Statistika (MMS-1001)

Statistika (MMS-1001) Dr. Danardono, MPH [email protected]

Program Studi Statistika Jurusan Matematika FMIPA UGM

Materi dan Jadual Tatap Muka

Pokok Bahasan

Sub Pokok Bahasan

1.

Statistika Deskriptif

1. 2. 3. 4.

2.

Statistika Deskriptif

1. Distribusi Frekuensi 2. Ukuran Tengah 3. Ukuran Dispersi

3.

Peluang dan Variabel Random

1. Kejadian dan Peluang 2. Variabel Random dan Distribusinya 3. Harga Harapan, Variansi dan Sifat-Sifatnya

4.

Distribusi Variabel Random Diskret dan Kontinu

1. Distribusi Variabel Random Diskret 2. Distribusi Variable Random Kontinu

Tentang perkuliahan MMS-1001 Peran Statistika Terminologi Representasi Grafik

MMS1001 – p.1/228

Materi dan Jadual 5.

Distribusi Sampling Statistik

1. Distribusi Sampling Statistik untuk Rerata 2. Pendekatan Normal untuk Binomial

6.

Inferensi Statistik

1. Estimasi Parameter 2. Uji Hipotesis

7.

Inferensi Statistik Satu Populasi Sembarang

1. 2. 3. 4.

8.

Review dan Ringkasan

9.

Inferensi Statistik Satu Populasi Normal

Interval Konfidensi Untuk Mean Uji Hipotesa Mean Interval Konfidensi Untuk Proporsi Uji Hipotesis Proporsi

1. Interval konfidensi Untuk Mean 2. Uji Hipotesis Mean 3. Hubungan Interval Konfidensi dan uji Hipotesis

MMS1001 – p.2/228


Inferensi Statistik Dua Populasi Sembarang

1. Interval konfidensi Untuk Selisih Mean Dua Populasi 2. Uji Hipotesis Selisih Mean Dua populasi 3. Interval konfidensi Untuk Selisih Proporsi Dua Populasi 4. Uji Hipotesis Selisih Proporsi Dua populasi

11.

Inferensi Statistik Dua Populasi Normal

1. Interval Konfidensi Perbandingan Variansi Dua Populasi 2. Uji Hipotesis Perbandingan Variansi Dua Populasi 3. Interval konfidensi Selisih Mean Dua Populasi 4. Uji Hipotesis Selisih Mean Dua Populasi

12.

Analisis Variansi Satu Arah

1. Dasar-dasar ANAVA 2. Tabel ANAVA dan Uji F 3. Pembandingan Ganda

MMS1001 – p.3/228


Analisis Regresi Linear Sederhana

14.

Review dan Ringkasan

1. 2. 3. 4.

Dasar-dasar Model Regresi Estimasi Model regresi Analisis Korelasi Inferensi dalam Regresi

Buku teks: Soejoeti, Z. (1984). Buku Materi Pokok Metode Statistik I, Universitas Terbuka, Penerbit Karunika, Jakarta. Gunardi, A. Rakhman (2004). Metode Statistika, FMIPA UGM, Yogyakarta.

MMS1001 – p.4/228

Penilaian

A

60

30

70

40

80

Nilai MMS-1001 tahun 2005 (140 mahasiswa)

C

D

0

20

10

30

40

20

50

B

E

D

C

B

A

MMS1001 – p.5/228

Penilaian No 1. 2. 3. 4.

Unsur Penilaian Ujian Akhir Sisipan Tugas Kuis

Prosentase

MMS1001 – p.6/228

Data Penghasilan mingguan 40 buruh bangunan di suatu kota (dalam ribuan rupiah): 58 72 64 65 67 92 55 51 69 73 64 59 65 55 75 56 89 60 84 68 74 67 55 68 74 43 67 71 72 66 62 63 83 64 51 63 49 78 65 75

MMS1001 – p.7/228

Data Hasil pengukuran keasaman (PH) dari 35 kolam di suatu daerah: 6,4 6,6 6,2 7,2 6,2 8,1 7,0 7,0 5,9 5,7 7,0 7,4 6,5 6,8 7,0 7,0 6,0 6,3 5,6 6,3 5,8 5,9 7,2 7,3 7,7 6,8 5,2 5,2 6,4 6,3 6,2 7,5 6,7 6,4 7,8

MMS1001 – p.8/228

Data Tinggi (cm) dan berat badan (kg) 10 orang mahasiswa: Mahasiswa Tinggi Berat 1 170 70 2 162 65 3 169 59 4 165 62 5 171 67 6 170 65 7 168 60 8 163 61 9 166 63 10 172 64

MMS1001 – p.9/228

Data Banyaknya penjualan telepon seluler di suatu toko: Merek Banyak penjualan Sony-Ericsson 72 Motorola 60 Nokia 85 Samsung 54 LG 32 Siemens 64

MMS1001 – p.10/228

Skala Pengukuran Skala Nominal Ordinal Interval Rasio

Yang dapat ditentukan untuk dua pengamatan sembarang persamaan (klasifikasi) persamaan dan urutan persamaan, urutan dan jarak (satuan pengukuran) persamaan, urutan, jarak dan rasio (titik nol yang murni ada)

MMS1001 – p.11/228

Skala Pengukuran Contoh: Nominal: jenis pekerjaan, warna Ordinal: kepangkatan, tingkat pendidikan Interval: tahun kalender (Masehi, Hijriyah), temperatur (Celcius, Fahrenheit) Rasio: berat, panjang, isi

MMS1001 – p.12/228

Statistika Deskriptif Metode atau cara-cara yang digunakan untuk meringkas dan menyajikan data dalam bentuk tabel, grafik atau ringkasan numerik data.

MMS1001 – p.13/228

Grafik Stem-and-leaf Untuk menunjukkan bentuk distribusi data Data berupa angka dengan minimal dua digit Contoh (Data penghasilan buruh): 4 3 9 5 1 1 5 5 5 6 8 9 6 0 2 3 3 4 4 4 5 5 5 6 7 7 7 8 8 9 7 1 2 2 3 4 4 5 5 8 8 3 4 9 9 2 Stem= 10, Leaf = 1

MMS1001 – p.14/228

Distribusi Frekuensi Merupakan suatu tabel menunjukkan frekuensi kemunculan data atau frekuensi relatifnya yang berguna untuk meringkas data numerik maupun kategori. Untuk data diskret atau data kategori, banyaknya nilai yang dihitung kemunculannya biasanya sesuai dengan banyaknya nilai data yang berbeda dari data diskret atau kategori tersebut Untuk data kontinu, biasanya dibuat kelas interval 5-20 banyaknya.

