Anda di halaman 1dari 91

Pertemuan 3

Estimasi Satu Populasi

Rudi Salam

rudisalam@stis.ac.id - 1
Apa Itu Statistika
Statistika adalah ilmu yang mempelajari cara pengumpulan,
pengolahan, penyajian, dan analisis data serta cara
pengambilan keputusan secara umum berdasarkan hasil
penelitian yang tidak menyeluruh.

Definisi lebih teoretis:


Statistika adalah ilmu dan seni pengembangan dan
penerapan metode yang paling efektif untuk kemungkinan
salah dalam kesimpulan dan estimasi dapat diperkirakan
dengan menggunakan penalaran induktif berdasarkan
matematika probabilitas.

Di dalam statistika ada Ketidakpastian dan Variasi


rudisalam@stis.ac.id - 2
Lebih Lanjut…
Tujuan pengumpulan dan analisis data adalah
untuk mendapatkan informasi. Metode statistik
menyediakan alat untuk mendapatkan informasi
dari data. Metode ini terbagi menjadi dua cabang
 Statistik Deskriptif  MetStat I

 Statistik Inferensia

rudisalam@stis.ac.id - 3
Inferensia Statistik
Inferensia statistik adalah proses di mana kita
mendapatkan informasi dan menarik kesimpulan
tentang populasi dari sampel
Statistics

Data Information

Population
Supaya dapat
melakukan inferensia, Sample

kemampuan dan Inference


pengetahuan descriptive
statistics, distribusi Statistic
peluang, dan distribusi Parameter
sampling diperlukan. rudisalam@stis.ac.id - 4
Inferensia Statistik

Ada dua jenis inferensi: estimasi dan uji hipotesis.

estimasi diperkenalkan terlebih dahulu.

Tujuan dari estimasi adalah untuk menentukan


nilai pendekatan dari parameter populasi
berdasarkan sampel statistik.

E.g., rata-rata sampel ( X ) digunakan untuk


mengestimasi rata-rata populasi ( μ ).

rudisalam@stis.ac.id - 5
Illustrasi
Suatu departemen store tertarik untuk mendirikan
cabang dipinggiran kota dan ingin letaknya
adalah di lokasi dengan rata2 pendapatan
masyarakatnya di atas rata2 nasional.
Bagaimana cara pihak departemen store
mendapatkan data rata2 pendapatan tersebut?

rudisalam@stis.ac.id - 6
Estimasi

 Estimator yang sering digunakan untuk


mengestimasi populasinya adalah rata-rata
sampel, standar deviasi sampel, dan proporsi
sampel.
 Apakah hanya ketiga statistik itu saja yang bisa
digunakan sebagai estimator? Ada yang lain?
 Misalnya, Daripada menggunakan rata-rata
sampel, kenapa tidak menggunakan median
sampel sebagai estimator untuk rata-rata
populasi?
rudisalam@stis.ac.id - 7
Estimasi
 Kenapa rata-rata sampel yang dipilih sebagai
estimator dibandingkan median sampel?
 (Jawab) Karena X-bar adalah good estimator
bagi µ dan lebih baik dibandingkan median
sampel.
 Apa itu good estimator dan apa maksudnya
ketika dikatakan x-bar adalah estimator yang
lebih baik dibandingkan median?

rudisalam@stis.ac.id - 8
Estimasi
 Secara logis dapat diindikasikan bahwa good
estimator adalah yang dekat dengan parameter
populasi.
 Jika Xbar adalah good estimator, maka Xbar
adalah dekat dengan nilai sebenarnya dari µ.
 TETAPI apakah dapat dikatakan bahwa Xbar
lebih dekat dengan µ dibandingkan Xmed?

