St
Σ
istika
at
Supardi
Program Studi Pendidikan
Guru Sekolah Dasar
Universitas Muhammadiyah Palangkaraya
Pengantar
Segala puji bagi Allah, semoga shalawat dan salam selalu tercurah
kepada Nabi Muhammad shollallahu’alaihi wa sallam, kepada keluarga dan
kepada sahabat serta kepada pengikutnya yang lurus hingga hari kiamat.
Buku ajar mata kuliah Statistika ini merupakan kumpulan materi yang
penulis ajarkan selama bertahun-tahun di Fakultas Keguruan dan Ilmu
Pendidikan Universitas Muhammadiyah Palangkaraya.
Keberhasilan penyusunan buku ajar ini tidak terlepas dari bantuan
banyak pihak, khususnya rekan sejawat di Program Studi Agroteknologi. Pener-
bitan buku ajar ini juga tidak terlepas dari peran Universitas Muhammadiyah
Palangka Raya yang telah memberikan kesempatan berupa hibah bahan ajar.
Oleh karena itu, dalam kesempatan ini penulis mengucapkan terimakasih yang
sebesar-besarnya kepada semua pihak tersebut.
Semoga buku ajar ini diridhoi Allah subhanahu wa ta’ala dan dapat
memberikan sumbangan bagi pengajaran mata kuliah Statistika, sehingga men-
jadi amal jariyah bagi semua pihak yang telah turut serta dalam menyelesaikan
bahan ajar ini.
Supardi
i
Daftar Isi
Prakata i
3 Ringkasan Data 15
3.1 Ukuran Kecenderungan Pusat . . . . . . . . . . . . . . . . . . . 15
3.2 Varian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.3 Persentil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.4 Box Plot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.5 Teorema Chebyshev . . . . . . . . . . . . . . . . . . . . . . . . . 24
4 Peluang 26
4.1 Ruang Sampel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.2 Peluang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.3 Peluang Bersyarat . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.4 Prinsip Dasar Perhitungan . . . . . . . . . . . . . . . . . . . . . 37
4.5 Permutasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
ii
4.6 Kombinasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5 Variabel Random 42
5.1 Variabel Random Diskrit . . . . . . . . . . . . . . . . . . . . . . 42
5.2 Nilai Harapan Variabel Random Diskrit . . . . . . . . . . . . . 46
5.3 Variabel Random Kontinu . . . . . . . . . . . . . . . . . . . . . 48
5.4 Variabel Random Bersama . . . . . . . . . . . . . . . . . . . . . 49
7 Teori Sampling 60
8 Estimasi 65
8.1 Interval kepercayaan untuk µ dengan σ diketahui . . . . . . . . 67
8.2 Interval kepercayaan untuk µ dengan σ tidak diketahui . . . . . 68
8.3 Interval kepercayaan untuk σ 2 . . . . . . . . . . . . . . . . . . . 69
8.4 Interval kepercayaan selisih dua mean . . . . . . . . . . . . . . . 71
9 Uji Hipotesis 74
9.1 Uji tentang mean populasi normal . . . . . . . . . . . . . . . . . 77
9.1.1 Uji hipotesis dengan σ 2 diketahui . . . . . . . . . . . . . 77
9.1.2 Uji hipotesis dengan σ 2 tidak diketahui . . . . . . . . . . 80
9.2 Uji kesamaan mean dua populasi . . . . . . . . . . . . . . . . . 82
9.2.1 Varian populasi diketahui . . . . . . . . . . . . . . . . . 82
9.2.2 Varian populasi tidak diketahui . . . . . . . . . . . . . . 83
9.2.3 Varian tidak diketahui dan tidak sama . . . . . . . . . . 86
3
9.3 Uji t berpasangan . . . . . . . . . . . . . . . . . . . . . . . . . . 86
9.4 Uji hipotesi tentang varian populasi normal . . . . . . . . . . . 88
9.5 Uji hipotesis kesamaan varian dua populasi normal . . . . . . . 89
9.6 Uji Goodness of Fit . . . . . . . . . . . . . . . . . . . . . . . . . 91
9.7 Uji Independen . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
Glosarium 114
Indeks 116
Bab 1
1.1 Pengantar
Pengambilan kesimpulan sehari-hari sering didasarkan pada informasi yang
tidak lengkap. Kesimpulan semacam ini tentu mengandung ketidakpastian. Di
dalam statistika, akan dipelajari bagaimana menggali informasi atau membuat
kesimpulan berdasarkan informasi yang tidak lengkap.
1
1.2 Pengumpulan data
Untuk memperoleh data, sering dilakukan pengurukuran terhadap objek yang
diteliti. Variabel adalah karakteristik yang diukur atau diobservasi dari su-
atu objek. Variabel yang dinyatakan dalam bentuk bilangan atau numerik
dinamakan variabel kuantitatif, sedangkan variabel yang dinyatakan
dalam kategori atau kelompok tertentu dinamakan variabel kualitatif.
Sebagai contoh, jika ingin diteliti prestasi belajar siswa suatu kelas, maka
variabelnya dapat berupa nilai hasil belajar. Penelitian tentang tingkat ke-
masaman air di Palangkaraya, variabelnya bisa berupa pH air. Suatu peneli-
tian yang bertujuan untuk mengetahui jenis warna yang disukai anak TK,
variabelnya dapat berupa warna.
Karena alasan tertentu, pengamatan tidak bisa dilakukan pada semua ob-
jek yang diteliti. Oleh karena itu biasanya hanya diambil bagian dari kumpu-
lan semua objek tersebut. Populasi adalah kumpulan semua individu (ob-
jek) yang menjadi perhatian studi. Bagian dari populasi dinamakan sampel.
Banyaknya anggota populasi dinamakan ukuran populasi, dan banyaknya
anggota sampel dinamakan ukuran sampel. Data yang diperoleh dari sam-
pel dinamakan data sampel.
(1) setiap sampel berukuran n memiliki kesempatan yang sama untuk terpilih.
(2) setiap anggota populasi memiliki kesempatan yang sama untuk terpilih.
(2) bunakan tabel, kalkulator atau komputer untuk memilih bilangan random.
Contoh 2. Akan diambil sampel random berukuran 10 dari sebuah kelas yang
memiliki 50 siswa. Langkah-langkahnya adalah:
(1) Beri nomor urut pada setiap anggota kelas mulai nomor 1 sampai dengan
nomor 50.
(2) Gunakan tabel bilangan random, dengan cara: pertama tunjuk sebarang
bilangan pada tabel, kemudian diteruskan dengan menuliskan bilangan
random berikutnya secukupnya. Misal dalam contoh ini diperoleh bilangan
random mulai baris ke-7 dan kolom ke-9:
66 94730 95761 75023 48464 65544 96583 18911
16391 99938 90704 93621 66330 33393 95261
Karena banyaknya sampel merupakan bilangan dua digit, maka bilangan
random di atas dikelompokan menjadi dua digit :
66 94 73 09 57 61 75 02 34 84
64 65 54 49 65 83 18 91 11 63 91
99 93 89 07 04 93 62 16 63 30 33
39 39 52 61
(3) Daftarkan semua anggota kelas yang nomornya sesuai dengan nomor pada
bilangan random yang telah dikelompokan tersbut. Jika ditemui bilangan
yang lebih besar dari 50 maka diabaikan, dan jika diperoleh bilangan ran-
dom yang sudah terpilih sebelumnya, maka diabaikan. Anggota populasi
yang terpilih sebagai anggota sampel adalah yang bernomor:
09 02 34 49 18 11 07 04 16 30 33.
Stratified sampling adalah cara pengambilan sampel dari populasi yang
memiliki strata tertentu. Misalnya, pada populasi mahasiswa UM Palangkaraya,
stratanya dapat berupa lulusan SMA, sudah bekerja dan mahasiswa pindahan.
Pada teknik ini, populasi dibagi minimal dalam dua strata, kemudian pada se-
tiap strata pengambilan sampel dilakukan secara random sampling.
Pada metode sistematik sampling, anggota populasi disusun dengan
urutan tertentu. Kemudian dilakukan pengambilan satu individu secara ran-
dom, dan dilanjutkan dengan mengambil setiap anggota ke k dari sampel.
Pada metode cluster sampling dimulai dengan membagi wilayah men-
jadi beberapa bagian (cluster). Kemudian diambil secara random bagian-
bagian tersebut. Setiap anggota cluster menjadi anggota sampel.
(1) Data nominal merupakan data yang tidak dapat (tidak berkmakna) jika
diurutkan secara aritmetika.
(2) Data ordinal, yaitu data yang bisa diurutkan tetapi tidak dapat (tidak
bermakna) jika dibandingkan.
(3) Data interval, yaitu data yang dapat urutkan dan perbedaan antara
nilai data ada maknanya.
(4) Data rasio, yaitu data yang dapat dirutkan, perbedan antara nilai data
bermakna dan rasio antar nilai data juga bermakna. Pada data rasio nilai
0 merupakan nilai sebenarnya.
Contoh 3. Suatu data berisi informasi nama hewan di suatu kebun binatang:
harimau
jerapah
buaya
unta
Data tersebut termasuk data nominal. Perhatikan bahwa data tersebut hanya
menyatakan nama, jadi jika diurutkan tidak ada artinya.
Suka
Sedang
Tidak suka
Perhatikan bahwa data ini dapat diurutkan, namun selisih antar tingkat ke-
sukaan tidak bermakna.
Contoh 6. Data penghasil 5 orang per bulan (dalam juta rupiah) adalah
sebagai berikut:
No. Urut. Penghasilan
1. 2
2. 4,5
3. 13
4. 0,5
5. 0,0
Sifat data ini dapat urutkan, dapat dikurangkan antar nilai-nilainya dan ni-
lai 0 adalah nilai yang sebenarnya, yaitu tidak punya penghasilan. Dengan
demikian data ini termasuk data rasio.
Bab 2
Penya jian
Data
• Kelas berupa interval bilangan; jadi memiliki batas bawah dan batas
atas.
• Lebar kelas menyatakan selisih antara batas atas dan batas bawah
kelas tersebut.
Nilai data terb esar − Nilai data
Lebar kelas =
terkecil
banyaknya kelas
Contoh 7. Data hasil ujian mata kuliah Statistika 40 mahasiswa berikut akan
disajikan dalam bentuk frekuensi distribusi dengan 6 kelas.:
78 60 45 65 80 95 40 40 46 55
60 76 65 60 55 54 75 84 48 58
68 87 95 54 67 58 87 56 43 56
67 58 78 65 89 85 76 68 64 60
Langkah-langkah membentuk tabel frekuensi adalah sebagai berikut.
(1) Tentukan lebar kelas:
95 −
Lebar kelas = = 9.16,
40
6
dibulatkan menjadi 10.
• ambil nilai data terkecil sebagai batas bawah kelas pertama, dalam
hal ini adalah 40,
(3) Sekarang setiap nilai data dapat dimasukan ke dalam kelas masing-masing.
Untuk menghitung frekuensi setiap kelas dapat menggunakan dengan ban-
tuan tally.
9
Dari langkah-langkah di atas, diperoleh tabel frekuensi sebagai berikut:
2.2 Histogram
Dari tabel frekuensi dapat disajikan bentuk visualnya. Histogram merupakan
cara yang cukup efektif untuk menyajikan data dalam bentuk visual. Pada
histogram:
(1) Simetris, yaitu histogram yang bentuknya (hampir) simetris terhadap su-
atu sumbu.