MMS1001 – p.15/228

Distribusi Frekuensi Contoh (Data penghasilan buruh): Kelas Frekuensi Frekuensi Relatif [40, 50) [50, 60) [60, 70) [70, 80) [80, 90) [90, 100)

2 8 17 9 3 1

0,050 0,200 0,425 0,225 0,075 0,025

Frekuensi Relatif Kumulatif 0,050 0,250 0,625 0,900 0,975 1,000

MMS1001 – p.16/228

Histogram Representasi grafik dari distribusi frekuensi data kontinu.

10 5 0

Frekuensi

15

Contoh (Data penghasilan buruh):

40

50

60

70

80

90

100

Penghasilan (ribu rupiah) MMS1001 – p.17/228

Poligon Frekuensi Representasi grafik dari distribusi frekuensi data kontinu dengan mengambil nilai tengah tiap kelas.

10 5 0

Frekuensi

15


40

50

60

70

80

90

100


Ogive Frekuensi Kumulatif Plot frekuensi kumulatif dengan batas atas interval dari distribusi frekuensi.

30 20 10 0

Frekuensi Kumulatif

40


40

50

60

70

80

90

100


Diagram Batang Representasi grafik dari distribusi frekuensi data diskret atau kategori.

0

20

40

60

80

Contoh (Data telepon seluler):

Sony−Ericsson

Motorola

Nokia

Samsung

LG

Siemens

MMS1001 – p.20/228

Diagram Lingkaran Representasi grafik dari distribusi frekuensi data diskret atau kategori. Contoh (Data telepon seluler): Motorola Sony−Ericsson

Nokia

Siemens Samsung LG MMS1001 – p.21/228

Notasi Himpunan Data Data statistik sering dilambangkan dengan huruf X , Y dilengkapi dengan indeks.

▽MMS1001 – p.22/228

Notasi Himpunan Data Data statistik sering dilambangkan dengan huruf X , Y dilengkapi dengan indeks. Contoh (Data penghasilan buruh): X : penghasilan mingguan buruh (dalam ribuan rupiah) X1 = 58; X2 = 72; X10 = 73; X40 = 75;

▽MMS1001 – p.22/228

Notasi Himpunan Data Data statistik sering dilambangkan dengan huruf X , Y dilengkapi dengan indeks. Contoh (Data tinggi dan berat mahasiswa): X : tinggi mahasiswa (cm) Y : berat mahasiswa (kg) X1 = 170; Y1 = 70; X7 = 1683; Y7 = 60;

MMS1001 – p.22/228

Notasi Sigma n X

Xi = X1 + X2 + . . . + Xn

i=1

n X m X

Xij = X11 + X12 + . . . + Xnm

i=1 j=1

MMS1001 – p.23/228

Notasi Sigma Beberapa aturan: Jika Xi = k , k suatu konstan, maka n X

Xi = nk

i=1

▽MMS1001 – p.24/228


Xi = nk

i=1

Jika k suatu konstan, maka n X i=1

kXi = k

n X

Xi

i=1

▽MMS1001 – p.24/228


Xi = nk

i=1

Jika k suatu konstan, maka n X

kXi = k

i=1

n X i=1

(Xi + Yi ) =

n X

Xi

i=1

n X i=1

Xi +

n X

Yi

i=1

MMS1001 – p.24/228

Ringkasan Numerik Ringkasan Numerik atau statistik: Data tunggal (tidak dikelompokkan), dengan n observasi dinotasikan sebagai x1 , x2 , . . . , xn

Data berkelompok (distribusi frekuensi), dengan k nilai tunggal dinotasikan sebagai x1 , x2 , . . . , xk

yang masing-masing mempunyai frekuensi f1 , f2 , . . . , fk

dengan n =

Pk

i=1 fi

adalah total observasi MMS1001 – p.25/228

Mean Aritmetik Data tunggal: n

1X x ¯= xi n i=1

Data berkelompok: n X 1 x ¯= fi xi n i=1

MMS1001 – p.26/228

Mean Terbobot Misalkan wi ≥ 0 adalah bobot (weight) untuk data tunggal xi 1

x ¯w = Pn

n X

i=1 wi i=1

wi xi

MMS1001 – p.27/228

Variansi Data tunggal: n

1 X 2 s = (xi − x ¯)2 n−1 i=1

atau n

1 X 2 2 s = (xi − n¯ x2 ) n−1 i=1

MMS1001 – p.28/228

Variansi Data berkelompok: n

1 X 2 s = fi (xi − x ¯)2 n−1 i=1

atau s2 =

1 n−1

n X i=1

(fi x2i − n¯ x2 )

MMS1001 – p.29/228

Peluang dan Variabel Random Statistika Inferensial: Mengambil kesimpulan, inferensi atau generalisasi tentang suatu populasi berdasarkan informasi yang diperoleh dari sampel. Peluang (probabilitas): Harga angka yang menunjukkan seberapa besar kemungkinan suatu peristiwa akan terjadi.

▽MMS1001 – p.30/228

Peluang dan Variabel Random Statistika Inferensial: Mengambil kesimpulan, inferensi atau generalisasi tentang suatu populasi berdasarkan informasi yang diperoleh dari sampel. Peluang (probabilitas): Harga angka yang menunjukkan seberapa besar kemungkinan suatu peristiwa akan terjadi. sangat tidak mungkin

tidak mungkin

sangat mungkin

mungkin ya mungkin tidak

pasti

▽MMS1001 – p.30/228

Peluang dan Variabel Random Statistika Inferensial: Mengambil kesimpulan, inferensi atau generalisasi tentang suatu populasi berdasarkan informasi yang diperoleh dari sampel. Peluang (probabilitas): Harga angka yang menunjukkan seberapa besar kemungkinan suatu peristiwa akan terjadi. sangat tidak mungkin

sangat mungkin

0 tidak mungkin

1 mungkin ya mungkin tidak

pasti

MMS1001 – p.30/228

Peluang dan Variabel Random Eksperimen (percobaan, trial): Prosedur yang dijalankan pada kondisi yang sama dan dapat diamati hasilnya (outcome). Ruang sampel (semesta, universe: Himpunan semua hasil yang mungkin dari suatu eksperimen. Peristiwa (kejadian, event): Himpunan bagian dari suatu ruang sampel.

