -2.9 0.001865813
[3,] -2.8 0.002555130
[4,] -2.7 0.003466974
[5,] -2.6 0.004661188
[6,] -2.5 0.006209665
[7,] -2.4 0.008197536
[8,] -2.3 0.010724110
[9,] -2.2 0.013903448
[10,] -2.1 0.017864421
[11,] -2.0 0.022750132
[12,] -1.9 0.028716560
[13,] -1.8 0.035930319
[14,] -1.7 0.044565463
[15,] -1.6 0.054799292
[16,] -1.5 0.066807201
[17,] -1.4 0.080756659
[18,] -1.3 0.096800485
[19,] -1.2 0.115069670
[20,] -1.1 0.135666061
[21,] -1.0 0.158655254
[22,] -0.9 0.184060125
[23,] -0.8 0.211855399
[24,] -0.7 0.241963652
[25,] -0.6 0.274253118
[26,] -0.5 0.308537539
[27,] -0.4 0.344578258
[28,] -0.3 0.382088578
[29,] -0.2 0.420740291
[30,] -0.1 0.460172163
[31,] 0.0 0.500000000
========================================================
Outputnya:
Perhatikan perubahannya:
Semakin tinggi varians maka akan semakin landau kurva Normal nya.
Latihan:
Diketahui output sebuah uji Likelihood Ratio Test untuk menguji kecocokan model
menggunakan statistik uji Chisquare sbb:
Perhatikan pada nilai baris Pearson Chi-Square, berilah kesimpulan dari uji
tersebut dengan menggunakan nilai Tabel Chi-Square dengan alpha 5% dan
buktikan nilai p-value (Sig.). Kemudian berikan ilustrasinya dalam sebuah gambar.
Jawab:
1. Mencari nilai Tabel Chisquare df=4, alpha 5%
Diperoleh bahwa nilai Chisq.hit lebih besar dari Chisq.tabel, sehingga dapat
disimpulkan bahwa H0 ditolak.
2. Bukti p-value
Dengan melihat nilai Sig. juga diperoleh kesimpulan yang sama yaitu H 0 ditolak,
karena Sig.< alpha.
3. Ilustrasi Gambar
x <- seq(0, 20, length.out=1000)
#Daerah Penolakan
plotDistr(x, dchisq(x, df=4), cdf=FALSE, legend=FALSE,xlab="x",
ylab="Density", main=paste("Ilustrasi Uji Chi-Square"),
region=list(c(qchisq(0.95,df=4), qchisq(1,df=4))),col="yellow")
par(new=T)
#luasan p-value
plotDistr(x, dchisq(x, df=4), cdf=FALSE, legend=FALSE,xlab="x",
ylab="Density", region=list(c(16.605, qchisq(1,df=4))),col="red")
Nilai Sig. jauh lebih
kecil dari alpha
Tugas: Dikumpulkan lewat aplikasi kulon.
1. Buatlah Tabel distribusi t, dengan input nilai alpha dan db maksimal yang ingin
ditampilkan. Cetaklah Hasilnya!
2. Buatlah grafik ilustrasi dari output uji hipotesis berikut: berilah kesimpulan dari
uji tersebut dengan menggunakan nilai Tabel t dengan alpha 5% dan buktikan
nilai p-value (Sig. 2 tailed). Kemudian berikan ilustrasinya dalam sebuah
gambar.
Pair 1
SEBELUM - SESUDAH
Paired Differences Mean 2.60
Std. Deviation 3.471
Std. Error Mean
1.097
95% Confidence Interval Lower .12
of the Difference Upper 5.08
t 2.369
df 9
Sig. (2-tailed) .042