rudisalam@stis.ac.id - 9
Estimasi
 Ingat bahwa Xbar diperoleh dari suatu sampel
tertentu. Kita tidak bisa mengatakan sesuatu itu
benar atau tidak dari suatu nilai individu.
 Suatu nilai individu dari Xbar akan diketahui
hanya setelah suatu sampel telah dipilih.
Demikian juga nilai Xmed.
 Kita tidak bisa membuat pernyataan umum
bahwa Xbar atau Xmed lebih dekat ke μ.
 Untuk satu sampel, Xbar bisa lebih dekat
dengan µ, dan untuk sampel yang lain, Xmed
bisa lebih dekat dengan µ.
rudisalam@stis.ac.id - 10
Estimasi
 Bagaimana kita akan mengatasi kebuntuan ini
sehingga dapat dikatakan bahwa Xbar lebih
baik dari Xmed sebagai estimator bagi µ?
 (Jawab) Jika sejumlah sampel yang besar telah
diambil, kita akan mempunyai distribusi
sampling dari Xbar dan distribusi sampling dari
Xmed.
 Ternyata distribusi sampling dari Xbar akan
lebih terkonsentrasi di dekat µ dibandingkan
dengan distribusi sampling dari Xmed.

rudisalam@stis.ac.id - 11
Estimasi
 Karena distribusi sampling dari X lebih
terkonsentrasi di dekat μ dibandingkan
distribusi sampling dari Xmed ketika sejumlah
besar sampel diambil, X lebih mungkin dekat
dengan μ dibandingkan Xmed.
 Dalam hal ini dapat dikatakan bahwa X adalah
estimator yang lebih baik dibandingkan Xmed
bagi µ.

rudisalam@stis.ac.id - 12
Good Estimator
 Hal berikutnya yang harus diperhatikan adalah
menentukan kriteria good estimator, dalam arti
bahwa distribusi dari estimator akan
terkonsentrasi di dekat parameter yang
sebenarnya.
 Kriteria good estimator adalah:
• Unbiasedness

• Consistency

• Efficiency

• Sufficiency

rudisalam@stis.ac.id - 13
Estimator yang Tidak Bias
 Suatu unbiased estimator dari parameter
populasi adalah estimator yang nilai
ekspektasinya sama dengan parameternya.

 Misal, rata-rata sampel X adalah estimator


yang unbiased dari rata-rata populasi µ
EX   
karena:

rudisalam@stis.ac.id - 14
Konsistensi
 Konsistensi berarti bahwa, seiring ukuran
sampel yang meningkat, distribusi sampling
dari estimator menjadi semakin terkonsentrasi
pada nilai parameter yang sebenarnya.
 Jika disimbolkan
X  seiring n  
Atau lebih formal
P  X     1 seiring n  
 X adalah estimator yang konsisten bagi μ.

rudisalam@stis.ac.id - 15
Effisiensi
Relative Efficiency
 Jika ada dua estimator tidak bias dari suatu

parameter, yang variansnya lebih kecil


dikatakan relatif efisien.
 Misal, median sampel dan rata-rata sampel

adalah estimator tidak bias dari suatu rata-rata


parameter, bagaimanapun, sampel median
memiliki varians lebih besar dibandingkan
sampel rata-rata, sehingga yang dipilih adalah X
karena relatif efisien jika dibandingkan dengan
median sampel.
rudisalam@stis.ac.id - 16
Effisiensi
 Nilai varians untuk sampel besar
 2
V X   n2
dan V  X med  
2n
 Ketika ukuran sampelnya sama:
V X  2 2
   0, 64
V  X med   3,14

  
Sehingga: V X  V  X med 

 Xbar lebih disukai


rudisalam@stis.ac.id - 17
Effisiensi
Effisien
 Bagaimana jika ditemukan estimator dengan

varians yang lebih kecil daripada varians yang


sudah ada?
 Varians tersebut bisa digunakan sebagai dasar

untuk mengukur effisiensi.


