STATISTIK
Suatu disiplin yang menggunakan angka (nombor) untuk memerihalkan pelbagai aspek
dalam kehidupan
Juga suatu bidang yang melibatkan pengumpulan & penganalisisan fakta atau data
berbentuk numerik (kuantitatif).
KEGUNAAN STATISTIK
III. PARAMETER
• Nilai / nombor yang menggambarkan (menerangkan) ciri-ciri populasi. Diperoleh dari
nilai populasi.
• Contoh ~ sekiranya 150 orang pelajar statistik adalah populasi kajian dan min tahap math
/ statistics anxiety kesemua 150 orang pelajar tersebut telah diuji, maka jawapan yang
dihasilkan adalah parameter.
• Parameter populasi termasuk dalam jenis statistik deskriptif.
IV. STATISTIK
Nilai yang menerangkan sampel hasil daripada analisis dan manipulasi data.
Contoh ~ Tahap math / statistics anxiety di kalangan pelajar statistik diperoleh melalui
min math / statistics anxiety bagi 108 orang pelajar statistik yang dipilih secara
randomness & representativeness. Maka jawapan yang dihasilkan adalah statistik.
Nilai statistik yang diperoleh bukan sekadar menerangkan nilai sampel tetapi juga
digunakan untuk membuat kesimpulan dan ujian hipotesis.
V. PEMBOLEHUBAH
• Ciri / sifat sesuatu objek, tingkah laku manusia atau fenomena yang boleh diukur,
berbeza dan berubah.
• Contoh ~ jantina, berat badan, tahap kognitif, kelas sosial, sikap, kadar jenayah, kadar
pengangguran dsb.
• Pemahaman terhadap konsep Hubungan (relationships) dan Sebab-Akibat (causes)
adalah penting dalam memahami serta menerangkan fenomena sosial.
c. PEMBOLEHUBAH KUALITATIF
Juga dikenali sebagai pembolehubah diskrit. Banyak menggunakan perkataan dan
kadang-kadang imej berbanding dengan nombor.
Contoh ~ jantina, agama, tempat lahir, warna kulit dan sebagainya.
d. PEMBOLEHUBAH KUANTITATIF
Bersifat nombor atau nilai angka.
Contoh ~ Jumlah hari pelajar tidak hadir kuliah, jangka hayat dan sebagainya. bermula
dari 1, 2, 3 ……. N hari.
VI. KESAHAN
• Sesuatu jenis pengukuran ~ memastikan kesahan (mengukur apa yg hendak diukur).
• 2 jenis / isu
- Kesahan Dalaman ~ pembolehubah bebas tidak dipengaruhi oleh pembolehubah luar
yang lain dengan mengadakan kawalan.
- Kesahan Luaran ~ pemilihan sampel yang dapat mewakili populasi.
• Terdapat 4 jenis skala pengukuran (data) asas ~ berasal dari penyelidikan pakar psikologi
S. S. Steven 1964 :
o Skala Nominal
o Skala Ordinal
o Skala Sela / Selang (Interval)
o Skala Nisbah (Ratio)
a. SKALA NOMINAL
• Mengkategorikan pembolehubah berdasarkan kepada ciri-ciri kesamaan (nama /
kumpulan / kategori) & melabelkannya.
• Mengkaji pembolehubah kualitatif (kategori).
• cth ~ Jantina (lelaki & perempuan), Warna (biru, hijau, kuning, merah)
• Kategori atau nombor tidak mempunyai susunan peringkat data tetapi dianggap setara.
Kod 1 = 2 = 3 = 4
b. SKALA ORDINAL
• Daripada peringkat paling rendah sehingga paling tinggi dan sebaliknya.
• Mengkaji pembolehubah kualitatif & kuantitatif. (cth ~ kelas sosial, kedudukan dlm
pertandingan memancing)
• cth 1 ~ Kedudukan dalam suatu perlawanan (tanpa maklumat / keterangan perbezaan
masa)
• Peserta yang mendapat tempat pertama adalah lebih laju berbanding dengan
perserta kedua & ketiga.
• Data ordinal mempunyai pemberat. Kedudukan yang lebih tinggi @ rendah.
(A > B, A = B @ A < B)
c. SKALA INTERVAL
• Nama lain ~ Skala Sela / Skala Selang.
• Nilai 0 yang tidak mutlak (arbitrari).