MMS1001 – p.31/228

Peluang dan Variabel Random Contoh Eksperimen

:

Hasil Ruang sampel

: :

Peristiwa

:

Pelemparan sebuah mata uang logam dua kali Sisi mata uang yang tampak S = {MM,MB,BM,BB} dengan M: sisi muka dan B: sisi belakang A = paling sedikit muncul satu belakang = {MB,BM,BB} B = muncul sisi yang sama = {MM,BB}

MMS1001 – p.32/228

Peluang dan Variabel Random Contoh Eksperimen Hasil Ruang sampel Peristiwa

: : : :

Sebuah biji kedelai ditanam Tumbuh atau tidak tumbuh S = {tidak tumbuh, tumbuh} atau S = {0, 1} A = biji kedelai tumbuh = {1}

MMS1001 – p.33/228

Peluang dan Variabel Random Contoh Eksperimen

:

Hasil Ruang sampel

: :

Peristiwa

:

Pemilihan seorang mahasiswa secara random dan dicatat IPnya Bilangan antara 0 sampai dengan 4 S = {0 ≤ X ≤ 4 | X ∈ R} Himpunan bilangan real antara 0 sampai dengan 4 A = IP di atas 2 = {2 ≤ X ≤ 4 | X ∈ R} B = IP di bawah 1 = {0 ≤ X ≤ 1 | X ∈ R}

MMS1001 – p.34/228


: : : :

Sebuah dadu dilempar sekali

▽MMS1001 – p.35/228


: : : :

Sebuah dadu dilempar sekali mata dadu 1, 2, 3, 4, 5, 6

▽MMS1001 – p.35/228


: : : :

Sebuah dadu dilempar sekali mata dadu 1, 2, 3, 4, 5, 6 S = {1, 2, 3, 4, 5, 6}

▽MMS1001 – p.35/228


: : : :

Sebuah dadu dilempar sekali mata dadu 1, 2, 3, 4, 5, 6 S = {1, 2, 3, 4, 5, 6} A = muncul mata dadu genap

▽MMS1001 – p.35/228


: : : :

Sebuah dadu dilempar sekali mata dadu 1, 2, 3, 4, 5, 6 S = {1, 2, 3, 4, 5, 6} A = muncul mata dadu genap = {2, 4, 6}

▽MMS1001 – p.35/228


: : : :

Sebuah dadu dilempar sekali mata dadu 1, 2, 3, 4, 5, 6 S = {1, 2, 3, 4, 5, 6} A = muncul mata dadu genap = {2, 4, 6} B = muncul mata dadu gasal = {1, 3, 5}

MMS1001 – p.35/228

Peluang dan Variabel Random Peluang Suatu Peristiwa Definisi klasik, dengan menganggap tiap-tiap elemen ruang sampel S mempunyai peluang yang sama untuk terjadi. Peluang terjadinya peristiwa A, n(A) P (A) = n(S)

dengan n(A) = banyaknya anggota dalam peristiwa A, dan n(S) = banyaknya anggota ruang sampel

MMS1001 – p.36/228

Peluang dan Variabel Random Peluang Suatu Peristiwa Beberapa ketentuan: 0 ≤ P (A) ≤ 1

P (S) = 1 (peluang dari ruang sampel) P (∅) = 0 (peluang dari peristiwa yang tidak akan pernah terjadi) P (A) = 1 − P (Ac ) (aturan komplemen)

P (A ∪ B) = P (A) + P (B) − P (A ∩ B) (aturan penjumlahan) Bila A dan B adalah kejadian yang saling asing, A ∩ B = ∅, maka P (A ∪ B) = P (A) + P (B) P (B) = P (A ∩ B) + P (Ac ∩ B) A ∩ B dan Ac ∩ B saling asing

MMS1001 – p.37/228

Peluang dan Variabel Random Peluang Suatu Peristiwa Contoh Sebuah dadu dilempar sekali. S = {1, 2, 3, 4, 5, 6} dan n(S) = 6. Misal didefinisikan A : muncul mata dadu 3 dan B : muncul mata dadu bilangan prima A = {3} dan n(A) = 1 ; B = {2, 3, 5} dan n(B) = 3 dan n(A) 1 P (A) = = n(S) 6 dan P (B) =

n(B) 3 1 = = n(S) 6 2

MMS1001 – p.38/228

Peluang dan Variabel Random Peluang Bersyarat dan Independensi Diketahui A dan B dua peristiwa dari ruang sampel S , dan P (B) > 0, maka peluang bersyarat terjadinya A jika diketahui B telah terjadi, ditulis P (A | B), didefinisikan sebagai P (A ∩ B) P (A | B) = P (B)

Dua kejadian A dan B disebut kejadian independen jika P (A ∩ B) = P (A).P (B)

MMS1001 – p.39/228

Peluang dan Variabel Random Peluang Bersyarat dan Independensi Contoh (Peluang Bersyarat) Sepasang dadu dilempar bersama jika diketahui jumlah kedua mata dadu yang keluar adalah 6, hitunglah peluang bahwa satu diantara dua dadu tersebut adalah mata dadu 2. B = {jumlahan mata dadu adalah 6} = {(1, 5), (2, 4), (3, 3), (4, 2), (5, 1)} dan A = {mata dadu 2 muncul dari salah satu dadu} = {(2, 4), (4, 2)} n(A ∩ B) 2 P (A | B) = = n(B) 5

MMS1001 – p.40/228

Peluang dan Variabel Random Peluang Bersyarat dan Independensi Contoh (Peluang Bersyarat) Peluang suatu penerbangan yang telah terjadwal teratur berangkat tepat waktu adalah P (A) = 0, 83; peluang sampai tepat waktu adalah P (B) = 0, 82; peluang berangkat dan sampai tepat waktu adalah P (A ∩ B) = 0, 78. Peluang bahwa suatu pesawat sampai tepat waktu jika diketahui berangkat tepat waktu adalah P (A ∩ B) 0, 78 P (B | A) = = = 0, 94 P (A) 0, 83

Peluang bahwa suatu pesawat berangkat tepat waktu jika diketahui sampai tempat waktu adalah 0, 78 P (A ∩ B) = = 0, 95 P (A | B) = P (B) 0, 82 MMS1001 – p.41/228

Peluang dan Variabel Random Peluang Bersyarat dan Independensi Contoh (independensi) Suatu kota kecil mempunyai satu unit mobil pemadam kebakaran dan satu ambulans yang bekerja saling independen untuk keadaan darurat. Peluang mobil kebakaran siap saat diperlukan adalah 0.98. Peluang ambulans siap waktu diperlukan adalah 0.92. Dalam suatu kejadian kebakaran gedung, hitung peluang keduanya siap. Misalkan A dan B menyatakan kejadian mobil pemadam kebakaran dan ambulans siap. Karena A dan B independen, peluang mobil pemadam kebakaran dan ambulans siap : P (A ∩ B) = P (A).P (B) = 0, 98 × 0, 92 =, 9016

MMS1001 – p.42/228

Peluang dan Variabel Random Teorema Bayes P (A ∩ B) P (A).P (B | A) P (A | B) = = P (B) P (A).P (B | A) + P (Ac ).P (B | Ac )

Secara umum jika kejadian A1 , A2 , . . . , Ak saling asing dan gabungannya A1 ∪ A2 ∪ . . . , ∪Ak = S dan kejadian B = S ∩ B , maka P (Ai ).P (B | Ai ) P (Ai | B) = Pk i=1 P (Ai ).P (B | Ai )

MMS1001 – p.43/228

Peluang dan Variabel Random Teorema Bayes Contoh Sebuah pabrik mempunyai 3 mesin A, B dan C yang memproduksi berturut-turut 60%, 30%, dan 10% dari total banyak unit yang diproduksi pabrik. Persentase kerusakan produk yang dihasilkan dari masing-masing mesin tersebut berturut-turut adalah 2%, 3% dan 4%. Suatu unit dipilih secara random dan diketahui rusak. Hitung probabilitas bahwa unit tersebut berasal dari mesin C. Misal kejadian R adalah unit yang rusak, akan dihitung P (C | R), yaitu probabilitas bahwa suatu unit diproduksi oleh mesin C dengan diketahui unit tersebut rusak.

