Arti Pendugaan

ESTIMASI PARAMETER  Apa yang diduga?

 Harga-harga parameter populasi karena tidak dapat
1
dihitung/diketahui harganya, sebab :
PERTEMUAN 11 1. Ongkos besar
2. Mutstahil
3. Waktunya lama
4. Eksperimen merusak
 Apa pendugaannya?
 harga-harga statistik yang dapat dihitung dari data sampelnya

Jadi Pendugaan : Tipe Estimasi

3 4

Adalah suatu cara dalam ilmu statistik • Estimasi Titik

untuk memperkirakan harga
parameter populasi berdasarkan harga
statistik sampelnya.
• Estimasi interval
Estimasi nilai tunggal dari distribusi sampling
Memberikan informasi tentang parameter populasi.
Sebuah interval atau rentang yang diyakini mencakup
nilai parameter populasi yang tidak diketahui.
Mengukur tingkat keyakinan (confidence) bahwa
interval tersebut sesungguhnya mengandung nilai
parameter yang dicari.

Estimator yang baik Unbiased

5 6

 Unbiased
Sebuah estimator dikatakan unbiased if jika nilai
 Efisien ekspektasinya sama dengan nilai parameter populasi.
 Konsisten
Jika E(X)=maka rata-rata sampel adalah estimator unbiased
 (Sufisien)
untuk rata-rata populasi. Rata-rata dari sebuah sampel
mungkin tidak sama dengan rata-rata populasi, tetapi jika
dilakukan pengulangan sampel secara independen akan
diperoleh nilai yang sama dengan parameter populasi.

Setiap penyimpangan (deviation) oleh estimator dari

parameter populasi disebut bias.

1
 Unbiased Unbiased
7 8

Ekspektasi dari variansi data X 1 , X 2 ,  , X n adalah

Misalkan, dari sekumpulan variabel random

  n 1
 
E ( S 2 )  E  ( X i  X ) 2 / n  1  1   E ( X i2 )  nE ( X 2 )

Perhatikan bahwa : E ( X i2 )   2   2 dan E( X 2 )   2   2 / n .

X ~ f (  ,  2 ) diambil data-data X 1 , X 2 , , X n , maka
Maka :
ekspektasi dari nilai rata-rata data adalah :
E ( X )  E X / n    E ( X )      
i
1
n i
1
n
n 1
  n 1
 
E ( S 2 )  1   (  2   2 )  n (  2   2 / n )  1  n 2   2   2 .

Dalam hal ini S adalah estimator tidak bias (unbiased) dari

2 2
Dalam hal ini X adalah estimator tidak bias (unbiased) .
dari  .

Estimator Bias & Unbiased Efisien

9 10

Sebuah estimator dikatakan efisien jika memiliki variansi

yang relatif kecil.
{

Bias
Estimator efisien berada pada Estimator tidak efisien mungkin pada
Estimator unbiased ada tepat pada Estimator biased tidak
target dengan sebaran yang target dengan sebaran yang besar.
target berada tepat pada target.
kecil.

Efisien Efisien
11 12

Sebuah estimatorˆ memiliki rata-rata kuadrat kesalahan

(mean square error : MSE):  Semakin kecil variansi suatu estimator semakin kecil
pula MSE estimator tersebut.
MSE (ˆ)  E (ˆ   )  V (ˆ)  ( Bias) 2  Jika dua estimator tersebut unbiased (berangkat dari
Jika diamati ratio MSE dari dua estimator : sifat pertama), maka ratio MSE adalah ukuran
MSE (ˆ1 ) V (ˆ1 )  ( Biasˆ1 ) 2 efisiensi relatif antara kedua estimator.
 .
MSE (ˆ2 ) V (ˆ2 )  ( Biasˆ2 ) 2