• cth ~ perbezaan suhu di antara 20º dengan 30º adalah sama dengan perbezaan di antara
30º dengan 40º.
• Kedua-duanya berbeza sebanyak 10º.
• Tetapi harus beri perhatian bahawa suhu 40º tidak sama dengan 2 kali ganda suhu 20º.
• Nilai dalam skala interval adalah arbitrari. (nilai 0 mempunyai makna).
d. SKALA RATIO
• Skala pengukuran yang paling mantap. Menggunakan pembolehubah kuantitatif.
• Mempunyai nilai 0 yang mutlak ~ menandakan sifat atau titik permulaan (point of origin)
sesuatu pengukuran. (nilai 0 yang tidak mempunyai makna atau dgn perkataan lain =
tiada)
cth. 0 pendapatan = tiada pendapatan
BAB 3 METOD PEMERIHALAN DATA
PEMERIHALAN DATA
Tujuan ~ menggunakan metod & teknik menerangkan angka
i. Taburan Kekerapan (membentuk jadual taburan & memperihalkan data)
ii. Ukuran Kecenderungan Memusat (cth. min,median & mod)
iii. Ukuran Serakan (cth julat, min sisihan, sisihan piawai & varians )
iv. Transformasi Data (cth persentil, pangkat persentil & skor z & T)
BILANGAN KELAS
• Bergantung kpd jumlah bilangan kes (N) taburan. Idealnya 10 – 20 (sekiranya tidak
menggunakan formula)
• Hukum Struge: Bilangan Kelas = 1 + 3.3 log (N)
N = bilangan kes
SELANG KELAS (SK)
Dapatkan julat = perbezaan markat tertinggi dgn markat terendah.
Idealnya: 5 – 15 selang kelas (sekiranya tidak menggunakan formula).
SK = Julat / Bilangan Kelas.
KEKERAPAN (K)
• Jumlah bilangan (berapa kali) sesuatu nilai / markat / skor yang terdapat dalam sesauatu
SK.
• Apabila kesemua Kekerapan ini dijumlahkan hasilnya mesti bersamaan dengan N.
PERATUS (%K)
Formula : (kekerapan/N)100
Jumlah Peratus mesti bersamaan dengan 100.
DATA OUTLIER
• Data yg terpencil jauh (terlalu tinggi atau terlalu rendah ~ markat ekstrim) daripada
kebanyakan data.
• Dpt mempengaruhi gambaran sebenar taburan data dan keputusan seperti min, varians &
sisihan piawai.
• Sebab terjadinya data outlier - Silap pilih Subjek / sampel kajian yg tidak dpt mewakili
populasi (wajar keluarkan subjek tersebut).
SIFAT MIN
• Min dipengaruhi oleh sebarang perubahan nilai (exact value) dalam taburan.
~ dipengaruhi oleh data yg ekstrem (nilai terendah atau tertinggi) & data outlier.
• Jumlah skor atau markat sisihan dari min bersamaan dengan sifar. (Σ(X1 – X) = 0)
~ Markat sisihan = perbezaan di antara sesuatu markat dalam taburan dgn min taburan
tersebut.
MEDIAN
• Menggambarkan nilai titik tengah seluruh taburan data.
• Nilai penengah ~ bahagikan taburan kepada 2 iaitu 50% markat di atas & 50% markat di
bawah.
• Simbol penulisan ~ Mdn
~ Mdnμ = Median Populasi Mdnx = Median Sampel
MOD (MODE)
• Markat (skor) yg mempunyai kekerapan yg paling banyak dlm taburan data.
• Indeks yg paling mudah dlm menggambarkan ukuran kecenderungan memusat.
• Moμ = Mod Populasi Mox = Mod Sampel
UKURAN SERAKAN
• Ukuran Kecenderungan Memusat ~ jelaskan purata & keadaan kepusatan markat dlm
taburan.
• Ukuran Serakan ~ gambaran ttg perbezaan (keseragaman) & serakan (jarak) markat dlm
taburan.
• Kepentingan ukuran serakan ~ penggunaan ujian statistik inferensi & mengkaji perbezaan
atau keberkesanan sesuatu program.
JULAT
• Julat = Markat Tertinggi – Markat Terendah
• Perbezaan di antara markat maksimum dengan markat minimum dlm sesuatu taburan.
• Dipengaruhi oleh extreme scores ~ mudah berubah dari sampel ke sampel.