 Estimator tersebut adalah varians paling kecil
adalah estimator yang efisien

rudisalam@stis.ac.id - 18
Effisiensi
 Jika ada suatu batas bawah dan bisa
ditunjukkan bahwa suatu nilai varians tidak bisa
lebih kecil lagi, maka nilai varians itu adalah
yang paling kecil.
 Yang digunakan adalah kata minimum daripada
paling kecil  minimum varians.
 Suatu estimator yang memiliki nilai varians
yang minimum disebut dengan estimator
dengan varians minimum.
 Cramer-Rao  dipelajari di Statmat
rudisalam@stis.ac.id - 19
Effisiensi
Diketahui bahwa     ˆ  X
2
 V X n , dan
mempunyai varians terkecil, sehingga bisa
disimpulkan bahwa Xbar mempunyai varians
minimum dan karena itu merupakan estimator
dengan varians minimum bagi µ.
 Jika digabungkan dapat disimpulkan bahwa
Xbar merupakan estimator yang unbiased,
konsisten, varians minimum bagi µ.

rudisalam@stis.ac.id - 20
Sufficiency
 Sifat good estimator yang dikembangkan oleh
Sir R. A. Fisher.
 Jika Xbar adalah estimator yang sufficient dari
rata-rata populasi µ, artinya bahwa tidak ada
estimator dari mu, seperti median sampel,
dapat menambahkan informasi lebih lanjut
mengenai parameter mu.
 Dapat dibuktikan bahwa Xbar dan proporsi
sampel p-hat adalah statistik cukup (estimator)
bagi μ dan p.

rudisalam@stis.ac.id - 21
Metode Estimasi
Ada banyak metode untuk mendapatkan estimator.
Yang paling utama adalah metode least squares dan
metode maximum likelihood.

rudisalam@stis.ac.id - 22
Jenis Estimasi

 Estimasi titik adalah angka tunggal,


 Estimasi interval (Confidence interval)
memberikan informasi tambahan tentang
variabilitas

Lower Upper
Confidence Confidence
Point Estimate Limit
Limit
Width of
confidence interval
rudisalam@stis.ac.id - 23
Estimasi Titik

Kita dapat mengestimasi Dengan statistik


parameter population Sample
(Estimasi titik)

Mean μ x
Proportion p p

rudisalam@stis.ac.id - 24
Estimasi Titik
Suatu estimator titik menarik kesimpulan tentang populasi
dengan mengestimasi nilai parameter yang tidak diketahui
dengan menggunakan suatu nilai tunggal atau titik.

Kekurangan estimator titik adalah bahwa kita tidak dapat


mengaitkan pernyataan probabilitas dengannya dan
mengatakan seberapa mungkinkah estimator titik (misal
xbar) akan sama dengan parameternya (μ).

Dari teori peluang diketahui bahwa peluang dari suatu titik


pada distribusi kontinu adalah hampir nol.

rudisalam@stis.ac.id - 25
Estimasi Titik
Diharapkan juga bahwa suatu estimator titik akan
semakin dekat dengan nilai parameter ketika ukuran
sampel meningkat, tetapi estimator titik tidak
mencerminkan pengaruh dari ukuran sampel yang
membesar.

Alternatif dalam mengestimasi μ adalah dengan


mengatakan bahwa μ berada di antara dua nilai.

Oleh karena itu kita akan menggunakan estimator


interval untuk memperkirakan parameter populasi.

rudisalam@stis.ac.id - 26
Estimasi Interval

 Seberapa besar ketidakpastian yang


berkaitan dengan suatu estimasi titik dari
parameter populasi?

 Suatu estimasi interval memberikan


informasi yang lebih tentang suatu
karakteristik populasi daripada yang berikan
oleh estimasi titik

 Estimasi interval seperti itu dinamakan


confidence intervals
rudisalam@stis.ac.id - 27
Confidence Interval
 Istilah CI diperkenalkan oleh Prof. J. Neyman.
 Pendekatan CI bisa menghubungkan
pernyataan peluang dan interval.
 Illustrasi CI bagi μ:
Misal terdapat sampel random
x1=1, x2=3, x3=5, x4=7
Dengan rata-rata μ dan standar deviasi σ.
Ingin mengestimasi μ dengan menggunakan
keempat nilai sampel ini.