10
12
10
Frekuensi
8
0
45.5 55.5 65.5 75.5 85.5 95.5
Nilai
(2) Seragam, yaitu histogram yang frekuensi setiap kelasnya sama atau hampir
sama.
(3) Menceng kiri atau menceng kanan, yaitu histogram yang ekornya menju-
lur lebih panjang ke satu sisi. Jika ekornya lebih menjulur kekiri maka
dinamakan menceng kekiri, jika ekornya lebih menjulur kekanan maka di-
namakan menceng kekanan.
(4) Bimodal, yaitu histogram yang memiliki dua kelas dengan frekuensi tertetinngi
yang dipisahkan oleh kelas lainnya.
Gambar 2.4: Menceng kiri Gambar 2.5: Menceng kanan
10
Frekuensi
8
0
65.5 55.5 45.5 75.5 85.5 95.5
Nilai
Tahun ke 0 1 2 3 4 5 6 7 8 9 10
Populasi (ribu) 45 42 33 36 30 31 32 34 35 40 42
45
40
35
30
0 2 4 6 8 10
(1) Bagi digit tiap nilai data menjadi dua bagian. Bagian paling kiri dina-
makan batang dan bagian kanan dinamakan daun.
(2) Susun semua batang secara vertikal mulai dari nilai terkecil hingga nilai
terbesar.
(3) Tuliskan semua daun yang batangnya sama pada baris batang yang sama,
lalu susun daun dengan urutan makin membesar.
Contoh 9. Data nilai ujian Statistika pada Contoh 7 akan disajikan dalam
diagram batang daun. Digit pertama sebagai batang dan digit kedua sebagai
daun. Berdasarkan prosedur di atas diperoleh diagmar berikut.
4 0 0 3 5 6 8
5 4 4 5 5 6 6 8 8
6 0 0 0 0 4 5 5 5 7 7 8 8
7 5 6 6 8 8
8 0 4 5 7 7 9
9 5 5
Bab 3
Ringkasan Data
Selain dengan cara visual, data hasil observasi atau penelitian juga dapat
disajikan dengan membuat ringkasan. Ringkasan data memberikan gambaran
umum mengenai hasil observasi atau penelitian dalam bentuk numerik.
Contoh 10. Data banyaknya anak 10 rumah tangga adalah sebagai berikut:
2 0 2 1 2 3 4 3 2 1.
Berdasarkan data tersebut, rumah tangga dengan 2 anak memiliki frekuensi
paling banyak, oleh karena itu modusnya adalah 2.
(2) jika banyaknya nilai data ganjil, maka median adalah nilai yang posisinya
ditengah,
Contoh 11. Hasil pengukuran tinggi badan 11 mahasiswa (dalam kg) adalah
67 60 70 55 58 76 63 76 81 65 72.
Setelah diurutkan dari nilai data terkecil sampai yang terbesar diperoleh
55 58 60 63 65 67 70 72 76 76 81.
Karena banyaknya nilai data ada 11, maka mediannya adalah nilai yang po-
sisinya ditengah, yaitu nilai ke 6. Dengan demikian mediannya adalah 67.
Contoh 12. Misalkan data pendapatan per bulan 10 orang adalah sebagai
berikut (dalam juta rupiah)
4 4 6 3 5 3 2 5 1 3.
1 2 3 3 3 4 4 5 5 6.
pengamatan dari nilai data ke-1 sampai dengan nilai data ke-n.
7, 8, 6, 7, 6, 8, 7, 9, 6,
7.
Mean memiliki sifat sensitif terhadap nilai data ekstrim, dalam arti bahwa
jika terdapat nilai data yang sangat kecil atau sangat besar, maka mean mudah
berubah secara ekstrim.
1, 3, 2, 4, 3, 100, 3, 4, 2, 4.
Di dalam contoh ini terdapat orang yang penghasilannya 100 juta per bulan.
Mean data ini adalah
1 + 3 + 2 + 4 + 3 + 100 + 3 + 4 + 2 + 4
x¯ = 12.6,
=
10
padahal umumnya ke 10 orang berpenghasilan dibawah 5 juta. Hal ini terjadi
karena ada nilai data yang ekstrim, yaitu 100.
(2) Hapus 5 persen bawah dan 5 persen atas data. Jika 5 persen tersebut
tidak menghasilkan bilangan bulat, bulatkan ke bilangan bulat terdekat.
Contoh 15. Data penghasilan per bulan 20 orang dalam juta rupiah adalah
sebagai berikut
3 2 3 1 4 5 4 6 3 5 4 100 4 5 7 8 4 6 7 6. Untuk
1 2 3 3 3 4 4 4 4 4 5 5 5 6 6 6 7 7 8 100.
Banyaknya nilai data adalah 20, sehingga 5 persen dari 20 adalah 1. Oleh
karena itu dari data yang telah diurutkan, dihilangkan 5 persen (satu nilai
data) bawah dan atas data, sehingga menjadi
2 3 3 3 4 4 4 4 4 5 5 5 6 6 6 7 7 8.
Contoh 16. Berikut adalah data hasil observasi usia mahasiswa pada suatu
kelas
Usia Frekuensi
16 2
17 4
18 7
19 8
20 6
21 3
22 2
Banyaknya observasi adalah
n = 2 + 4 + 7 + 8 + 6 + 3 + 2 = 32.
Dengan demikian mean data tersebut adalah
1 605
x¯ (2 · 16 + 4 · 17 + 7 · 18 + 8 · 19 + 6 · 20 + 3 · 21 + 2 · 22) = = 18.91.
= 32
32
Kadang-kadang nilai data yang akan dicari meannya nilai-nilai datanya
sangat besar. Untuk mempermudah mencari mean data yang nilai-nilainya
sangat besar dapat digunakan transformasi:
yi = xi − c
x¯ = y¯ +
c.
300, 009 299, 999 299, 998 300, 099 300, 008.
yi = xi − 300, 000,
3.2 Varian
Ada beberapa pernyataan yang sering kita dengan, misalnya ”Tingkat pen-
dapatan orang Indonesia sangat bervariasi”, ”Hasil nilai ujian nasional cukup
beragam”, ”Tinggi tanaman padi di sawah sangat seragam”, dan sebagainya.
Ungkapan semacam ini merupakan suatu cara untuk menyatakan kecenderun-
gan perbedaan antara individu.
Range data x1 , x2 , · · · , xn adalah selisih antara nilai data terbesar dan
nilai data terkecil.
5, 6, 4, 7, 8, 7, 10, 6, 7,
4.
• Data A: 5, 3, 4, 6, 2.
1
s2 = (5 − 4)2 + (3 − 4)2 + (4 − 4)2 + (6 − 4)2 + (6 − 4)2 + (2 − 4)2
4
10
= = 2.5,
4
√
dan deviasi standar data A adalah s = 2.5 = 1.58.
1
s2 = (−2 − 4)2 + (−1 − 4)2 + (11 − 4)2 + (4 − 4)2 + (8 − 4)2
4
126
= = 31.5
4
√
dan deviasi standar data B adalah s = 31.5 = 5.61.
3.3 Persentil
Diketahui bilangan p dengan 1 ≤ p ≤ 99. Persentil ke p dari suatu data adalah
suatu nilai sehingga p persen data berada pada atau dibawah nilai tersebut
dan (100 − p) persen data berada pada atau di atas nilai tersebut.
Persentil yang sering digunakan adalah quartil. Quartil adalah persentil
yang membagi data menjadi empat.
21
(1) Quartil pertama dituliskan Q1 , adalah persentil ke 25 .
Jarak antara quartil ketiga dan quartil pertama dinamakan interquartil. Jadi
interquartil = Q3 − Q1 .
Untuk mencari quartil suatu data dapat ditempuk prosedur sebagai berikut:
(1) Urutkan data dari nilai terkecil sampai dengan nilai terbesar
Contoh 20. Data hasil ujian 40 mahasiswa disajikan pada tabel berikut:
78 60 45 65 80 95 40 40 46 55
60 76 65 60 55 54 75 84 48 58
68 87 95 54 67 58 87 56 43 56
67 58 78 65 89 85 76 68 64 60
= 55 + 0.25 = 55.25.
Posisi Q2 = 0.5(40 + 1) = 20.5
nilai ke 20 + nilai ke 21
Q2 =
2
64 + 65
= = 64.5.
2
(2) Q1 ,
(3) median,
(4) Q3 dan
Kelima bilangan dapat digunakan untuk membuat sketsa grafik data yang
dinamakan box plot, yang dapat dibuat dengan prosedur berikut:
(1) Gambarkan sebuah skala vertikal yang dapat mencakup nilai data terkecil
dan nilai data terbesar.
(4) Gambarkan garis vertikal dari Q1 ke nilai data terkecil dan dari Q3 ke nilai
data terbesar.
Contoh 21. Grafik box-plot data hasil ujian 40 mahasiswa pada Contoh 7.
Contoh 22. Jika k = 2 maka setidaknya ada 100(1 − 1/22 ) = 100 · 3/4 =
75 persen data berada di dalam interval x¯ − 2s sampai dengan x¯ + 2s.
5 7 6 8 6 5 4 8 9 9 7 8 5 4 6 7 6 8 6 7.
Dari data tersebut diperoleh: x¯ = 6.55 dan s = 1.5035. Jika diambil k =
3/2,
maka setidaknya ada
2 3
persen data berada di dalam interval 6.55 − 1.5035 sampai dengan 6.55
+
23
1.5035. Dengan kata lain setidaknya 55.55 persen data berada di dalam
interval 4.29475 sampai dengan 8.8052. Dapat diperiksa bahwa nilai data yang
berada di dalam interval tersebut adalah
5 7 6 8 6 5 8 7 8 8 6 7 6 8 7,
yaitu ada 15 (lebih dari 55.55 persen) nilai data yang berada di dalam interval
tersebut.
Bab 4
Peluang
(4) Dua peristiwa E dan F dikatakan salin asing jika E ∩ F = ∅, yakni jika
kedua peristiwa tidak memiliki anggota bersama.
E F E F
E ∪F E ∩F
Ec
E F
E
E ∩F = ∅
Jika E adalah peristiwa terjadinya sisi a tepat satu kali, maka dapat
dituliskan
E = {ag, ga}.
Jika F peristiwa terjadinya sisi gambar setidaknya satu kali, maka dapat dit-
uliskan
F = {ag, ga, gg}.
E ∩ F = {ag, ga}.
E c = {gg, aa}.
Contoh 25. Sebuah dadu dilontarkan satu kali dan diamati banyaknya spot
sisi yang menghadap ke atas. Ruang sampelnya dapat dituliskan
S = {1, 2, 3, 4, 5, 6}.
Peristiwa elementernya adalah {1}, {2}, {3}, {4}, {5} dan {6}.
Jika A peristiwa terjadinya sisi genap dan B peristiwa terjadinya sisi ganjil,
yaitu
A = {2, 4, 6}
B = {1, 3, 5},
Jika E adalah peristiwa terjadinya sisi angka paling banyak satu kali, maka
dapat dituliskan
E = {agg, gag, gga, ggg}.
Jika F adalah peristiwa terjadinya sisi gambar satu kali, maka dapat
dituliskan
Peristiwa E ∪ F adalah peristiwa terjadinya sisi angka paling banyak satu kali
atau peristiwa terjadinya sisi gambar dua kali. Jadi
Contoh 27. Sebuah dadu dilontarkan dua kali. Pasangan (a, b) menyatakan
sisi yang terjadi pada lontaran a dan pada lontaran kedua b. Ruang sampelnya
adalah
S = { (1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6),
(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6),
(3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6),
(4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6),
(5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6),
(6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6,
6)}.