MMS1001 – p.44/228

Peluang dan Variabel Random Teorema Bayes Contoh (lanjutan) Dengan teorema Bayes, kejadian P (A), P (B) dan P (C) adalah peluang (persentase produksi) dari masing-masing mesin; P (R | A), P (R | B) dan P (R | C) adalah peluang (persentase kerusakan) dari masing-masing mesin.

P (C | R) = =

P (C).P (R | C) P (A).P (R | A) + P (B).P (R | B) + P (C).P (R | C) (0, 1)(0, 04) 4 = (0, 6)(0, 02) + (0, 3)(0, 03) + (0, 1)(0, 04) 25

MMS1001 – p.45/228

Peluang dan Variabel Random Variabel Random Variabel random adalah suatu cara memberi harga angka kepada setiap elemen ruang sampel, atau suatu fungsi bernilai real yang harganya ditentukan oleh setiap elemen dalam ruang sampel Contoh Eksperimen (proses random) melemparkan uang logam tiga kali, S = {BBB, BBM, BMB, MBB, BMM, MBM, MMB, MMM}. Didefinisikan variabel random X : banyak M (muka) muncul dalam pelemparan uang logam tiga kali.

MMS1001 – p.46/228

Peluang dan Variabel Random Contoh (variabel random) S BBB BBM BMB MBB BMM MBM MMB MMM

R 0

1

2

3

MMS1001 – p.47/228


X:S→R

R 0

1

2

3

MMS1001 – p.48/228


X:S→R

R 0

1

2

3

MMS1001 – p.49/228


X:S→R

R 0

1

2

3

MMS1001 – p.50/228


X:S→R

R 0

1

2

3

MMS1001 – p.51/228


X:S→R

R 0

1

2

3

MMS1001 – p.52/228

Peluang dan Variabel Random Variabel random diskret: Suatu variabel random yang hanya dapat menjalani harga-harga yang berbeda yang berhingga banyaknya (sama banyaknya dengan bilangan bulat) Variabel random kontinu: Suatu variabel random yang dapat menjalani setiap harga dalam suatu interval (tak berhingga banyaknya) Distribusi Peluang: Model matematik yang menghubungkan semua nilai variabel random dengan peluang terjadinya nilai tersebut dalam ruang sampel. Distribusi peluang dapat direpresentasikan dalam bentuk fungsi, tabel, atau grafik. Distribusi peluang dapat dianggap sebagai frekuensi relatif jangka panjang.

MMS1001 – p.53/228

Peluang dan Variabel Random Distribusi Peluang Diskret Fungsi f (x) disebut sebagai fungsi peluang dari variabel random diskret X , jika untuk setiap harga x yang mungkin : 1. f (x) ≥ 0 P 2. x f (x) = 1

Peluang untuk nilai x tertentu: P (X = x) = f (x)

Distribusi kumulatif F (x) F (x) = P (X ≤ x) =

X

f (t)

t≤x

MMS1001 – p.54/228

Peluang dan Variabel Random Distribusi Peluang Diskret Distribusi peluang X dalam bentuk tabel: Harga X P (X = x) = f (x) x1 P1 x2 P2 ... ... Pk xk

MMS1001 – p.55/228

Peluang dan Variabel Random Distribusi Peluang Diskret Contoh Distribusi banyaknya sisi muka yang muncul dalam pelemparan mata uang logam tiga kali. Harga X P (X = x) = f (x) 0 1/8 1 3/8 2 3/8 3 1/8 P P (x) = 1

MMS1001 – p.56/228

Peluang dan Variabel Random Distribusi Peluang Kontinu (Fungsi Densitas) Distribusi peluang untuk variabel random kontinu. Fungsi f (x) disebut sebagai fungsi densitas peluang dari variabel random kontinu X , jika untuk setiap harga x yang mungkin : 1. f (x) ≥ 0 R∞ 2. −∞ f (x)dx = 1

Nilai peluang untuk interval tertentu Z b f (x)dx P (a ≤ X ≤ b) = a

Distribusi kumulatif F(x) F (x) = P (X ≤ x) =

Z

x

f (u)du

−∞ MMS1001 – p.57/228

Peluang dan Variabel Random Distribusi Peluang Kontinu (Fungsi Densitas) Contoh Fungsi densitas suatu variabel random X f (x) =

(

x 2

0

untuk 0 < x < 2 untuk x yang lain

MMS1001 – p.58/228

Peluang dan Variabel Random Harga harapan, Variansi dan sifat-sifatnya Harga Harapan (Ekspektasi, Expected Value)

E(X) =

P   x xf (x)  R ∞

−∞ xf (x)dx

bila X diskret bila X kontinu

E(X) sering ditulis sebagai µX atau µ

Variansi (Variance) Var(X) = E(X − µ)2

= E(X 2 ) − µ2 MMS1001 – p.59/228

Peluang dan Variabel Random Harga harapan, Variansi dan sifat-sifatnya Sifat-sifat Harga Harapan E(aX + b) = aE(X) + b, a, b konstan E [g(X) + h(X)] = E [g(X)] + E [h(X)]

Sifat-sifat Variansi Var(aX + b) = a2 Var(X), a, b konstan Deviasi standar (akar dari variansi): p σX = Var(X)

MMS1001 – p.60/228

Peluang dan Variabel Random Dua Variabel Random Ada dua variabel random yang diamati bersamaan dalam suatu eksperimen. Contoh: Sebuah mata uang logam dilemparkan tiga kali. X : banyaknya M muncul dalam dua lemparan pertama Y : banyaknya M muncul dalam lemparan ketiga Distribusi peluang untuk dua variabel random disebut sebagai distribusi peluang bersama

MMS1001 – p.61/228

Peluang dan Variabel Random Contoh Distribusi peluang variabel random X : S

X:S→R

R

BBB

x

P (X = x)

BBM BMB MBB BMM MBM MMB MMM

X : banyaknya M muncul dalam dua lemparan pertama

MMS1001 – p.62/228


X:S→R

R

BBB

x 0 1 2

P (X = x)

BBM

0

BMB MBB

1

BMM MBM MMB

2

MMM


MMS1001 – p.63/228


X:S→R

R

BBB

x 0 1 2

P (X = x)