2
 Efisien Efisien
13 14

Bandingkan efisiensi data dan rata-rata sebagai estimator untuk Dari kedua sifat estimator di atas, dapat dicari estimator yang
rata-rata populasi dengan melihat rasio variansinya sebagai berikut : memenuhi keduanya, atau yang disebut dengan minimum
MSE ( X ) V ( X )  2 / n variance unbiased estimator (MVUE). Cramer dan Rao
   1/ n . memberikan batas bawah variansi untuk MVUE yang dikenal
MSE ( X i ) V ( X i )  2
dengan cramer-rao inequality.
Nilai rasio di atas lebih kecil dari 1 untuk n  2 , makaX adalah
1
estimator yang lebih efisien dibandingkan dengan X i , karena V (ˆ) 
memiliki MSE yang lebih kecil. 
 d
 d 
2
n E  ln f ( x, ) 


Efisien Konsisten
15 16

Sebuah estimator dikatakan konsisten if jika kemungkinan

Misalkan X ~ N (  ,  2 ) , untuk X 1 , X 2 , , X n , maka E ( X )  
untuk mendekati parameter populasi semakin besar seiring
dan V ( X )   2 / n , kemudian: dengan meningkatnya ukuran sampel.
x
1 1( )2 x 2
ln f ( x,  )  ln e 2    ln ( 2 ))  1 ( ) .
 2 2 
Dengan demikian diperoleh pertidaksamaan Cramer-Rao :
Consistency
1 1 1
V (X ) 
n E

 - ln(
d
d 2 )  12 ( x  ) 2  
2

nE   
x 2

 .
n
n = 100
n = 10

Sufisien Estimasi Titik

17 18

Ada tiga metoda estimasi titik (point estimation):

 Metoda Unbiased
Sebuah estimator dikatakan sufisien jika  Metoda Momen
mencakup semua informasi tentang parameter  Metoda Maximum Likelihood
populasi dalam data sampelnya.

3
 Metoda Unbiased Metoda Unbiased
19 20

Metoda unbiased E[ˆ]   Demikian halnya dengan variansi V ( X )   2

Contoh distribusi normal:  ( x   ) 2  1 ( X  ) 2   2z2 1 z2
1  - 1  x    /  2 V ( X )  E[( X   ) 2 ]   e 2  dx   e 2 dz
E( X )   xe 2
 2 - 
dx    2  2
   1 
dengan transformasi z  (x  ) / maka diperoleh :  z 1 z2 1 z2 
 2 e 2   e 2 dz    2 0  1   2
 2  
2 

(  z) - 12 z 2

1 - 12 z 2

z - 12 z 2  
E( X )    e dz     e dz     e dz    (1)    (0)  
- 2 - 2 - 2

Metoda Maximum Likelihood Metoda Maximum Likelihood

21 22

Contoh : Untuk X ~ f ( x, ) , fungsi likelihood-nya adalah :

 Untuk X ~ f ( x, ) , fungsi likelihood dari data x  2 1
n  12 ( i )  2  ( xi   ) 2
X 1 , X 2 ,  , X n diformulasikan oleh L(  )  
1
e  
1
 e 2
i 1 2 (2 2 ) n / 2
L( )  f ( x1 , )  f ( x2 , )    f ( xn , ) .
ln L(  )   ln( 2 2 )  (2 2 ) 1  ( xi   ) 2
n
 Maximum likelihood estimator (MLE) adalah
2
estimator  yang memaksimumkan fungsi L( ) . Maksimasi dengan cara
L (  )
 0 , menghasilkan :

n
( 2 ) 1  ( xi   )  0  ˆ   xi / n  x
i 1

Metoda Maximum Likelihood Metoda Maximum Likelihood

23 24

L( 2 )
Dengan cara yang sama dapat diperoleh estimasi variansi 2 . Maksimasi dengan cara  0 , menghasilkan :
x  2 1  2
n 1 1( i ) 1
  ( xi   ) 2 n 1 1 1 n
2 
 e 2
2
L( 2 )   e   2   ( xi   ) 2  0
i 1 2 (2 2 ) n / 2 2 2 2 2 ( 2 ) 2 i 1
n 1 1 n 1 n
ln L( 2 )   ln(2 2 )  (2 2 ) 1  ( xi   ) 2
n
  ( xi   ) 2   2   ( xi   ) 2
2 2 2  2 i 1 n i 1
2 1 n n
diketahui bahwa s   ( xi  ˆ ) atau  ( xi  ˆ ) 2  s 2 (n  1) ,
2
n  1 i 1 i 1
1 (n  1) 2
maka diperoleh  2
 s 2 (n  1)  s .
n n