MIN SISIHAN
• Setiap markat dlm sesuatu taburan mempunyai sisihan drpd min. (sisihan = jarak di
antara markat dgn min)
• Menggunakan nilai mutlak markat sisihan piawai drpd min ([X-M]).
VARIANS
• Merupakan min (purata) kpd jumlah kuasa dua markat sisihan drpd min. (jumlah kuasa
dua setiap markat – nilai min)
• Varians Sampel sering digunakan & merupakan anggaran kepada Varians Populasi.
• Semakin besar nilai varians ~ semakin besar perbezaan & keseragaman markat.
SISIHAN PIAWAI
• Sisihan Piawai dikira dari nilai varians dgn melakukan punca kuasa dua kpd nilai varians
tersebut.
• Sisihan piawai dpt menggambarkan perbezaan & kepelbagaian dlm bentuk unit yg sama
dgn markat asal ~ kenal pasti keadaan serakan data dlm taburan.
• 2 jenis sisihan piawai ~
Parameter Populasi (σ) & Statistik Sampel (s)
TRANSFORMASI DATA
• Pemerihalan markat / data secara kumpulan dgn menggunakan Ukuran Kecenderungan
Memusat & Ukuran Serakan masih dianggap tidak mencukupi.
• Membandingkan & merumuskan markat (secara individu) drpd keseluruhan set data
mengikut norma rujukan markat.
• cth ~ Ingin ketahui prestasi setiap individu dlm kumpulan yg dikaji atau berminat utk
teliti kepelbagain dan perbezaan kes demi kes.
PERSENTIL
• Markah yg terletak pada atau di bawah % yd d tentukan dalam sesuatu taburan
• P60 ~ sebanyak 60% markah terletak pada & di bawah persentil tersebut.
• cth ~ katakan P82 menggambarkan market exam statistik 50 - maka sebanyak 82%
pelajar memperoleh markah 50 ke bawah.
PANGKAT PRESENTIL
• Kedudukan relatif sesuatu skor dalam sesuatu taburan
• Merupakan bilangan markat atau kes yg berada pada sesuatu markat @ di bawah markat
tersebut.
MARKAT PIAWAI
• Metod utk mempiawaikan atau transformasi markah dgn menguna min dan sisihan
piawai.
• Membandingkan markat yg terdpt dalam pelbagai taburan.
• Nisbah antara markah sisihan dgn sisihan piawai.
Markat mentah - Min
• Formula ~ Markat Piawai (z) = Sisihan Piawai
• tanda –ve = markat mentah yg asal lebih rendah drpd min kumpulan
tanda +ve = markat mentah yg asal lebih tinggi drpd min kumpulan
bersamaan 0 = markat mentah yg asal sama dgn min kumpulan
1 Step: State the null hypothesis (Ho) for the problem . We can also use the alternative hypotesis
(H1). No need to use both.
‘there is no correlation between motivation and performance’
2 Step: Next, we select/ choose the appropriate significant level (aras kesignifikanan, α (alpha
level). The α commonly used is .05. Thus :
Written Simply : α = .05
3 Step: We have to find the degree of freedom, df/ darjah kebebasan, dk. It’s would depend on
the statistical method used. IN Pearson correlation, df/dk = n-2
4 Step: Normally it’s a long and sometime tiring and confused steps to calculate the value, rcalc..
• let’s say the calculated value is rkir/cal. = + 0.82
Steps 5: To decide the status of Ho: we have to find the critical value with the use of df/dk
value and the α value (decided as .05).
• With dk = 8 and α = .05 the value of rcrit. is equal to 0.632 ( rcrit. = 0.632).
Decision : The rcalculated/obtained = 0.82. and rcrit. = 0.632 ( rkrit. = 0.632) we ca reject Ho.
• We can conclude that there is a significant correlation (korelasi/hubungan) between
income and student performace., r (8) = 0.82, p < .05.
KORELASI
Hubungan antara pembolehubah atau kaitan di antara faktor ~ perubahan di antara
pembolehubah.
Metod Korelasi digunakan untuk menentukan tahap keterkaitan magnitud (magnitude)
antara faktor yang dikaji & arah (direction) sesuatu hubungan sama ada positif atau
sebaliknya.
Hubungan Positif (direct) ~ apabila markat X tinggi maka markat Y juga tinggi (X ↑ Y
↑) dan sebaliknya ketika markat X rendah maka markat Y turut rendah (X ↓ Y ↓).