Jika E peristiwa terjadinya jumlah kedua lontaran 10, maka dapat dit-
uliskan
E = {(4, 6), (5, 5), (6, 4)}.
4.2 Peluang
Di dalam suatu percobaan random, akan terjadinya suatu peristiwa tidak da-
pat ditentukan secara pasti. Tingkat kepastian atau ketidakpastian ini diukur
dengan suatu ukuran yang dinamakan peluang (probability).
n
P (E) = .
N
Contoh 29. Sebuah mangkok berisi 5 bola merah dan 4 bola biru. Dari
mangkok tersebut diambil tanpa pilih-pilih sebuah bola. Peluang terambilnya
bola merah adalah
5
P (merah) = ,
9
dan peluang terambilnya bola biru adalah
4
P (biru) = .
9
30
Definisi 7 (Pendekatan frekuensi). Jika setelah diulang N percobaan, den-
gan N besar, suatu peristiwa diketahui terjadi n kali, maka peluang peristiwa
tersebut adalah n/N .
Contoh 30. Jika satu mata uang logam dilontarkan 1000 kali dan diper-
oleh sisi gambar terjadi 512 kali, maka peluang terjadinya sisi gambar adalah
512/1000 = 0.512.
(1) 0 ≤ P (E) ≤ 1.
(2) P (S) = 1.
(3) P (E1 ∪E2 ∪E3 ∪· · · ) = P (E1 )+P (E2 )+P (E3 )+· · · , dengan E1 , E2 , E3 , · ·
·
adalah peristiwa yang saling asing.
Jika P memenuhi ketiga sifat, maka P dinamakan peluang, dan P (E) dina-
makan peluang terjadinya peristiwa E.
Sifat (1) menyatakan bahwa peluang suatu peristiwa adalah suatu nilai
numerik yang besarnya dari 0 hingga 1. Sifat (2) menyatakan bahwa perstiwa
terjadinya ruang sampel adalah pasti, dan sifat (3) menyatakan bahwa peluang
gabungan peristiwa yang saling asing sama dengan jumlah peluang masing-
masing peristiwa.
Peluang merupakan ukuran numerik kemungkinan terjadinya suatu peri-
stiwa. Nilai peluang yang mendekati satu berarti semakin besar kemungkinan
persistiwa tersebut terjadi. Sebaliknya jika peluang suatu peristiwa mendekati
nilai nol, berarti semakin kecil kemungkinan peristiwa tersebut terjadi. Jika
suatu peristiwa memiliki peluang 1 artinya peristiwa tersebut pasti terjadi,
sedangkan jika suatu peristiwa memiliki peluang 0 artinya peristiwa tersebut
tidak mungkin terjadi.
Contoh 31. Frekuensi relatif pada contoh merupakan peluang. Pada kolom
tersebut nilai frekiensi relatif berada pada interval 0 hingga 1, jumlah semua
frekuensi relatif adalah 1 dan frekuensi relatif gabungan kelas interval sama
dengan jumlah frekuensi relatif kelas interval.
Contoh 32. Tiga mata uang dilontarkan satu kali dan diamati sisi yang meng-
hadap ke atas. Ruang sampelnya adalah
1
Dianggap setiap peristiwa elementer memiliki peluang sama, yaitu 8 . Jika
E menyatakan peristiwa terjadinya sisi angka satu kali dan F menyatakan
peristiwa terjadinya sisi gambar paling sedikit dua kali, maka E dan F dapat
dituliskan
(d) P (E ∪ F ) = P (E) + P (F ) − P (E ∩ F
).
Contoh 33. Diketahui S ruang sampel pada Contoh 26. Misalkan peluang se-
1
tiap peristiwa elementer adalah 36 . Jika E = {(1, 1), (2, 1), (2, 2), (4, 1), (5,
1)}
5
dan
3
F = {(1, 2), (2, 2), (3, 2)}, maka P (E) = , P (F ) = dan P (E ∩F ) = 1
36 36 . 36
(a) putih
(b) orange atau merah
30
(a) P (P ) = 80 = 0.375.
15+10
(b) P (O ∪ M ) = 80 = 0.3125.
10+30+25
(d) P (M ∪ P ∪ B) = 80 = 0.8125.
(b) Peluang ia tidak lulus fisika, diketahui ia tidak lulus matematika adalah
P (F ∩ M ) 0.10 2
P (F ∩ M ) = = =
P (M ) 0.25 5
(c) Peluang ia tidak lulus matematika atau tidak lulus fisika adalah
P (E ∩ F ) = P (E) · P (F ). (4.2)
Contoh 38. Satu mata uang logam dilontarkan dua kali. E peristiwa ter-
jadinya sisi a pada lontaran pertama dan F peristiwa terjadinya sisi g pada
lontaran kedua, yaitu
1
P (E ∩ F ) = P (ag) =
4
1 1 1
P (E) · P (F ) = P (aa, ag) · P (ag, gg) = · = ,
2 2 4
sehingga P (∩F ) = P (E) · P (F ), dengan kata lain E dan F adalah peristiwa
yang independen.
Contoh 39. Dua dadu dilontarkan satu kali. A menyatakan peristiwa ter-
jadinya jumlah spot kedua sisi adalah enam dan B menyatakan peristiwa ter-
jadinya spot sisi dadu pertama empat. Diperoleh
1
P (A ∩ B) = P ({4, 2}) =
36
dan
5 ·1 5
P (A) · P (B) = = ,
36 6 216
dan karena P (A∩ B) = P (A)P (B), maka peristiwa A dan B tidak
independen.
Definisi peristiwa independen dapat diperluas untuk lebih dari dua peri-
stiea. Peristiwa E1 , E2 , · · · , En dikatakan independen, jika untuk setiap
bilan- gan asli r ≤ n berlaku
Contoh 41. Ada 5 cara menuju kota B dari kota A dan ada 9 cara menuju
kota C dari kota B. Ada berapa cara menuju kota C dari kota A.
Contoh 42. Suatu kotak berisi 5 bola putih dan 6 bola hitam. Diambil secara
random dua bola. Berapa peluang terambilnya satu bola putih dan satu bola
hitam?
4.5 Permutasi
Diketahui n bilangan bulat positif. Notasi n! dibaca n faktorial, didefnnisikan
sebagai berikut,
n! = 1 · 2 · 3 · · · (n − 2) · (n − 1) · n,
dan 0! = 1.
38
Contoh 43.
2! = 1 · 2 = 2.
4! = 1 · 2 · 3 · 4 = 24.
5! = 1 · 2 · 3 · 4 · 5 = 120.
(b) abc, acd, bda dan bca merupakan permutasi 4 abjad diambil 3 abjad.
4.6 Kombinasi
Kombinasi n objek adalah susunan n objek tanpa memperhatikan urutannya.
Jadi susunan abc dan bac merupakan kombinasi yang sama.
ab ac ad bc bd cd.
n
r
Teorema 6. Banyaknya kombinasi n objek diambil r objek dituliskan ,
adalah
n n!
= . (4.3)
r r!(n − r)!
Contoh 47. Ada berapa kombinasi yang bisa terjadi jika dari abjad-abjad
a, b, c, d dan e diambil 3 abjad?
Contoh 49. Tiga bola lampu diambil secara random dari 15 bola lampu yang
5 diantaranya rusak. Carilah peluang terambilnya :
(a) Ada 15 − 5 = 10 bola lampu yang tidak rusak. Karena itu cara memilih
3 bola lampu tidak rusak ada
10
= 120 cara,
3
sehingga peluangnya adalah
120 24
P (tidak ada yang rusak) = = .
455 91
10
2
(b) Ada 5 bola lampu rusak dan ada = 45 cara memilih dua bola lampu
yang tidak rusak. Dengan demikian ada 5 · 45 = 225 cara memilih 3 bola
lampu dengan satu bola rusak. Oleh karena itu peluangnya adalah
225 45
P (tepat satu rusak) = = .
455 91
(c) Peristiwa sedikitnya satu bola lampu rusak merupakan komplemen peri-
stiwa tidak ada bola lampu yang rusak. Dengan demikian
24 67
P (sedikitnya 1 rusak) = 1 − P (tidak ada bola rusak) = 1 − = .
91 91
Bab 5
Variabel Random
Dalam suatu eksperimen random dapat terjadi peneliti tidak tertarik pada
outcomenya tetapi barangkali lebih tertarik pada nilai numerik yang berkaitan
dengan outcome tersebut. Misalnya dalam percobaan melontarkan tiga mata
uang, mungkin peneliti lebih tertarik untuk mengamati banyaknya suatu sisi
terjadi dari pada mengamati sisi apa saja yang menghadap ke atas.
Contoh 50. Dua mata uang logam dilontarkan satu kali. Jika X menyatakan
banyaknya sisi a terjadi, maka X merupakan variabel random. Nilai variabel
random pada setiap anggota ruang sampel adalah sebegai berikut:
Contoh 51. Tiga mata uang dilontarkan satu kali. Jika variabel random X
menyatakan banyaknya sisi angka terjadi, maka nilai-nilai X adalah
Contoh 52. Dua dadu dilontarkan satu kali. Variabel random X menyatakan
banyaknya jumlah spot kedua sisi yang menghadap ke atas. Nilai-nilai variabel
random X aadalah
0.8
0.6
0.4
0.2
0
0 1 2 3
Banyaknya sisi angka (X )
f (x) = P (X = x).
vari-
abel random X .
f (0) = P (X = 0) = P (ggg) = 8 1
f (1) = P (X = 1) = P (agg, gag, gga) =8
3
f (3) = P (X = 3) = P (aaa) = 8 1
0.2
Peluang (f (x))
0.15
0.1
5 · 10−2
0
2 3 4 5 6 7 8 9 10 11 12
Jumlah kedua sisi dadu (X )
F (0) = P (x ≤ 0) = P (X = 0) = 8 1
F (1) = P (x ≤ 1) = P (X = 0) + P (X = 1) =2 1
7
F (2) = P (x ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2) =8
F (3) = P (x ≤ 3) = P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) = 1
F (2) = P (x ≤ 2) = P (X = 2) = 361
F (3) = P (x ≤ 3) = P (X = 2) + P (X = 3) = 36 3
6
F (4) = P (x ≤ 4) = P (X = 2) + P (X = 3) + P (X = 4) =36
F (5) = P (x ≤ 5) = P (X = 2) + P (X = 3) + P (X = 4) + P (X = 5) =36 10
F (6) = P (x ≤ 6) = P (X = 2) + P (X = 3) + P (X = 4) + P (X = 5) + P (X = 6)
= 15
36
F (7) = P (x ≤ 7) = P (X = 2) + P (X = 3) + P (X = 4) + P (X = 5) + P (X = 6)
21
+P (X = 7) = 36
F (8) = P (x ≤ 8) = P (X = 2) + P (X = 3) + P (X = 4) + P (X = 5) + P (X = 6)
+P (X = 7) + P (X = 8) =
26
36
F (9) = P (x ≤ 9) = P (X = 2) + P (X = 3) + P (X = 4) + P (X = 5) + P (X = 6)
+P (X = 7) + P (X = 8) + P (X = 9) =3630
F (10) = P (x ≤ 10) = P (X = 2) + P (X = 3) + P (X = 4) + P (X = 5) + P (X = 6)
+P (X = 7) + P (X = 8) + P (X = 9) + P (X = 10) =36 33
F (11) = P (x ≤ 11) = P (X = 2) + P (X = 3) + P (X = 4) + P (X = 5) + P (X = 6)
35
+P (X = 7) + P (X = 8) + P (X = 9) + P (X = 10) + P (X = 11) =36
F (12) = P (x ≤ 12) = P (X = 2) + P (X = 3) + P (X = 4) + P (X = 5) + P (X = 6)
+P (X = 7) + P (X = 8) + P (X = 9) + P (X = 10) + P (X = 11) + P (X =
12)
36
= 36
= 1.
