Normal Distribution, Estimation

dan Confidence Intervals

Kuliah-4 (Tambahan)
 Distribusi Probabilitas Normal (1)

2
Distribusi Probabilitas Normal (2)

 Perhatikan bahwa P(x>)=0,5 begitu pula P(x<)=0,5

 Contoh Distribusi Normal

 Asumsikan bahwa hasil pengukuran arus yang mengalir pada contoh

sebelumnya mengikuti pola distribusi normal dengan mean 10 mA
dan varians 4 mA2. Berapa probabilitas hasil pengukuran melebihi 13
mA?
 Distribusi Normal Baku/Standar

 Jika distribusi probabilitas normal variable

random x:

 Dengan ф(…) adalah fungsi distribusi

kumulatif distribusi normal standar , yakni
distribusi normal dengan nilai rata-rata (µ) = 0
dan deviasi standar (σ) = 1

5
Probabilitas Berdasarkan Tabel Distribusi Z

 Cara membaca tabel z

Penggunaan Fungsi Distribusi Normal
Penggunaan Tabel Fungsi Distribusi Normal
Penggunaan Fungsi Distribusi Normal
Contoh

 Apabila hasil pengukuran arus pada kabel mengikuti distribusi normal

dengan mean 10 mA dan varians 4 mA2. Berapa probabilitas hasil
pengukuran akan melebihi 13 mA?
 Hitung Z = (X – 10)/2. Ketika X > 13
maka Z > 1,5
Metode Standardisasi
Metode Standardisasi

 Melanjutkan contoh kasus sebelumnya,

berapa peluang hasil pengukuran antara 9 –
11 mA?
 Soal (1)

13
 Soal (2)

14
 Estimasi

 Tujuan sampling adalah untuk

mengumpulkan data yang diperlukan guna
mengestimasi parameter populasi penelitian.
Dengan demikian rerata dan simpangan
baku s yang diperoleh dari suatu sampel
adalah estimator atas parameter-parameter
µ dan σ.

15
 Estimasi Titik dan Interval

 Estimasi titik adalah statistik (nilai tunggal),

dihitung dari informasi sampel, yang digunakan
untuk memperkirakan parameter populasi.

 Estimasi interval kepercayaan adalah rentang

nilai yang dibangun dari data sampel sehingga
parameter populasi cenderung terjadi dalam
kisaran tersebut pada probabilitas yang
ditentukan. Probabilitas yang ditentukan disebut
tingkat kepercayaan.

16
 Faktor-faktor yang Mempengaruhi Estimasi
Interval Kepercayaan

Faktor-faktor yang menentukan lebar interval

kepercayaan adalah:
1. Ukuran sampel, n.
2. Variabilitas dalam populasi “σ”, biasanya
diperkirakan oleh “s”.
3. Tingkat kepercayaan yang diinginkan.

17
 Menemukan nilai-Z untuk Interval
Kepercayaan 95%

The area between

Z = -1.96 and z= +1.96
is 0.95

18
 Estimasi Interval: Interpretasi

Untuk interval
kepercayaan 95% sekitar
95% dari interval yang
dibangun dengan cara
yang sama akan
mengandung parameter
yang diestimasi. Juga
95% dari rata-rata sampel
untuk ukuran sampel
yang ditentukan akan
berada dalam 1,96
standar deviasi dari
populasi yang
dihipotesiskan

19
 Estimasi Titik dan Interval Kepercayaan
untuk Rata-rata: σ Diketahui

x  sample mean
z  z - value for a particular confidence level
σ  the population standard deviation
n  the number of observations in the sample

20
 Contoh: Interval Kepercayaan untuk Rata-
rata: σ Diketahui

Sampel acak sejumlah 256 buah mengungkapkan

rata-rata sampel sebesar 45420. Simpangan baku
populasi ini adalah 2050.

1.Apa nilai yang masuk akal untuk digunakan sebagai

perkiraan rata-rata populasi?

2.Apa arti kisaran nilai yang wajar untuk populasi?

3.Apa artinya hasil ini?