4
 TUGAS
25
 Buktikan bahwa X adalah estimator
unbiased dari µ dan S2 adalah estimator
unbiased dari  2
Estimasi Interval
Estimasi interval adalah estimasi yang memberikan nilai-nilai
statistik dalam suatu interval atau selang dan bukan nilai tunggal
sebagai estimasi parameter. Estimasi ini memungkinkan untuk
mengukur derajat kepercayaan terhadap ketelitian estimasi.
• Estimasi interval memiliki 2 komponen, yaitu:
1. Sebuah interval nilai atau selang
2. Terkait dengan tingkat kepercayaan/ tingkat
keyakinan (level of confidence)
Estimasi Interval
Sebuah estimator akan berada pada suatu rentang atau
interval tertentu jika diterapkan tingkat kepercayaan
tertentu. Jika L dan U adalah batas-batas interval (bawah
dan atas), dimana estimator akan berada dengan tingkat
kepercayaan 1   , maka dapat didefinisikan :
P( L    U )  1   , untuk estimasi dua sisi
atau
P(L   )  1   , untuk estimasi satu sisi
dimana   L =k dikenal sebagai akurasi (ketelitian) estimasi.
Secara umum, distribusi ˆ memungkinkan menghitung k
sehingga diperoleh
P(ˆ  k    ˆ  k )  1   , 0    1.
ESTIMASI PARAMETER
ESTIMASI INTERVAL
(PERTEMUAN 12)
Estimasi Interval
Contoh :
Suatu sampel acak nilai ujian statistika mahasiswa memberikan
selang dari 53 sampai 55. Di antara kedua nilai ini dapat
diharapkan terdapat rata-rata nilai ujian statistika
sesungguhnya. Kedua nilai batas, 53 dan 55 akan tergantung
pada rata-rata sampel x yang diperoleh dari hasil perhitungan
dan distribusi sampel X . Jika ukuran sampel membesar, maka
variansi sampel  2X =2/n akan mengecil, sehingga
kemungkinan besar estimator rata-rata akan semakin
mendekati parameter populasi  , yang berarti selang yang lebih
pendek. Jadi, estimator interval juga menunjukkan ketelitian
estimator titik.
Estimasi Interval
Interval yang dihitung dari suatu sampel tertentu
disebut interval keyakinan (1-)100%. (1-) disebut
koefisien keyakinan, dan titik batas pada ˆ  k dan
ˆ  k disebut batas-batas keyakinan.
Makin lebar interval keyakinan makin yakin pula kita
bahwa interval tersebut mengandung parameter yang
tidak diketahui. Lebih baik percaya 95% bahwa rata-
rata umur TV 6-7 tahun daripada percaya 99% bahwa
umurnya 3-10 tahun.
5
 Estimasi Interval Rata-rata;  diketahui
 Jika populasi berdistribusi normal, maka distribusi sampling juga
normal.
• Jika ukuran sampel besar, apapun distribusi asalnya, distribusi
sampling rata-rata adalah normal (Teorema Limit Pusat).

Rata-rata dengan Interval kepercayaan untuk  , diketahui bila x rataan sampel 

variansi Proporsi acak berukuran n dari suatu populasi dengan variansi yang diketahui,
maka interval kepercayaan (1- α) 100% untuk  ialah:
diketahui/tidak Χ –Zα/2 (σ/√n) <μ< Χ +Zα/2 (σ/√n)
Bila Zα/2 menyatakan nilai Z sehingga daerah disebelah kanannya
mempunyai luas α/2

