ESTIMASI/PENDUGAAN

Besaran atau nilai yang

berasal dari populasi  PARAMETER
 
Besaran atau nilai yang
berasal dari sampel  STATISTIK
 
Estimasi / Pendugaan / Penaksiran :
Menduga atau memperkirakan PARAMETER
dengan atau melalui STATISTIK.
 
Contoh : X sebagai penduga bagi 
s sebagai penduga bagi 
Sifat atau ciri penduga atau estimator yang baik :
A. Tidak bias
B. Efisien dan
C. Konsisten

Tidak bias : apa yang diduga tidak berbeda dg

penduganya

Penduga disebut efisien bila mempunyai varians

yang lebih kecil

Penduga adalah konsisten bila dengan sampel yang

semakin besar, penduga tersebut semakin mengarah
pada satu nilai tertentu
Macam : Estimasi Titik (Point Estimate)
Estimasi Interval (Interval Estimate)

Estimasi titik mempunyai ketepatan tinggi, tetapi

probabilita untuk benar-nya sangat kecil.

Estimasi interval probabilita untuk benar-nya makin besar,

tetapi ketepatan pendugaannya makin berkurang

Ada trade-off antara ketepatan pendugaan dengan

probabilita untuk menduga dengan benar,
Rumus dasar estimasi interval :
 
Confidence Interval (CI) 1 -  adalah

PAR  Stat  Zα σ Stat Es 1

2

Rumus dasar ini akan berubah atau bervariasi

sesuai dengan sikon dan apa yang diestimasi.
ESTIMASI terhadap  (satu rata-rata populasi) dengan
sikon :
a) deviasi standar populasi  diketahui,
b) populasi tidak terbatas (N= ),
c) sampel besar (n ≥25), dan
d)  tertentu (misal : 5%).
σ
μ  X  Z0,025 Es 2

n
Bila Deviasi Standar populasi  tidak diketahui  s
sehingga rumusnya menjadi :

s
μ  X  Z0,025 Es 3

n
Bila populasi terbatas (N  )

σ Nn
μ  X  Z0,025 Es 4
n N 1

Atau
s Nn
μ  X  Z0,025 Es 5
n N 1
Bila sampel kecil Z  t , dengan memperhatikan
d.f tertentu (d.f pada dasarnya sama dengan penyebut
dalam menghitung deviasi standar, mis : n-1; n1+n2-2)

σ
μ  X  t 0,025;df Es 6
n
atau

s
μ  X  t 0,025;df Es 7
n
 σ Nn
μ  X  t 0,025;df Es 8
n N 1

atau
s Nn
μ  X  t 0,025;df Es 9
n N 1
ESTIMASI terhadap Proporsi Populasi (P)
P(1  P)
P  p  Zα Es 10
2 n
Di mana p = x/n

Bila P tidak diketahui dapat diganti dengan :

p (proporsi sampel), atau
nilai P yang memaksimalkan P(1-P)  P = 0,5
Bila populasi terbatas  faktor koreksi terbatasnya
populasi, sehingga rumusnya menjadi :

P(1  P) N  n
P  p  Zα Es 11
2 n N 1
Bila juga memperhatikan koreksi kontinuitas (estimasi
secara lebih cermat), karena ada perubahan sifat distribusi
(dari distribusi diskrit menjadi distribusi kontinyu),
maka :
1 P(1  P) N  n
P  p  Zα Es 12
2n 2 n N 1

di mana sifat dari 1/2n adalah memperlebar interval.

ESTIMASI bagi selisih antara dua rata-rata (1- 2)
2 2
σ σ
μ 1  μ 2  X1  X 2  Z α 1
 2 Es 13
2 n1 n 2

Bila kedua populasi mempunyai varians yang sama, maka:

1 1
μ 1  μ 2  X1  X 2  Z α σ  Es 14
2 n1 n 2
Bila 1= 2 tidak diketahui, bisa diganti dengan deviasi
standar gabungan (sp) yang rumusnya :

sp 
 (X 1i  X1 )   (X 2i  X 2 )
2 2

Es 15
n1  n 2  2

atau

(n1  1)s  (n 2  1)s

2 2
sp  1 2 Es 16
n1  n 2  2
Sehingga rumus estimasinya menjadi :

1 1
μ1  μ 2  X1  X 2  Zα sp 
2 n1 n 2
Bila 1 2 (tetapi tidak diketahui) maka langsung dapat
digunakan deviasi standar dari masing-masing sampel
s1 dan s2 , sehingga rumusnya menjadi :

 
2 2
s s
μ 1  μ 2  X1  X 2  Z α 1
 2
Es 17
2 n1 n 2

Bila sampel yang digunakan sampel kecil, tabel Z tidak

bisa digunakan, dan harus digunakan tabel t. Ada
tambahan hal yang harus diperhatikan dalam penggunaan
tabel t yaitu d.f (degree of freedom).
Dalam hal 1= 2 , besarnya d.f adalah n1+n2-2; sedangkan
bila 1 2 maka ada sedikit masalah dalam penentuan d.f
yaitu sebesar
 s12   s 22 
    
 n1   n 2   2
2 2 Es 18
 s1   s 2 
   
 n1    n 2 
n1 n2
Estimasi terhadap selisih dua proporsi dengan sampel
besar dapat dilakukan dengan rumus

P1 (1  P1 ) P2 (1  P2 )
P1  P2  (p1  p 2 )  Zα  Es 19
2 n1 n2
Bila P1 dan P2 tidak diketahui maka dapat digunakan
proporsi sampel gabungan dengan rumus
x1  x 2 Es 20
n1  n 2
Atau langsung menggunakan proporsi masing-masing
sampel p1 dan p2

Atau menggunakan nilai P yang memaksimalkan P(1-P)

Estimasi terhadap selisih dua proporsi jarang dilakukan
dengan sampel kecil, karena ada ketentuan tentang batas
sampel minimal yang harus digunakan, yaitu

sebesar

np > 5 untuk p < 0,5

dan

sebesar n(1-p) > 5 untuk p > 0,5.

n = besar sampel.
 Besar sampel dan ketepatan estimasi.

