1

:: Praktikum Statistika menggunakan R ::

04. Inferensi Statistika : Penaksiran

Inferensi Statistika:
Penaksiran
MA2181 Analisis Data / MA2081 Statistika
Dasar / MA2082 Biostatistika

Kelompok Keilmuan Statistika

Laboratorium Statistika dan Komputasi Matematika

Fakultas Matematika dan Ilmu Pengetahuan Alam

Copyright 2020 © KK Statistika, FMIPA – ITB

2

TUJUAN

11 22

Mempelajari prosedur Melakukan penaksiran selang

penaksiran titik dan selang untuk rataan dan variansi pada
untuk rataan dan variansi. beberapa contoh masalah.

Copyright 2020 © KK Statistika, FMIPA – ITB

3
Sifat Penaksir
•  Tak Bias
1.
Misalkan penaksir tak bias bagi suatu
parameter . Penaksir tersebut
dikatakan tak bias jika
2. Variansi Minimum
Apabila terdapat dua buah penaksir tak
bias, penaksir dengan variansi terkecil
dikatakan penaksir tak bias bervariansi
minimum.
  Konsisten
3.
Misalkan penaksir bagi yang diperoleh dari sampel
acak berukuran . Penaksir tersebut dikatakan
konsisten bagi apabila untuk setiap berlaku
4. Statistik cukup
Statistik dikatakan cukup secara statistik bagi
parameter jika fungsi kepadatan peluang bersyarat
tidak bergantung pada .
4

Jenis Penaksiran
1. Penaksiran Titik
Untuk mencari nilai tunggal dari suatu parameter melalui pendekatan
metode tertentu.

2. Penaksiran Selang
Untuk mencari nilai sesungguhnya dari suatu parameter, dengan semua
nilai yang mungkin dari parameter tersebut berada pada kisaran selang
tertentu.
5
Penaksiran Rataan
 
#Kasus
  variansi populasi diketahui
1 POPULASI #Input
x #data dalam vector
sigma #standar deviasi populasi ()
•  xbar = mean(x) #rataan data
1. Kasus variansi populasi diketahui n = length(x) #banyaknya observasi
alpha #tingkat signifikansi

#Perhitungan manual
z.alpha = qnorm(1-alpha/2)
Dengan rataan sampel berukuran dan sem = sigma/sqrt(n)
nilai tabel normal baku dengan luas di E = z.alpha*sem
 
kanan #Batas Bawah
LB = xbar – E
#Batas Atas
UB = xbar + E
 
#Selang Kepercayaan
B = xbar + c(-E,E)

#Perhitungan otomatis 
#Package TeachingDemos
Library(TeachingDemos)
z.test(x, sd=sigma)
6
Penaksiran Rataan
 
1 POPULASI #Kasus
  variansi populasi tidak diketahui
#Input
x #data dalam vector

•2.  Kasus variansi populasi tidak xbar = mean(x)

S = sd(x)
#rataan data
#standar deviasi populasi ()
diketahui n = length(x)
alpha
#banyaknya observasi
#tingkat signifikansi
Variansi sampel digunakan untuk
#Perhitungan manual
menaksir variansi populasi t.alpha = qt(1-alpha/2,df=n-1)
sem = S/sqrt(n)
E = t.alpha*sem
 
#Batas Bawah
Dengan LB = xbar – E
#Batas Atas
rataan sampel berukuran dan UB = xbar + E
 
nilai tabel (student-t), derajat kebebasan . #Selang Kepercayaan
B = xbar + c(-E,E)

#Perhitungan otomatis 
t.test(x)
7

Contoh Soal 1

Enam belas botol yang serupa

masing-masing berisi cairan asam
sulfat sebanyak: 9.8, 10.2, 10.4,
9.8, 10.0, 10.2, 9.6, 11.20, 10.30,
11.60, 9.40, 9.20, 9.60, 10.60, 9.00
dan 9.20 liter. Carilah selang
kepercayaan 95% untuk rataan isi
botol tersebut bila distribusinya
dianggap hampir normal.
This Photo by Unknown Author is licensed under CC BY-SA-NC