Definisi 10. Nilai harapan suatu variabel random diskrit dituliskan E(X ) atau
µ, didefinisikan sebagai berikut
X
µ = E(X ) = xi .P (X = xi
),
Contoh 57. Pada percobaan melontarkan dua mata uang logam sebanyak
satu kali (Contoh 50), diperoleh
1 1 1
P (X = 0) = P (X = 1) = dan P (X = 2) = .
4 2 4
µ = E(X ) = 0 · P (X = 0) + 1 · P (X = 1) + 2 · P (X = 2)
= 0 · 41 + 1 · 21 + 2 ·4 1 = 1.
Definisi 11. Varian variabel random diskrit X ditulis V ar(X ) atau σ 2 adalah
X
σ 2 = V ar(X ) = E((X − µ)2 ) = (xi − µ)2 .P (X = xi
),
√
Kuantitas σ = σ 2 dinamakan deviasi standar.
47
variabel random, semakin basar variabilitasnya. Nilai varian suatu variabel
random adalah 0 jika dan hanya jika variabel random tersebut nilainya tetap.
48
Contoh 58. Varian pada Contoh 50 di atas adalah
dan 3 adalah luas daerah yang dibatasi oleh garis x = 1, garis x = 3, grafis
f (x) = 5 dan sumbu horitontal. Dengan demikian
1
2
P (1 ≤ X ≤ 3) = .
5
1
f (x) = 5
0.2
0 1 3 5 x
1
Distribusi kumulatif di x = 2.5 adalah luas daerah grafis f (x) = 5 , sumbu
horitontal dan daerah di sebelah kiri garis x = 2.5, yaitu
1
F (2.5) = .
2
1
f (x) = 5
0 2.5 5 x
P (X = x, Y = y) = P (X = x) · P (Y = y).
Contoh 60. Tiga batere diambil secara random dari suatu keranjang yang
terdiri dari 3 batere baru, 4 batere bekas tetapi masih berfungsi dan 5 batere
rusak. Jika X dan Y berturut-turut menyatakan banyaknya batere baru dan
batere bekas yang masih berfungsi, maka fungsi peluang bersamanya dapat
ditulis
f (x, y) = P (X = x, Y = y)
5
3
f (0, 0) = P (X = 0, Y = 0) = 12 = 10/220
3
4 5
1 2
f (0, 1) = P (X = 0, Y = 1) =12 =
40/220
3
4 5
2 1
f (0, 2) = P (X = 0, Y = 2) = 12 = 30/220
3
4
3
f (0, 3) = P (X = 0, Y = 3) = 12 = 4/220
3
3 5
1 2
f (1, 0) = P (X = 1, Y = 0) = 12 = 30/220
3
3 4
1 1
f (1, 1) = P (X = 1, Y = 1) = 12 = 60/220
3
3 4
1 2
f (1, 2) = P (X = 1, Y = 2) = 12 = 18/220
3
3 5
2 1
f (2, 0) = P (X = 2, Y = 0) = 12 = 15/220
3
3 4
2 1
f (2, 1) = P (X = 2, Y = 1) = 12 = 12/220
3
3
3
f (3, 0) = P (X = 3, Y = 0) = 12 = 1/220
3
Pada bagian ini akan disampaikan beberapa distribusi peluang variabel ran-
dom diskrit dan kontinyu yang banyak digunakan didalam inferensi statistik.
x n−x
P (X = x) = n p (1 − p) , x = 0, 1, 2, 3, · · · , n.
x (6.1)
x
n
Di dalam fungsi peluang binomial 6.1, notasi menyatakan kombinasi
x objek dari n objek, yaitu
n n!
= , (6.3)
x x!(n − x)!
dengan n! = 1 · 2 · 3 · · · (n − 1) · n dan 0! =
1.
Contoh variabel random berdistribusi binomial adalah melontarkan mata
uang logam, cacat tidaknya suatu produk dan macet tidaknya suatu mesin jet.
Contoh 61. Diketahui peluang rusaknya satu telur asin yang diproduksi suatu
perusahaan memiliki 0.01 dan bersifat independen terhadap telor asin lainnya.
Jika diambil secara random sampel sebanyak 5 telor asin, (a) berapa peluang
telor asin yang rusak sebanyak satu? (b) berapa peluang telor asin yang rusak
paling banyak satu?
5
P (X = 1) = (0.01)1 (1 − 0.01)4 = 0.04803.
1
(b) Peluang telor asin yang rusak paling banyak satu adalah
P (X ≤ 1) = P (X = 0) + P (X = 1)
5 5
= (0.01)0 (1 − 0.01)5 + (0.01)1 (1 − 0.01)4
0 1
= 0.95099 + 0.04803 = 0.99902.
0.4
0.3
0.2
0.1
x
−4 −2 2 4
1
√ e−x
2
Gambar 6.1: Kurva normal standar f (x) =
2π
Φ(x) = P (X ≤ x) (6.5)
Φ(0) = 0.5.
Luas daerah yang dibatasi oleh garis x = 0 dan x = a dengan luas daerah
yang dibatasi x = 0 dan x = −a adalah sama. Dengan demikian berlaku
Φ(−a) = 1 − Φ(a).
−a a
P (a ≤ X ≤ b) = Φ(b) − Φ(a).
a b
2 2 2 2
χ
2 = X + X + X + ···+ X (6.6)
1 2 3 r
0.2
2 4 6 8 10 12 14 x
6.3.2 Distribusi t
Y
T=p (6.7)
Z/r
6.3.3 Distribusi F
X/r1
F = (6.8)
Y /r2
Teori Sampling
Contoh 66. Misalkan variabel random X menyatakan usia bola lampu yang
diproduksi suatu perusahaan yang diasumsikan berdistribusi normal dengan
mean µ dan varian σ 2 yang tidak diketahui. Satu-satunya cara untuk mem-
peroleh informasi tentang µ dan σ 2 adalah dengan melakukan eksperimen
random. Misalkan dilakukan eksperimen dengan mengambil secara random
sebanyak n = 100 bola lampu, dan usia bola lampu yang tercatat adalah
X1 , X2 , X3 , · · · , X100 . Dalam hal ini X1 , X2 , X3 , · · · , X100 merupakan
sampel random yang berasal dari distribusi normal tersebut. Ke 100 bola
lampu terse- but dapat digunakan untuk memperoleh informasi tentang µ dan
σ 2 . Ukuran yang diperoleh dari ke 100 bola lampu tersebut merupakan
statistik, sedangkan
µ dan σ 2 merupakan parameter.
Contoh 67. Suatu eksperimen random telah dilakukan sebanyak 5 kali dan
diperoleh X1 = 3.5, X2 = 3.2, X3 = 3.4, X4 = 3.3 dan X5 = 3.6. Mean
sampelnya adalah
X 5 Xi 3.5 + 3.2 + 3.4 + 3.3 +
X = 3.6
5
= = 3.4,
i=1
5
dan varian sampelnya adalah
X (X − X )2
S2 = 5 i
i=1
5−1
(3.5 − 3.4)2 + (3.2 − 3.4)2 + (3.4 − 3.4)2 + (3.3 − 3.4)2 + (3.6
=
− 3.4)2
4
= 0.025.
√
Dengan demikian deviasi standar sampel adalah S = 0.025 = 0.158.
X−
√ µ
Z =
σ n
adalah
E(S 2 ) = σ 2 .
Z = X−√µ (7.1)
σ/ n
Estimasi
Data sampel dari suatu populasi dapat digunakan untuk mencari informasi
tentang karakter pupulasi. Misalnya, jika mean populasi µ yang tidak dike-
tahui, maka untuk memperoleh informasi tentang parameter µ dapat digu-
nakan mean sampel x¯. Ini berarti statistik x¯ digunakan untuk
mengestimasi (meduga) parameter mean populasi µ. Dalam hal ini x¯
dinamakan estimator (penduga) untuk µ. Secara umum, jika θ parameter
populasi, maka estimator untuk θ ditulis θˆ. Jadi µˆ = x¯.
Estimator titik suatu parameter adalah estimator yang berupa sebuah
nilai tunggal. Sebagai contoh, dalam pernyataan ”rata-rata hasil penguku-
ran kecepatan cahaya adalah 301.000 km/detik”, nilai tersebut adalah suatu
estimator titik.
Definisi 15. Suatu statistik dikatakan estimator tak bias parameter θ jika
nilai harapannya sama dengan θ. Jika tidak demikian maka statisik tersebut
dikatakan bias.
Definisi 16. Suatu estimator θ1 dikatakan lebih efisien dari pada estimator θ2
jika varian θ1 lebih kecil dibanding varian θ2 .
P (L ≤ θ ≤ U ) = 1 − α
adalah benar. Interval
L≤θ≤U (8.1)
66
8.1 Interval kepercayaan untuk µ dengan σ
dike- tahui
Diketahui X1 , X2 , · · · , Xn adalah sampel random dari populasi berdistribusi
normal dengan mean µ dan varian σ 2 . Telah disampaikan bahwa X
merupakan estimator µ. Namun demikian kita tidak dapat memastikan
bahwa X = µ, melainkan kita hanya dapat menyatakan bahwa µ berada di
dalam interval tertentu.
Karena X berdistribusi normal dengan mean µ dan varian σ 2 /n, maka
X−√µ
σ/ n
berdistribusi normal standar. Oleh karena itu
√ (X − = 0.95
P − 1.96 < n < 1.96
µ) σ
atau ekivalen dengan
σ σ
P X − 1.96 √ < µ < X + 1.96 = 0.95
n
√
Interval n
σ σ
X − 1.96 √ , X + 1.96
n
√
n
dinamakan interval kepercayaan 95 persen untuk µ.
Contoh 69. Dari data sampel random berat badan 100 orang dewasa di
Palangka Raya diperoleh x = 67.45 kg dan penelitian sebelumnya menyatakan
67
bahwa σ 2 = 8.6136 kg. Carilah interval kepercayaan 95 persen rata-rata berat
badan orang dewasa di Palangkaraya.
68
Penyelesaian. Berdasarkan yang diketahui, interval kepercayaan 95
persen untuk mean populasi adalah
Ini berarti 95 persen dapat dipercaya bahwa berat badan rata-rata orang de-
wasa di Palangka Raya berada di antara 66.8748 kg sampai dengan 68.0252
kg.
σ σ
X − zα/2 √ , X + zα/2 √ .
n n
Nilai zα/2 untuk beberapa tingkat kepercayaan yang sering digunakan
adalah
x − tα/2,n−1 √S , x + tα/2,n−1 √
S .
n n
S2
P χ21−α/2,n−1 < (n − 1) < χ2α/2,n−1 = 1−α
σ2
atau ekivalen dengan
(n − 1)S 2 !