 
 
d d
 
  0
 
 
  Dari rumus estimasi terhadap  yang berikut
σ
μ  X  Z α/2 Es 21
n
kita dapat menentukan lebar interval, dengan  dan 
yang tertentu, melalui pengaturan terhadap
besaran sampel.
Misalnya lebar interval yang diharapkan sebesar
2d dari statistiknya, maka
σ
d  Zα/2 Es 22

n
sehingga
Es 23
2 2
Zσ
n 2
d
Bila rumus estimasi terhadap proporsi adalah

P(1  P)
P  p  Zα Es 24
2 n
maka
Z P(1  P)
2
n 2
Es 25
d
Contoh soal 1:
Dari suatu sampel acak sebesar 36, diperoleh
rata2 berat badan sebesar 45 kg dan deviasi
standar sebesar 24 kg. buat interval keyakinan
98% bagi rata2 populasinya.
Diketahui : n = 36;X =45 kg; s = 24 kg.
Ditanya : CI 98% bagi µ?
Jawab : α = 2%, karena CI 98% n = 36  sampel besar  Z
ơ tidak diket  s N = ?  N = tidak terbatas  tidak
perlu faktor koreksi terbatasnya populasi.
Jadi CI 98% bagi µ adalah
s
μ  X  Z 0,01
n
= 45 ± 2,33 (24)/(6)
= 45 ± 9,32
Jadi CI 98% bagi µ adalah 35,68 ≤ µ≤ 54,32
Contoh soal 2 :

Suppose an auditor is faced with a population of 5000

vouchers and wishes to estimate the average value of the
population. A sample of
100 vouchers is selected with the following results
Average voucher amount : X = $ 1,076.39
Standard deviation : s = $ 273.62
Diketahui : N = 5000 n = 100
X = $ 1,076.39 s = $ 273.62
Ditanya : CI 1-  bagi 
Jawab :  tidak diketahui, maka bisa kita tentukan misalnya
= 5 %, sehingga rumus CI yang pas adalah
N = 5000  Pop terbatas  Faktor koreksi.

s N n
  X  Z 0, 025
n N 1

273,62 5000  100

  1.076,39  1,96
100 5000  1

 = 1.076,39  53,10
Jadi CI 95 % bagi  adalah : 1.023,29    1.129,49
Contoh soal 3:

Dari suatu sampel acak sebesar 200 kelinci

diperoleh proporsi kelinci betina sebesar 0,2.
Berapa besar proporsi kelinci betina dari seluruh
populasi kelinci?

Silakan dicoba utk anda kerjakan sendiri!

Contoh soal 4:

Rata-rata pendapatan keluarga di kota A, dengan

n = 20, sebesar Rp 4,5 juta dan deviasi standar Rp
1,7 juta. Sedangkan dari kota B,dengan sampel
sebesar 24, rata-rata pendapatan keluarga sebesar
Rp 6 juta dan deviasi standar Rp 1,2 juta.

Buatlah estimasi interval tentang beda rata-rata

pendapatan keluarga antara dua kota tersebut
dengan α = 2 %.
Diket : nA = 20 XA = 4,5 sA = 1,7 α = 2%
XB
nB = 24 = 6,0 sB = 1,2
Buat : CI 98% bagi μA – μB.

Jawab : σ tidak diketahui. Asumsi thd deviasi standar kedua pop:

dianggap kedua dev std populasi sama. sp CI 98%
Jadi formula untuk CI 98% bagi µA - µB adalah

1 1
μ A  μ B  X A  X B  t α ;df Sp 
2 nA nB

(n1  1)s  (n 2  1)s

2 2
sp  1 2
n1  n 2  2
 (20  1)(1,7) 2  (24  1)(1,2) 2
sp 
20  24  2

sp = 1,448
μA – μB = (4,5 – 6,0) ± 2,42*1,448*√((1/20 + 1/24))
= - 1,5 ± 1,06
Jadi CI 98% bagi μA – μB adalah
-2,56 < (μA – μB) < - 0,44

CI 98% bagi µB-µA adalah

0,44 < (µB-µA) < 2,56
H0: μA = μB  μA – μB = 0
H1: μA ≠ μB  μA – μB ≠ 0

Pada α = 2 % uji dua arah, H0 ditolak.

Zhit = - 3,47 │Zhit│ = 3,47 > Z0,01 = 2,33 

H0 ditolak.
Berarti ada perbedaan secara sangat nyata rata-rata
pendapatan keluarga antara kota A dan kota B.
Jawaban Contoh soal 3
Diket : n = 200 p = 0,4
Ditanya: P = ?
Jawab : α tidak diketahui, diasumsikan α = 5%
Populasi kelinci tidak diket  N tidak terbatas
perubahan distribusi  koreksi kontinuitas
CI 95% bagi P adalah

1 P(1  P)
P  p  Zα
2n 2 n
 1 0,5(1  0,5)
P  0,4   1,96
400 200
P = 0,4 ± 0,0025 ± 0,0693

Jadi CI 95 % bagi P adalah

0,4 – 0,0718 ≤ P ≤ 0,4 + 0,0718
atau
0,3288 ≤ P ≤ 0,4718