Copyright 2020 © KK Statistika, FMIPA – ITB

8
Prosedur R Contoh Soal 1
(Penaksiran Selang Rataan variansi populasi tidak diketahui)
> #Input Data > #Perhitungan Otomatis
> x=c(9.8,10.2,10.4,9.8,10,10.2,9.6, > t.test(x)
> 11.2,10.30,11.6,10.60,9.00,9.20)
> xbar = mean(x) One Sample t-test
> S=sd(x)
> n=length(x) data: x
> alpha=0.05 t = 50.519, df = 12, p-value =
2.374e-15
alternative hypothesis: true mean is not equal to 0
> #Perhitungan manual 95 percent confidence interval:
> t.alpha = qt(1-alpha/2,df=n-1) 9.708569 10.583739
> sem = S/sqrt(n) sample estimates:
> E = t.alpha*sem mean of x
10.14615
> #lower bound
> LB = xbar-E

> #upper bound  

Sehingga diperoleh taksiran selang rataan isi botol asam
> UB = xbar+E sulfat dengan tingkat signifikansi 5% atau SK 95% adalah
> #bound
> B = xbar+c(-E,E)
> B
[1] 9.708569 10.583739
9
  Selisih Rataan
Penaksiran Selang
2 POPULASI

•   Kasus variansi populasi 1 dan populasi 2 diketahui

1.

#Perhitungan Manual
xbar=xbar1-xbar2
z.alpha=qnorm(1-alpha/2)
sem = sqrt((sigma1/n1)+(sigma2/n2))
dengan dan ukuran sampel dari populasi 1 dan populasi E = z.alpha*sem
2, berturut-turut. #Batas Bawah
LB = xbar-E

#Batas Atas
#Kasus variansi populasi 1 dan populasi 2 diketahui UB = xbar+E
 
#Input
x1, x2 #data dalam vector #Selang Kepercayaan
xbar1 = mean(x1) #rataan x1 B = xbar + c(-E,E)
xbar2 = mean(x2) #rataan x2
sigma1, sigma2 #variansi populasi ()
n1 = length(x1) #banyaknya observasi x1
n2 = length(x2) #banyaknya observasi x2
alpha #tingkat signifikansi
10
  Selisih Rataan
Penaksiran Selang
2 POPULASI

•  Kasus variansi dari populasi 1 dan populasi 2 tidak diketahui dan dianggap sama ()
2.

dengan dan variansi sampel dari populasi 1 dan 2, berturut-turut dan derajat kebebasan () :
11
  Selisih Rataan
Penaksiran Selang
2 POPULASI

•  Kasus variansi dari populasi 1 dan populasi 2 tidak diketahui dan dianggap sama ()
2.
#Perhitungan Manual
#Kasus variansi populasi 1 dan populasi 2 diketahui xbar=xbar1-xbar2
#Input df=n1+n2-2
x1, x2 #data dalam vector t.alpha=qt(1-alpha/2,df)
xbar1 = mean(x1) #rataan x1 Sp = (((n1-1)*s1)+((n2-1)*s2))/(df)
xbar2 = mean(x2) #rataan x2 sem = sqrt((1/n1)+(1/n2))
s1 = var(x1) #variansi x1 E = t.alpha*sqrt(Sp)*sem
s2 = var(x2) #variansi x2
n1 = length(x1) #banyaknya observasi x1 #Batas Bawah
n2 = length(x2) #banyaknya observasi x2 LB = xbar-E
alpha #tingkat signifikansi
#Batas Atas
UB = xbar+E

#Selang Kepercayaan
B = xbar + c(-E,E)

#Perhitungan Otomatis
t.test(x1,x2,alt=“two.sided”,var.equal
= TRUE)
12
  Selisih Rataan
Penaksiran Selang
2 POPULASI

•   Kasus variansi dari populasi 1 dan populasi 2 tidak

3.
diketahui dan tidak dianggap sama ()

Selang kepercayaannya adalah

dengan dan adalah taksiran untuk dan , berturut-turut, dan derajat

kebebasan yang diperoleh dari:

13
  Selisih Rataan
Penaksiran Selang
2 POPULASI

•3. Kasus variansi dari populasi 1 dan populasi 2 tidak diketahui dan tidak
dianggap sama ()
#Kasus variansi populasi 1 dan populasi 2 diketahui #Perhitungan Manual
#Input xbar=xbar1-xbar2
x1, x2 #data dalam vector df=((s1/n1)+(s2/n2))^2/
xbar1 = mean(x1) #rataan x1 (((1/(n1-1))*(s1/n1)^2)+((1/(n2-1))*(s2/n2)^2))
xbar1 = mean(x1) #rataan x2 t.alpha=qt(1-alpha/2,df)
s1 = var(x1) #variansi x1 sem = sqrt((s1/n1)+(s2/n2))
s2 = var(x2) #variansi x2 E = t.alpha*sem
n1 = length(x1) #banyaknya observasi x1
n2 = length(x2) #banyaknya observasi x2 #Batas Bawah
alpha #tingkat signifikansi LB = xbar – E