rudisalam@stis.ac.id - 28
Confidence Interval
X 
 Berdasarkan CLT : z N  0,1
X
 Berdasarkan luas tabel normal, nilai z=1,96
akan bersesuaian dengan peluang sebesar
0,975.
 Sehingga bisa dituliskan
 X  
P  1,96   1,96   0,95
 X 

rudisalam@stis.ac.id - 29
Confidence Interval
 Persamaan tsb diuraikan menjadi
   
P  X  1,96    X  1,96   0,95
 n n

 Bagaimana interpretasinya???
 Ingat bahwa Xbar berdistribusi normal dengan
rata-rata μ dan varian σ2/n.
 Variabel random Xbar mempunyai nilai yang
banyak yaitu Xbar1, Xbar2, … dst

rudisalam@stis.ac.id - 30
Confidence Interval
 Perhatikan Gambar berikut

Tidak memuat μ

rudisalam@stis.ac.id - 31
Confidence Interval
 Peluang bahwa X akan berada dalam interval
  1,96 X adalah 0,95; maksudnya, terdapat 95
kesempatan dari 100 bahwa X akan berada di
antara   1,96 X dan   1,96 X , μ adalah nilai
parameter yang sebenarnya.
 Kita dapat mengharapkan bahwa 95 dari 100
interval tersebut akan memuat μ. Jadi,
   
P  X  1,96    X  1,96   0,95
 n n

rudisalam@stis.ac.id - 32
Confidence Interval
 TETAPI begitu kita memilih suatu sampel dan
menghitung X ,
1
X  1  3  5  7   4
4

 Maka X menjadi fixed sehingga bukan lagi


variabel random.
 Yang kita punya adalah
   
P  4  1,96    4  1,96   0,95
 n n

rudisalam@stis.ac.id - 33
Confidence Interval
 Tetapi
 
4  1,96 ke 4  1,96
n n
adalah interval yang fixed sehingga μ bisa di
dalam dan di luar interval. Jadi peluangnya bisa
0 atau 1.
 Misalkan a dan b adalah dua batas yang
dihasilkan dari suatu sampel tertentu, maka
P  a    b   0,95
bukan peluang yang legitimate.
rudisalam@stis.ac.id - 34
Confidence Interval
 J. Neyman menamakan interval tersebut
dengan confidence interval, dan 0,95
dinamakan confidence coefficient untuk
membedakan dengan peluang.
 Ringkasnya, 100(1-α)% CI untuk parameter μ
adalah
X  z X    X  z X
dan
P  X  z X    X  z X   1  

rudisalam@stis.ac.id - 35
Confidence Interval

P  X  z X    X  z X   1  

X adalah rata-rata sampel, 1-α adalah


koefisien kepercayaan, z adalah deviasi yang
bersesuaian dengan α (tingkat signifikansi)
yang diperoleh dari tabel normal, dan  X
adalah standar error.

rudisalam@stis.ac.id - 36
Confidence Interval Estimate

 Suatu interval memberikan range nilai:


 Mempertimbangkan variasi pada statistik
sampel dari sampel ke sampel
 Berdasarkan observasi dari 1 sample
 Memberikan informasi tentang kedekatan
pada parameter populasi yang tidak diketahui
 Dinyatakan dalam suatu level kepercayaan
 Tidak pernah 100% pasti

rudisalam@stis.ac.id - 37
Proses Estimasi

Random Sample I am 95%


confident that
μ is between
Population Mean 40 & 60.
(mean, μ, is x = 50
unknown)

Sample

rudisalam@stis.ac.id - 38
Formula Umum

 Formula umum untuk semua


interval kepercayaan adalah:

Point Estimate  (Critical Value)(Standard Error)

rudisalam@stis.ac.id - 39
Tingkat Kepercayaan

 Tingkat Kepercayaan atau


Confidence Level
 Kepercayaan di mana interval akan
memuat parameter populasi yang
tidak diketahui
 Suatu persentase (kurang dari 100%)

rudisalam@stis.ac.id - 40
Tingkat Kepercayaan, (1-)
(continued)
 Misal tingkat kepercayaan = 95%
 Ditulis juga (1 - ) = 0,95
 Suatu interpretasi dari frekuentsi relatif:
 Dalam jangka panjang, 95% dari semua selang
kepercayaan yang bisa dibuat akan memuat
parameter sebenarnya yang tidak diketahui.
 Suatu interval bisa memuat atau tidak
memuat parameter yang sebenarnya
 No probability involved in a specific interval

rudisalam@stis.ac.id - 41
Confidence Intervals

Confidence
Intervals

Population Population
Mean Proportion

σ Known σ Unknown

rudisalam@stis.ac.id - 42
Confidence Interval for μ
(σ Known)
 Assumptions
 Population standard deviation σ is known

 Population is normally distributed

 If population is not normal, use large sample

 Confidence interval estimate

σ
x  z α/2
n
rudisalam@stis.ac.id - 43
Finding the Critical Value
 Consider a 95% confidence interval: z α/2  1.96
1   .95

α α
 .025  .025
2 2

z units: z.025= -1.96 0 z.025= 1.96


Lower Upper
x units: Confidence Point Estimate Confidence
Limit Limit

rudisalam@stis.ac.id - 44
Common Levels of Confidence

 Commonly used confidence levels are


90%, 95%, and 99%
Confidence
Confidence z value,
Coefficient,
Level
1  z /2
80% .80 1.28
90% .90 1.645
95% .95 1.96
98% .98 2.33
99% .99 2.57
99.8% .998 3.08
99.9% .999 3.27
rudisalam@stis.ac.id - 45
Interval and Level of Confidence
Sampling Distribution of the Mean

/2 1  /2
x
Intervals μx  μ
extend from x1
σ x2 100(1-)%
x  z /2 of intervals
n
to constructed
σ contain μ;
x  z /2
n 100% do not.
Confidence Intervals
rudisalam@stis.ac.id - 46
Margin of Error

 Margin of Error (e): the amount added and


subtracted to the point estimate to form the
confidence interval

Example: Margin of error for estimating μ, σ known:

σ σ
x  z /2 e  z /2
n n

rudisalam@stis.ac.id - 47
Factors Affecting Margin of Error

σ
e  z /2
n
 Data variation, σ : e as σ

 Sample size, n : e as n

 Level of confidence, 1 -  : e if 1 - 

rudisalam@stis.ac.id - 48
Contoh

 Sampel 11 sirkuit dari populasi normal yang


besar memiliki rata-rata ketahanan 2,20
ohm. Dari pengujian terakhir diketahui
bahwa standar deviasi populasi adalah 0,35
ohm
 Tentukan 95% confidence interval bagi
rata-rata yang sebenarnya dari ketahanan
populasi.

rudisalam@stis.ac.id - 49
Contoh
(continued)
 Sampel 11 sirkuit dari populasi normal yang
besar memiliki rata-rata ketahanan 2,20 ohm.
Dari pengujian terakhir diketahui bahwa
standar deviasi populasi adalah 0,35 ohm.
σ
 Solution: x  z /2
n

 2.20  1.96 (.35/ 11)


 2.20  .2068
1.9932 .......... ..... 2.4068
rudisalam@stis.ac.id - 50
Interpretation

 Kita 95% percaya bahwa rata-rata sebenarnya


dari resistance adalah di antara 1,9932 dan
2,4068 ohms
 Meskipun rata-rata yang sebenarnya berada
atau tidak berada pada interval tersebut, 95% of
intervals formed in this manner will contain the
true mean

rudisalam@stis.ac.id - 51
Interpretation

 Interpretasi yang tidak benar adalah bahwa


Terdapat 95% peluang bahwa interval ini
memuat rata-rata populasi yang sebenarnya.
(Interval ini bisa memuat atau tidak memuat rata-
rata yang sebenarnya, tidak ada peluang untuk
suatu interval tunggal)

rudisalam@stis.ac.id - 52
Confidence Intervals

Confidence
Intervals

Population Population
Mean Proportion

σ Known σ Unknown

rudisalam@stis.ac.id - 53
Confidence Interval for μ
(σ Unknown)