BBM

0

BMB MBB

1

BMM MBM MMB

2

MMM


MMS1001 – p.64/228


X:S→R

R

BBB

x 0 1 2

P (X = x) 1/4 1/2 1/4

BBM

0

BMB MBB

1

BMM MBM MMB

2

MMM


MMS1001 – p.65/228

Peluang dan Variabel Random Contoh Distribusi peluang variabel random Y : S

Y :S→R

R

BBB

y

BBM BMB MBB

P (Y = y)

BMM MBM MMB MMM

Y : banyaknya M muncul dalam lemparan ketiga

MMS1001 – p.66/228


Y :S→R

R

BBB BBM

y

0 P (Y = y)

BMB

1

0

MBB BMM MBM

1

MMB MMM


MMS1001 – p.67/228


Y :S→R

R

BBB BBM

y P (Y = y)

0 1/2

BMB

1 1/2

0

MBB BMM MBM

1

MMB MMM


MMS1001 – p.68/228

Peluang dan Variabel Random Contoh (dua variabel random) Distribusi peluang bersama X dan Y , P (X = x, Y = y):: x

y

0 0 1 2 P (Y = y)

1/2

P (X = x)

1

1/2

1/4 1/2 1/4 1

MMS1001 – p.69/228

Peluang dan Variabel Random Contoh (dua variabel random) Distribusi peluang bersama X dan Y , P (X = x, Y = y): x

0 1 2 P (Y = y)

y

P (X = x)

0

1

{BBB}

{BBM}

{BMB, MBB}

{BMM, MBM}

{MMB}

{MMM}

1/2

1/2

1/4 1/2 1/4 1

MMS1001 – p.70/228


0 1 2 P (Y = y)

y

0 1/8 2/8 1/8 1/2

P (X = x)

1 1/8 2/8 1/8 1/2

1/4 1/2 1/4 1

MMS1001 – p.71/228


0 1 2 P (Y = y)

y

0 1/8 2/8 1/8 1/2

P (X = x)

1 1/8 2/8 1/8 1/2

1/4 1/2 1/4 1

Jika P (X = x, Y = y) = P (X = x).P (Y = y) untuk setiap nilai dari X dan Y maka dua variabel random tersebut dikatakan independen

MMS1001 – p.72/228

Peluang dan Variabel Random Kovariansi Ukuran numerik untuk variansi bersama dua variabel random Kov(X, Y ) = E [(X − µX )(Y − µY )] = E(XY ) − µX µY

Korelasi Kovariansi dibagi dengan standar deviasi X dan standar deviasi Y Kor(X, Y ) =

Kov(X, Y ) σX .σY

MMS1001 – p.73/228

Peluang dan Variabel Random Harga harapan untuk penjumlahan dan pengurangan dua variabel random, E(X + Y ) = E(X) + E(Y ) E(X − Y ) = E(X) − E(Y )

Variansi untuk penjumlahan dan pengurangan dua variabel random, Var(X + Y ) = Var(X) + Var(Y ) + 2Kov(X, Y ) Var(X − Y ) = Var(X) + Var(Y ) − 2Kov(X, Y )

MMS1001 – p.74/228

Distribusi Variabel Random Diskret dan Kontinu Eksperimen Bernoulli Eksperimen dengan hanya dua hasil yang mungkin Contoh melempar mata uang logam satu kali Mengamati telur ayam, apakah anak ayam itu jantan atau betina Mengamati kedelai yang ditanam, tumbuh atau tidak Reaksi obat pada tikus, positif atau negatif

MMS1001 – p.75/228

Distribusi Variabel Random Diskret dan Kontinu Sifat-sifat Eksperimen Bernoulli tiap usaha (trial) menghasilkan satu dari dua hasil yang mungkin, dinamakan sukses (S ) dan gagal (G); peluang sukses, P (S) = p dan peluang gagal P (G) = 1 − p, atau P (G) = q ; usaha-usaha tersebut independen

MMS1001 – p.76/228

Distribusi Variabel Random Diskret dan Kontinu Distribusi Bernoulli P (X = x; p) = px (1 − p)1−x ,

dengan x = 0, 1 (gagal, sukses) dan p adalah peluang mendapatkan hasil sukses.

MMS1001 – p.77/228

Distribusi Variabel Random Diskret dan Kontinu Distribusi Binomial Eksperimen Bernoulli dengan n usaha dan X : banyaknya sukses dalam n usaha tersebut. µ ¶ n x p (1 − p)n−x , P (X = x; n, p) = x

x = 0, 1, 2, . . . , n

Mean dan variansi E(X) = np; Var(X) = np(1 − p)

MMS1001 – p.78/228


0.00

0.05

0.10

0.15

0.20

0.25

0.30

Binomial dengan n = 6, p = 0, 5

0

1

2

3

4

5

6 MMS1001 – p.79/228


0.0

0.1

0.2

0.3


0

1

2

3

4

5

6 MMS1001 – p.80/228


0.0

0.1

0.2

0.3


0

1

2

3

4

5

6 MMS1001 – p.81/228

Distribusi Variabel Random Diskret dan Kontinu Contoh (Distribusi Binomial) Suatu uang logam yang baik (seimbang) dilempar 4 kali. X adalah banyaknya muka muncul dalam 4 kali pelemparan tersebut. Pelemparan dipandang sebagai usaha, dan sukses adalah muka muncul. X merupakan variabel random binomial dengan n = 4 dan p = 1/2 dengan distribusi peluang: µ ¶ µ ¶x 4 1 1 1 (1 − )4−x , P (X = x; 4, ) = 2 x 2 2

x = 0, 1, 2, 3, 4

▽MMS1001 – p.82/228


x = 0, 1, 2, 3, 4

Peluang muka muncul dua kali, X = 2 1 P (X = 2; 4, ) 2

µ ¶ µ ¶2 4 1 1 = (1 − )4−2 2 2 2 3 = 8 ▽MMS1001 – p.82/228


x = 0, 1, 2, 3, 4

Peluang muka muncul paling tidak dua kali, X ≥ 2 1 P (X ≥ 2; 4, ) = P (X = 2) + P (X = 3) + P (X = 4) 2 11 = 16 MMS1001 – p.82/228

Distribusi Variabel Random Diskret dan Kontinu Distribusi Hipergeometrik Eksperimen hipergeometrik: Dalam populasi berukuran N sebanyak k dinamakan sukses sedangkan sisanya N − k dinamakan gagal sampel berukuran n diambil dari N benda

Cara pengambilan sampel tanpa pengembalian

MMS1001 – p.83/228

Distribusi Variabel Random Diskret dan Kontinu Distribusi Hipergeometrik Distribusi peluang: P (X = x; N, n, k) =