21
 Contoh: Interval Kepercayaan untuk
Rata-rata: σ Diketahui

1. Kita tahu rata-rata sampel adalah 45420. Oleh karena itu, estimasi
terbaik dari nilai populasi yang tidak diketahui adalah statistik
sampel yang sesuai.

Rata-rata sampel 45420 adalah estimasi titik rata-rata populasi yang

tidak diketahui.

2. Batas kepercayaan

3. Interpretasi Batas kepercayaan

Jika mengambil sampel dari 256 buah, dan untuk setiap sampel kita
menghitung rata-rata dan kemudian membangun interval
kepercayaan 95 persen, kita bisa berharap sekitar 95 persen
interval kepercayaan ini mengandung rata-rata populasi.
Sebaliknya, sekitar 5 persen dari interval tidak akan mengandung
rata-rata populasi (μ)
22
 Karakteristik Distribusi-t

1. Seperti distribusi z, yaitu distribusi kontinu.

2. Seperti distribusi z, berbentuk lonceng dan simetris.
3. Tidak ada satu distribusi t, melainkan keluarga
distribusi t. Semua distribusi t memiliki rata-rata 0,
tetapi standar deviasinya berbeda sesuai dengan
ukuran sampel, n.
4. Distribusi t lebih tersebar dan lebih rata di tengah
daripada distribusi normal standar seiring dengan
meningkatnya ukuran sampel, distribusi t mendekati
distribusi normal standar,

23
 Perbandingan Distribusi z dan t Ketika
n kecil, Tingkat Kepercayaan 95%

24
 Estimasi Interval Kepercayaan untuk
Rata-rata

Pakai Distribusi Z Pakai Distribusi t

Jika standar deviasi Jika standar deviasi
populasi diketahui populasi tidak
ATAU sampel diketahui DAN
minimal 30. sampel kurang dari
30.

25
 When to Use the z or t Distribution for
Confidence Interval Computation

26
 Interval Kepercayaan untuk Rata-rata:
Contoh Memakai Distribusi-t

Sebuah pabrik ban ingin Given in the problem :

menyelidiki umur tapak bannya.
Sampel 10 ban yang n  10
digerakkan 50.000 mil
menunjukkan rata-rata sampel x  0.32
0,32 inci dari tapak tersisa
dengan standar deviasi 0,09 s  0.09
inci. Buat interval kepercayaan
95 persen untuk rata-rata
populasi. Apakah masuk akal
bagi pabrikan untuk Compute the C.I. using the
menyimpulkan bahwa setelah
50.000 mil populasi berarti t - dist. (since  is unknown)
jumlah tapak yang tersisa
s
adalah 0,30 inci? X  t / 2, n 1
n
27
 Tabel Distribusi-t

28
 Interval Kepercayaan untuk Rata-rata:
Contoh Memakai Excel

29
 Interval Kepercayaan untuk Proporsi
Populasi

Interval kepercayaan untuk proporsi populasi

diperkirakan oleh:

p(1  p)
p  z / 2
n

30
 Interval Kepercayaan untuk Proporsi
Populasi: Contoh

Pada proses pengayakan partikel

sebanyak 2.000 gram lolos 100 mesh
sebanyak 1.600 gram. Berapa
estimasi proporsi populasi?

Kriteria keberhasilan penggilingan

jika paling sedikit 75% lolos ayakan
100 mesh.

Kembangkan interval kepercayaan

95 persen untuk proporsi populasi.

Dengan mendasarkan keputusan

Anda pada informasi sampel ini,
dapatkah Anda menyimpulkan bahwa Kesimpulan: pnggilingan dinyatakan
proporsi yang ada menunjukkan berhasil karena nilai interval
keberhasilan penggilingan? kepercayaan di atas 75%
31
 UKURAN SAMPEL
& DATA PENCILAN
STATISTIKA TEKNIK KIMIA

32
 Pemilihan Ukuran Sampel (n)

Ada 3 faktor yang menentukan ukuran

sampel:

1)Tingkat kepercayaan yang dipilih.

2)Kesalahan maksimum yang diijinkan.
3)Variasi dalam populasi.