(n − 1)S 2
P 2 χ2
χ2α/2,n−1 < σ < 1−α/2,n−1 = 1 − α.
Contoh 71. Kapasitas 10 batere diukur dan hasilnya sebagai berikut (dalam
ampere − jam):
140, 136, 150, 144, 148, 152, 138, 141, 143, 151.
(a) Carilah estimasi untuk varian populasi σ 2 , dan (b) hitunglah interval keper-
cayaan 99 persen untuk σ 2 .
n
+ σm2
berdistribusi normal standar. Dengan demikian diperoleh hasil berikut.
Contoh 72. Hasil pengamatan IQ yang diambil dari dua populasi anak yang
tinggal di perkotaan (A) dan di pedesaan (B) adalah sebagai berikut:
Sampel A : 100 104 108 99 115 120 103 112 124 120 110
Sampel B : 121 101 120 98 99 104 104 107 111 123
Jika diketahui varians IQ anak-anak di perkotaan dan pedesaan berturut-
turut adalah 7, 02 dan 6, 8, carilah interval kepercayaan 90 persen selisih rata-
rata kedua kelompok anak.
Penyelesaian. Diketahui n1 = 11, n2 = 10, σ12 = 7.02 dan σ22 = 6.8. Dapat
dihitung bahwa
x¯1 = x¯2 = 108.8
110.45
Karena zα/2 = z0.05 = 1.645, maka interval kepercayaan 90 persen untuk µ1 −µ2
adalah
q q
7.02 6.8 7.02
110.45 − 108.8 − (1.645) 11 + 10 , 110.45 − 108.8 + (1.645) 11 +106.8
= (−0.24, 3.54)
Jika varian kedua populasi tidak diketahui, namun nilainya sama, maka
dapat digunakan varian sampel,
P P
s2x = n−1
1
i (xi −
2 sy2 = 1
m−1 i (yi −
2
Teorema 16. Jika varian kedua populasi tidak diketahui, maka interval keper-
cayaan 100(1 − α) persen untuk µ1 − µ2 adalah
p p
x¯ − y¯ − tα/2, −2 sp 1/n + 1/m, (x¯ − y¯ α/2, n+m−2 sp 1/n + 1/m
n+m
+t
Contoh 73. Jika varian kedua populasi pada contoh 72 tidak diketahui tetapi
dianggap sama, carilah interval kepercayaan 90 persen untuk beda mean kedua
populasi.
= 7.1437,
dan
x¯ − y¯ = 110.45 − 108.8 =
1.65.
yang berarti dapat dipercaya 90 persen bahwa selisih mean IQ antara anak
perkotaan dan anak pedesaan berada di antara -5.4937 dan 8.7937.
Bab 9
Uji Hipotesis
Definisi 17. Uji hipotesis adalah suatu aturan dimana setelah data sampel
diperoleh maka akan menuntun kepada diterima atau ditolaknya suatu hipote-
sis.
Contoh 74. Kita klaim bahwa rata-rata berat badan mahasiswa UM Palangka
Raya adalah 60 kg. Untuk membuktikan benar atau tidaknya klaim terse-
but, maka perlu diuji. Dalam hal ini hipotesis nolnya adalah ”rata-rata berat
badan mahasiswa UM Palangkaraya adalah 60 kg”. Hipotesis alternatifnya
misalnya adalah ”rata-rata berat badan mahasiswa UM Palangkaraya tidak
sama dengan 60 kg”. Hipotesis alternatif lainnya misalnya adalah ”rata-rata
berat badan mahasiswa UM Palangkaraya adalah kurang dari 60 kg”.
H0 : µ = 60
melawan hipotesis
H1 : µ = 60.
X¯ −
µ√
σ/ n
Daerah ini berarti himpotesis nolditolah jika selisih mean populasi dengan 1
melebihi 1.96 dibagi akar dari ukuran sampel.
Karena data yang digunakan untuk menerima atau menolak suatu hipote-
sis adalah data sampel, maka tidak dapat dipastikan apakah hipotesisi terse-
but benar atau salah. Dalam pengambilan kesimpulan, kalaupun ada kesala-
han tentu kita berharap kesalahan tersebut sekecil mungkin. Menolak suatu
pernyataan yang benar tentu merupakan suatu kesalahan. Demikian pula,
menerima suatu pernyataan yang salah tentu merupakan suatu kesalahan.
X − µ0
Z = √
σ/ n
berdistribusi normal standar.
H0 : µ = µ0
melawan hipotesis
H1 : µ = µ0
digunakan aturan
√
terima H0 jika z = n
X − µ0 ≤ zα/2
√σ
n
tolak H0 jika z=
σ X − µ0 > zα/2 .
−zα/2 zα/2
Contoh 75. Akan diuji suatu pernyataan bahwa rata-rata jumlah anak per
KK di Palangkaraya adalah 3. Diambil sampel random berukuran 100 dan
diperoleh rata-rata sampel x = 2.84. Jika diketahui σ = 0.8 akan diuji hipote-
sis tersebut pada tingkat signifikansi α = 0.05. Dalam hal ini hipotesis yang
akan diuji
H0 : µ = 3
melawan hipotesis
H1 : µ = 3.
H0 : µ ≤ µ0
melawan hipotesis
H1 : µ > µ0
digunakan aturan
√
n
terima H0 jika z = X − µ0 ≤ zα
√σ
n
tolak H0 jika z = X − µ0 > zα
σ
H0 : µ ≥ µ0
melawan hipotesis
H1 : µ < µ0
digunakan aturan
√
n
terima H0 jika z = X − µ0 ≥ −zα
√σ
n
tolak H0 jika z = X − µ0 < −zα
σ
Contoh 76. Semua rokok yang beredar di pasaran mengandung nikotin pal-
ing sedikit 1.6 mg per batang rokok. Suatu perusahaan rokok mengklaim
dengan suatu metode tertentu dapat menurunkan kadar nikotin kurang dari
1.6 mg per batang rokok. Untuk menguji klaim tersebut, sampel berukuran
20 dari perusahaan tersebut dianalisis. Diketahui devisi standar nikotin pada
rokok adalah 0.8 mg. Jika rata-rata nikotin ke 20 rokok pada sampel tersebut
adalah 1.54, apakah klaim perusahaan tersebut dapat diterima pada tingkat
signifikansi 5 persen?
Dalam situasi yang lebih umum, mean populasi µ dan varian populasi σ 2
biasanya tidak diketahui.
H0 : µ = µ0
melawan hipotesis
H1 : µ = µ0
digunakan aturan
√
n
terima H0 jika t = X − µ0 ≤ tα/2,n−1
√S
n
tolak H0 jika t =
S X − µ0 > tα/2,n−1
80
340 344 362 375
356 386 354 364
332 402 340 355
362 322 372 324
318 360 338 370
Berdasarkan data sampel tersebut, apakah klaim pemerintah dapat diterima
pada tingkat signifikansi 10 persen?
Uji hipotesis satu sisi untuk varian populasi σ tidak diketahui diberikan
dalam aturan-aturan berikut.
H0 : µ ≤ µ0
melawan hipotesis
H1 : µ > µ0
digunakan aturan
√
terima H0 jika t = n X − µ0 ≤ tα,n−1
√S
n
tolak H0 jika t = X − µ0 > tα,n−1
S
dimana S 2 adalah varian sampel dan n ukuran sampel.
81
Demikian pula uji hipotesis satu sisi:
Aturan 6.
H0 : µ ≥ µ0
melawan hipotesis
H1 : µ < µ0
digunakan aturan
√
n
terima H0 jika t = X − µ0 ≥ −tα,n−1
S
√
n
tolak H0 jika t = X − µ0 < −tα,n−1
S
dimana S 2 adalah varian sampel dan n ukuran sampel.
H0 : µx = µy
melawan hipotesis
H1 : µx = µy
(X − Y ) − (µx −
µ )
q y 2
σ2x σ
n
+ my
melawan hipotesis
H1 : µx = µy
X − Y
tolak H0 jika z =q > zα/2 .
σx2 σ2
n
+ my
H0 : µx = µy
melawan hipotesis
H1 : µx = µy
1 1
S2
berdistibusi t dengan dejarat bebas n + m − 2, dengan
(n − 1)S2x + (m − 1)S2 y
Sp2 = .
n+m−2
Oleh karen itu jika H0 benar, yakni jika µx − µy = 0, maka statistik
X − Y
t= q
p n + m
1 1
S2
berdistribusi t dengan dejarat bebas n + m − 2.
Aturan 8. (σ 2x dan σy2 sama dan tidak diketahui) Untuk menguji
H0 : µx = µy
melawan hipotesis
H1 : µx = µy
|X − Y |
tolak H jika |t| = q > tα/2,n+m−2
0
p n
+ m
1 1
S2
Contoh 78. Dua puluh lima pria sebuah institusi dipilih secara random dan
diamati tekanan darah sistoliknya. Dari 25 pria tersebut tercatat 11 perokok
dan 14 bukan perokok, dan hasil pengamatan tekanan tersebut adalah sebagai
berikut:
H0 : µx = µy
melawan hipotesis
H1 : µx = µy .
Karena kedua sampel diambil dari sebuah institusi, maka varian populasi di-
anggap sama. Kita gunakan indeks x menyatakan prokok dan indeks y bukan
perokok. Berdasarkan data tersebut diperoleh
Karena t0.025,23 = 2.069 (yang berarti t0.025,23 < |t|), maka H0 ditolak,
yang berarti bahwa rata-rata tekanan sistolik antara perokok dan bukan per-
okok berbeda pada tingkat signifikansi 5 persen.
Karena t0.005,23 = 2.807 (yang berarti t0.005,23 > |t|), maka H0 diterima,
dengan kata lain rata-rata tekanan sistolik antara perokok dengan bukan per-
okok tidak berbeda pada tingkat signifikansi 1 persen.
Dimisalkan varian populasi σx2 dan σy2 tidak diketahui dan tidak sama. Karena
S 2x adalah estimator untuk σx2 dan Sy2 estimator untuk σy2 maka uji hipotesis
H0 : µx = µy melawan H1 : µx = µy
bisa didasarkan pada statistik
X − Y
t= q 2
Sx S2
n
+ m
y
Jika n dan m cukup besar, maka t akan mendekati distribusi normal standar.
Aturan 9. (σ 2x dan σy2 tidak sama dan tidak diketahui) Untuk n dan m besar
X − Y
terima H0 jika |t| = q ≤ zα/2
Sx2 S2
n
+ my
X − Y
tolak H0 jika |t| = q > zα/2
Sx2 S2
n
+ my
(Xi , Yi ), i = 1, 2, · · · ,
n
H0 : µw = 0 melawan H1 : µw = 0
√
terima H0 jika − tα/2, n−1 < n · SW
w
< tα/2, n−1
tolah H0 untuk yang lainnya
Contoh 79. Ingin diketahui apakah ada perbedaan hasil pengukuran berat
benda antara necara o-haus dan neraca pegas. Untuk itu diambil 8 sam-
pel benda dan timbang dengan kedua neraca. Misalkan hasil pengukurannya
(dalam newton) adalah sebagai berikut.