Rata-rata;  diketahui Rata-rata;  diketahui

Sebelum sampling, terdapat probabilitas 0.95 bahwa interval

S t an d ar d N o r m al D i stri b uti o n: 9 5 % I nt e r v al

  1.96
Untuk keduanya : 0.4 n
    akan mencakup nilai rata - rata sampel.
P   1.96  x    1.96   0.95
0.3

 n n Sebaliknya, setelah sampling, sekitar 95% dari interval

f( z )

0.2

atau x  1.96
    0.1 n
P x  1.96    x  1.96   0.95 akan mencakup rata - rata populasi.
 n n 0.0

-4 -3 -2 -1 0 1 2 3 4

z

Artinya, x  1.96 adalah sebuah interval keyakinan 95%
n

Rata-rata;  diketahui Rata-rata;  diketahui

Sampling Distribution of the Mean

Sampling Distribution of the Mean
0.4
0.4
95% Sekitar 95% dari rata-rata sampel Perhatikan:
0.3 95%
akan berada didalam interval 0.3

• Kemungkinan pada daerah 95%

f(x)

0.2
   
f(x)

0.2

0.1
2.5% 2.5%


  1.96
n
,   1.96
n
 0.1
• Kemungkinan pada daerah 5%
2.5% 2.5%
0.0
    196
 x Sebaliknya, sekitar 2.5% dapat berada 0.0
  1.96 .
     1.96
 x
di atas   1.96 n dan 2.5% dapat
n n   1.96
n n

x berada di bawah   1.96 n x

x
x
2.5% fall below
the interval x
x
x

x
x
2.5% fall above
* x
x

the interval x
x
x
x
x
x
x
x
x
*
95% fall within
the interval

6
 Contoh

Rataan dan simpangan baku nilai statistika 36 Dengan tingkat keyakinan 5%, diperoleh nilai z0,025 =
mahasiswa, masing-masing 2,6 dan 0,3. 1,96 (dari Tabel Normal) dan interval penaksiran
Hitung interval kepercayaan 95% dan 99% untuk dengan interval keyakinan 95%
rataan nilai statistika semua mahasiswa! adalah 2,6 (1,96) 0,3  2,6 (1,96) 0,3 , atau 2,5    2,70.
36 36
Untuk interval keyakinan 99%, diperoleh nilai z,
z0,005 = 2,575, dan interval keyakinan 99% adalah
2,6 (2,575)
0,3
 2,6 (2,575)
0,3
, atau 2,47    2,73.
36 36

Rata-rata;  diketahui Rata-rata;  diketahui

Jika ingin diketahui ukuran sampel yang harus diambil agar

Untuk mengestimasi  dengan tingkat keyakinan
kesalahan dalam mengestimasi  akan lebih kecil dari suatu
yang lebih tinggi dihasilkan interval yang lebih tingkat kesalahan tertentu  (yang ditetapkan), maka n harus
besar. Jika  sesungguhnya merupakan titik pusat  2
z
interval, maka x mengestimasi  tanpa kesalahan dipilih sehingga memenuhi z/2/ n  , atau n   /2  .
  
(error). Besarnya kesalahan adalah selisih antara 
dan x , dan dipercaya (1-)100% bahwa selisih Berapa besar sampel yang diperlukan (pada contoh di atas)
tersebut lebih kecil dari z/2 / n . jika dengan interval keyakinan 95% akan menghasilkan
estimator untuk  memiliki kesalahan kurang dari 0,05 ?

Interval (1-)100%

2
 (1,96)(0,3) 
Jawab : n  = 138 (dibulatkan). S tand ard N o rm al Dis trib uti on
 0,05    
0.4 P z > z  
(1   )  2
 2
0.3   
P z  z  
  2
f(z)

0.2 2
 
  P  z  z  z   (1  )
0.1
2 2  2 2


(1- )100% Confidence Interval:

0.0
-5 -4 -3 -2 -1 0 1 2 3 4 5
z  Z z 
2 2 x  z
2 n

7
 Nilai kritis z dan keyakinan Tingkat keyakinan-interval

Sampling dari populasi yang sama dengan ukuran sampel yang sama,
(1   )
 z S tand ard N o rm al Distrib utio n semakin tinggi tingkat keyakinan semakin lebar interval estimasi.
2 2
0.4 St an d ar d N o r m al Di s tri b uti o n St an d ar d N or m al Di s tri b uti o n
(1   )
0.99 0.005 2.576 0.3
0.4 0.4