 Jika standar deviasi populasi σ tidak


diketahui, kita dapat mengganti dengan
sampel standar deviasi s.
 Ini akan menambah ketidakpastian
karena s adalah variabel dari sampel ke
sampel.
 Sehingga yang digunakan adalah
distribusi-t bukan distribusi normal.
rudisalam@stis.ac.id - 54
Confidence Interval for μ
(σ Unknown)
(continued)
 Assumptions
 Population standard deviation is unknown
 Population is normally distributed
 If population is not normal, use large sample
 Use Student’s t Distribution
 Estimasi Confidence Interval

s
x  t /2
n
rudisalam@stis.ac.id - 55
Student’s t Distribution

 t merupakan keluarga distribusi.


 Nilai t tergantung pada derajat kebebasan
(d.b.)
 Banyaknya observasi yang bebas untuk bervariasi
setelah rata-rata sampel dihitung.

d.f. = n - 1

rudisalam@stis.ac.id - 56
Degrees of Freedom (df)
Ide: banyaknya observasi yang bebas untuk bervariasi
setelah rata-rata sampel dihitung.
Example: Suppose the mean of 3 numbers is 8.0

Let x1 = 7
If the mean of these three
Let x2 = 8
values is 8.0,
What is x3? then x3 must be 9
(i.e., x3 is not free to vary)
Here, n = 3, so degrees of freedom = n -1 = 3 – 1 = 2
(2 values can be any numbers, but the third is not free to vary
for a given mean)
rudisalam@stis.ac.id - 57
Student’s t Distribution
Note: t z as n increases

Standard
Normal
(t with df = )

t (df = 13)
t-distributions are bell-
shaped and symmetric, but
have ‘fatter’ tails than the t (df = 5)
normal

0 t
rudisalam@stis.ac.id - 58
Student’s t Table

Upper Tail Area


Let: n = 3
df .25 .10 .05 df = n - 1 = 2
 = .10
1 1.000 3.078 6.314 /2 =.05

2 0.817 1.886 2.920


3 0.765 1.638 2.353 /2 = .05

The body of the table


contains t values, not 0 2.920 t
probabilities
rudisalam@stis.ac.id - 59
t distribution values
With comparison to the z value

Confidence t t t z
Level (10 d.f.) (20 d.f.) (30 d.f.) ____

.80 1.372 1.325 1.310 1.28


.90 1.812 1.725 1.697 1.64
.95 2.228 2.086 2.042 1.96
.99 3.169 2.845 2.750 2.57

Note: t z as n increases
rudisalam@stis.ac.id - 60
Example
A random sample of n = 25 has x = 50 and
s = 8. Form a 95% confidence interval for μ

 d.f. = n – 1 = 24, so t /2 , n1  t.025,24  2.0639

The confidence interval is


s 8
x  t /2  50  (2.0639)
n 25
46.698 …………….. 53.302

rudisalam@stis.ac.id - 61
Approximation for Large Samples

 Since t approaches z as the sample size


increases, an approximation is sometimes
used when n  30:

Technically Approximation
correct for large n

s s
x  t /2 x  z /2
n n

rudisalam@stis.ac.id - 62
Determining Sample Size
 The required sample size can be found to
reach a desired margin of error (e) and
level of confidence (1 - )

 Required sample size, σ known:

2
σ  z /2 σ 
2 2
z
n /2
 
 e 
2
e
rudisalam@stis.ac.id - 63
Required Sample Size Example
If  = 45, what sample size is needed to be
90% confident of being correct within ± 5?