No. Objek 1 2 3 4 5 6 7 8
Neraca Ohaus 3.2 4.5 5.3 9.6 4.6 8.0 7.3 2.2
Necara pegas 3.1 4.6 5.1 9.5 4.7 8.1 7.1 2.0
No. Objek 1 2 3 4 5 6 7 8
wi 0.1 -0.1 0.2 0.1 -0.1 -0.1 0.2 0.2
Dapat dihitung bahwa mean selisih kedua hasil pengukuran adalah w¯ =
0.0625 dan deviasi standarnya adalah sw = 0.1408. Selanjutnya, karena n = 8,
maka
√ 0.0625
√ w = 8 = 1.2555
n sw 0.1408
dan tα/2, n−1 = t0.025, 7 = 2.3646. Karena
√W
−tα/2, n−1 < n < tα/2, n−1
Sw
maka H0 diterima, yang berarti bahwa tidak ada perbedaan hasil pengukuran
kedua jenis alat pada tingkat signifikansi 5 persen.
H1 : σ 2 = σ02
H0 : σ 2 = σ02
H0 : σ 2 = σ02
digunakan aturan
2 2
terima H0 jika χ1−α/2,n−1 ≤ (n−1)S ≤ χ2α/2,n−1
σ02
tolak H0 untuk lainnya
Contoh 80. Ingin diketahui apakah varian kadar paracetamol suatu jenis obat
tidak melebihi batas yang diijinkan pihak berwenang. Misalkan kadar yang
ijinkan adalah memiliki varian 40 mg. Suatu sampel 12 obat diukur kadar
paracetamolnya dan hasilnya adalah sebagai berikut (dalam mg).
512 532 502 510 508 502 505 511 510 507 509 512
(n − 1)S 2 (12 − 1)
σ2 (60)
= = 16.5
0 40
Karena χ2 ≤ (n−1)S
2
≤ χ20.05,11 , maka H0 diterima. Ini berarti pada tingkat
0.95,11 σ02
n
1X
Sx2 = ¯ )2
(Xi − X
n−1 i
m
1X
Sy2 = ¯ )2 .
(Yi − Y
m−1 i
Contoh 81. Ingin diketahui apakah ada perbedaan variabilitas hasil panen
padi lokal dengan padi unggul nasional pada tingkat signifikansi 5 persen. Su-
atu sampel padi lokal berukuran 10 dan sampel padi unggul nasional berukuan
13 diambil. Hasil pengamatan (dalam ton per hektar) adalah sebagai berikut.
Padi lokal 1.5 2.3 2.5 1.9 3.0 2.5 1.7 1.8 2.0 2.3
Padi unggul nasional 3.9 4.0 4.2 4.1 4.0 3.8 3.9 4.3 4.5 4.4
3.8 3.9 4.0
Penyelesaian. Berdasarkan data di atas diperoleh
Dapat dicari dengan aplikasi Excell bahwa F0.975,9,12 = 0.26 dan F0.025,9,12 =
4.44, yang berarti H0 ditolak. Dengan demikian disimpulkan terdapat perbe-
daan variabilitas produktivitas kedua jenis padi.
Peristiwa E1 E2 ··· Ek
Frekuensi observasi x1 x2 ··· xk
Frekuensi harapan np1 np2 ··· npk
Aturan 13. Untuk menguji apakah nilai observasi menyimpang terhadap nilai
harapan digunakan aturan sebagai berikut.
(X1 − np12
χ2 = + (X2 − (Xk − npk )
) 2 (9.1)
np2 )2 + ···+
np1 np2 npk
terima H0 jika χ2 < χα,k−1
2
Contoh 82. Satu dadu dilontarkan 120 kali. Hasil observasi dan nilai harapan
setiap sisi dinyatakan dalam tabl berikut.
Sisi 1 2 3 4 5 6
Nilai observasi 22 23 18 19 21 17
Nilai harapan 20 20 20 20 20 20
Jika dadu tersebut seimbang, tentu peneliti berharap setiap sisi memiliki
peluang 1/6. Dengan demikian dalam 120 lontaran, setiap sisi diharapkan
1
terjadi 6 120 = 20 kali. Namun berdasarkan hasil observasi, ternyata
tidak semua sisi terjadi 20 kali. Apakah ini berarti dadu tersebut tidak
seimbang?
Untuk mengetahuinya kita gunakan uji chi-square.
(22−20)2 (23−20) (18−20) (19−20) (21−20) 2
χ2 = 20 + 2 2 2 2
(17−20)
20
= 1.4. 20
+ 20
+ 20
+ 20
+
2
Berdasarkan tabel, χ0.05,5 = 11.070. Karena nilai yang dihitung χ2 < χ20.05,5
maka hipotesis nol diterima, dengan kata lain tidak cukup bukti untuk men-
gatakan bahwa dadu tidak seimbang.
Pij = P (X = i, Y = j)
Misalkan kita ingin menguji hipotsis bahwa anggota populasi dengan sifat X
dan Y independen, yaitu
H0 : pij = pi qj
melawan hipotesis
H1 : pij = pi qj
Ni
pˆi =
n, i = 1, 2, · · · , r.
Mj
qˆi = , j = 1, 2, · · · , s.
n
Jika H0 benar, maka
E(Nij ) = npi qj
dan
Xs X
r
(Nij − npˆ2i qˆj )
T=
npˆi
j=1 i=1
qˆj
berdistribusi chi-square dengan derajat bebas (r − 1)(s − 1). Oleh karena itu
diperoleh aturan berikut.
H0 : pij = pi qj
melawan hipotesis
H1 : pij = pi qj
digunakan aturan
Xs X
r
(Nij − npˆ2i qˆj )
T=
npˆi
j=1 i=1
qˆj
2
terima H0 jika T ≥ χα,(r−1)(s−1)
tolak H0 untuk lainnya
Contoh 83. Untuk mengetahui apakah keputusan menolak atau menerima
kenaikan BBM independen terhadap tingkat pendapatan masyarakat, diambil
sampel random berukuran 200 orang. Hasil observasi diberikan dalam tabel
berikut (dinamakan tabel contingency).
qˆ2 = 67
200
= 0.335
59
= 0.295
qˆ3 = 200
= 2.5415.
2
Karena (r − 1)(s− 1) = 2 dan χ0.05,2 = 5.911, maka H0 terima, yakni keputusan
untuk menerima atau menolak kenaikan BBM adalah independen.
Bab 10
Contoh 84. Hasil 10 observasi temperatur gas (X ) dan tekanan gas (Y ) diper-
oleh data berikut.
Observasi ke Temperatur (◦ C ) Tekanan (atm)
1 60 2.3
2 70 2.5
3 80 2.6
4 90 3.3
5 100 3.8
6 110 3.9
7 120 4.2
8 130 4.4
9 140 4.5
10 150 4.7
4.5
3.5
2.5
Yˆ = α +
βX.
Tentu peneliti menginginkan agar garis lurus tersebut dapat mewakili titik-
titik pada diagram pencar tersebut. Garis ini tentu tidak bisa melewati semua
titik-titik pada diagam pencar tersebut. Oleh karena itu akan ada deviasi
antara titik-titik pada diagram dengan titik-titik pada garis tersebut.
Dalam hal yang lebih umum, misalkan peneliti telah melakukan n per-
cobaan yang datanya adalah sebagai berikut.
Observasi ke X Y
1 X1 Y1
2 X2 Y2
. . .
n Xn Yn .
Model regresi linear sederhana dapat dituliskan dengan
Yi = α + βXi + i
(10.1)
dengan:
Yi nilai variabel respon observasi ke i
α dan β adalah parameter
Xi nilai variabel bebas observasi ke i
i dinaman kesalahan random yang diasumsikan berdistribusi normal
dengan nilai harapan 0 dan varian σ 2
i = 1, 2, · · · , n.
(10.2)
αˆ = Y −
βˆX .
βˆ =118500−10×1052 = 0.0287
4038−105×36.2
Oleh karena itu hubungan antara temperatur X dan tekanan Y dapat diny-
atakan dengan persamaan linear
Yˆ = 0.6036 +
0.0287X.
E(βˆ) = β
(10.3)
E(αˆ) = α
2
i
2σ
P 2
xi (10.4)
V ar(αˆ) =n( x2 −nx¯
P
2
i
)
SSR = σ2
E
(n − 2)
SS R
yang berarti (n−2) merupakan estimator tak bias untuk parameter σ 2 .
y = α + βx + e
H0 : β = 0 melawan H1 : β = 0
X
n
Syy = (Yi − Y¯ )2
(10.7)
i=1
Karena variasi yang sebabkan oleh faktor kesalahan random adalah SSR,
maka variasi yang disebabkan oleh variabel penjelas X = variasi Y - variasi
oleh kesalahan random.
Perhatikan bahwa 0 ≤ Syy − SSR ≤ Syy . Oleh karena itu nilai koefisien
determinasi memenuhi
0 ≤ R2 ≤ 1.
−1 ≤ r ≤ 1
= R2 ,
yakni
√
|r| = R2
Ini berarti nilai absolut koefisien korelasi sama dengan akar dua koefisien de-
terminasi. Tanda r sama dengan tanda koefisien βˆ didalam persamaan
regresi.
Daftar Pustaka
[1] Brase, C.H., and Brase, C.P., Understanding Basic Statistics., 4th ed.,
Houghton Mifflin Company, New York, 2007.
[2] Dekking, F .M., Kraaikamp, C., Lopuhaa, H.P., and Meester, L.E., A
Modern Introduction to Probability and Statistics, Springer-Verlag London
Limited, 2005.
[4] Hogg, R.V., and Craig, A.T., Introduction to Mathematical Statistics., 3rd
ed., Macmillan Publishing Co Inc., New York, 1970.
[5] Ross, S.M., Probability and Statistics for Engineer and Scientits., 3rd ed.,
Elsevier Academic Press, USA, 2004.