0.3

0.98 0.010 2.326 0.3

f(z)

0.2

f(z)

f(z)

0.2 0.2

0.95 0.025 1.960 0.1
2 2 0.1 0.1

0.0
0.90 0.050 1.645 -5 -4 -3 -2
z 
-1 0
Z
1
z
2 3 4 5
0.0
-5 -4 -3 -2 -1 0 1 2 3 4 5
0.0
-5 -4 -3 -2 -1 0 1 2 3 4 5
Z Z

0.80 0.100 1.282 2 2

80% Confidence Interval: 95% Confidence Interval:

 
x  128
. x  196
.
n n

Ukuran sampel - interval Contoh

• Populasi adalah perusahaan yang tercatat di bursa

Sampling dari populasi yang sama dengan ukuran sampel yang sama, saham. Anda diminta untuk menentukan berapa rata-
semakin besar ukuran sampel n semakin sempit interval estimasi. rata pendapatan perusahaan tersebut. Diketahui standar
S a m p lin g D is trib utio n o f th e M e an S a m p lin g D is trib utio n o f th e M e an deviasi adalah Rp 150,5637M. Dari sampel random
0 .4 0 .9
berukuran 30 diperoleh rata-rata Rp 106,7287M.
0 .3
0 .8
0 .7
Tentukan interval dengan keyakinan 95% dan 90% untuk
0 .6
0 .5
rata-rata pendapatan perusahaan yang tercatat di bursa
saham.
f(x)

f( x)

0 .2
0 .4
0 .3
0 .1
0 .2
0 .1
0 .0 0 .0

x x

95% Confidence Interval: n = 20 95% Confidence Interval: n = 40

Contoh - Using Excel Contoh - Using Excel

Diperoleh nilai kesalahan 5387.75,

tambah dan kurangkan nilai tersebut pada
rata-rata sampel.

8
 Contoh - Using Excel Rata-rata;  tidak diketahui

Untuk interval estimasi Jika standar deviasi populasi, , tidak diketahui, maka gantikan dengan
95% dan 90% standar deviasi sampel, s. Jika populasi sample berdistribusi normal, statistik:
X 
t 
s
n
berdistribusi t dengan (n - 1) degrees of freedom.

• Distribusi t berbentuk bell-shaped dan Standard normal

simetris.
• Ada untuk setiap degree of freedom. t, df=20
• Nilai ekspektasi t adalah 0. t, df=10
• Untuk df > 2, variansi t menjadi df/(df-2).
Variansi akan menjadi 1 jika df besar.
• Artinya distribusi t akan mendekati
distribusi normal standar. 


Rata-rata;  tidak diketahui Distribusi t

df t0.100 t0.050 t0.025 t0.010 t0.005
--- ----- ----- ------ ------ ------
1 3.078 6.314 12.706 31.821 63.657
2 1.886 2.920 4.303 6.965 9.925
3 1.638 2.353 3.182 4.541 5.841
4 1.533 2.132 2.776 3.747 4.604 t D is t r ib u tio n : d f = 1 0
5 1.476 2.015 2.571 3.365 4.032
6 1.440 1.943 2.447 3.143 3.707

Interval keyakinan (1-)100% untuk  jika  tidak diketahui

7 1.415 1.895 2.365 2.998 3.499 0 .4
8 1.397 1.860 2.306 2.896 3.355
9 1.383 1.833 2.262 2.821 3.250
(diasumsikan distribusi populasi normal): 10
11
1.372
1.363
1.812
1.796
2.228
2.201
2.764
2.718
3.169
3.106
0 .3

Area = 0.10 Area = 0.10

12 1.356 1.782 2.179 2.681 3.055

}
f(t)