2 2
 z /2 σ   1.645(45) 
n     219.19
 e   5 

So the required sample size is n = 220

(Always round up)

rudisalam@stis.ac.id - 64
If σ is unknown

 If unknown, σ can be estimated when


using the required sample size formula
 Use a value for σ that is expected to be
at least as large as the true σ

 Select a pilot sample and estimate σ with


the sample standard deviation, s

rudisalam@stis.ac.id - 65
Confidence Intervals

Confidence
Intervals

Population Population
Mean Proportion

σ Known σ Unknown

rudisalam@stis.ac.id - 66
Confidence Intervals for the
Population Proportion, p

 An interval estimate for the population


proportion ( p ) can be calculated by
adding an allowance for uncertainty to

the sample proportion ( p )

rudisalam@stis.ac.id - 67
Confidence Intervals for the
Population Proportion, p
(continued)
 Recall that the distribution of the sample
proportion is approximately normal if the
sample size is large, with standard deviation

p(1  p)
σp 
n
 We will estimate this with sample data:

ˆ  p)
p(1 ˆ
s pˆ 
n
rudisalam@stis.ac.id - 68
Confidence interval endpoints
 Upper and lower confidence limits for the
population proportion are calculated with the
formula

pˆ (1  pˆ )
pˆ  z /2
n
 where
 z is the standard normal value for the level of confidence desired

 p is the sample proportion
 n is the sample size

rudisalam@stis.ac.id - 69
Contoh

 Sampel acak 100 orang menunjukkan


bahwa 25 diantaranya adalah kidal.
 Bentuklah 95% interval kepercayaan
untuk proporsi sebenarnya dari orang
kidal.

rudisalam@stis.ac.id - 70
Contoh
(continued)
 A random sample of 100 people shows
that 25 are left-handed. Form a 95%
confidence interval for the true proportion
of left-handers.
1. pˆ  25/100  0.25
2. S pˆ  pˆ (1  pˆ )/n  0.25(0.75)/n  0.0433

3. .25  1.96 (.0433)


0.1651 . . . . . 0.3349
rudisalam@stis.ac.id - 71
Interpretation

 We are 95% confident that the true


percentage of left-handers in the population
is between
16.51% and 33.49%.

 Although this range may or may not contain


the true proportion, 95% of intervals formed
from samples of size 100 in this manner will
contain the true proportion.

rudisalam@stis.ac.id - 72
Changing the sample size

 Increases in the sample size reduce


the width of the confidence interval.

Example:
 If the sample size in the above example is
doubled to 200, and if 50 are left-handed in the
sample, then the interval is still centered at .25,
but the width shrinks to
.19 …… .31

rudisalam@stis.ac.id - 73
Finding the Required Sample Size
for proportion problems

 
Define the p(1  p)
margin of error: e  z/2
n
 
z 2
p (1  p)
Solve for n: n /2
2
e
p can be estimated with a pilot sample, if
necessary (or conservatively use p = .50)

rudisalam@stis.ac.id - 74
What sample size...?

 How large a sample would be necessary


to estimate the true proportion defective in
a large population within 3%, with 95%
confidence?

(Assume a pilot sample yields p = .12)

rudisalam@stis.ac.id - 75
What sample size...?
(continued)

Solution:
For 95% confidence, use Z = 1.96
e = .03

p = .12, so use this to estimate p

z2 /2 pˆ (1  pˆ ) (1.96)2 (.12)(1  .12)


n 2
 2
 450.74
e (.03)
So use n = 451

rudisalam@stis.ac.id - 76
Estimasi Varians

 Estimasi interval dari varians dapat dibuat


dengan menggunakan statistik

X2 
 
n  1 S 2

2
 Jika sampel diambil dari populasi
normal, maka X2 berdistribusi khi-
kuadrat dengan derajat bebas v=n-1

rudisalam@stis.ac.id - 77
Estimasi Varians

 Bisa dituliskan
P 2
1 2  X   2   1  
2 2

 2
P  1 2 
 n  1 S 2

  2   1  
2

  2

  n  1 S 2  n  1 S 
2

P   2
  1
  2 2
 2 
 1 2 
Chap 7-78
Estimasi Varians

2 2 2

Gambar P 1 2  X   2  1  

Chap 7-79
Estimasi Varians

 Jika s2 adalah varians sampel acak


dengan ukuran n dari populasi normal,
maka CI 100(1-α)% untuk σ2 adalah
 n  1 S 2   2   n  1 S 2
2 2 12 2
 2
 2
Di mana 1 2 dan  2 masing-masing
adalah nilai khi-kuadrat dengan df v=n-1.

