KELOMPOK BAKAT 1
LAILA NAFISATUS S. 111911133054
PRAHESSA IBNU ALHAFIZ 111911133116
ANUGRAHA BIMANTARA SAKTI 111911133133
M. FAHMI ULIN NUHA 111911133156
NAJMI DUTA PRATAMA 111911133204
SABRINA SYAFITRI REGITA PUTRI 111911133214
PENGUKURAN C-1
UNIVERSITAS AIRLANGGA
2020/2021
RESUME VIDEO
5,6,7,9,10,9,7,8
Jawab: µ= ∑x
N
= 5+6+7+9+10+9+7+8 = 7,625
8
2. Median (Nilai Tengah)
Data tunggal:
N (Jumlah Frekuensi)
Data berkelompok:
Xii = batas bawah median
Fi = Frekuensi data kelas median
Fkii = frekuensi kumulatif dibawah kelas
median
P= panjang interval kelas
N= jumlah data
Xii = 60,5
N= 26
Fkii = 9
Fi = 5
P=5
= 64,5
4. Persentil,
Lalu ada persentil. Merupakan bilangan yang membagi bilangan menjadi 100 bagian
sama banyak setelah diurutkan dari yang terkecil hingga yang terbesar. Persentil juga
sering disebut juga sebagai aturan perseratusan
Video 4: Simetri dan Kemiringan
Merupakan sebuah bentuk dari distribusi. Histogram, stemplots, boxplots dapat digunakan ketika
membahas mengenai Simetri dan Kemiringan. Sebuah distribusi dapat dikatakan menjadi
simetris apabila dapat dibagi menjadi dua bentuk yang sama besar (simetris). Sebaliknya, bentuk
distribusi yang tidak simetris dikategorikan sebagai distribusi miring (skewed distribution).
Berikut contoh gambar simetri dan kemiringan:
Sumber: Google
Jika sebagian besar data berada di sisi kiri histogram tetapi beberapa nilai yang lebih besar
berada di sisi kanan, data tersebut dikatakan miring ke kanan.
Histogram A pada gambar menunjukkan contoh data yang miring ke kanan. Beberapa nilai yang
lebih besar membawa rerata ke atas tetapi tidak benar-benar memengaruhi median. Jadi, jika data
miring ke kanan, mean lebih besar dari median. Contoh dari data tersebut adalah gaji tim NBA di
mana pemain bintang menghasilkan lebih banyak daripada rekan satu tim mereka.
Jika sebagian besar data berada di kanan, dengan beberapa nilai yang lebih kecil muncul di sisi
kiri histogram, data miring ke kiri.
Histogram B pada gambar menunjukkan contoh data yang miring ke kiri. Beberapa nilai yang
lebih kecil menurunkan rata-rata, dan median terpengaruh secara minimal (jika ada). Contoh data
miring-kiri adalah jumlah waktu yang digunakan siswa untuk mengikuti ujian; beberapa siswa
pergi lebih awal, lebih banyak dari mereka tinggal lebih lama, dan banyak yang tinggal sampai
akhir yang pahit (beberapa akan tinggal selamanya jika mereka bisa!). Jika data miring ke kiri,
mean lebih kecil dari median.
Jika datanya simetris, mereka memiliki bentuk yang hampir sama di kedua sisi tengahnya.
Dengan kata lain, jika kita melipat histogram menjadi dua, histogram terlihat hampir sama di
kedua sisi.
Histogram C pada gambar menunjukkan contoh data simetris. Dengan data simetris, mean dan
median saling berdekatan.
Video 5: Explanatory and Response Variables, Correlation (2.1) / Variabel Penjelasan, Variabel
Respon, dan Korelasi
Scatterplot
Representasi grafis dari dua variabel kuantitatif di mana variabel penjelas berada pada
sumbu x dan variabel respons pada sumbu y. Scatterplot juga dapat digunakan untuk
menampilkan hubungan antara variabel penjelas dan variabel respons. Atau, diagram
sebar dapat digunakan untuk memeriksa hubungan antara dua variabel dalam situasi
di mana tidak ada variabel penjelas dan tanggapan yang jelas. Misalnya, kami
mungkin ingin memeriksa hubungan antara tinggi dan berat dalam sampel tetapi tidak
memiliki hipotesis tentang variabel mana yang memengaruhi variabel lainnya; dalam
hal ini, tidak masalah variabel mana yang berada pada sumbu x dan variabel mana
yang berada pada sumbu y.
Bivariate Outliers
adalah pengamatan yang tidak sesuai dengan pola umum pengamatan lainnya.
Bisa saja tidak terdapat variabel respon dan variabel penjelasan apabila variabel
yang dibandingkan tidak memiliki hubungan
Korelasi (r)
1. −1≤r≤ + 1−1≤r≤ + 1
2. Untuk asosiasi positif, r> 0r> 0, untuk asosiasi negatif r <0r <0, jika tidak ada
hubungan r = 0r = 0
4. Korelasi adalah unit gratis; variabel xx dan yy TIDAK perlu dalam skala yang
sama (misalnya, dimungkinkan untuk menghitung korelasi antara tinggi dalam
sentimeter dan berat dalam pon)
5. Tidak masalah variabel mana yang kita beri label sebagai xx dan yang kita beri
label yy. Korelasi antara xx dan yy sama dengan korelasi antara yy dan xx.