13 1.350 1.771 2.160 2.650 3.012 0 .2

s
x  t
14 1.345 1.761 2.145 2.624 2.977
15 1.341 1.753 2.131 2.602 2.947
16 1.337 1.746 2.120 2.583 2.921 0 .1

2 n 17
18
1.333
1.330
1.740
1.734
2.110
2.101
2.567
2.552
2.898
2.878
19 1.328 1.729 2.093 2.539 2.861 0 .0

dimana t adalah nilai t dengan n-1 degrees of freedom. 20

21
1.325
1.323
1.725
1.721
2.086
2.080
2.528
2.518
2.845
2.831
-2.228
-1.372
0 1.372
2.228
}

}
t
22 1.321 1.717 2.074 2.508 2.819
2 23 1.319 1.714 2.069 2.500 2.807
24 1.318 1.711 2.064 2.492 2.797 Area = 0.025 Area = 0.025
25 1.316 1.708 2.060 2.485 2.787
26 1.315 1.706 2.056 2.479 2.779
27 1.314 1.703 2.052 2.473 2.771
28 1.313 1.701 2.048 2.467 2.763
29 1.311 1.699 2.045 2.462 2.756
30 1.310 1.697 2.042 2.457 2.750
40 1.303 1.684 2.021 2.423 2.704
60 1.296 1.671 2.000 2.390 2.660
120 1.289 1.658 1.980 2.358 2.617
 1.282 1.645 1.960 2.326 2.576

Distribusi t Distribusi t

df t0.100 t0.050 t0.025 t0.010 t0.005

--- ----- ----- ------ ------ ------
1 3.078 6.314 12.706 31.821 63.657
Manager sistem inspeksi ingin mengetahui jumlah cacat dari sebuah metoda .
.
.
.
.
.
.
.
.
.
.
.
. . . . . .
set-up baru. Sampel random berukuran 15 diambil dan diperoleh rata-rata cacat 13 1.350 1.771 2.160 2.650 3.012
14 1.345 1.761 2.145 2.624 2.977
perhari adalah x=10.37% dan deviasi standar s = 3.5%. Asumsikan jumlah 15 1.341 1.753 2.131 2.602 2.947
. . . . . .
cacat berdistribusi normal, tentukan interval keyakinan 95% untuk rata-rata .
.
.
.
.
.
.
.
.
.
.
.
cacat per hari!
Nilai kritis t untuk df = (n-1)=(15-1)=14 (untuk right-tail area
0.025) adalah: t 0.025  2.145
s
Estimasi interval: x  t 0.025 n
35
.
 10.37  2.145
15
 10.37  1.94
 8.43,12.31

9
 Using Excel Distribusi t (large sample)

df t0.100 t0.050 t0.025 t0.010 t0.005

---
1
-----
3.078
-----
6.314
------
12.706
------
31.821
------
63.657 Walaupun nilai  tidak diketahui
. . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
(populasi diasumsikan normal)
120 1.289 1.658 1.980 2.358 2.617
 1.282 1.645 1.960 2.326 2.576 distribusi yang sesuai adalah
distribusi t dengan n-1 degrees of
freedom. Namun demikian, untuk
ukuran sampel besar, nilai distribusi t
akan mendekati nilai distribusi
normal standar z.

Distribusi t (large sample) Pendekatan utk proporsi p

Interval keyakinan (1 -  )100% untuk ukuran sampel besar :

Estimasi proporsi p dalam suatu percobaan
s
x  z binomial diberikan oleh statistik pˆ  x / n .
n
Jika proporsi p tidak terlalu dekat dengan nol
2

Rata-rata harga komponen dari sebuah supplier diasumsikan berdistribusi normal. Bagian
pembelian mengambil 100 sampel harga pembelian 3 bulan terakhir dan diperoleh x-bar =
atau 1, maka dapat digunakan pendekatan
$357.60 dan s = $140.00. Interval keyakinan 95% untuk rata-rata harga komponen adalah: dengan distribusi normal dengan
s 140.00 rata-rata  p  np / n  p dan
x  z 0.025  357.60  1.96  357.60  27.44   33016,385
. .04
n 100 npq pq
variansi  2pˆ   .
n n

