STATISTIKA

DR. IR. LA ODE NAFIU, M.Si.

DR. MUH. RUSDIN, S.Pt., M.SI.
DR. NUR SANTY ASMINAYA, S.Pt., M.SI.
WIDHI KURNIAWAN, S.Pt., M.Si.

JURUSAN PETERNAKAN
FPT-UHO
1
 KONTRAK BELAJAR
 Mahasiswa harus menghadiri kuliah <80%
 Hadir di kelas (ruang zoom meeting) < 10 menit
sebelum kuliah dimulai
 Berpakaian rapih (pakai sepatu dan baju berkera)
 Mengerjakan tugas-tugas yang diberikan
 Ikut terlibat dalam mengerjakan tugas kelompok
 Melaksanakan praktikum dan terlibat dalam
pembuatan laporan
 Mempelajari materi kuliah yang diberikan
 Mengikuti kuis, UTS dan UAS.

2
METERI PEMBELAJARAN

3
TUJUAN PEMBELAJARAN
PENDAHULUAN

5
 PENGERTIAN
• Statistik:
- Suatu kumpulan angka yang tersusun lebih
dari satu angka
- Data yang diperoleh dari hasil observasi
berupa data cacahan atau data ukuran.
• Dalam statistika tercakup dua pekerjaan
penting, yaitu : Penyajian dan
penafsiran....DATA  informasi

6
 PENGERTIAN
• Statistika adalah:
1. ilmu yang mempelajari tentang teknik
pengumpulan data, penyajian data dan
analisis data untuk penarikan kesimpulan
terhadap populasi
2. metode yang berhubungan dengan penyajian
dan penafsiran kejadian yang bersifat
peluang dalam suatu penyelidikan terencana
atau penelitian ilmiah

7
 PENGERTIAN
Biostatistika yaitu penerapan metode statistika dalam
memecahkan permasalahan dalam bidang biologi
•Mencari deskripsi suatu variable
•Mencari hubungan antar variable
•Menentukan perbedaan respon akibat perlakuan yang diberikan
Statistik diperlukan sbg alat utk membantu memecahkan
berbagai masalah melalui penelitian
Penelitian = penyelidikan/pencarian yg sistematik thd
kebenaran yg blm terungkap (Leedy, 1974)
 

8
Ciri-ciri penelitian :
• dimulai dg adanya pertanyaan
• membutuhkan pernyataan yg jelas
• membutuhkan perencanaan
• dilakukan secara bertahap
• mengajukan hipotesis
• mengemukakan fakta dan makna dg
benar
• bersifat sirkuler
9
Dalam melakukan suatu penelitian harus
dilandasi dengan penggunaan metode
ilmiah
Syarat metode ilmiah:
•Dasar :- fakta/data reliable, valid, ternilai
- teori yg relevan
•Sifat : universal, obyektif. Jujur dan
terbuka
•Logis, kritis, analistis, dinamis dan inovatif

10
Data kasar (raw data) diperoleh dari
hasil pengukuran suatu variable
pada sample yg diambil dari suatu
populasi menggunakan teknik
pengambilan sample tertentu
Langkah-langkah kegiatan statistika utk
menangani data kasar :
1.Pengumpulan data
2.Pengolahan data (diurutkan atau
digolongkan)
3.Penyajian data dalam tabel atau grafik
4.Penafsiran sajian data
5.Analisa data
6.Penafsiran dan pengambilan kesimpulan
7.Pemanfaat penafsiran dan kesimpulan utk
penentuan kegiatan penelitian lbih lanjut
Poin 1,2,3,4,7 disebut statistik deskriptif = stat.
Deduktif (tanpa analisis, tanpa generalisasi, tanpa
pengujian hipotesis, dan hanya melakukan
perhitungan-perhitungan saja)
Disajikan dalam bentuk tabel distribusi frekuensi
(mean, modus, median), bar-diagram, histogram,
polygon, dll
Poin 5,6 disebut statistik inferensial = stat. Induktif (dg
analisis, generalisasi, pengujian hipotesis)
 
Uji t,z, F
13
 TIPE DATA STATISTIK
• Data nominal
Kualitatif
• Data ordinal
• Data interval
Kuantitatif
• Data rasio
DATA NOMINAL :
Data berskala nominal adalah data yang diperoleh dengan
cara kategorisasi atau klasifikasi.
CIRI : posisi data setara
tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH : jenis kelamin, jenis pekerjaan
14
 TIPE DATA STATISTIK
DATA ORDINAL :
Data berskala ordinal adalah data yang diperoleh
dengan cara kategorisasi atau klasifikasi, tetapi di
antara data tersebut terdapat hubungan
CIRI : posisi data tidak setara
tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH : kepuasan kerja (1= tidak puas; 2= kurang
puas; 3=cukup puas; 4=puas; 5=sangat puas)

15
 TIPE DATA STATISTIK
DATA INTERVAL :
Data berskala interval adalah data yang diperoleh dengan cara
pengukuran, di mana jarak antara dua titik skala sudah
diketahui.
CIRI : Tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH : temperatur yang diukur berdasarkan 0C dan 0F,

DATA RASIO :
Data berskala rasio adalah data yang diperoleh dengan cara
pengukuran, di mana jarak antara dua titik skala sudah
diketahui dan mempunyai titik 0 absolut.
CIRI : tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH : gaji, skor ujian, jumlah buku
KLASIFIKASI JENIS DATA

17
MENURUT SIFAT

18
 SIFAT DATA
DATA KUALITATIF
Data kualitatif = berbentuk kategori & atribut,
diperoleh dari hasil pengamatan

DATA KUANTITATIF
• berbentuk bilangan, diperoleh dari kegiatan
pengukuran
1. Data diskrit= diperoleh dengan cara menghitung
atau membilang, misal jumlah kursi per ruang ada
40 buah.
2. Data kontinyu= diperoleh dengan cara mengukur,
misal tinggi badan 165 cm
19
 JENIS-JENIS DATA
1. Jenis kelamin
2. Warna bunga
3. Habitat, dll

Data Kualitatif
1. Jumlah
kloroplas
2. Jumlah
DATA trombosit
Data Diskret
3. Jumlah sel, dll

Data Kuantitatif
1. Berat badan
2. Jarak kota
3. Luas tanah,
Data Kontinu dll
20
 CARA PENGUMPULAN DATA