Lampiran Tabel
Tabel I. Distribusi Normal Standar
Kuantitas-kuantitas di dalam tabel adalah P (X ≤ x) = Φ(x)
x Φ(x) x Φ(x) x Φ(x) x Φ(x)
0.00 0.5000 0.31 0.6217 0.62 0.7324 0.93 0.8238
0.01 0.5040 0.32 0.6255 0.63 0.7357 0.94 0.8264
0.02 0.5080 0.33 0.6293 0.64 0.7389 0.95 0.8289
0.03 0.5120 0.34 0.6331 0.65 0.7422 0.96 0.8315
0.04 0.5160 0.35 0.6368 0.66 0.7454 0.97 0.8340
0.05 0.5199 0.36 0.6406 0.67 0.7486 0.98 0.8365
0.06 0.5239 0.37 0.6443 0.68 0.7517 0.99 0.8389
0.07 0.5279 0.38 0.6480 0.69 0.7549 1.00 0.8413
0.08 0.5319 0.39 0.6517 0.70 0.7580 1.01 0.8438
0.09 0.5359 0.40 0.6554 0.71 0.7611 1.02 0.8461
0.10 0.5398 0.41 0.6591 0.72 0.7642 1.03 0.8485
0.11 0.5438 0.42 0.6628 0.73 0.7673 1.04 0.8508
0.12 0.5478 0.43 0.6664 0.74 0.7704 1.05 0.8531
0.13 0.5517 0.44 0.6700 0.75 0.7734 1.06 0.8554
0.14 0.5557 0.45 0.6736 0.76 0.7764 1.07 0.8577
0.15 0.5596 0.46 0.6772 0.77 0.7794 1.08 0.8599
0.16 0.5636 0.47 0.6808 0.78 0.7823 1.09 0.8621
0.17 0.5675 0.48 0.6844 0.79 0.7852 1.10 0.8643
0.18 0.5714 0.49 0.6879 0.80 0.7881 1.11 0.8665
0.19 0.5753 0.50 0.6915 0.81 0.7910 1.12 0.8686
0.20 0.5793 0.51 0.6950 0.82 0.7939 1.13 0.8708
0.21 0.5832 0.52 0.6985 0.83 0.7967 1.14 0.8729
0.22 0.5871 0.53 0.7019 0.84 0.7995 1.15 0.8749
0.23 0.5910 0.54 0.7054 0.85 0.8023 1.16 0.8770
0.24 0.5948 0.55 0.7088 0.86 0.8051 1.17 0.8790
0.25 0.5987 0.56 0.7123 0.87 0.8078 1.18 0.8810
0.26 0.6026 0.57 0.7157 0.88 0.8106 1.19 0.8830
0.27 0.6064 0.58 0.7190 0.89 0.8133 1.20 0.8849
0.28 0.6103 0.59 0.7224 0.90 0.8159 1.21 0.8869
0.29 0.6141 0.60 0.7257 0.91 0.8186 1.22 0.8888
0.30 0.6179 0.61 0.7291 0.92 0.8212 1.23 0.8907
Lanjutan Tabel I. Distribusi Normal Standar
x Φ(x) x Φ(x) x Φ(x) x Φ(x)
1.24 0.8925 1.55 0.9394 1.86 0.9686 2.17 0.9850
1.25 0.8944 1.56 0.9406 1.87 0.9693 2.18 0.9854
1.26 0.8962 1.57 0.9418 1.88 0.9699 2.19 0.9857
1.27 0.8980 1.58 0.9429 1.89 0.9706 2.20 0.9861
1.28 0.8997 1.59 0.9441 1.90 0.9713 2.21 0.9864
1.29 0.9015 1.6 0.9452 1.91 0.9719 2.22 0.9868
1.30 0.9032 1.61 0.9463 1.92 0.9726 2.23 0.9871
1.31 0.9049 1.62 0.9474 1.93 0.9732 2.24 0.9875
1.32 0.9066 1.63 0.9484 1.94 0.9738 2.25 0.9878
1.33 0.9082 1.64 0.9495 1.95 0.9744 2.26 0.9881
1.34 0.9099 1.65 0.9505 1.96 0.9750 2.27 0.9884
1.35 0.9115 1.66 0.9515 1.97 0.9756 2.28 0.9887
1.36 0.9131 1.67 0.9525 1.98 0.9761 2.29 0.9890
1.37 0.9147 1.68 0.9535 1.99 0.9767 2.30 0.9893
1.38 0.9162 1.69 0.9545 2.00 0.9772 2.31 0.9896
1.39 0.9177 1.70 0.9554 2.01 0.9778 2.32 0.9898
1.40 0.9192 1.71 0.9564 2.02 0.9783 2.33 0.9901
1.41 0.9207 1.72 0.9573 2.03 0.9788 2.34 0.9904
1.42 0.9222 1.73 0.9582 2.04 0.9793 2.35 0.9906
1.43 0.9236 1.74 0.9591 2.05 0.9798 2.36 0.9909
1.44 0.9251 1.75 0.9599 2.06 0.9803 2.37 0.9911
1.45 0.9265 1.76 0.9608 2.07 0.9808 2.38 0.9913
1.46 0.9279 1.77 0.9616 2.08 0.9812 2.39 0.9916
1.47 0.9292 1.78 0.9625 2.09 0.9817 2.40 0.9918
1.48 0.9306 1.79 0.9633 2.10 0.9821 2.41 0.9920
1.49 0.9319 1.8 0.9641 2.11 0.9826 2.42 0.9922
1.50 0.9332 1.81 0.9649 2.12 0.9830 2.43 0.9925
1.51 0.9345 1.82 0.9656 2.13 0.9834 2.44 0.9927
1.52 0.9357 1.83 0.9664 2.14 0.9838 2.45 0.9929
1.53 0.9370 1.84 0.9671 2.15 0.9842 2.46 0.9931
1.54 0.9382 1.85 0.9678 2.16 0.9846 2.47 0.9932
Lanjutan Tabel I. Distribusi Normal Standar
x Φ(x) x Φ(x) x Φ(x) x Φ(x)
2.48 0.9934 2.79 0.9974 3.1 0.9990 3.41 0.9997
2.49 0.9936 2.80 0.9974 3.11 0.9991 3.42 0.9997
2.50 0.9938 2.81 0.9975 3.12 0.9991 3.43 0.9997
2.51 0.9940 2.82 0.9976 3.13 0.9991 3.44 0.9997
2.52 0.9941 2.83 0.9977 3.14 0.9992 3.45 0.9997
2.53 0.9943 2.84 0.9977 3.15 0.9992 3.46 0.9997
2.54 0.9945 2.85 0.9978 3.16 0.9992 3.47 0.9997
2.55 0.9946 2.86 0.9979 3.17 0.9992 3.48 0.9997
2.56 0.9948 2.87 0.9979 3.18 0.9993 3.49 0.9998
2.57 0.9949 2.88 0.9980 3.19 0.9993 3.50 0.9998
2.58 0.9951 2.89 0.9981 3.20 0.9993 3.51 0.9998
2.59 0.9952 2.90 0.9981 3.21 0.9993 3.52 0.9998
2.60 0.9953 2.91 0.9982 3.22 0.9994 3.53 0.9998
2.61 0.9955 2.92 0.9982 3.23 0.9994 3.54 0.9998
2.62 0.9956 2.93 0.9983 3.24 0.9994 3.55 0.9998
2.63 0.9957 2.94 0.9984 3.25 0.9994 3.56 0.9998
2.64 0.9959 2.95 0.9984 3.26 0.9994 3.57 0.9998
2.65 0.9960 2.96 0.9985 3.27 0.9995 3.58 0.9998
2.66 0.9961 2.97 0.9985 3.28 0.9995 3.59 0.9998
2.67 0.9962 2.98 0.9986 3.29 0.9995 3.60 0.9998
2.68 0.9963 2.99 0.9986 3.3 0.9995 3.61 0.9998
2.69 0.9964 3.00 0.9987 3.31 0.9995 3.62 0.9999
2.70 0.9965 3.01 0.9987 3.32 0.9995 3.63 0.9999
2.71 0.9966 3.02 0.9987 3.33 0.9996 3.64 0.9999
2.72 0.9967 3.03 0.9988 3.34 0.9996 3.65 0.9999
2.73 0.9968 3.04 0.9988 3.35 0.9996 3.66 0.9999
2.74 0.9969 3.05 0.9989 3.36 0.9996 3.67 0.9999
2.75 0.9970 3.06 0.9989 3.37 0.9996 3.68 0.9999
2.76 0.9971 3.07 0.9989 3.38 0.9996 3.69 0.9999
2.77 0.9972 3.08 0.9990 3.39 0.9997 3.70 0.9999
2.78 0.9973 3.09 0.9990 3.40 0.9997 3.71 0.9999
Tabel II. Distribusil Chi-Square
Kuantitas-kuantitas dalam tabel adalah bilangan x sehingga P (χ2 ≤ x) = λ
λ
r 0.99 0.975 0.95 0.05 0.025 0.01
1 6.6349 5.0239 3.8415 0.0039 0.0010 0.0002
2 9.2103 7.3778 5.9915 0.1026 0.0506 0.0201
3 11.3449 9.3484 7.8147 0.3518 0.2158 0.1148
4 13.2767 11.1433 9.4877 0.7107 0.4844 0.2971
5 15.0863 12.8325 11.0705 1.1455 0.8312 0.5543
6 16.8119 14.4494 12.5916 1.6354 1.2373 0.8721
7 18.4753 16.0128 14.0671 2.1673 1.6899 1.2390
8 20.0902 17.5345 15.5073 2.7326 2.1797 1.6465
9 21.6660 19.0228 16.9190 3.3251 2.7004 2.0879
10 23.2093 20.4832 18.3070 3.9403 3.2470 2.5582
11 24.7250 21.9200 19.6751 4.5748 3.8157 3.0535
12 26.2170 23.3367 21.0261 5.2260 4.4038 3.5706
13 27.6882 24.7356 22.3620 5.8919 5.0088 4.1069
14 29.1412 26.1189 23.6848 6.5706 5.6287 4.6604
15 30.5779 27.4884 24.9958 7.2609 6.2621 5.2293
16 31.9999 28.8454 26.2962 7.9616 6.9077 5.8122
17 33.4087 30.1910 27.5871 8.6718 7.5642 6.4078
18 34.8053 31.5264 28.8693 9.3905 8.2307 7.0149
19 36.1909 32.8523 30.1435 10.1170 8.9065 7.6327
20 37.5662 34.1696 31.4104 10.8508 9.5908 8.2604
21 38.9322 35.4789 32.6706 11.5913 10.2829 8.8972
22 40.2894 36.7807 33.9244 12.3380 10.9823 9.5425
23 41.6384 38.0756 35.1725 13.0905 11.6886 10.1957
24 42.9798 39.3641 36.4150 13.8484 12.4012 10.8564
25 44.3141 40.6465 37.6525 14.6114 13.1197 11.5240
26 45.6417 41.9232 38.8851 15.3792 13.8439 12.1981
27 46.9629 43.1945 40.1133 16.1514 14.5734 12.8785
28 48.2782 44.4608 41.3371 16.9279 15.3079 13.5647
29 49.5879 45.7223 42.5570 17.7084 16.0471 14.2565
30 50.8922 46.9792 43.7730 18.4927 16.7908 14.9535
Tabel III. Distribusi t-Student’s
Kuantitas-kuantitas dalam tabel adalah bilangan x sehingga P (tr ≤ x) = λ
λ
r 0.9 0.95 0.975 0.99 0.995
1 3.0777 6.3138 12.7062 31.8205 63.6567
2 1.8856 2.9200 4.3027 6.9646 9.9248
3 1.6377 2.3534 3.1824 4.5407 5.8409
4 1.5332 2.1318 2.7764 3.7469 4.6041
5 1.4759 2.0150 2.5706 3.3649 4.0321
6 1.4398 1.9432 2.4469 3.1427 3.7074
7 1.4149 1.8946 2.3646 2.9980 3.4995
8 1.3968 1.8595 2.3060 2.8965 3.3554
9 1.3830 1.8331 2.2622 2.8214 3.2498
10 1.3722 1.8125 2.2281 2.7638 3.1693
11 1.3634 1.7959 2.2010 2.7181 3.1058
12 1.3562 1.7823 2.1788 2.6810 3.0545
13 1.3502 1.7709 2.1604 2.6503 3.0123
14 1.3450 1.7613 2.1448 2.6245 2.9768
15 1.3406 1.7531 2.1314 2.6025 2.9467
16 1.3368 1.7459 2.1199 2.5835 2.9208
17 1.3334 1.7396 2.1098 2.5669 2.8982
18 1.3304 1.7341 2.1009 2.5524 2.8784
19 1.3277 1.7291 2.0930 2.5395 2.8609