#Batas Atas
UB = xbar + E

#Selang Kepercayaan
B = xbar + c(-E,E)

#Perhitungan Otomatis
t.test(x1,x2,alt=“two.sided”)
14
  Selisih Rataan
Penaksiran Selang
2 POPULASI
#Input
x1, x2

•  Kasus Data Berpasangan

d = x1 - x2
4. dbar = mean(d)
sd = sd(d)
Ciri-cirinya adalah: n = length(d)
df = n-1
setiap anggota sampel populasi memiliki perlakuan
tertentu yang diamati dan setiap data dari suatu #Perhitungan Manual
perlakuan berpasangan satu-satu dengan data dari t.alpha=qt(1-alpha/2,df)
perlakuan lain. sem = sd/sqrt(n)
E = t.alpha*sem
Contoh: setiap data berat badan sebelum konsumsi obat
#Batas Bawah
dengan data berat badan setelah konsumsi obat LB = dbar-E
( atau ), yang menyerupai selang kepercayaan untuk
#Batas Atas
kasus satu populasi dengan variansi tidak diketahui, UB = dbar+E
yaitu:
#Selang Kepercayaan
B = dbar + c(-E,E)

dengan dan adalah rataan dan simpangan baku dari #Perhitungan Otomatis
selisih pasangan data. t.test(x1,x2, paired = T)
15

Contoh Soal 2
16 botol yang serupa masing- Asam Sulfat Natrium Sulfat
masing berisi cairan asam sulfat 9,8 9,5
dan 16 botol lainnya berisi 10,2 11,2
10,4 8,0
Natrium Sulfat. Carilah selang 9,8 7,0
kepercayaan 95% untuk selisih 10 9,3

rataan isi botol asam sulfat dan 10,2

9,6
8,7
10
Natrium Sulfat tersebut bila 11,2 10,2
distribusinya dianggap hampir 10,3 9,4
11,6 8,7
normal. Variansi kedua populasi 9,4 9,2
tidak diketahui dan dianggap 9,2 8,2
9,6 7,8
sama. 10,6 10
9 8,7
9,2 7,9

Copyright 2020 © KK Statistika, FMIPA – ITB

16
Prosedur R Contoh Soal 2
(Penaksiran Selang Selisih Rataan Dua Populasi dengan variansi populasi tidak diketahui dan dianggap sama)
> #Input Data > #Perhitungan Otomatis
> library(readxl) >
> mydata <- read_excel("DATA PENAKSIRAN.xlsx",
Two Sample t-test
sheet = "contoh")
> x1<-mydata$AsamSulfat
> x2<-mydata$NatriumSulfat data: x1 and x2
> xbar1<-mean(x1) t = 3.1498, df = 30, p-value = 0.003685
> xbar2<-mean(x2) alternative hypothesis: true difference in
> s1<-var(x1) means is not equal to 0
> s2<-var(x2)
95 percent confidence interval:
> n1<-length(x1)
> n2<-length(x2) 0.358202 1.679298
> alpha<-0.05 sample estimates:
mean of x mean of y
> #Perhitungan manual 10.00625 8.98750
> xbar=xbar1-xbar2
> df=n1+n2-2
> t.alpha=qt(1-alpha/2,df)
> Sp = (((n1-1)*s1)+((n2-1)*s2))/(df)
> sem = sqrt((1/n1)+(1/n2))
> E = t.alpha*sqrt(Sp)*sem  
Sehingga diperoleh taksiran selang selisih rataan isi botol
> #Batas Bawah Asam sulfat dan Natrium sulfat dengan tingkat signifikansi
> LB = xbar-E
> #Batas Atas 5% atau SK 95% adalah
> UB = xbar+E
> #Selang Kepercayaan
> B = xbar + c(-E,E)
> B
[1] 0.358202 1.679298
17