• Wawancara
• Observasi langsung
• Angket
• Studi Pustaka

21
 STATISTIKA MENURUT FUNGSINYA
• Statistika Deskriptif

• Statistika Inferensial

Menggambarkan dan menganalisis kelompok

data yang diberikan tanpa penarikan
kesimpulan mengenai kelompok data yang
lebih besar

Penerapan metode statistik untuk menaksir

dan/atau menguji karakteristik populasi yang
dihipotesiskan berdasarkan data sampel 22
 Statistika Deskriptif dan
Statistika Inferensi

Sumber: statistika deskriptif-suprayogi, ITB

solehpunya.files.wordpress.com/2008/03/00-
statistika-deskriptif.pdf

23
PENYAJIAN DATA

24
 TUJUAN PENYAJIAN DATA
• Memberi gambaran yang sistematis tentang
peristiwa-peristiwa yang merupakan hasil
penelitian atau observasi,
• Data lebih cepat ditangkap dan dimengerti,
• Memudahkan dalam membuat analisis data,
dan
• Membuat proses pengambilan keputusan
dan kesimpulan lebih tepat, cepat, dan
akurat.
25
 CARA PENYAJIAN DATA
BENTUK TABEL
• Tabel satu arah
Yaitu tabel yang memuat keterangan mengenai satu hal atau
satu karakteristik saja. Misalnya data Produksi kedelai
menurut jenis varietas yang ditanam.

26
 BENTUK TABEL
• Tabel dua arah
Yaitu tabel yang menunjukkan hubungan dua hal atau dua
karakteristik yang berbeda. Misalnya data Produksi kedelai
menurut jenis varietas dan daerah panen

27
 BENTUK TABEL
• Tabel tiga arah
Yaitu tabel yang menunjukkan hubungan tiga hal atau tiga
karakteristik yang berbeda. Misalnya data hasil pengamatan
produksi kedelai (ton/ha) menurut jenis varietas, daerah
panen, dan jenis tanah.

28
 BENTUK GRAFIK
Grafik Batang (Bar) Grafik Garis (line)
30
30

20
20

10
10

Jumlah
Count

0
0 administrasi personalia produksi marketing keuangan
administrasi personalia produksi marketing keuangan
bidang pekerjaan
bidang pekerjaan

Grafik lingkaran (pie) Grafik Interaksi (interactive)

800000

keuangan
administrasi
700000

600000

personalia
500000
Mean gaji perbulan

Jenis kelamin
400000

marketing laki-laki

produksi 300000 w anita

sangat jelek jelek cukup baik baik sangat baik
29
prestasi kerja
Grafik gambar

30
 ISTILAH DALAM STATISTIKA
• Obyek = benda hidup atau mati yg diuji unsur-unsur, sifat
dan kelakuannya melalui pengamatan, pengukuran dan
penilaian guna mendpt info atau nilai-nilai yg berguna
mengenai benda tsb
• VARIABEL
Suatu sifat dari obyek atau unsur dari obyek yg dpt diamati
atau diukur shg menghasilkan nilai, ukuran atau kriteria lain
yg dpt bervariasi
• VARIATE
Angka/nilai ukuran/keriteria lain yg dicapai suatu variabel
pada suatu individu atau unit statistik
• VARIASI
Adanya perbedaan antar nilai/variate/ukuran dll dari suatu
variabel pada populasi atau sampel
  31
 ISTILAH DALAM STATISTIKA
• VARIABILITAS
Kemungkinan utk bervariasi dr nilai suatu variable pd
suatu populasi atau sample
 PARAMETER
suatu variabel terukur yg digunakan sbg kriteria utk
mengevaluasi suatu populasi atau sistem
• NILAI PARAMETRIK
suatu nilai dari suatu parameter yg diperoleh dari
perhitungan atau data sensus, masih harus di analisis.
 NILAI STATISTIK
suatu nilai dari suatu parameter yg diperoleh dari
perhitungan sampel atau data sensus.
32
 JENIS STATISTIKA
Statistika Parametrik:
• Membutuhkan pengukuran kuantitatif dengan
data interval atau rasio
• mempertimbangkan jenis sebaran/distribusi
data, yaitu apakah data menyebar normal atau
tidak.
• Contoh metode statistika parametrik: uji-z (1
atau 2 sampel), uji-t (1 atau 2 sampel), korelasi
pearson, Perancangan Percobaan (1 or 2-way
ANOVA parametrik), dll.
 ISTILAH DALAM STATISTIKA
Statistika Nonparametrik:
• Membutuhkan data dengan data ordinal dan
nominal
• Merupakan statistika bebas sebaran (tdk
mensyaratkan bentuk sebaran parameter
populasi, baik normal atau tidak).
• Contoh metode Statistika non-
parametrik:Binomial test, Chi-square test,
Median test, Friedman Test, dll.

34
 PERTANYAAN
1. Uraikan perbedaan tipe data interval dan
rasio dan berikan contoh
2. Uraikan perbedaan sifat data kualitatif dan
data kuantitatif dan berikan contoh
3. Jelaskan tujuan penyajian data
4. Uraikan perbedaan statistika deskriptif dan
inferensia
5. Jelaskan macam-macam bentuk penyajian
data secara grafik dan berikan contohnya
35
DISTRIBUSI FREKUENSI

36
 Distribusi Frekuensi
• Bentuk pengelompokan data untuk
menggambarkan distribusi data

• Dapat dinyatakan dalam

 bentuk tabel distribusi frekuensi
 histogram atau poligon frekuensi

37
 Prosedur Umum Penyusunan
Tabel Dist Frekuensi
• Tentukan banyaknya kelas
• Tentukan lebar kelas
• Hitung frekuensi untuk setiap kelas

38
 Contoh tabel dist frekuensi
KELOMPOK FREKUENSI
Kelompok ke-1 f1
Kelompok ke-2 f2 Pendidikan Frekuensi
Kelompok ke-3 f3
Kelompok ke-i fi S1 62
Kelompok ke-k fk S2 19
k S3 9
n = Σ fi 90
i=1

k
n = Σ fi = f1 + f2 + f3 +….. + fi + …… + fk
i=1 39
 Contoh Soal
• Susun data berikut dalam tabel dist frekuensi
USIA FREKUENSI
20 5
21 6
22 13
23 4
24 7
25 7
26 7
27 5
28 3
29 4
30 15
31 3
33 5
35 1 40
 Langkah-langkah
• Tentukan rentang
RENTANG: NILAI DATA TERBESAR – NILAI DATA TERKECIL

• Tentukan banyak kelas (k)

ATURAN STURGES:
k = 1 + (3,322)(log n)