• Area di bawah kurva kepadatan dan di atas rentang nilai apa pun adalah frekuensi relatif dari
semua pengamatan yang termasuk dalam kisaran itu.
1. Selalu positif
2. dan ∫∞ − ∞f (x) d (x) = 1
3. Jadi fungsi kerapatan F (∞) = 1 kecuali jika dibatasi. jika a adalah batas atas untuk x
maka. F (a) = 1 dimana f (x≥a) = 0
Kurva kepadatan dapat berupa beberapa bentuk ataupun bermacam ukuran, dan tiap-tiap
jenis kurva kepadatan memiliki namanya sendiri, contohnya:
1. Uniform Distribution
Tiap interval mempunyai frekuensi nilai data yang sama dan seragam pada seluruh data
set
2. Triangular Distribution
Bentuknya mirip dengan segitiga
VIDEO 7
Distribusi normal adalah distribusi probabilitas kontinu yang simetris pada kedua sisi mean,
sehingga sisi kanan tengah merupakan bayangan cermin dari sisi kiri. Area di bawah kurva
distribusi normal mewakili probabilitas dan total area di bawah kurva berjumlah satu. Sebagian
besar nilai data kontinu dalam distribusi normal cenderung mengelompok di sekitar mean, dan
semakin jauh nilai dari mean, semakin kecil kemungkinannya untuk terjadi. Ekornya asimtotik,
yang berarti bahwa mereka mendekati tetapi tidak pernah benar-benar memenuhi cakrawala
(yaitu sumbu x).
Distribusi normal adalah distribusi probabilitas terpenting dalam statistik karena banyak data
kontinu di alam dan psikologi menampilkan kurva berbentuk lonceng ini ketika disusun dan
dibuat grafiknya. Misalnya, jika kita mengambil sampel 100 orang secara acak, kita akan melihat
kurva frekuensi distribusi normal untuk banyak variabel kontinu, seperti IQ, tinggi badan, berat
badan, dan tekanan darah.
Uji signifikansi parametrik memerlukan distribusi normal dari titik data sampel
Tes statistik (parametrik) paling kuat yang digunakan oleh psikolog membutuhkan data untuk
didistribusikan secara normal. Jika data tidak menyerupai kurva lonceng, peneliti mungkin harus
menggunakan jenis uji statistik yang kurang efektif, yang disebut statistik non-parametrik.
Untuk distribusi normal sempurna, mean, median, dan mode akan memiliki nilai yang sama,
yang secara visual diwakili oleh puncak kurva.
Distribusi normal menjadi lebih jelas (yaitu sempurna) semakin baik tingkat pengukurannya dan
semakin besar sampel dari suatu populasi. kita dapat menghitung koefisien yang memberi tahu
kami tentang ukuran ekor distribusi dalam kaitannya dengan tonjolan di tengah kurva lonceng.
Misalnya, tes Kolmogorov Smirnov dan Shapiro-Wilk dapat dihitung menggunakan SPSS.
Tes ini membandingkan data dengan distribusi normal dan memberikan nilai p, yang jika
signifikan (p <.05) menunjukkan data kita berbeda dengan distribusi normal (oleh karena itu,
pada kesempatan ini kami tidak menginginkan hasil yang signifikan dan memerlukan p-value
lebih tinggi dari 0,05).
Distribusi normal biasanya dikaitkan dengan aturan 68-95-99.7 dimana 68% data berada
dalam 1 standar deviasi (σ) dari mean (μ), 95% data berada dalam 2 standar deviasi (σ) dari
mean (μ), dan 99,7% data berada dalam 3 standar deviasi (σ) dari mean (μ).
VIDEO 8
Sederhananya, skor-z (juga disebut skor standar) memberi kita gambaran tentang
seberapa jauh titik data dari mean. Tapi yang lebih teknis, ini adalah ukuran dari berapa banyak
deviasi standar di bawah atau di atas populasi yang berarti skor mentahnya.
Skor-z dapat ditempatkan pada kurva distribusi normal. Nilai Z berkisar dari -3 standar deviasi
(yang akan jatuh ke paling kiri dari kurva distribusi normal) hingga +3 standar deviasi (yang
akan jatuh ke paling kanan dari kurva distribusi normal). Untuk menggunakan skor-z, Anda
perlu mengetahui mean μ dan juga deviasi standar populasi σ.
Skor-Z adalah cara untuk membandingkan hasil dengan populasi "normal". Hasil dari tes atau
survei memiliki ribuan kemungkinan hasil dan unit; hasil tersebut seringkali tampak tidak
berarti. Misalnya, mengetahui bahwa berat seseorang 150 pon mungkin merupakan informasi
yang baik, tetapi jika kita ingin membandingkannya dengan berat badan “rata-rata” orang,
melihat tabel data yang sangat banyak dapat membuat kitakewalahan (terutama jika beberapa
bobot dicatat dalam kilogram) . Skor-z dapat memberi tahu kita di mana berat badan orang itu
dibandingkan dengan rata-rata berat badan populasi.
z = (x – μ) / σ
Skor z memberi tahu kita berapa banyak deviasi standar dari rata-rata skor.
Secara teknis, skor-z adalah jumlah deviasi standar dari nilai rata-rata populasi referensi
(populasi yang nilai-nilainya diketahui telah dicatat, seperti dalam bagan ini yang dikumpulkan
CDC tentang bobot orang). Sebagai contoh: