SSQL1113

STATISTIK UNTUK
SAINS SOSIAL

BAB 5 ~
UKURAN SERAKAN DATA

1
 UKURAN SERAKAN
• Ukuran Kecenderungan Memusat ~
jelaskan purata & keadaan kepusatan markat
dlm taburan.
• Ukuran Serakan ~ gambaran ttg perbezaan
(keseragaman) & serakan (jarak) markat dlm
taburan.
• Kepentingan ukuran serakan ~
penggunaan ujian statistik inferensi & mengkaji
perbezaan atau keberkesanan sesuatu program.
• Merumuskan data dengan menggunakan satu
nilai (single values).
• 4 pengukuran yg digunakan ~ Julat, Min Sisihan,
Varians & Sisihan Piawai. 2
 Jarak perjalanan (batu) yg digunakan oleh
penguin di padang pasir sebelum teman
perjalanannya tukar menjadi manusia

Zoo
5 5 5 5 5 5 5 5 an M in,
Penguins Ki r ak
ia n & M od
South Pole Me d
2 8 4 5 5 7 6 3
Penguins
3
(N = 8; ΣX = 40; Min, Mdn & Mod = 5)
 JULAT
• Julat = Markat Tertinggi – Markat Terendah
• Perbezaan di antara markat maksimum dengan
markat minimum dlm sesuatu taburan.
• Pengukuran yg mudah tetapi sekadar memberi
gambaran yg kasar ttg perbezaan & serakan data.
• Hanya dapat mengukur serakan extreme scores.
• Dipengaruhi oleh extreme scores ~ mudah berubah
dari sampel ke sampel.
• Taburan data yg memiliki julat yg sama tidak
semestinya mempunyai perbezaan markat &
serakan yg sama.
4
 cth pengiraan ~ Julat
1 2 2 1 2 2
4 5 6 4 5 6
7 7 8 7 7 8
8 8 9 8 8 9
9 9 19 9 9 10
Julat ~ 19 – 1 = 18 Julat ~ 10 – 1 = 9

Kirakan
J
bagi da ulat
ta
tersebu
t

(Julat ~ 20 – 2 = 18) 5
 MIN SISIHAN
• Setiap markat dlm sesuatu taburan mempunyai sisihan
drpd min. (sisihan = jarak di antara markat dgn min)
• Indeks min kpd markat sisihan menggambarkan
keseluruhan skor / markat sisihan dari min.
• Jumlah markat sisihan dari min = 0 (Σx = Σ(X-M) = 0).
• Menggunakan nilai mutlak markat sisihan piawai drpd
min ([X-M]).
• Min kpd nilai mutlak sisihan ~ MS
• Formula ~ MS

=  X i X @ X i M
= X
n n n 6
• Dpt menambahkan nilai markat dan
menjadikan markat dlm taburan semakin
kepelbagaian (heterogeneous) ~ semakin
besar nilai min sisihan maka semakin tidak
seragam (besar / jarak) markat dlm taburan.
• Digunakan utk membuat perbandingan
perbezaan & serakan markat di antara
taburan.

7
• 2 cara utk menghilangkan tanda –ve pada
markat min sisihan ~
– Abaikan tanda –ve pada markat min sisihan
– Kuasa duakan markat min sisihan
• memandangkan nilai –ve akan menjadi
+ve sekiranya didarabkan
• Min Sisihan jarang digunakan dlm bidang
sains sosial disebabkan ~
– Penggunaan nilai mutlak
– Manipulasi algebra yg sukar atau terhad
8
 cth pengiraan ~ Min Sisihan

Xi Xi - μ x |x|
Min Sisihan
1 1-3 -2 2
2 2-3 -1 1
Tiada
3 3-3 0 0
4 4-3 1 1
Makna
5 5-3 2 2
ak an M in S isihan
μ = ΣXi / N Σx = 0 Kir
=1+2+3+4+5/5 Σ|x| = 6 MS = Σ|x| / N
=3 N=5 = |2| + |1| + |0| + |1| + |2| / 5
=6/5
* μ (mew) = min populasi = 1.2 9
 VARIANS
• Merupakan min (purata) kpd jumlah kuasa dua
markat sisihan drpd min. (jumlah kuasa dua
setiap markat – nilai min)
• Simbol penulisan ~ JKD (jumlah kuasa dua)
SS (sum of squares)
• Formula ~ JKD   X i  X 
2

  X i2

• Sekiranya JKD dibahagikan dgn Jumlah Kes (N)

~ Varians (min kpd JKD)
• 2 jenis varians ~
Varians Populasi (σ2) & Varians Sampel (S2) 10
• Varians Sampel sering digunakan & merupakan anggaran
kepada Varians Populasi.
• Sekiranya semua markat di dlm taburan mempunyai nilai yg
sama ~ tiada varians (sifar) & tidak terdpt perbezaan variasi
di antara markat.
• Semakin besar nilai varians ~ semakin besar perbezaan
& keseragaman markat.
• Varians tidak banyak digunakan dalam statistik deskriptif
kerana memberikan pengukuran yg bersifat kuasa dua
SEBALIKNYA sering digunakan dlm statistik inferensi.

11
 • Formula ~ ~ Data Tidak Terkumpul Sukar digun
akan
terhadap tab
ur an
data yg bes
ar
TETAPI sam
p el
kecil & min
sampel yg
bersifat inte
– 1 ~ n il a i s a mpel r ge r
n (angka bula
a la h s e s u a tu nilai t)
ad
n g k a an / an g garan.
ja
l
Varians Sampe
mempunyai
denominator
gka
(penyebut / an
cahan
pembawah pe
yg lebih kecil ~
cenderung
ilai σ2 (sigma kuasa dua) = Varians Populasi
memperoleh n
ih S2 = Varians Sampel
jawapan yg leb
ing dgn N = Jumlah Kes bagi Populasi
besar berband
s i. n – 1 = Jumlah Kes bagi Sampel
Varians Popula
12
 cth pengiraan ~ Varians
i. Penggunaan markat sisihan dari min (Xi – X)
~ sesuai pd sampel kecil & min sampel mempunyai nilai

integer (angka bulat)

X X-μ x x2
1 1-3 -2 4
2 2-3 -1 1
3 3-3 0 0
4 4-3 1 1
5 5-3 2 4

(Data Tidak 13
Terkumpul)
ii. Penggunaan markat mentah yg asal
~ kuasa duakan markat asal & jumlahkan kesemua
markat yg telah dikuasaduakan tersebut
mpul)
(Data Tidak Terku

X X2
1 1
2 4
3 9
4 16
5 25

n=5 Σx ~ 1 + 2 + 3 + 4 + 5 = 15
Σx2 ~ 1 + 4 + 9 + 16 + 25 = 55
14
(Σx)2 ~ (15)2 = 225
 iii. Penggunaan taburan kekerapan
~ penggunaan nilai titik tengah & kekerapan

Nilai Titik
Tengah K KX X2 KX2 (Data
(X) Terkump
ul)
67 6 402 4489 26934
62 15 930 3844 57660  KX 
 
2

 KX 2

n
57 37 2109 3249 120213 S2 ~
n 1
52 30 1560 2704 81120
458922  (9106) 2 / 188
47 42 1974 2209 92778 187
42 23 966 1764 40572
17862.23
37 20 740 1369 27380
187
32 7 224 1024 7168
= 95.52
27 5 135 729 3645
22 3 66 484 1452
15
Jumlah 188 9106 - 458922
 SISIHAN PIAWAI
• Sisihan Piawai dikira dari nilai varians dgn melakukan
punca kuasa dua kpd nilai varians tersebut.
• 2 jenis sisihan piawai ~
Parameter Populasi (σ) & Statistik Sampel (s)
• Simbol yg biasa digunakan ~ S.P atau s.
• Formula ~

• Semakin besar nilai (semakin

2

2 sisihan piawai ~ besar nilai,

X)
@  2

serakan (luas) &Stidak seragam markat

X 
n (di sekitar min)
n 1
dlm taburan.

16
• Sisihan piawai dpt menggambarkan perbezaan &
kepelbagaian dlm bentuk unit yg sama dgn markat
asal ~ kenal pasti keadaan serakan data dlm
taburan.
• Menggambarkan ukuran serakan dlm sesuatu
taburan data berbanding dengan min.
• Sensitif terhadap setiap markat dalam taburan ~
sekiranya markat jauh dari nilai min maka nilai
sisihan piawai akan meningkat.
• Stable dlm pemilihan sampel (sama sifat seperti
min) serta mampu menggambarkan pola taburan.
• Sisihan piawai & min boleh dimanipulasikan secara
algebra ~ sesuai digunakan dlm statistik inferensi.
17
 cth pengiraan ~ Sisihan Piawai

X X2
1 1
2 4
3 9
4 16 (Data Terkumpul)

5 25
S2 = 2.5

18
LATIHAN DALAM KELAS

1. Kirakan Julat
2. Kirakan Varians &
Sisihan Piawai Sampel
3. Kirakan Varians &
Sisihan Piawai
Populasi 19
 1. Julat ~ markat max – markat min
~ 23 – 1 = 22
2 & 3. Varians & Sisihan Piawai Sampel
~ dgn menggunakan formula berikut

~ kirakan ΣX & ΣX2

20
• ΣX = 4 + 11 + 1 + 21+ 7 + 2 + 9 + 4 + 18 + 23 +
5 + 16 + 3 + 12 + 11 + 7 + 6 + 14 + 8 +
10 = 192
• ΣX2 = 16 + 121 + 1 + 441 + 49 + 4 + 81 + 16 +
324 + 529 + 25 + 256 + 9 + 144 + 121
+ 49 + 36 + 196 + 64 + 100
= 2582

σ2 = 36.94
σ = 6.08
21
 LATIHAN

11

1. Kirakan Julat, Min Sisihan, Varians & Sisihan

Piawai dengan menggunakan formula data tidak
terkumpul.

22
• 2. Kirakan Varians & Sisihan Piawai dengan
menggunakan formula data terkumpul
berdasarkan kepada data populasi di bawah.

Kelas Had Sebenar Kekerapan (K)

30 – 34 29.5 – 34.5 5
35 – 39 34.5 – 39.5 7
40 – 44 39.5 – 44.5 6
45 – 49 44.5 – 49.5 9
50 – 54 49.5 – 54.5 8
55 - 59 54.5 – 59.5 5

23
Jawapan ~ Xi
6
Xi - M
6–6
x
0
IxI 1
0
IxI 2
0
x2
0
12 – 6
12 (11) 6 (5) 6 5 25
11 - 6
4 4–6 -2 2 2 4
11 11 – 6 5 5 5 25
7 7–6 1 1 1 1
3 3–6 -3 3 3 9
11
1 1–6 -5 5 5 25
4 4–6 -2 2 2 4
9 9–6 3 3 3 9
10 10 – 6 4 4 4 16

 X  91  X 2  747 2 2–6 -4 4 4 16
11 11 – 6 5 5 5 25
2
 X  90  X  724 2 2–6 -4 4 4 16
6 6–6 0 0 0 0
3 3-6 -3 3 3 9

Julat ~ 12 - 1  11 1 (0) 47 46 184

x x x x
Julat ~ 11 - 1  10 M
n
MS 
n
M
n
MS 
n
91 47 90 46
   
15 15 15 15 24
 6.07  3.13  6.00  3.07
  X2 -
 X 2
 X 2
 X2 -
S2  n S2  n
n -1 n -1
747 -
91
2
90 
2
724 -
 15 S  S2 15 S  S 2

15  1 15  1
8281  13.92 8100  13.14
747 - 724 -
 15  3.73 15  3.62
14 
14
747 - 552.07 724 - 540
 
14 14
194.93 184
 
14 14
 13.92
 13.14
25
Kelas K X KX X2 KX2
30 – 34 5 32 160 1024 5120
35 – 39 7 37 259 1369 9583
40 – 44 6 42 252 1764 10584
45 – 49 9 47 423 2209 19881
50 – 54 8 52 416 2704 21632
55 - 59 5 57 285 3249 16245
40 1795 83045
 KX 2
-
 KX 
2

  2 N   2
N
 62.36
83045 -
1795
2

40
 7.90

40
3222025
83045 -
 40
40
83045 - 80550.63

40
2494.37
 26
40
 62.36