• Tentukan panjang kelas (p)

p = RENTANG/k

41
Catatan tentang panjang kelas
DATA PANJANG KELAS (p)

42
 Lanjutan langkah-langkah
• Tentukan nilai ujung bawah kelas interval
pertama
Boleh mengambil nilai data terkecil
atau nilai data yang lebih kecil dari nilai data
terkecil

• Masukkan semua data ke dalam interval kelas

43
 Kembali ke contoh..
USIA FREKUENSI Membuat distribusi frekuensi :
20 5 1. Mencari rentang  35 – 20 = 15
21 6 2. Menentukan banyak kelas  k = 1 + 3,3 log n  7 atau
8
22 13
3. Menentukan panjang kelas  p = 15/7 = 1,9 2 atau 3
23 4
24 7 KELOMPOK USIA FREKUENSI
25 7
20 – 21 11
26 7
22 – 23 17
27 5
24 – 25 14
28 3
26 – 27 12
29 4
30 15
28 – 29 7
31 3 30 – 31 18
33 5 32 - 33 5
35 1 34 - 35 1 44
USIA FREKUENSI
20 5
21 6
22 13 KELOMPOK FREKU-
23 4 USIA ENSI
24 7 20 – 22 ?

25 7 23 – 25 ?
27– 29 ?
26 7
30 – 32 ?
27 5
33 – 35 ?
28 3
29 4
30 15
31 3
33 5
35 1 45
 Latihan Soal
• Berikut diberikan data mengenai hasil ujian
tengah semester, Mata Kuliah Statistika
mahasiswa Peternakan. Susun data dalam
tabel distribusi frekuensi!

65 72 67 82 72 91 67 73 71 70
85 87 68 86 83 90 74 89 75 61
65 76 71 65 91 79 75 69 66 85
95 74 73 68 86 90 70 71 88 68
46
Macam-macam tabel distribusi
frekuensi

47
 Bentuk tabel distribusi frekuensi
relatif
Nilai Frekuensi Frekuensi Relatif
Data (%)
a-b f1 f1’
c-d f2 f2’ Dimana:
e-f f3 f3’ fi
g-h f4 f4’ fi '  n
x100%
i-j f5 f5’ f
i 1
i

Jumlah n 100

48
Bentuk tabel dist frek kumulatif
Nilai Frekuensi Frekuensi Kumulatif
Data
a-b f1 f1
c-d f2 f1+f2
e-f f3 f1+f2+f3
g-h f4 f1+f2+f3+f4
i-j f5 f1+f2+f3+f4+f5

Nilai Data Frekuensi Kumulatif Nilai Data Frekuensi Kumulatif

Krg dr a 0 a atau lbh f5+f4+f3+f2+f1
Krg dr c f1 c atau lbh f5+f4+f3+f2
Krg dr e f1+f2 e atau lbh f5+f4+f3
Krg dr g f1+f2+f3 g atau lbh f5+f4
Krg dr i f1+f2+f3+f4 i atau lbh f5
Krg dr k f1+f2+f3+f4+f5 49
k atau lbh 0
 Bentuk tabel dist relatif kumulatif

Nilai Data Frekuensi Frekuensi Frek relatif

Kumulatif kumulatif (%)
a-b f1 f1 f1’

c-d f2 f1+f2 f2’

e-f f3 f1+f2+f3 f3’
g-h f4 f1+f2+f3+f4 f4’
i-j f5 f1+f2+f3+f4+f5 100

• dengan i

 fk
fi '  k 1
x100%
n 50
CONTOH TABEL DIST FREK, KUM, REL, REL KUM

51
 Macam-macam bentuk diagram
• Data tidak terkelompok : diagram batang,
diagram lingkaran, garis, gambar (simbol)

• Data terkelompok : histogram dan poligon

frekuensi, ogive

52
 Histogram dan poligon frekuensi
• Histogram mrpk bentuk diagram batng yg
digunakan untuk menggambarkan dist
frekuensi

• Poligon (kurva) frekuensi mrpk bentuk

diagram garis yg digunakan utk
menggambarkan dist frekuensi

53
 Contoh Histogram

Sumber: statistika deskriptif-suprayogi, ITB 54

solehpunya.files.wordpress.com/2008/03/00-statistika-deskriptif.pdf
 Contoh poligon frekuensi

Sumber: statistika deskriptif-suprayogi, ITB 55

solehpunya.files.wordpress.com/2008/03/00-statistika-deskriptif.pdf
 Contoh Ogive (kumulatif)

Sumber: statistika deskriptif-suprayogi, ITB 56

solehpunya.files.wordpress.com/2008/03/00-statistika-deskriptif.pdf
 Catatan tentang batas atas dan bawah

• Batas bawah (bb) = ujung bwh – ketelitian

data yang digunakan
• Batas atas (ba) = ujung atas + ketelitian data
yg digunakan

Data Ketelitian yang digunakan

Bil bulat 0,5
Bil satu desimal 0,05
Bil dua desimal 0,005
dst
57
 Catatan tentang titik tengah
(tanda kelas)

Titik tengah = ½ (ujung bawah + ujung atas)

58
UKURAN PEMUSATAN

59
 Statistik
• Ukuran lokasi (pemusatan)
• Ukuran dispersi (sebaran)
• Ukuran kemiringan
• Ukuran keruncingan

60
 Ukuran lokasi  ukuran cenderung memusat

rata-rata hitung
• Rata-rata rata-rata ukur
rata-rata harmonik

• Median
• Modus

61
 Rata-rata hitung data tersebar
• Data tersebar (tdk berkelompok)
n

x i
x i 1
n

62
 Rata-rata hitung data terkelompok
1. Tanda kelas 2. rata-rata duga
k k

fx i i fd i i
x i 1
x  AM  p i 1
n n

xi : titik tengah kelas AM : titik tengah kelas

interval ke-i interval (pilih sbrg)
p : panjang kelas intv
xi  AM
di 
p
63
 Contoh menghitung rata-rata
Kelas Tanda kelas fi xifi
interval (xi)
13-15 14 5 70
16-18 17 6 102
19-21 20 7 140
22-24 23 2 46
jumlah 20 358
k

fx i i
x i 1 Mean = 358/20 = 17,9
n
64
 Contoh menghitung rata-rata
Kelas interval Tanda kelas (xi) fi di fidi
AM Yg
dipilih 13-15 14 5 (14-20)/3
(14-14)/3 == -2
0 -10
0 xi  AM
di 
16-18 17 6 -1
1 -6
6 p
19-21 20 7 0
2 14
0
22-24 23 2 1
3 2
6
jumlah
Jumlah 20 -14
26

fd i i
x  AM  p i 1
n

Mean = 14+ (3)(26)/20 =14 + 3,9 = 17,9

65
 Rata-rata ukur dan harmonis
• Rata-rata ukur
U  n x1.x2 ...xn

x1 x2 x3
 
dimana x2 x3 x4 dan seterusnya

• Rata-rata harmonis n
Rh  n
1

i 1 xi

66
 RATA-RATA UKUR
• Keterangan:
U = rata-rata ukur (rata-rata geometrik)
n = banyaknya sampel
Π = Huruf kapital π (pi) yang menyatakan jumlah dari hasil kali unsur-unsur data.
Rata-rata geometrik sering digunakan dalam bisnis dan ekonomi untuk
menghitung rata-rata tingkat perubahan, rata-rata tingkat pertumbuhan, atau
rasio rata-rata untuk data berurutan tetap atau hampir tetap atau untuk rata-rata
kenaikan dalam bentuk persentase.
• 1. Rata-Rata Ukur data Tunggal
• Contoh 1:
Berapakah rata-rata ukur dari data 2, 4, 8?
• Jawab:
»

» ATAU

67
 Rata-rata Harmoni

Contoh:
• Tuan A melakukan perjalanan dengan kereta dari Bandung ke Sidoarjo
pulang pergi. Bandung ke Sidoarjo berkecepatan 90 km/jam, tetapi
waktu pulang mampir dulu ke yagyakarta dengan kecepatan 70 km/jam,
kemudian hari berikutnya dilanjutkan lagi perjalanan menuju Bandung
dengan kecepatan 80 km/jam, berapakah kecepatan rata rata ?
Penyelesaian:
* Kecepatan Pertama X1 = 90 km / jam : * Kecepatan Kedua    X2 = 70 km /
jam
* Kecepatan Ketiga    X3 = 80 km / jam: n = 3

0,0143
68
 Modus
• Data kualitatif  gejala yang sering terjadi

• Data kuantitatif  angka yang sering muncul

69
 Contoh mencari modus
• Data tidak terkelompok

70
 Modus pada data terkelompok

 b1 
Mo = Bb + p  
 b1  b 2 

dengan
Bb = batas bawah kelas interval yang mempunyai frekuensi
tertinggi
b1 = selisih frekuensi tertinggi dengan frekuensi dari kelas
interval yang lebih rendah.
b2 = selisih frekuensi tertinggi dengan frekuensi dari kelas
interval yang lebih tinggi.
p = panjang kelas.

71
 Contoh mencari modus
• Data terkelompok

72
 Median untuk data tidak
terkelompok
• Jika jumlah data (n) genap
n n2
nilai data ke -    nilai data ke -  
2  2 
Me =
• 2

• Jika jumlah data (n) ganjil

 n 1 
Me = nilai data ke -  
 2 

Data harus diurutkan dulu dari terkecil ke terbesar 73

 Contoh mencari median
• Jumlah data (n) genap

74
 Contoh mencari median
• Jumlah data (n) ganjil

75
 Median data terkelompok
n 
  F
 2 
Me  Bb  p
fm
dengan
Bb : batas bawah kelas interval yang mengandung Me

fm : frekuensi kelas interval yang mengandung Me

F : frekuensi kumulatif sebelum kelas interval
yang mengandung Me
p : panjang kelas interval
Letak Me harus paling sedikit mencapai frekuensi setengah dari jumlah
data seluruhnya 76
 Contoh mencari median
n 
  F
2
Me  Bb  p  
fm

77
Hubungan Mean, Modus dan Median
Hubungan empiris antara ketiganya:
Mo +2 M = 3Me

78
Ukuran dispersi  ukuran cenderung menyebar

• Kuartil
• Desil
• Persentil

79
 Kuartil untuk data tidak berkelompok

i
Ki   n  1 , i  1, 2, 3
4

dengan
Ki : letak kuartil ke i
n : banyaknya data

80
 Contoh mencari Kuartil
i
Sebelum Setelah K i   n  1
diurutkan diurutkan 4
1 1
K1   9  1  2
20 20
80 40 4 2
75 50
60 60 Artinya K1 terletak antara data ke
2 50
dan 60 data ke 3
85 75
40 80
Nilai K1
60 85 = nilai data ke 2 + ½(data ke 3 - data ke 2)
90 90 = 40 + ½(50 -40)
= 45

81
 Kuartil data berkelompok
i 
 n  F 
K i  Bb  p  4  , i  1, 2, 3
f
 Ki 
 

dengan
Ki : letak kuartil ke i
Bb : batas bawah kelas interval yang mengandung Ki

fK : frekuensi kelas interval yang mengandung Ki

F : frekuensi kumulatif sebelum kelas interval yang
mengandung Ki
p : panjang kelas interval
82
 Contoh mencari Kuartil
i 
Interval f f. kum  n  F 
K i  Bb  p  4  , i  1, 2, 3
30 – 39 2 2  f Ki 
 
40 – 49 3 5
3 
50 – 59 11 16 4 100  68 
K 3  79,5  10 
60 – 69 20 36  25 
 
70 – 79 32 68
 79,5  2,8  82,3
80 – 89 25 93
90 - 99 7 100

Kelas yang memuat kuartil ke 3

83
 Desil untuk data tidak berkelompok

i
Di   n  1 , i  1, 2, ..., 9
10

dengan
Di : letak desil ke i
n : banyaknya data

84
 Contoh mencari Desil
Setelah i
diurutkan
Di   n  1 , i  1, 2, ..., 9
10
20 6
D6  10  1  6,6
40 10
50
60 Artinya D6 terletak antara data ke 6 & ke 7
60 Nilai D6
75
= nilai data ke 6 + 0,6(data ke 7 - data ke 6)
80
85 = 75 + 0,6(80 -75)
90 = 78
96
85
 Desil data berkelompok

 i 
 10 n  F 
D i  Bb  p   , i  1, 2, ..., 9
 f Di 
 

dengan
Di : letak desil ke i
Bb : batas bawah kelas interval yang mengandung Di
fD : frekuensi kelas interval yang mengandung Di
F : frekuensi kumulatif sebelum kelas interval yang
mengandung Di
p : panjang kelas interval

86
 Contoh mencari Desil
Interval f f.kum i 
 10 n  F 
30 – 39 2 2 Di  Bb  p   , i  1, 2, ..., 9
40 – 49 3 5  f Di 
50 – 59 11 16  
3 
60 – 69 20 36
 10 100  16 
70 – 79 32 68 D3  59,5  10  
 20 
80 – 89 25 93
 
90 - 99 7 100  59,5  7  66,5

Kelas yang memuat desil ke 3

87
 Persentil untuk data tidak berkelompok

i
Pi   n  1 , i  1, 2, ..., 99
100
dengan
Pi : letak persentil ke i
n : banyaknya data

88
 Contoh mencari Persentil
i
Setelah
diurutkan
Pi   n  1 , i  1, 2, ..., 99
100
20 57
P57  10  1  6,27
40 100
50
60 Artinya P57 terletak antara data ke 6 & ke 7
60 Nilai P57
75
80
= nilai data ke 6 + 0,27(data ke 7 - data ke 6)
85 = 75 + 0,27(80 -75)
90 = 76,35
96
89
 Persentil data berkelompok
 i 
 100 n  F 
Pi  Bb  p   , i  1, 2, ..., 99
 f Pi 
 
dengan
Pi : letak persentil ke i
Bb : batas bawah kelas interval yang mengandung Pi
fP : frekuensi kelas interval yang mengandung Pi
F : frekuensi kumulatif sebelum kelas interval yang
mengandung Pi
p : panjang kelas interval
90
 Contoh mencari Desil
Interval f f.kum
 i 
 100 n  F 
30 – 39 2 2
Pi  Bb  p   , i  1, 2, ..., 99
40 – 49 3 5  f Pi 
 
50 – 59 11 16
 96 
 100 100  93 
60 – 69 20 36
P96  89,5  10 
70 – 79 32 68  7 
 
80 – 89 25 93 Pi  89,5  4,29  93,79
90 - 99 7 100

Kelas yang memuat persentil ke 96

91
 Ukuran
Ukuran dispersi Dispersi
 ukuran ( menyebar
cenderung

 Range

Range = Nilai Maksimum – Nilai Minimum

 Deviasi rata-rata

DR 
 xi  x
n
92
Contoh menghitung deviasi rata-rata

Data xi  x xi  x
285
20 -37 37 x  57
5
80 23 23
88
DR   17,6
75 18 18
5
60 3 3

50 -7 7

 x i  285 x i  x  88

93
 Ukuran dispersi  ukuran cenderung menyebar

 Variansi : penyebaran berdasarkan jumlah kuadrat

simpangan data terhadap rata-ratanya; melihat
ketidaksamaan sekelompok data
untuk data tersebar

 ix  x  2
n  x i  (  x i 
2 2

s2  
n 1 n  n  1
untuk data berkelompok
 tanda kelas  variansi duga

f x  x n fi x i    fi x i  f d  f d
2 2 2 2 2 2 2
i i p i p i
s2   s2  
n 1 n  n  1 n n2

d
 xi  x
x  AM
p 94
 Ukuran dispersi  ukuran cenderung menyebar

 Standar deviasi penyebaran data berdasarkan akar dari

variansi; menunjukkan keragaman kelompok data
untuk data tersebar

  xi  x n xi    x i 
2 2 2

s 
n 1 n  n  1
untuk data berkelompok
 tanda kelas  standar deviasi duga

 fi  x i  x  n fi x i    fi x i  i   fid 
2 2 2 2 2
f d
s  sp   
n 1 n  n  1 n  n 


d
 xi  x
, x  AM
p
95
Contoh menghitung variansi dan deviasi standar
data tersebar
xi2
Data
s2 
5 18525   285 2

20 400 5 4 
80 6400
92625  81225 11400
75 5625    570
20 20
60 3600
s  570  23,87
50 2500
 x i  285  x i 2  18525


 ix  x  2
n  x i  (  x i 
2 2

s2  
n 1 n  n  1

96
Contoh menghitung variansi dan deviasi standar
data berkelompok
Kelas Tanda fi xi
2 xifi
fi x i 2
interval kelas (xi)
13-15 14 5 196 70 980
16-18 17 6 289 102 1734
19-21 20 7 400 140 2800
22-24 23 2 529 46 1058
jumlah 20 358 6572
 f x  x n fi x i    fi x i 
2 2 2
i i
s2  
n 1 n  n  1

20 6572   358

2
2 131440  128164 3276
s     8,62
2019 380 380
s 8,62  2 ,94 97
 Contoh menghitung variansi data berkelompok

Kelas Tanda fi d fid

interval kelas fid 2  xi  x
d ,
(xi) p
13-15 14 5 -1 -5 5 x  AM
16-18 17 6 0 0 0
19-21 20 7 1 7 7 x  AM  17
22-24 23 2 2 4 8
jumlah 20 6 20

 f d 9 20 9 6
2
f d
2 2 2 2
p p
s 
2 i
 i
s2    9  0 ,81  8,19
n n2 20  20 2

s  8,19  2 ,86 98
 Ukuran Kemiringan (Skewness)

Adalah ukuran yang menyatakan sebuah model

distribusi yang mempunyai kemiringan tertentu

☻Kurva positif apabila rata-rata hitung >

modus / median
☻ Kurva negatif apabila rata-rata hitung <
modus / median

- +
Mo X Me

99
 Rumus untuk Ukuran Kemiringan

x - Mo
Koefisien kemiringan pertama Perason KK 
s
3 x - Me 
Koefisien kemiringan kedua Perason KK 
s

K 3  2 K 2  K1
Menggunakan nilai kuartil KK 
K 3 - K1

P90  2P50  P10

Menggunakan nilai persentil KK 
P90 - P10
100
Kriteria untuk mengetahui model distribusi dari
koefisien kemiringan
 Jika koefisien kemiringan < nol, maka bentuk
distribusinya negatif
 Jika koefisien kemiringan = nol, maka bentuk
distribusinya simetrik
 Jika koefisien kemiringan >nol, maka bentuk
distribusinya positif

101
 Ukuran Keruncingan (Kurtosis)

Adalah derajat kepuncakan dari suatu distribusi,

biasanya diambil relatif terhadap distribusi normal

Leptokurtik Platikurtik Mesokurtik

1
 K 3  K1 
K 2
P90  P10
102
Kriteria untuk mengetahui model distribusi dari
koefisien kurtosis
 Jika koefisien kurtosis kurang dari 0,263 maka
distribusinya adl platikurtik
 Jika koefisien kurtosis sama dengan 0,263
maka distribusinya adl mesokurtik
 Jika koefisien kurtosis lebih dari 0,263 maka
distribusinya adl leptokurtik

103
 Contoh menghitung koefisien kemiringan dan
ukuran keruncingan
K1  12 ,5  3
 5 - 0  15,5
Kelas Tanda fi 5
interval kelas (xi)
K2  15,5  3
10 - 5  18
13-15 14 5 6
K3  18,5  3
15 - 11  20 ,21
16-18 17 6
7
19-21 20 7
P10  12 ,5  3
 2 - 0   13,7
22-24 23 2 5
P90  18,5  3
18 - 11  21,5
jumlah 20 7

20,21 - 218  15,5  0,29

KK    0,06
20,21  15,5 4 ,71
Model
1
 20,21  15,5 2,355 Distribusi ?
K 2   0 ,30
21,5  13,7 7 ,8 104
 Latihan Soal
Diketahui data seperti di bawah ini.
15 25 21 16 20 17 19 25 21 15 17 16 19 20 17

20 15 25 15 21 19 16 17 25 19 21 20 19 19 21

17 20 16 21 20 21 16 20 17 19 20 19 17 21 19

20 16 19 19 17 20 21 19 19 21 19 17 20 19 15

1. Buatlah : Distribusi frek, dist frek kumulatif, dist frek relatif,

dist frek relatif kumulatif
2. Gambarlah histogram dan poligon dari dist frek kumulatif
tersebut
3. Tentukan Mean, Median, Modus
4. Kuartil, Desil, Persentil

105
POPULASI DAN SAMPEL

106
 Populasi dan sampel

Populasi

Sampel

Parameter Statistik

107
 Populasi dan sampel
Populasi adalah data kuantitatif yang
menjadi objek telaah

Sampel adalah bagian dari populasi

Parameter adalah ukuran yang

mencerminkan karakteristik dari populasi
Statistik adalah ukuran yang mencerminkan
karakteristik dari sampel 108
 POPULASI DAN SAMPEL
• Populasi
– Populasi adalah wilayah generalisasi yang terdiri atas;
obyek/subyek yang mempunyai kuantitas dan
karakteristik tertentu yang ditetapkan oleh peneliti
untuk dipelajari dan kemudian ditarik kesimpulannya.

• Sampel
– Sampel adalah sebagian dari jumlah dan karateristik
yang dimiliki oleh populasi.
 Teknik sampling
• Teknik sampling adalah teknik pengambilan sampel.
• Secara skematis, teknik sampling seperti gambar berikut
 Teknik sampling
1. Probability Sampling
• Probability sampling adalah teknik sampling yang memberikan peluang
yang sama bagi setiap unsur (anggota) populasi untuk dipilih menjadi
anggota sampel. Teknik ini meliputi

a. Simple Random Sampling

• Dikatakan simple (sederhana) karena pengambilan sampel anggota
populasi dilakukan secara acak tanpa memperhatikan strata yang ada
dalam populasi itu. Cara demikian dilakukan bila anggota populasi
dianggap homogen.
 Teknik sampling - Probability Sampling
b. Proportionate Stratified Random Sampling
• Teknik ini digunakan bila populasi mempunyai anggota/unsur yang tidak
homogen dan berstrata secara proporsional.
• Suatu organisasi yang mempunyai pegawai dari latar belakang pendidikan, maka
populasi pegawai itu berstrata.
 Teknik sampling - Probability Sampling
C. Disproportionate Stratified Random Sampling
• Teknik ini digunakan untuk menentukan jumlah sampel, bila populasi
berstrata tetapi kurang proporsional.
• Misalnya, pegawai PT. X: S3: 3 orang, S2: 4, S1: 90, SMU 800, SMP 700,
maka 3 orang lulusan S3 dan 4 orang S2 diambil semua sebagai sampel.
Karena dua kelompok terlalu kecil bila dibanding dengan kelompok S1,
SMU, dan SMP.

d. Cluster Sampling (Area Sampling)

• Teknik sampling untuk menentukan sampel bila obyek yang akan diteliti
atau sumber data sangat luas.
• Misal penduduk dari suatu negara, propinsi atau kabupaten. Untuk
menentukan penduduk mana yang akan dijadikan sumber data,
pengambilan sampel berdasarkan daerah populasi yang ditetapkan.
 Teknik sampling - Nonprobability Sampling

2. Nonprobability Sampling
• Nonprabability Sampling adalah teknik yang tidak memberi
peluang/kesempatan sama bagi setiap unsur atau anggota
populasi untuk dipilih menjadi sampel.
a. Sampling Sistematis
• Sampling Sistematis adalah teknik penentuan sampel
berdasarkan urutan dari anggota populasi yang telah diberi
nomor urut.
• Misalnya anggota populasi yang terdiri dari 100 orang.
– Dari semua anggota itu diberi nomor urut, yaitu nomor 1
sampai dengan nomor 100. Pengambilan sampel dapat
dilakukan dengan nomor ganjil saja, genap saja, atau
kelipatan dari bilangan tertentu, misalnya kelipatan dari
bilangan lima. Untuk ini maka yang diambil sebagai sampel
adalah nomor 5, 10, 15, 20, dan seterusnya sampai 100.
 Teknik sampling - Nonprobability Sampling
b. Sampling Kuota
• Sampling Kuota adalah teknik untuk menentukan sampel dari
populasi yang mempunyai ciri-ciri tertentu sampai jumlah
(kuota) yang diiginkan.
• Sebagai contoh, akan melakukan penelitian terhadap pegawai
golongan II, dan penelitian dilakukan secara kelompok.
– Setelah jumlah sampel ditentukan 100, dan jumlah
anggota peneiiti berjumlah 5 orang, maka setiap anggota
peneliti dapat memilih sampel secara bebas sesuai dengan
karateristik yang ditentukan (golongan II) sebanyak 20
orang.
c. Sampling Aksidental
• Sampling Aksidental adalah teknik penentuan sampel
berdasarkan kebetulan, yaitu siapa saja yang secara
kebetulan bertemu dengan peneliti dapat digunakan sebagai
sampel, bila dipandang orang yang kebetulan ditemui itu
cocok sebagai sumber data.
 Teknik sampling - Nonprobability Sampling

d. Sampling Purposive
• Sampling Purposive adalah teknik penentuan sampel
dengan pertimbangan tertentu. Misalnya akan
melakukan penelitian tentang disiplin pegawai, maka
sampel yang dipilih adalah orang yang ahli dalam
bidang kepegawaian saja.
e. Sampling Jenuh
• Sampling Jenuh adalah teknik penentuan sampel bila
semua anggota populasi digunakan sebagai sampel.
Hal ini sering dilakukan bila jumlah populasi relatif
kecil, kurang dari 30 orang. Istilah lain sampel jenuh
adalah sensus, dimana semua anggota populasi
dijadikan sampel.
 Teknik sampling - Nonprobability Sampling
f. Snowball Sampling
• Snowball sampling adalah teknik penentuan sampel yang mula-mula
jumlahnya kecil, kemudian sampel ini disuruh memilih teman-temannya
untuk dijadikan sampel. Begitu seterusnya, sehingga jumlah sampel
semakin banyak. Ibarat bola salju yang menggelinding, makin lama
semakin besar. Pada penelitian kualitatif banyak menggunakan sampel
Purposive dan Snowball.
 Cara Melakukan Teknik Sampling
• Beberapa kriteria yang perlu diperhatikan dalam mengambil sampel
adalah sebagai berikut:
– Tentukan dulu daerah generalisasinya.
– Berilah batas-batas yang tegas tentang sifat-sifat populasi.
– Tentukan sumber-sumber informasi tentang populasi.
– Pilihlah teknik sampling dan hitunglah besar anggota sampel yang
sesuai dengan tujuan penelitiannya.
– Rumuskan persoalan yang akan diteliti.
– Tentukan/cari keterangan mengenai populasi yang akan diteliti.
– Definisikan unit-unit, istilah yang diperlukan.
– Tentukan unit sampling yang diperlukan.
– Tentukan skala pengukuran yang akan dipergunakan.
– Cari keterangan yang ada kaitannya dengan permasalahan yang
akan dibahas.
– Tentukan ukuran sampel yang akan dianalisis.
 Cara melakukan teknik sampling

• Teknik sampling berguna agar:

– Mereduksi anggota populasi menjadi anggota
sampel yang mewakili populasinya (representatif),
sehingga kesimpulan terhadap populasi dapat
dipertanggungjawabkan,
– Lebih teliti menghitung yang sedikit daripada yang
banyak,
– Menghemat waktu, tenaga, biaya, menghemat
benda coba yang merusak.
 Cara melakukan teknik sampling
• Beberapa kriteria yang perlu diperhatikan dalam mengambil
sampel adalah sebagai berikut:
– Menentukan daerah generalisasinya.
Banyak penelitian menurun mutunya karena generalisasi
kesimpulannya terlalu luas. Penyebabnya ialah karena
peneliti ingin agar hasil penelitiannya berlaku secara meluas
dan menganggap sampel yang dipilihnya sudah mewakili
populasinya.
– Membeikan batas yang tegas tentang sifat-sifat populasi.
Populasi tidak harus manusia. Populasi dapat pula berupa
benda-benda lainnya. Semua benda-benda yang akan
dijadikan populasi harus ditegaskan batas-batas
karakteristiknya, sehingga dapat menghindari kekaburan dan
kebingungan.
– Menentukan sumber-sumber informasi tentang populasi.
Ada beberapa sumber informasi yang dapat memberi
petunjuk tentang karakteristik suatu populasi. Umpamanya
didapat dari dokumen-dokumen.
 Cara melakukan teknik sampling
• Beberapa kriteria yang perlu diperhatikan dalam mengambil
sampel adalah sebagai berikut:
– Pilih teknik sampling dan hitung besar anggota sampel yang
sesuai dengan tujuan penelitian.
– Rumuskan persoalan yang akan diteliti.
– Tentukan/cari keterangan mengenai populasi yang akan
diteliti.
– Definisikan unit-unit, istilah yang diperlukan.
– Tentukan unit sampling yang diperlukan.
– Tentukan skala pengukuran yang akan dipergunakan.
– Cari keterangan yang ada kaitannya dengan permasalahan
yang akan dibahas.
– Tentukan ukuran sampel yang akan dianalisis.
 Penentuan besarnya anggota sampel

a. Contoh Menentukan Ukuran Sampel dengan Tabel Krecjie dan

Nomogram Harry King.

– Penelitian akan dilakukan terhadap iklim kerja suatu organisasi.

– Sumber data yang digunakan adalah para pegawai yang ada pada
organisasi tersebut (populasi).
– Jumlah pegawainya 1000 terdiri atas lulusan
• S1 = 50
• SM = 300
• SMK = 500
• SMP = 50
• SD = 100
(populasi berstrata).
 Penentuan besarnya anggota sampel
• Jumlah populasi = 1000.
• Bila kesalahan 5%, maka jumlah sampelnya = 278.
• Karena populasi berstrata, maka sampelnya juga berstrata. Stratanya
menurut tingkat pendidikan. Dengan demikian masing-masing sampel untuk
tingkat pendidikan harus proporsional sesuai dengan populasi. Jadi jumlah
sampel untuk
 Penentuan besarnya anggota sampel
• Pada perhitungan yang terdapat koma dibulatkan ke atas
sehingga jumlah sampelnya lebih 278 yaitu 280. Hal ini lebih
aman daripada kurang dari 278.
• Gambaran jumlah populasi dan sampel dapat ditunjukkan pada
gambar berikut
 Penentuan besarnya anggota sampel

b. Contoh Menentukan Ukuran Sampel dengan Perhitungan

• Bila ukuran sampel lebih dari 100.000, maka peneliti tidak bisa melihat tabel
lagi, oleh karena itu peneliti harus dapat menghitung sendiri.
• Contoh 1:
– Misal seorang peneliti ingin mengetahui produktivitas kerja pegawai di
lembaga A. peneliti berhipotesis bahwa produktivitas kerja pegawai di
lembaga A paling sedikit 70 dari tolok ukur ideal yang ditetapkan. Untuk
menghitung ukuran sampel sebagai sumber datanya diperlukan rumus
sebagai berikut.
– n ≥ pq/ σp2
– n = Ukuran sampel yang diperlukan
– p = Prosentase hipotesis (Ho) dinyatakan dalam peluang yang besarnya =
0,70
– q = 1 – 0,50 = 0,50
– σp = Perbedaan antara Ha dan Ho, dibagi dengan z pada tingkat
kepercayaan tertentu.
 Penentuan Besarnya Anggota Sampel

• Untuk tingkat kepercayaan

– 68%, z = 1
– 95%, z = 1,96
– 99%, z = 2,58.
• Misal taraf kepercayaan 95% berarti z = 1,96 maka:

• Dengan demikian maka besamya ukuran sampel yang diperlukan sebagai

sumber data pada taraf kepercayaan 95% adalah:

• Atau 25 orang jadi paling sedikit diperlukan 25 orang sebagai sumber data.
 Penentuan Besarnya Anggota Sampel
• Contoh 2
• Untuk menaksir berapa tingkat kepuasan kerja pegawai di lembaga
B diperlukan sebuah sampel. Taraf kepercayaan yang dikehendaki
99%. Perbedaan antara yang ditaksir dengan tolok ukur yang
ditetapkan tidak lebih dari 10%. Jika diketahui simpangan bakunya
20% maka ukuran sampel dapat dihitung dengan rumus sebagai
berikut:

• Dimana
• n = Ukuran sampel yang diperlukan
• b = Perbedaan antara yang ditaksir dengan tolok ukur penafsiran
• z = Harganya tergantung pada taraf kepercayaan yang ditetapkan.
(lihat keterangan pada contoh pertama).
• σ = Simpangan baku
 Penentuan Besarnya Anggota Sampel
• Contoh 2
• Untuk menaksir berapa tingkat kepuasan kerja pegawai di lembaga B
diperlukan sebuah sampel. Taraf kepercayaan yang dikehendaki 99%.
Perbedaan antara yang ditaksir dengan tolok ukur yang ditetapkan
tidak lebih dari 10%. Jika diketahui simpangan bakunya 20% maka
ukuran sampel dapat dihitung dengan rumus sebagai berikut.

• Untuk contoh di atas maka besarnya sampel dapat dihitung.

 Kesalahan Umum dalam Menentukan Anggota
Sampel

1. Gagal dalam menetapkan jumlah anggota populasi yang dapat

dipercaya
2. Menggunakan anggota sampel yang terlalu kecil.
3. Tidak menggunakan teknik sampling startified yang disyaratkan
4. Mengubah prosedur teknik sampling;
5. Mengubah rumus untuk menghitung besarnya anggota sampel
6. Memilih anggota sampel yang tidak sesuai dengan tujuan penelitian
7. Mengurangi anggota sampel yang telah ditentukan oleh
perhitungannya;
8. Memilih grup eksperimen dan grup kontrol dari populasi yang
berbeda;
9. Peneliti yang memakai grup sukarela, lupa atau sengaja tidak
membedakannya dengan grup wajib, akibatnya peneliti gagal dalam
menginterpretasikan hasil penelitiannya;
 Kesalahan umum dalam menentukan anggota
sampel
10. Tidak memberikan alasan-alasan mengapa rumus dan
teknik sampling tertentu yang ia gunakan di dalam
penelitian.
11. Pemeriksaan yang kurang teliti dan lengkap terhadap
populasi
12. Kekeliruan nonsampling, penyebabnya adalah:
a) Populasi tidak didefinisikan sebagaimana mestinya.
b) Penyimpangan populasi tidak dipelajari.
c) Kuesioner tidak dirancang sesuai dengan keperluan.
d) Rumusan dan istilah tidak dipergunakan sebagaimana
mestinya.
e) Peneliti kurang memahami isi dari kuesioner sehingga
jawaban responden kurang sesuai dengan keinginan.
f) Responden tidak memberikan jawaban yang objektif
untuk memberikan jawaban.
SEKIAN DAN
TERIMA
KASIH

131
 TABEL NORMAL Z
  0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
 TABEL NORMAL Z
  0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
 Tabel t-Student
df\p 0.40 0.25 0.10 0.05 0.025 0.01 0.005 0.0005
1 0.324920 1.000000 3.077684 6.313752 12.70620 31.82052 63.65674 636.6192
2 0.288675 0.816497 1.885618 2.919986 4.30265 6.96456 9.92484 31.5991
3 0.276671 0.764892 1.637744 2.353363 3.18245 4.54070 5.84091 12.9240
4 0.270722 0.740697 1.533206 2.131847 2.77645 3.74695 4.60409 8.6103
5 0.267181 0.726687 1.475884 2.015048 2.57058 3.36493 4.03214 6.8688
6 0.264835 0.717558 1.439756 1.943180 2.44691 3.14267 3.70743 5.9588
7 0.263167 0.711142 1.414924 1.894579 2.36462 2.99795 3.49948 5.4079
8 0.261921 0.706387 1.396815 1.859548 2.30600 2.89646 3.35539 5.0413
9 0.260955 0.702722 1.383029 1.833113 2.26216 2.82144 3.24984 4.7809
10 0.260185 0.699812 1.372184 1.812461 2.22814 2.76377 3.16927 4.5869
11 0.259556 0.697445 1.363430 1.795885 2.20099 2.71808 3.10581 4.4370
12 0.259033 0.695483 1.356217 1.782288 2.17881 2.68100 3.05454 4.3178
13 0.258591 0.693829 1.350171 1.770933 2.16037 2.65031 3.01228 4.2208
 Tabel t-Student
df\p 0.40 0.25 0.10 0.05 0.025 0.01 0.005 0.0005
15 0.257885 0.691197 1.340606 1.753050 2.13145 2.60248 2.94671 4.0728
16 0.257599 0.690132 1.336757 1.745884 2.11991 2.58349 2.92078 4.0150
17 0.257347 0.689195 1.333379 1.739607 2.10982 2.56693 2.89823 3.9651
18 0.257123 0.688364 1.330391 1.734064 2.10092 2.55238 2.87844 3.9216
19 0.256923 0.687621 1.327728 1.729133 2.09302 2.53948 2.86093 3.8834
20 0.256743 0.686954 1.325341 1.724718 2.08596 2.52798 2.84534 3.8495
21 0.256580 0.686352 1.323188 1.720743 2.07961 2.51765 2.83136 3.8193
22 0.256432 0.685805 1.321237 1.717144 2.07387 2.50832 2.81876 3.7921
23 0.256297 0.685306 1.319460 1.713872 2.06866 2.49987 2.80734 3.7676
24 0.256173 0.684850 1.317836 1.710882 2.06390 2.49216 2.79694 3.7454
25 0.256060 0.684430 1.316345 1.708141 2.05954 2.48511 2.78744 3.7251
26 0.255955 0.684043 1.314972 1.705618 2.05553 2.47863 2.77871 3.7066
27 0.255858 0.683685 1.313703 1.703288 2.05183 2.47266 2.77068 3.6896
28 0.255768 0.683353 1.312527 1.701131 2.04841 2.46714 2.76326 3.6739
29 0.255684 0.683044 1.311434 1.699127 2.04523 2.46202 2.75639 3.6594
30 0.255605 0.682756 1.310415 1.697261 2.04227 2.45726 2.75000 3.6460