Hubungan Negatif (indirect / inverse) ~ apabila markat X tinggi tetapi markat Y rendah
(X ↑ Y ↓) dan sebaliknya ketika markat X rendah maka markat Y tinggi (X ↓ Y ↑
).
Hubungan Sempurna (perfect) ~ semua markat terletak pada garisan lurus. (jarang
wujud dlm bidang sains sosial)
Hubungan Tidak Sempurna (imperfect) ~ terdapat hubungan tetapi markat tidak
terletak pada garisan lurus. (curvilinear relationship)
Tiada Hubungan ~ apabila markat X dan Y tidak mempunyai hubungan (apabila X ↑
tetapi Y tidak semestinya ↑ atau ↓).
KORELASI DWISIRI
• Digunakan pada pembolehubah yg menggunakan data jenis dikotomi tiruan &
mempunyai taburan markat yg normal (hampir normal).
KORELASI DWISIRI PANGKAT
Hampir sama dgn korelasi dwisiri titik.
Salah satu pembolehubah mempunyai data nominal & bersifat dikotomi.
PEKALI PHI
Indeks hubungan di antara kedua-dua pembolehubah yg mempunyai data nominal secara
dikotomi.
KORELASI TETRACHORIC
Kenal pasti ketekalan dalaman (keseragaman & kesinambungan) antara item dlm
penilaian ujian psikometrik.
Kod 1 ~ jawapan Ya (betul) manakala Kod 0 ~ jawapan Tidak (salah).
PENGUJIAN HIPOTESIS
Pekali Korelasi Pearson digunakan utk menunjukkan darjah hubungan di antara 2
pembolehubah dlm populasi.
1. Pembinaan Hipotesis
3. Pengiraan Statistik
Penggunaan formula ~
Katakan r = +0.88
4. Keputusan
• nilai r lebih besar drpd nilai kritikal 0.632.
~ nilai r = 0.88 berada di kwsn penolakan H0.
~ H0 ditolak tetapi H1 diterima.
~ terdpt hubungan +ve yg signifikan & sederhana tinggi di antara X dgn Y.
1. Pembinaan Hipotesis
• Hipotesis Nul (H0) ~ H0 : Ps = 0
• Hipotesis Pilihan (H1) ~ H1 : Ps ≠ 0
• Hipotesis Terarah ~ nyatakan hbgn +ve atau –ve
4. Keputusan
• r ~ +ve & tinggi.
• nilai r lebih besar drpd nilai kritikal 0.648.
~ nilai r = 0.92 berada di kwsn penolakan H0.
~ H0 ditolak tetapi H1 diterima.
~ terdpt hubungan +ve yg signifikan & tinggi di antara X dgn Y.
5. Interpretasi Keputusan & Rumusan
• Tuliskan keputusan sebagai ~
• r ~ simbol pekali korelasi
•
~ r = pekali korelasi
~ N = jumlah pasangan markat
• Penggunaan darjah kebebasan (dk) ~ N-2 apabila parameter pekali korelasi p = 0.
1. Pembinaan Hipotesis
Hipotesis Nul (H0) ~ H0 : Pxy = 0
Hipotesis Pilihan (H1) ~ H1 : Pxy ≠ 0
Hipotesis Terarah ~ nyatakan hbgn +ve atau –ve
3. Pengiraan Statistik
4. Keputusan
• t ~ +ve & sederhana.
• nilai t lebih besar drpd nilai kritikal 2.306.
~ nilai t = 5.24 berada di kwsn penolakan H0.
~ H0 ditolak
~ terdpt hubungan +ve yg signifikan & sederhana di antara X dgn Y.
5. Interpretasi Keputusan & Rumusan
• Tuliskan keputusan sebagai ~
•
• t ~ simbol taburan t
• (8) ~ nilai darjah kebebasan (dk)
• 5.24 ~ nilai taburan t
• P < 0.05 ~ aras pengujian yg digunakan (tuliskan sama ada lebih besar atau lebih kecil
drpd nilai pengujian signifikan yg digunakan)
BAB 9 METOD REGRESI MUDAH
METOD REGRESI
• Digunakan utk menguji ramalan, anggaran atau jangkaan.
• Metod yg berguna dlm penyelidikan tingkah laku sosial.
• Semakin tinggi nilai r (korelasi) ~ semakin tepat ramalan.