Pendekatan utk proporsi p Pendekatan utk proporsi p

Dengan demikian untuk rentang keyakinan 1   diperoleh Sales engineer ingin meneliti proporsi pelanggan terhadap produk sendiri dan
pesaing. Diambil sampel random 100 pelanggan dan ditemukan bahwa 34
Pˆ  p
P(-z/2  Z  z/2)=1- , dimana Z  , dan interval orang lebih menyukai produk pesaing dibanding produk sendiri. Berikan
pq / n interval keyakinan 95% proporsi pelanggan yang lebih menyukai produk
estimasi diperoleh sebagai berikut pesaing.
pq pq
pˆ  z / 2  p  pˆ  z / 2 . Jika n besar, maka estimator pˆ  z 
pˆ qˆ
 0.34  1.96
(0.34)(0.66)
n n n 100
p diperoleh dari pˆ  x / n (dimana x adalah jumlah sukses dan
2

 0.34  (1.96)(0.04737)
percobaan bernoulli) dan interval estimasinya menjadi  0.34  0.0928
pˆ (1  pˆ ) pˆ (1  pˆ )  0.2472,0.4328
pˆ  z / 2  p  pˆ  z / 2 .
n n
Perusahaan yakin sebesar 95% bahwa pesaing mengendalikan sekitar
24.72% sampai 43.28% pangsa pasar.

10
 The Value of Information Penentuan ukuran sampel

Lebar interval keyakinan dapat dikurangi dengan konsekuensi: • Seberapa dekat estimasi terhadap parameter yang tidak
• tingkat keyakinan lebih rendah, atau diketahui? (berapa besar batas/galat?)
• ukuran sampel lebih besar. • Berapa besar tingkat keyakinan (1-) sedemikian
sehingga jarak anatar estimasi dan parameter sama atau
Ukuran sampel, n = 200
lebih kecil dari batas?
Keyakinan 90%
• Berapa perkiraan variansi populasi (atau deviasi
p  z 

pq
 0.34  1645
.
(0.34)(0.66)
p  z

pq
 0.34  196
.
(0.34)(0.66) standar)?
2
n 100 2
n 200
 0.34  (1645
. )(0.04737)  0.34  (196
. )(0.03350)
 0.34  0.07792  0.34  0.0657 
  0.2621,0.4197  0.2743,0.4057 Interval keyakinan (1-  ) untuk  : x  z 
2 n

}
Batas

Penentuan ukuran sampel Penentuan ukuran sampel

Ukuran sampel terkait dengan standar kesalahan (error): 

Batas B = z
2 n
Sample size = 2n z2 2
Standard error
of statistic
Ukuran sampel n  2

B2
Sample size = n

Standard error
z2 pq
of statistic Untuk proporsi n  2

B2

Penentuan ukuran sampel Penentuan ukuran sampel

Perusahaan akan memasarkan produk baru dalam bentuk “limited”.

Untuk itu bagian pemasaran meneliti dan ingin mengetahui proporsi
Dalam usaha membangun jaringan rantai supply, perusahaan menganggarkan pelanggan khusus ini p tidak lebih dari 10% dengan tingkat keyakinan
perbedaan biaya (maksimum) sebesar 120 juta untuk kerjasama dengan 99%. Data populasi menunjukkan bahwa proporsi pelanggan khusus
supplier. R&D perusahaan meneliti perkiraan biaya kerjasama dengan tingkat sekitar 25%. Berapa banyak sampel yang harus diambil bagian
keyakinan 95%. Dari data asosiasi supplier diperoleh bahwa deviasi standar pemasaran untuk penelitian ini?
biaya kerjsama adalah s = 400 juta. Berapa banyak data kerjasama supplier
yang diperlukan oleh R&D? z2 pq
z 
2 2
n 2

n 2
2
B2
B
2.5762 (0.25)(0.75)
(196
. ) (400) 2 2 
 2
. 2
010
120
 124.42  125
 42.684  43

11