¡k¢¡N −k¢ x

¡Nn−x ¢ ,

x = 0, 1, 2, . . . , min(n, k)

n

Mean dan Variansi −n E(X) = n Nk ; Var(X) = n nk NN−k N N −1

MMS1001 – p.84/228

Distribusi Variabel Random Diskret dan Kontinu Contoh (Distribusi Hipergeometrik) Suatu kotak berisi 40 suku cadang dengan 3 rusak. Sampel berukuran 5 diambil sekaligus dari kotak. Pengambilan sampel ini adalah suatu eksperimen hipergeometrik dengan X adalah banyaknya suku cadang rusak, N = 40, n = 5 dan k = 3 dengan distribusi peluang: P (X = x; 40, 5, 3) =

¡3¢¡

¢

37 x 5−x ¡40¢ 5

,

x = 0, 1, 2, 3

▽MMS1001 – p.85/228


¡3¢¡

¢

37 x 5−x ¡40¢ 5

,

x = 0, 1, 2, 3

Peluang ditemukan satu suku cadang rusak dalam pengambilan sampel tersebut P (X = 1; 40, 5, 3) =

¡3¢¡37¢ 1

¡40¢4

= 0, 3011

5

▽MMS1001 – p.85/228


¡3¢¡

¢

37 x 5−x ¡40¢ 5

,

x = 0, 1, 2, 3

Peluang ditemukan paling tidak satu suku cadang rusak dalam pengambilan sampel tersebut P (X ≥ 1; 40, 5, 3) = P (X = 1) + P (X = 2) + P (X = 3) =

0, 301 + 0, 0354 + 0, 0010

=

0, 3376 MMS1001 – p.85/228

Distribusi Variabel Random Diskret dan Kontinu Distribusi Poisson Sifat-sifat eksperimen Poisson: banyaknya sukses terjadi dalam suatu selang waktu atau daerah tertentu tidak terpengaruh (bebas) dari apa yang terjadi pada interval waktu atau daerah yang lain, peluang terjadinya sukses dalam interval waktu yang singkat atau daerah yang sempit sebanding dengan panjang interval waktu, atau luas daerah dan tidak tergantung pada banyaknya sukses yang terjadi di luar interval waktu atau daerah tersebut, peluang terjadinya lebih dari satu sukses dalam interval waktu yang singkat atau daerah yang sempit tersebut dapat diabaikan.

MMS1001 – p.86/228

Distribusi Variabel Random Diskret dan Kontinu Distribusi Poisson X adalah banyaknya sukses dalam eksperimen Poisson, yang mempunyai distribusi probabilitas e−λ λx , P (X = x; λ) = x!

x = 0, 1, 2, . . .

Mean dan Variansi E(X) = λ ; Var(X) = λ

MMS1001 – p.87/228


0.00

0.05

0.10

0.15

0.20

0.25

Poisson dengan λ = 2

0

1

2

3

4

5

6

7

8

9

10 MMS1001 – p.88/228


0.00

0.05

0.10

0.15


0

1

2

3

4

5

6

7

8

9

11

13

15 MMS1001 – p.89/228


0.00

0.02

0.04

0.06

0.08

0.10

0.12


0

2

4

6

8

10

12

14

16

18

20 MMS1001 – p.90/228

Distribusi Variabel Random Diskret dan Kontinu Contoh (Distribusi Poisson) Rata-rata banyaknya partikel radioaktif yang melewati suatu counter selama 1 milidetik dalam suatu percobaan di laboratorium adalah 4. Peluang 6 partikel melewati counter dalam suatu milidetik tertentu adalah e−4 4x P (X = 6; λ = 4) = = 0, 1042 6!

MMS1001 – p.91/228

Distribusi Variabel Random Diskret dan Kontinu Distribusi Normal Distribusi Normal dengan mean E(X) = µ dan variansi Var(X) = σ 2 mempunyai fungsi peluang, 2

f (x; µ, σ ) = √

1 2πσ 2

2

− (x−µ) 2σ 2

e

,

−∞ < x < ∞

dan −∞ < µ < ∞, σ 2 > 0

MMS1001 – p.92/228

Distribusi Variabel Random Diskret dan Kontinu Distribusi Normal Distribusi Normal dengan mean E(X) = µ dan variansi Var(X) = σ 2 (ditulis N (µ, σ 2 )) mempunyai fungsi peluang, 2

f (x; µ, σ ) = √

1 2πσ 2

2

− (x−µ) 2σ 2

e

,

−∞ < x < ∞

dengan −∞ < µ < ∞, σ 2 > 0, π = 3, 141593 . . . dan e = 2, 718282 . . . Distribusi Normal standar: distribusi Normal dengan mean 0 dan variansi 1, ditulis N (0, 1)

MMS1001 – p.93/228

Distribusi Variabel Random Diskret dan Kontinu Kurva Normal

-∞ Sumbu x : −∞ < x < ∞

∞

▽MMS1001 – p.94/228


-∞ Sumbu x : −∞ < x < ∞ Fungsi peluang (sumbu y ): 2

f (x; µ, σ ) = √

1 2πσ 2

∞

2

− (x−µ) 2σ 2

e

,

−∞ < x < ∞

▽MMS1001 – p.94/228


-∞ Sifat-sifat:

∞

▽MMS1001 – p.94/228


-∞ Sifat-sifat:

µ

∞

simetris terhadap sumbu vertikal melalui µ,

▽MMS1001 – p.94/228


-∞ Sifat-sifat:

∞

simetris terhadap sumbu vertikal melalui µ, memotong sumbu mendatar (sumbu x) secara asimtotis,

▽MMS1001 – p.94/228


-∞ Sifat-sifat:

µ

∞

simetris terhadap sumbu vertikal melalui µ, memotong sumbu mendatar (sumbu x) secara asimtotis, harga modus (maksimum) terletak pada x = µ,

▽MMS1001 – p.94/228


-∞ Sifat-sifat:

µ−σ

µ

µ+σ

∞

simetris terhadap sumbu vertikal melalui µ, memotong sumbu mendatar (sumbu x) secara asimtotis, harga modus (maksimum) terletak pada x = µ, mempunyai titik belok pada x = µ ± σ ,

▽MMS1001 – p.94/228


-∞ Sifat-sifat:

µ

∞

simetris terhadap sumbu vertikal melalui µ, memotong sumbu mendatar (sumbu x) secara asimtotis, harga modus (maksimum) terletak pada x = µ, mempunyai titik belok pada x = µ ± σ , luas kurva Normal sama dengan 1.