2. Statistik
Uji sama ada parameter β= 0
Penggunaan Statistik t & Taburan t
Formula ~
3. Kriterium Menolak H0
• Penggunaan pengujian 2 hujungan.
• Penggunaan Darjah Kebebasan (dk) ~ N-2.
• Tentukan nilai kritikal t pada Jadual Taburan t.
• H0 akan ditolak sekiranya statistik t yg dikira lebih besar atau lebih kecil drpd nilai
kritikal.
4. Pengiraan Statistik t
• Dptkan nilai ~
• JKDx
• Ralat Piawai Pekali Regresi (Sb)
• Ralat Piawai Ramalan (Sy.x)
• Statistik t
5. Keputusan
• Tengok nilai t lebih besar atau lebih kecil drpd nilai kritikal t.
• Sekiranya nilai t lebih besar ~ H0 ditolak & pekali regresi (b) lebih besar drpd sifar.
• Mampu buat ramalan.
6. Interpretasi
• cth ~ keputusan menunjukkan X mampu meramal Y secara signifikan.
• Perubahan markat X dpt mengesan perubahan markat Y secara signifikan,
t (8) = 5.31, p < 0.05.
2. Statistik
• Metod Regresi (Statistik F) digunakan
• Formula ~
•
3. Kriterium Menolak H0
• Statistik F mempunyai taburan ~ taburan F.
• Darjah kebebasan (dk) 2 komponen anggaran varians yg mempunyai darjah kebebasan P
& (N-P-1).
• cth ~ data mempunyai 1 pembolehubah bebas (peramal) ~ dk1 = (P = 1).
~ N = 10 ~ dk2 = (N-P-1) = (10 – 1 – 1) = 8
~ darjah kebebasan statistik F ~ 1 & 8
~ katakan α= .10
~ nilai kritikal F = 3.46
~ Sekiranya nilai Statistik F melebih nilai kritikal F ~ H0 ditolak.
• Nilai Statistik F tidak mempunyai nilai –ve ~ kira cara jumlah kuasadua.
4. Pengiraan Statistik F
• Formula ~
5. Keputusan
• Tengok nilai F lebih besar atau lebih kecil drpd nilai kritikal F.
• Sekiranya nilai F lebih besar ~ H0 ditolak & pekali regresi (b) lebih besar drpd sifar.
• Mempunyai kuasa ramalan & kesan.
6. Interpretasi
• cth ~ keputusan menunjukkan X mampu meramal Y secara signifikan.
• Perubahan markat X dpt mengesan perubahan markat Y secara signifikan.
• (F (8) = 29.15, p < 0.10)
PENGUJIAN SIGNIFIKAN PERATUS VARIANS
• Pekali Penentuan – kuasadua pekali korelasi (r2) yg menggambarkan % varians
pembolehubah terikat Y yg disumbangkan oleh pembolehubah bebas.
• Ralat Varians (1 – r2) - % varians yg tidak disumbangkan oleh pembolehubah bebas.
BAB 10 ANALISIS PERBANDINGAN MIN DUA SAMPEL KUMPULAN (ujian t )
PEMBENTUKAN HIPOTESIS
Pernyataan Hipotesis Nol (H0)nya ialah :
Min kemurungan pelajar yg mempunyai penghargaan kendiri tinggi tidak berbeza dgn min
kemurungan pelajar yg mempunyai penghargaan kendiri rendah.
KRITERIUM MENOLAK H0
1. Guna Jadual Taburan t
2. Nilai darjah kebebasan, dk yang digunakan diubahsuai kerana nilai varians 2 kumpulan ini
berbeza sehingga melebihi 2 kali ganda
Formula dk :
3. α = .05
Keputusan:
Nilai tkir = 2.209 adalah lebih besar drpd Nilai tkrit (2.086) maka hipotesis nol (H0)
ditolak.
Kesimpulan:
Terdapat perbezaan yg signifikan dalam kemurungan di antara pelajar yg memiliki penghargaan
tinggi dengan (27.2) berbeza dgn pelajar yg memiliki penghargaan rendah (19.6).
Ringkasan APA : t (20) = 2.209, p < .05
PEMBINAAN HIPOTESIS
Kriterium Menolak H0
1. Guna Jadual Taburan t
2. Nilai darjah kebebasan, dk yang digunakan adalah N-1
3. α = .05
Dengan masalah yang dikemukakan selepas ini
Nilai dk = 9
yakni :10 – 1
α = 0.05