Penaksiran Selang
  Variansi
#Variansi satu populasi
#Input
1 POPULASI x #data
S = var(x) #variansi data
n = length(x) #banyak observasi data
alpha #tingkat signifikansi
• 
#Perhitungan manual
khi.alpha1 = qchisq(1-alpha/2,n-1)
dengan variansi sampel berukuran serta khi.alpha2 = qchisq(alpha/2,n-1)
dan nilai tabel khi-kuadrat, derajat
#Batas Bawah
kebebasan , dengan LB = (n-1)*S/khi.alpha1

#Batas Atas
UB = (n-1)*S/khi.alpha2

#Selang Kepercayaan
B = c(LB,UB)

#Perhitungan Otomatis
library(TeachingDemos)
sigma.test(x, sigma=sqrt(S))
18

Penaksiran Selang
  Variansi
#Variansi satu populasi
x1, x2 #data
S1 = var(x1) #variansi x1
2 POPULASI S2 = var(x2) #variansi x2
n1 = length(x1) #banyak observasi x1
n2 = length(x2) #banyak observasi x1
alpha #tingkat signifikansi
 
#Perhitungan manual
F.alpha1=qf(1-alpha/2,n1-1,n2-1)
dengan dan nilai tabel F, derajat kebebasan dan , F.alpha2=qf(1-alpha/2,n2-1,n1-1)
dengan luas di kanan. E = S1/S2

#Batas Bawah
LB=E/F.alpha1

#Batas Atas
UB=E*F.alpha2

#Selang Kepercayaan
B=c(LB,UB)

#Perhitungan Otomatis
Var.test(x1,x2)
19

Contoh Soal 3

Enam belas botol yang serupa

masing-masing berisi cairan asam
sulfat sebanyak: 9.8, 10.2, 10.4,
9.8, 10.0, 10.2, 9.6, 11.20, 10.30,
11.60, 9.40, 9.20, 9.60, 10.60, 9.00
dan 9.20 liter. Carilah selang
kepercayaan 95% untuk variansi
isi botol tersebut bila distribusinya
dianggap hampir normal.
This Photo by Unknown Author is licensed under CC BY-SA-NC

Copyright 2020 © KK Statistika, FMIPA – ITB

20
Prosedur R Contoh Soal 3
(Penaksiran Selang Variansi untuk 1 populasi)

> #Variansi satu populasi > #Perhitungan Otomatis

> x = c(9.8,10.2,10.4,9.8,10,10.2,9.6, > library(TeachingDemos)
11.2,10.30,11.6,10.60,9.00,9.20) > sigma.test(x,sigma=sqrt(S))
> n=length(x)
> S=var(x) One sample Chi-squared test for
> alpha=0.05 variance
> #Perhitungan manual
> khi.alpha1=qchisq(1-alpha/2,n-1) data: x
> khi.alpha2=qchisq(alpha/2,n-1) X-squared = 12, df = 12, p-value =
> #Batas Bawah 0.8914
> LB=(n-1)*S/khi.alpha1 alternative hypothesis: true variance
> #Batas Atas is not equal to 0.524359
> UB=(n-1)*S/khi.alpha2 95 percent confidence interval:
> #Selang Kepercayaan 0.2696318 1.4288397
> B=c(LB,UB) sample estimates:
> B var of x
[1] 0.2696318 1.4288397 0.524359

 
Sehingga diperoleh taksiran selang variansi isi botol Asam sulfat dengan
tingkat signifikansi 5% atau SK 95% adalah
21
Tim Penyusun
Dr. Utriweni Mukhaiyar
Dosen KK Statistika
Kepala Laboratorium Statistika dan Komputasi Statistika

Fatia Amalia, S.Si

Asisten KK Statistika

Pengajar Semester I – 2020/2021

Dr. Udjianna S. Pasaribu Dr. Sapto Wahyu Indratno
Dosen KK Statistika, MA2181 Analisis Data Dosen KK Statistika, MA2082 Biostatistika

Dr. Rr. Kurnia Novita Sari Yuli Sri Afrianti, S.Si., MT, MBA.
Dosen KK Statistika, MA2181 Analisis Data Dosen KK Statistika,
MA2181 Analisis Data / MA2081 Statistika Dasar
Dr. Sandy Vantika
Dosen KK Statistika, Dr. Utriweni Mukhaiyar
MA2181 Analisis Data / MA2081 Statistika Dasar Dosen KK Statistika, MA2082 Biostatistika

Copyright 2020 © KK Statistika, FMIPA – ITB

22

Selamat Praktikum!

Copyright 2020 © KK Statistika, FMIPA – ITB