MMS1001 – p.94/228

Distribusi Variabel Random Diskret dan Kontinu Luasan di bawah Kurva Normal

L b

Luasan kurva di bawah kurva normal sampai batas b: L=

Z

b

−∞

√

1 2πσ 2

2

− (x−µ) 2σ 2

e

dx

▽MMS1001 – p.95/228


L b

Dapat dihitung menggunakan tabel Normal Standar dengan terlebih dahulu mentransformasikan skala X ∼ N (µ, σ 2 ) ke Z ∼ N (0, 1), X −µ Z= σ

▽MMS1001 – p.95/228


L X−b σ z

0,00

0,01

0,02

0,03

0,04

0,05

0,06

0,07

0,08

0,09

-3,4 -3,3 ... 0,0 ... 3,3 3,4 MMS1001 – p.95/228


L x = 76 Contoh 1: Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12, N (60, 122 ) Hitunglah luas kurva Normal mulai ekor paling kiri (−∞) sampai 76

▽MMS1001 – p.96/228


L Z = 1, 33 Contoh 1: transformasi dari X ke Z, Z

X −µ = σ 76 − 60 = 12 = 1, 33 ▽MMS1001 – p.96/228


L Z = 1, 33 Contoh 1: z

0,00

0,01

0,02

0,03

0,04

0,05

0,06

0,07

0,08

0,09

... 0,0 ... 1,3

▽MMS1001 – p.96/228


L = 0, 9082 Z = 1, 33 Contoh 1: z

0,00

0,01

0,02

0,03

0,04

0,05

0,06

0,07

0,08

0,09

... 0,0 ... 1,3

0,9082

MMS1001 – p.96/228


L 60

76

Contoh 2: Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12, N (60, 122 ) Hitunglah luas kurva Normal antara 60 sampai 76

▽MMS1001 – p.97/228


L 0 Contoh 2: transformasi dari X = 60 ke Z, Z

X −µ = σ 60 − 60 = 12 = 0

1, 33 transformasi dari X = 76 ke Z, Z

= = =

X −µ σ 76 − 60 12 1, 33 ▽MMS1001 – p.97/228


L2 = 0, 9082

0

1, 33

Contoh 2:

L = L2 − L1 =

0, 9082 − L1

▽MMS1001 – p.97/228


L1 = 0, 5

0

1, 33

Contoh 2:

L = L2 − L1

= 0, 9082 − 0, 5

▽MMS1001 – p.97/228


L 0

1, 33

Contoh 2:

L = L2 − L1

= 0, 9082 − 0, 5 = 0, 4082

MMS1001 – p.97/228


L

68

84

Contoh 3: Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12, N (60, 122 ). Hitunglah luas kurva Normal antara 68 sampai 84.

▽MMS1001 – p.98/228


L

68

84

Contoh 3: Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12, N (60, 122 ). Hitunglah luas kurva Normal antara 68 sampai 84. L = P (68 ≤ X ≤ 84)

▽MMS1001 – p.98/228


L

0, 67

2, 00

Contoh 3: Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12, N (60, 122 ). Hitunglah luas kurva Normal antara 68 sampai 84. L = P (68 ≤ X ≤ 84) = P (0, 67 ≤ Z ≤ 2, 00)

▽MMS1001 – p.98/228


L1

0, 67

2, 00

Contoh 3: Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12, N (60, 122 ). Hitunglah luas kurva Normal antara 68 sampai 84. L = P (68 ≤ X ≤ 84) = P (0, 67 ≤ Z ≤ 2, 00) = P (−∞ < Z ≤ 2, 00) − P (−∞ < Z ≤ 0, 67) ▽MMS1001 – p.98/228


L1

0, 67

2, 00

Contoh 3: Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12, N (60, 122 ). Hitunglah luas kurva Normal antara 68 sampai 84. L = P (68 ≤ X ≤ 84) = P (0, 67 ≤ Z ≤ 2, 00) = 0, 9772 − P (−∞ < Z ≤ 0, 67) ▽MMS1001 – p.98/228


L2

0, 67

2, 00

Contoh 3: Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12, N (60, 122 ). Hitunglah luas kurva Normal antara 68 sampai 84. L = P (68 ≤ X ≤ 84) = P (0, 67 ≤ Z ≤ 2, 00) = 0, 9772 − P (−∞ < Z ≤ 0, 67) ▽MMS1001 – p.98/228


L2

0, 67

2, 00

Contoh 3: Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12, N (60, 122 ). Hitunglah luas kurva Normal antara 68 sampai 84. L = P (68 ≤ X ≤ 84) = P (0, 67 ≤ Z ≤ 2, 00) = 0, 9772 − 0, 7486 ▽MMS1001 – p.98/228


L

0, 67

2, 00

Contoh 3: Distribusi Normal dengan mean µ = 60 dan deviasi standar σ = 12, N (60, 122 ). Hitunglah luas kurva Normal antara 68 sampai 84. L = P (68 ≤ X ≤ 84) = P (0, 67 ≤ Z ≤ 2, 00) = 0, 2286

MMS1001 – p.98/228


1, 5 Contoh 4: Diketahui N (0, 1), hitunglah P (Z ≥ 1, 5).

▽MMS1001 – p.99/228


1, 5 Contoh 4: Diketahui N (0, 1), hitunglah P (Z ≥ 1, 5). P (Z ≥ 1, 5) = 1 − P (−∞ ≤ Z ≤ 1, 5)

▽MMS1001 – p.99/228


1, 5 Contoh 4: Diketahui N (0, 1), hitunglah P (Z ≥ 1, 5). P (Z ≥ 1, 5) = 1 − P (−∞ ≤ Z ≤ 1, 5)

▽MMS1001 – p.99/228


1, 5 Contoh 4: Diketahui N (0, 1), hitunglah P (Z ≥ 1, 5). P (Z ≥ 1, 5) = 1 − P (−∞ ≤ Z ≤ 1, 5) = 1 − 0, 9332 = 0, 0668

MMS1001 – p.99/228


X ∼ N (µ, σ 2 )

−3

−2

−1

0

1

2

3

Z ∼ N (0, 1)

▽MMS1001 – p.100/228


−3

−2

−1

µ

X ∼ N (µ, σ 2 )

0

Z ∼ N (0, 1)

1

2

3

▽MMS1001 – p.100/228


µ−σ

−3

−2

−1

µ

0

X ∼ N (µ, σ 2 )

µ+σ

1

2

3

Z ∼ N (0, 1)

▽MMS1001 – p.100/228


µ − 2σ µ − σ

−3

−2

−1

µ

0

X ∼ N (µ, σ 2 )

µ + σ µ + 2σ

1

2

3

Z ∼ N (0, 1)

▽MMS1001 – p.100/228


µ − 3σ µ − 2σ µ − σ

−3

−2

−1

µ

0

µ + σ µ + 2σ µ + 3σ

1

2

3

X ∼ N (µ, σ 2 ) Z ∼ N (0, 1)

▽MMS1001 – p.100/228


68% µ − 3σ µ − 2σ µ − σ

−3

−2

−1

µ

0

µ + σ µ + 2σ µ + 3σ

1

2

3

X ∼ N (µ, σ 2 ) Z ∼ N (0, 1)

▽MMS1001 – p.100/228


95% µ − 3σ µ − 2σ µ − σ

−3

−2

−1

µ

0

µ + σ µ + 2σ µ + 3σ

1

2

3

X ∼ N (µ, σ 2 ) Z ∼ N (0, 1)

▽MMS1001 – p.100/228


99% µ − 3σ µ − 2σ µ − σ

−3

−2

−1

µ

0

µ + σ µ + 2σ µ + 3σ

1

2

3

X ∼ N (µ, σ 2 ) Z ∼ N (0, 1)

MMS1001 – p.100/228

Distribusi Variabel Random Diskret dan Kontinu Contoh 5 (Distribusi Normal) Nilai-nilai ujian seleksi penerimaan mahasiswa baru secara nasional dianggap berdistribusi Normal dengan mean 45 dan deviasi standar 13. Jika hanya 32,5% calon mahasiswa yang akan diterima, berapakah nilai terendah calon mahasiswa yang diterima?