33
 Penentuan Ukuran Sampel untuk
Variabel

 Ukuran sampel untuk variabel:

2
 z  
n 
 E 

where :
E - the allowable error
z - the z - value corresponding to the selected
level of confidence
 - the population standard deviation ( use s, sample standard deviation
from pilot sample, if  is unknown )

34
 Penentuan Ukuran Sampel untuk
Variabel: Contoh-1

Seorang siswa dalam administrasi 2

publik ingin menentukan jumlah rata-  z  
rata yang diperoleh anggota dewan n 
kota di kota-kota besar per bulan  E 
sebagai upah untuk menjadi anggota
dewan. Berapa ukuran sampel yang 2
dibutuhkan?  (1.96)($1,000) 
 
Diketahui:  $100 
Kesalahan maksimum yang diijinkan,
 (19.6) 2
adalah $ 100
Nilai-z untuk tingkat kepercayaan 95  384.16
persen adalah 1,96,
Estimasi standar deviasi adalah $
 385
1.000.
35
 Penentuan Ukuran Sampel untuk
Variabel: Contoh-2
Seorang siswa dalam administrasi publik 2
ingin menentukan jumlah rata-rata yang  z  
diperoleh anggota dewan kota di kota- n 
kota besar per bulan sebagai upah untuk  E 
menjadi anggota dewan dengan tingkat
kepercayaan 99%. Berapa ukuran
2
sampel yang dibutuhkan?  (1.96)($1,000) 
 
Diketahui:  $100 
Kesalahan maksimum yang diijinkan,
adalah $ 100
 (19.6) 2
Nilai-z untuk tingkat kepercayaan 99  384.16
persen adalah 2,58,
Estimasi standar deviasi adalah $  385
1.000.

36
 Ukuran Sampel untuk Proporsi

 Formula untuk menentukan ukuran

sampel proposi adalah:
2
Z
n  p (1  p ) 
E

where :
p is estimate from a pilot study or some source,
otherwise, 0.50 is used
z - the z - value for the desired confidence level
E - the maximum allowable error
37
 Outlier (Data Pencilan)

 Adalah data observasi yang muncul dengan nilai-nilai

ekstrim, baik secara univariat ataupun multivariat.
 Nilai-nilai ekstrim dalam observasi adalah nilai yang
jauh atau beda sama sekali dengan sebagian besar
nilai lain dalam kelompoknya.
– Contoh: Nilai ujian mahasiswa dalam satu kelas yang
berjumlah 30 siswa, sebanyak 29 siswa mendapatkan nilai
ujian dalam kisaran 70 sampai 80. Kemudian ada 1 siswa
yang nilainya sangat melenceng dari lainnya, yaitu
mendapatkan nilai 30. Tentunya 1 siswa tersebut memiliki
nilai ekstrem sehingga disebut sebagai pencilan.

38
 Outlier (Data Pencilan)

METODE INTERQUARTILE RANGE

Dapat dipakai untuk data yang tidak terdistribusi normal.
Data pencilan jika berada di luar batas:
Lebih kecil dari Q1 – 1,5(IQR); atau

Lebih besar dari Q3 + 1,5(IQR); atau

Dengan: IQR = Q3 – Q1

IQR – Inter-Quartile-Range
Q1 – Kuartil bawah (persentil ke-25)
Q3 – Kuartil atas (persentil ke-75)
39
 Outlier (Data Pencilan)

METODE INTERQUARTILE RANGE

Contoh: Data berikut, apakah ada oulier?
2 4 5 6 7 9 10 12 15

Q1=4,5 Q3=11

IQR = 11 – 4,5 = 6,5

Batas bawah data = 4,5 – 1,5(6,5) = -5,25
Batas atas data = 4,5 + 1,5(6,5) = 14,25

Kesimpulan terdapat data oulier yaitu 15

40
 Outlier (Data Pencilan)

METODE Grubb
Dipakai untuk:
Data yang terdistribusi normal;
Hanya dapat mendeteksi 1 (satu) outlier dalam sekali
iterasi.
Jumlah data lebih dari 6 (bila 6 data atau kurang, akan
muncul outlier)
Hipotesis:
Ho : tidak ada outlier
H1 : ada tepat satu outlier