Chap 7-80
Contoh

The following are the weights, in decagrams,


of 10 packages of grass seed distributed by a
certain company: 46.4, 46.1, 45.8, 47.0, 46.1,
45.9, 45.8, 46.9, 45.2, and 46.0. Find a 95%
confidence interval for the variance of the
weights of all such packages of grass seed
distributed by this company, assuming a
normal population.

Chap 7-81
Contoh

Solusi:
Pertama kita cari

Chap 7-82
Contoh

Chap 7-83
SOAL LATIHAN

rudisalam@stis.ac.id - 84
Soal 1

Suatu perusahaan listrik yang membuat


bola lampu yang panjang umurnya
berdistribusi hampir normal dengan
simpangan baku 40 jam. Bila sample 30
bola lampu berumur rata-rata 780 jam,
hitunglah selang kepercayaan 96% untuk
rata-rata populasi bola lampu yang
dihasilkan perusahaan tersebut

rudisalam@stis.ac.id - 85
Soal 2

Berapa besarkah sampel diperlukan pada


soal 1 bila diinginkan kepercayaan 96%
agar rata-rata sampel paling banyak
meleset 10 jam dari rata-rata
sesungguhnya?

rudisalam@stis.ac.id - 86
Soal 3

Sebuah mesin menghasilkan potongan


logam yang berbentuk silinder. Sampel
beberapa potongan diukur dan ternyata
diameternya 1,01 ; 0,97 ; 1,03 ; 1,04 ; 0,99 ;
0,98 ; 0,99 ; 1,01 ; dan 1,03 cm. hitunglah
selang kepercayaan 99% untuk rata-rata
diameter potongan yang dihasilkan mesin
tersebut bila dimisalkan distribusinya
hampir normal
rudisalam@stis.ac.id - 87
Soal 4

Sampel acak 12 lulusan suatu sekolah


sekretaris mengetik rata-rata 79,3 kata per
menit dengan standar deviasi 7,8 kata per
menit. Anggap jumlah kata yang diketik per
menit berdistribusi normal. Buatlah selang
kepercayaan 95% untuk rata-rata jumlah
kata yang diketik per menit oleh semua
lulusan sekolah tadi

rudisalam@stis.ac.id - 88
Soal 5

Suatu sampel acak 200 pemilih diambil dan


ternyata 114 daripadanya mendukung
calon A. Hitunglah selang kepecayaan 96%
untuk proporsi populasi pemilih yang
mendukung calon A.

rudisalam@stis.ac.id - 89
Soal 6

Dari suatu sampel acak 1000 rumah di


suatu kota ternyata 228 menggunakan gas
elpiji. Cari selang kepercayaan 99% untuk
proporsi rumah di kota tadi yang
menggunakan gas elpiji.

rudisalam@stis.ac.id - 90
Soal 7
Suatu sistem peluncur roket tertentu sedang
dipertimbangkan untuk dipakai meluncurkan
sejumlah roket jarak pendek. Sistem yang
sekarang mempunyai peluang berhasil
meluncurkan sebuat roket p=0,8. Sampel 40
peluncuran percobaan dengan system yang baru
menunjukkan 34 yang berhasil.
a. Buatlah selang kepercayaan 95% untuk p.
b. Apakah kenyataannya cukup besar untuk
mendukung bahwa sistem yang baru ini lebih
baik? Jelaskan.
rudisalam@stis.ac.id - 91

Anda mungkin juga menyukai