20 1.3253 1.7247 2.0860 2.5280 2.8453
21 1.3232 1.7207 2.0796 2.5176 2.8314
22 1.3212 1.7171 2.0739 2.5083 2.8188
23 1.3195 1.7139 2.0687 2.4999 2.8073
24 1.3178 1.7109 2.0639 2.4922 2.7969
25 1.3163 1.7081 2.0595 2.4851 2.7874
26 1.3150 1.7056 2.0555 2.4786 2.7787
27 1.3137 1.7033 2.0518 2.4727 2.7707
28 1.3125 1.7011 2.0484 2.4671 2.7633
29 1.3114 1.6991 2.0452 2.4620 2.7564
30 1.3104 1.6973 2.0423 2.4573 2.7500
Lanjutan Tabel III. Distribusi t-Student’s
λ
r 0.9 0.95 0.975 0.99 0.995
31 1.3095 1.6955 2.0395 2.4528 2.7440
32 1.3086 1.6939 2.0369 2.4487 2.7385
33 1.3077 1.6924 2.0345 2.4448 2.7333
34 1.3070 1.6909 2.0322 2.4411 2.7284
35 1.3062 1.6896 2.0301 2.4377 2.7238
36 1.3055 1.6883 2.0281 2.4345 2.7195
37 1.3049 1.6871 2.0262 2.4314 2.7154
38 1.3042 1.6860 2.0244 2.4286 2.7116
39 1.3036 1.6849 2.0227 2.4258 2.7079
40 1.3031 1.6839 2.0211 2.4233 2.7045
41 1.3025 1.6829 2.0195 2.4208 2.7012
42 1.3020 1.6820 2.0181 2.4185 2.6981
43 1.3016 1.6811 2.0167 2.4163 2.6951
44 1.3011 1.6802 2.0154 2.4141 2.6923
45 1.3006 1.6794 2.0141 2.4121 2.6896
46 1.3002 1.6787 2.0129 2.4102 2.6870
47 1.2998 1.6779 2.0117 2.4083 2.6846
48 1.2994 1.6772 2.0106 2.4066 2.6822
49 1.2991 1.6766 2.0096 2.4049 2.6800
50 1.2987 1.6759 2.0086 2.4033 2.6778
51 1.2984 1.6753 2.0076 2.4017 2.6757
52 1.2980 1.6747 2.0066 2.4002 2.6737
53 1.2977 1.6741 2.0057 2.3988 2.6718
54 1.2974 1.6736 2.0049 2.3974 2.6700
55 1.2971 1.6730 2.0040 2.3961 2.6682
56 1.2969 1.6725 2.0032 2.3948 2.6665
57 1.2966 1.6720 2.0025 2.3936 2.6649
58 1.2963 1.6716 2.0017 2.3924 2.6633
59 1.2961 1.6711 2.0010 2.3912 2.6618
60 1.2958 1.6706 2.0003 2.3901 2.6603
110
Lanjutan Tabel III. Distribusi t-Student’s
λ
r 0.9 0.95 0.975 0.99 0.995
61 1.2956 1.6702 1.9996 2.3890 2.6589
62 1.2954 1.6698 1.9990 2.3880 2.6575
63 1.2951 1.6694 1.9983 2.3870 2.6561
64 1.2949 1.6690 1.9977 2.3860 2.6549
65 1.2947 1.6686 1.9971 2.3851 2.6536
66 1.2945 1.6683 1.9966 2.3842 2.6524
67 1.2943 1.6679 1.9960 2.3833 2.6512
68 1.2941 1.6676 1.9955 2.3824 2.6501
69 1.2939 1.6672 1.9949 2.3816 2.6490
70 1.2938 1.6669 1.9944 2.3808 2.6479
71 1.2936 1.6666 1.9939 2.3800 2.6469
72 1.2934 1.6663 1.9935 2.3793 2.6459
73 1.2933 1.6660 1.9930 2.3785 2.6449
74 1.2931 1.6657 1.9925 2.3778 2.6439
75 1.2929 1.6654 1.9921 2.3771 2.6430
76 1.2928 1.6652 1.9917 2.3764 2.6421
77 1.2926 1.6649 1.9913 2.3758 2.6412
78 1.2925 1.6646 1.9908 2.3751 2.6403
79 1.2924 1.6644 1.9905 2.3745 2.6395
80 1.2922 1.6641 1.9901 2.3739 2.6387
81 1.2921 1.6639 1.9897 2.3733 2.6379
82 1.2920 1.6636 1.9893 2.3727 2.6371
83 1.2918 1.6634 1.9890 2.3721 2.6364
84 1.2917 1.6632 1.9886 2.3716 2.6356
85 1.2916 1.6630 1.9883 2.3710 2.6349
86 1.2915 1.6628 1.9879 2.3705 2.6342
87 1.2914 1.6626 1.9876 2.3700 2.6335
88 1.2912 1.6624 1.9873 2.3695 2.6329
89 1.2911 1.6622 1.9870 2.3690 2.6322
90 1.2910 1.6620 1.9867 2.3685 2.6316
111
Tabel IV. Distribusi F
Kuantitas-kuantitas di dalam tabel adalah nilai x sehingga P (Fr1 ,r2 ≤ x) = 0.05
db db pembilang (r1 )
penyebut
1 2 3 4 5 6 7 8 9 10
(r2 )
1
161.4476 199.5000 215.7073 224.5832 230.1619 233.9860 236.7684 238.8827 240.5433 241.8817
2 18.5128 19.0000 19.1643 19.2468 19.2964 19.3295 19.3532 19.3710 19.3848 19.3959
3 10.1280 9.5521 9.2766 9.1172 9.0135 8.9406 8.8867 8.8452 8.8123 8.7855
4 7.7086 6.9443 6.5914 6.3882 6.2561 6.1631 6.0942 6.0410 5.9988 5.9644
5 6.6079 5.7861 5.4095 5.1922 5.0503 4.9503 4.8759 4.8183 4.7725 4.7351
6 5.9874 5.1433 4.7571 4.5337 4.3874 4.2839 4.2067 4.1468 4.0990 4.0600
7 5.5914 4.7374 4.3468 4.1203 3.9715 3.8660 3.7870 3.7257 3.6767 3.6365
11 8 5.3177 4.4590 4.0662 3.8379 3.6875 3.5806 3.5005 3.4381 3.3881 3.3472
2
9 5.1174 4.2565 3.8625 3.6331 3.4817 3.3738 3.2927 3.2296 3.1789 3.1373
10 4.9646 4.1028 3.7083 3.4780 3.3258 3.2172 3.1355 3.0717 3.0204 2.9782
11 4.8443 3.9823 3.5874 3.3567 3.2039 3.0946 3.0123 2.9480 2.8962 2.8536
12 4.7472 3.8853 3.4903 3.2592 3.1059 2.9961 2.9134 2.8486 2.7964 2.7534
13 4.6672 3.8056 3.4105 3.1791 3.0254 2.9153 2.8321 2.7669 2.7144 2.6710
14 4.6001 3.7389 3.3439 3.1122 2.9582 2.8477 2.7642 2.6987 2.6458 2.6022
15 4.5431 3.6823 3.2874 3.0556 2.9013 2.7905 2.7066 2.6408 2.5876 2.5437
16 4.4940 3.6337 3.2389 3.0069 2.8524 2.7413 2.6572 2.5911 2.5377 2.4935
17 4.4513 3.5915 3.1968 2.9647 2.8100 2.6987 2.6143 2.5480 2.4943 2.4499
18 4.4139 3.5546 3.1599 2.9277 2.7729 2.6613 2.5767 2.5102 2.4563 2.4117
19 4.3807 3.5219 3.1274 2.8951 2.7401 2.6283 2.5435 2.4768 2.4227 2.3779
20 4.3512 3.4928 3.0984 2.8661 2.7109 2.5990 2.5140 2.4471 2.3928 2.3479
Lanjutan Tabel IV. Distribusi F
db derajat bebas pembilang (r1 )
penyebut
1 2 3 4 5 6 7 8 9 10
(r2 )
1
4052.1807 4999.5000 5403.3520 5624.5833 5763.6496 5858.9861 5928.3557 5981.0703 6022.4732 6055.8467
2 98.5025 99.0000 99.1662 99.2494 99.2993 99.3326 99.3564 99.3742 99.3881 99.3992
3 34.1162 30.8165 29.4567 28.7099 28.2371 27.9107 27.6717 27.4892 27.3452 27.2287
4 21.1977 18.0000 16.6944 15.9770 15.5219 15.2069 14.9758 14.7989 14.6591 14.5459
5 16.2582 13.2739 12.0600 11.3919 10.9670 10.6723 10.4555 10.2893 10.1578 10.0510
6 13.7450 10.9248 9.7795 9.1483 8.7459 8.4661 8.2600 8.1017 7.9761 7.8741
7 12.2464 9.5466 8.4513 7.8466 7.4604 7.1914 6.9928 6.8400 6.7188 6.6201
8 11.2586 8.6491 7.5910 7.0061 6.6318 6.3707 6.1776 6.0289 5.9106 5.8143
11 9 10.5614 8.0215 6.9919 6.4221 6.0569 5.8018 5.6129 5.4671 5.3511 5.2565
3 10 10.0443 7.5594 6.5523 5.9943 5.6363 5.3858 5.2001 5.0567 4.9424 4.8491
11 9.6460 7.2057 6.2167 5.6683 5.3160 5.0692 4.8861 4.7445 4.6315 4.5393
12 9.3302 6.9266 5.9525 5.4120 5.0643 4.8206 4.6395 4.4994 4.3875 4.2961
13 9.0738 6.7010 5.7394 5.2053 4.8616 4.6204 4.4410 4.3021 4.1911 4.1003
14 8.8616 6.5149 5.5639 5.0354 4.6950 4.4558 4.2779 4.1399 4.0297 3.9394
15 8.6831 6.3589 5.4170 4.8932 4.5556 4.3183 4.1415 4.0045 3.8948 3.8049
16 8.5310 6.2262 5.2922 4.7726 4.4374 4.2016 4.0259 3.8896 3.7804 3.6909
17 8.3997 6.1121 5.1850 4.6690 4.3359 4.1015 3.9267 3.7910 3.6822 3.5931
18 8.2854 6.0129 5.0919 4.5790 4.2479 4.0146 3.8406 3.7054 3.5971 3.5082
19 8.1849 5.9259 5.0103 4.5003 4.1708 3.9386 3.7653 3.6305 3.5225 3.4338
20 8.0960 5.8489 4.9382 4.4307 4.1027 3.8714 3.6987 3.5644 3.4567 3.3682
Glosarium
fungsi distribusi kumulatif peluang variabel random lebih kecil atau sama
dengan bilanga tertentu. 45
fungsi peluang distribusi peluang, peluang variabel random. 44
114
linear hubungan dua vaariabel yang dinyatakan dalam persamaan linear. 96
mean rata-rata. 16
peluang bersama peluang yang didefinisikan pada dua atau lebih variabel
random. 50
peluang bersyarat peluang terjadinya suatu peristiwa jika diketahui peris-
tiwa lain telah terjadi. 34
peluang marjinal peluang bersama pada satu nilai variabel random ter-
tentu. 50
peristiwa bagian dari ruang sampel. 26
salin asing dua peristiwa yang tidak memiliki anggota yang sama. 27
uji hipotesis aturan yang menuntuk pada diterima atau ditolaknya hipotesis.
74
saling saling, 27
sampel, 2
sampling, 3
statistik, 3, 60
survey, 5
tabel contingency, 94
tabel frekuensi, 8
tingkat signifikansi, 76
trimmed mean, 17
uji hipotesis, 74
ukuran populasi, 2
ukuran sampel, 2
variabel kualitatif, 2
variabel kuantitatif, 2
variabel penjelas, bebas, 96
variabel random, 42
variabel respon, tak bebas, 96
varian, 47
varian sampel, 20