41
 Outlier (Data Pencilan)

METODE Grubb DUA SISI

Uji Grubb

Dengan: s = deviasi standar sampel

42
 Outlier (Data Pencilan)

METODE Grubb DUA SISI

Terdapat outlier pada taraf signifikansi  jika

Dengan
N – Jumlah data
tα/(2N),N−2 – nilai kritik atas dari distribusi-t dengan N − 2
derajat kebebasan dan taraf signifikansi α/(2N)
43
 UJI GUBB DUA SISI
Gcrit Gcrit Gcrit Gcrit Gcrit Gcrit
n   n   n
α=0.05 α=0.01 α=0.05 α=0.01 α=0.05 α=0.01

3 1.1543 1.1547   15 2.5483 2.8061   80 3.3061 3.6729

4 1.4812 1.4962   16 2.5857 2.8521   90 3.3477 3.7163

5 1.7150 1.7637   17 2.6200 2.8940   100 3.3841 3.7540

6 1.8871 1.9728   18 2.6516 2.9325   120 3.4451 3.8167

7 2.0200 2.1391   19 2.6809 2.9680   140 3.4951 3.8673

8 2.1266 2.2744   20 2.7082 3.0008   160 3.5373 3.9097

9 2.2150 2.3868   25 2.8217 3.1353   180 3.5736 3.9460

10 2.2900 2.4821   30 2.9085 3.2361   200 3.6055 3.9777

11 2.3547 2.5641   40 3.0361 3.3807   300 3.7236 4.0935

12 2.4116 2.6357   50 3.1282 3.4825   400 3.8032 4.1707

13 2.4620 2.6990   60 3.1997 3.5599   500 3.8631 4.2283

44 14 2.5073 2.7554   70 3.2576 3.6217   600 3.9109 4.2740

 Outlier (Data Pencilan)

METODE Grubb SATU SISI

Nilai minimum (batas outlier):

Nilai maksimum (batas outlier):

45
 Outlier (Data Pencilan)

METODE Grubb SATU SISI

Terdapat outlier pada taraf signifikansi  jika

Dengan
N – Jumlah data
tα/(2N),N−2 – nilai kritik atas dari distribusi-t dengan N − 2
derajat kebebasan dan taraf signifikansi α/(N)
46
 UJI GUBB SATU SISI
gcrit gcrit gcrit gcrit gcrit gcrit
n   n   n
α=0.05 α=0.01 α=0.05 α=0.01 α=0.05 α=0.01

3 1.1531 1.1546   15 2.4090 2.7049   80 3.1319 3.5208

4 1.4625 1.4925   16 2.4433 2.7470   90 3.1733 3.5632

5 1.6714 1.7489   17 2.4748 2.7854   100 3.2095 3.6002

6 1.8221 1.9442   18 2.5040 2.8208   120 3.2706 3.6619

7 1.9381 2.0973   19 2.5312 2.8535   140 3.3208 3.7121

8 2.0317 2.2208   20 2.5566 2.8838   160 3.3633 3.7542

9 2.1096 2.3231   25 2.6629 3.0086   180 3.4001 3.7904

10 2.1761 2.4097   30 2.7451 3.1029   200 3.4324 3.8220

11 2.2339 2.4843   40 2.8675 3.2395   300 3.5525 3.9385

12 2.2850 2.5494   50 2.9570 3.3366   400 3.6339 4.0166

13 2.3305 2.6070   60 3.0269 3.4111   500 3.6952 4.0749

14 2.3717 2.6585   70 3.0839 3.4710   600 3.7442 4.1214

47
 Outlier (Data Pencilan)

Metode Dixxon
Hipotesis:
Ho : Tidak ada pencilan
H1 : Terdapat minimal satu nilai pencilan
Rumus

Jika Qhitung > Qtabel maka Ho ditolak dan H1 diterima. Artinya

terdapat data pencilan.

48
49
 Contoh

Ho : Tidak ada data pencilan

H1 : Terdapat minimal satu data pencilan
Taraf siginifigansi = 0,05

Qtabel = 0,642
Kesimpulan: tidak ada data pencilan
50
 Akhir Kuliah-7

51