Kelas LB UB Oj
Kelas Lower bound Upper bound Jumlah data yang masuk di range LB
ke brp untuk kelas untuk kelas hingga UB. Yang dihitung yang di
ini ini antara aja (tandanya >/< tanpa sama
dengan kecuali yang kelas 1, data
yang >= LB ikut. Dan data di kelas 2,
data yang <= UB ikut.
3. Estimasi Parameter
Taksiran maximum likelihood untuk parameter beberapa distribusi:
𝑏 = 𝑚𝑎𝑥 {𝑥𝑖}
Exponential 𝑛
∑ 𝑥𝑖
Uniform (discrete)
β= 𝑖=1
𝑛
note:
β = 𝑟𝑎𝑡𝑎2
1
λ = β
Run Test
Langkah2:
1.
4. Goodness of Fit Test
Digunakan untuk menguji hipotesis 0 bahwa suatu data yang diambil secara random
memiliki distribusi probabilitas teoritis tertentu.
H0: X memiliki distribusi probabilitas teoritis f(x)
H1: X tidak memiliki distribusi probabilitas teoritis f(x)
- (Buat tabel paling kanan) Jika nilai frekuensi <5, maka kelas digabung dengan
kelas yang bersebelahan sehingga frekuensi teoritisnya >= 5
- Hitung calculated chisq: SUM dari tabel paling kanan (yg (o-e)^2/e)
- Tentuin v (degree of freedom) dari jumlah baris tabel paling kanan (barangkali
ada yg <5 jadi ngikut ke atasnya jadi n nya belum tentu sama dengan k)
v=n-1
- Hitung chisq referensi dari tabel chisq, dengan alpha biasanya 0.05 kalo ga
dikasi kalo v nya sesuai yg di atas
- Bandingin calculated sama ref, jika calc<ref, terima H0. vice versa.
Analisis Output & Validasi
Taksiran Titik
Mencari nilai rataan dan standar deviasi untuk populasi dari sampel.
Rumusnya:
Taksiran Interval
Kalau taksiran titik tuh dia ga ngasih satu level keakuratannya berapa, bisa pake taksiran
interval buat tau. Intinya sama buat cari nilai rataan utk populasi dr sampel.
Notes: nyari rataan (Xbar) dan simpangan baku (s) bisa pake kalku. Caranya tuh kek kalo mau
regresi gitu.
Jumlah Replikasi
Jumlah replikasi dicari buat tau butuh berapa kali replikasi kalo mau nge-simul. Ada dua tipe
1. Replikasi biasa
Ini misal e (tingkat error) yg dipengenin tuh berupa bilangan integer gt. Misal, e = 1
berarti dia pengen error-nya 1 data aja. Rumusnya gini:
2. Replikasi relatif
Kalau yg ini tuh nilai e-nya berupa persentase. Misal e’ = 10% dr keseluruhan data. Jadi
yg dimasukin ya nilai persentasenya (kalo e’ = 10%, yg dimasukin di rumus 0,1).
Rumusnya gini:
Uji Variansi
Uji ini tuh buat membuktikan variansi antara model (hasil simulasi) dengan aktual sama atau
ngga. Misal sama, berarti model tervalidasi.
Hipotesis-nya gini:
*Sigma kuadrat tuh maksudnya variansi populasi, tp nti yg dipake buat diuji tuh s kuadrat (sama
aja tp klo s berarti punyanya sampel)*
Langkah-langkah:
1. Tulisin hipotesis yg di atas dulu!
2. Ngehitung F statistik pake rumus ini:
3. Ngehitung nilai F kritis. Kan tadi H1-nya tuh “tidak sama dengan”, bukan cuma “<”/”>” jd
dia two-tailed. Makanya nti alfa-nya jd alfa/2 gt. Nah buat carinya tuh pake tabel F (inget
posisi v1 & v2 yah). F kritis-nya jadi ada 2, yakni:
dan
Nilainya kan jadinya ada 2, nah itu jadi batas atas (yg nilainya lebih besar) dan batas
bawah (yg nilainya lebih kecil)
4. Nah buat yg f(1-alfa/2;v1;v2) kan gaada di tabel. Jadinya pake pendekatan ini:
1
𝑓 α = 𝑓
(1− ; 𝑣1; 𝑣2)
2
α
( 2 ; 𝑣2; 𝑣1)
Notes:
- Nilai “miu1-miu2” = 0, karena sesuai H0 di awal
- Inget itu akarnya buat 1/n1 doang dan lgsg dikaliin ke Sp, baru ditambah ke 1/n2
5. Cari nilai t kritis pake tabel t. Inget alfa-nya tuh alfa/2 karena two-tailed. Ada dua, yaitu:
ANOVA
ANOVA 1 faktor
*tergantung kalku masing2
Contoh buat guide:
Simpen hasil σs^2 * n → SHIFT > RCL [STO] *sesuai kalku masing2, cari yg
STO > huruf A (terserah huruf apa). Lakuin buat seluruh kolom (misal, hasil
kolom X disimpen di A, kolom Y di B, kolom Z di C)
- SSE = Sum dari seluruh kolom (A+B+C)
SST (Total):
- Sama kayak yg atas, bedanya pas masukin di tabel bener2 masukin semua
datanya dari kolom X, Y, Z
- Itung σs^2 * n (n nya jumlah data keseluruhan, di contoh brrti n =12). Hasilnya
itu adalah SST
SSA (Treatment):
- SSA = SST - SSE
2. Cari df
- Treatment: k - 1 (jml kolom/perlakuan - 1)
- Error: n - k (jml seluruh data - jml kolom)
- Total: n - 1 (jml data - 1)
3. Cari MS (Mean Square)
- MS = SS/df
4. Cari F hitung
- F hitung = MS Treatment / MS Error
5. Cari F kritis.
→ Mau bandingin antar alternatif, jadi pake one tail aja
H0: miu 1 = miu 2 = miu 3 = …
H1: setidaknya 1 berbeda signifikan
- Cari F tabel: f(alfa;v1;v2)
- Bandingin F hitung dgn F tabel
- F hitung > F tabel → tolak H0
ANOVA 2 faktor
Pokonya caranya sama kyk 1 faktor, bedanya perlu itung SSA, SSB, SSAB jg.
SSA:
- Itung pake means yang emot senyum (yg 2,625 & 6,25) → means ini dimasukin ke tabel
di kalku, trs itung SS nya
SSB:
- Sama kyk SSA, tp pake means yg emot lope (yg di bawah: 4,125 & 4,75) → masukin ke
tabel, itung SS nya
SSE:
- Yg dimasukin ke tabel itu tiap kombinasi, misal (A1), trs itung σs^2 * n nya (dgn n =
jumlah data di kombinasi itu), lakuin buat tiap kombinasi (A2, B1, B2)
- Jumlahin hasil semua kombinasinya
SST:
- Yg dimasukin ke tabel itu lgsg bener2 semuanya, itung σs^2 * n (dgn n = jml data
keseluruhan)
SSAB:
- SSAB = SST - SSA - SSB - SSAB - SSE
Duncan
1. Hitung rata-rata tiap perlakuan (tiap kolom), terus urutin dari kecil ke gede
Tukey
1. Cari nilai q (a, k, v) dari tabel
a = alfa, k = jumlah treatment, v = dof (jml data - jml treatment)
2. Hitung omega (omega = q tabel * akar(s^2/n))
● Distribusi Normal
● Distribusi Uniform
● Distribusi Poisson
● Distribusi Binomial
● Distribusi Triangular
Tabel Chi Square
Tabel T
Tabel Z
Tabel f
Tabel Duncan
Tabel Tukey
Tabel Runtest