▽MMS1001 – p.101/228

Distribusi Variabel Random Diskret dan Kontinu Contoh 5 (Distribusi Normal) Nilai-nilai ujian seleksi penerimaan mahasiswa baru secara nasional dianggap berdistribusi Normal dengan mean 45 dan deviasi standar 13. Jika hanya 32,5% calon mahasiswa yang akan diterima, berapakah nilai terendah calon mahasiswa yang diterima? 0,325

▽MMS1001 – p.101/228


X =?

X ∼ N (45, 132 )

▽MMS1001 – p.101/228


X =?

X ∼ N (45, 132 ) Z ∼ N (0, 1)

▽MMS1001 – p.101/228


X =? Z = 0, 45

X ∼ N (45, 132 ) Z ∼ N (0, 1)

▽MMS1001 – p.101/228


X = 13 × 0, 45 + 45 Z = 0, 45

X ∼ N (45, 132 ) Z ∼ N (0, 1)

▽MMS1001 – p.101/228


50, 85 Z = 0, 45

X ∼ N (45, 132 ) Z ∼ N (0, 1)

MMS1001 – p.101/228

Distribusi Sampling Statistik Populasi: himpunan keseluruhan obyek yang diamati. Sampel: himpunan bagian dari populasi. Sampel Random: sampel yang diperoleh dengan cara pengambilan sampel sedemikian sehingga setiap elemen populasi mempunyai kemungkinan yang sama untuk terambil. Parameter: suatu harga (numerik) yang dihitung dari populasi, memberi deskripsi/karakteristik pada populasi. Statistik: suatu harga (numerik) yang dihitung dari sampel. Distribusi sampling statistik: distribusi peluang suatu statistik.

MMS1001 – p.102/228

Distribusi Sampling Statistik Populasi X1 , X2 , . . . , XN µ

σ2

▽MMS1001 – p.103/228


σ2

Sampel 1 X1 , X2 , . . . , Xn ¯1 X S2 1

▽MMS1001 – p.103/228


Sampel 1

Sampel 2

X1 , X2 , . . . , Xn ¯1 X S2

X1 , X2 , . . . , Xn ¯2 X S2

1

σ2

2

▽MMS1001 – p.103/228


Sampel 1

Sampel 2

X1 , X2 , . . . , Xn ¯1 X S2

X1 , X2 , . . . , Xn ¯2 X S2

1

σ2

.......

2

▽MMS1001 – p.103/228


Sampel 1

Sampel 2

X1 , X2 , . . . , Xn ¯1 X S2

X1 , X2 , . . . , Xn ¯2 X S2

1

2

σ2

Sampel M .......

X1 , X2 , . . . , Xn ¯M X S2 M

MMS1001 – p.103/228

Distribusi Sampling Statistik Contoh: Populasi {2, 4, 3}, N = 3

Sampling dengan pengembalian ▽MMS1001 – p.104/228


Distribusi peluang x

P (X = x)

2

1/3

3

1/3

4

1/3

E(X) = (2 + 3 + 4) 13 = 3 Var(X) = (22 + 32 + 42 ) 13 − 32 =2/3



µ = 3, σ 2 = 2/3

Sampel 1 {2, 2}, n = 2 ¯1 = 2 X



µ = 3, σ 2 = 2/3

Sampel 1 {2, 2}, n = 2 ¯1 = 2 X

Sampel 2 {2, 3}, n = 2 ¯ 2 = 2, 5 X



µ = 3, σ 2 = 2/3

Sampel 1 {2, 2}, n = 2 ¯1 = 2 X

Sampel 2 {2, 3}, n = 2 ¯ 2 = 2, 5 X

Sampel 3 {2, 4}, n = 2 ¯3 = 3 X



µ = 3, σ 2 = 2/3

Sampel 1 {2, 2}, n = 2 ¯1 = 2 X

Sampel 2 {2, 3}, n = 2 ¯ 2 = 2, 5 X

Sampel 3 {2, 4}, n = 2 ¯3 = 3 X

Sampel 4 {3, 2}, n = 2 ¯ 4 = 2, 5 X



µ = 3, σ 2 = 2/3

Sampel 1 {2, 2}, n = 2 ¯1 = 2 X

Sampel 2 {2, 3}, n = 2 ¯ 2 = 2, 5 X

Sampel 3 {2, 4}, n = 2 ¯3 = 3 X

Sampel 4 {3, 2}, n = 2 ¯ 4 = 2, 5 X

Sampel 5 {3, 3}, n = 2 ¯5 = 3 X



µ = 3, σ 2 = 2/3

Sampel 1 {2, 2}, n = 2 ¯1 = 2 X

Sampel 2 {2, 3}, n = 2 ¯ 2 = 2, 5 X

Sampel 3 {2, 4}, n = 2 ¯3 = 3 X

Sampel 4 {3, 2}, n = 2 ¯ 4 = 2, 5 X

Sampel 5 {3, 3}, n = 2 ¯5 = 3 X

Sampel 6 {3, 4}, n = 2 ¯ 6 = 3, 5 X



µ = 3, σ 2 = 2/3

Sampel 1 {2, 2}, n = 2 ¯1 = 2 X

Sampel 2 {2, 3}, n = 2 ¯ 2 = 2, 5 X

Sampel 6 {3, 4}, n = 2 ¯ 6 = 3, 5 X

Sampel 3 {2, 4}, n = 2 ¯3 = 3 X

Sampel 4 {3, 2}, n = 2 ¯ 4 = 2, 5 X

Sampel 5 {3, 3}, n = 2 ¯5 = 3 X

Sampel 7 {4, 2}, n = 2 ¯7 = 3 X



µ = 3, σ 2 = 2/3

Sampel 1 {2, 2}, n = 2 ¯1 = 2 X

Sampel 2 {2, 3}, n = 2 ¯ 2 = 2, 5 X

Sampel 6 {3, 4}, n = 2 ¯ 6 = 3, 5 X

Sampel 3 {2, 4}, n = 2 ¯3 = 3 X

Sampel 7 {4, 2}, n = 2 ¯7 = 3 X

Sampel 4 {3, 2}, n = 2 ¯ 4 = 2, 5 X

Sampel 5 {3, 3}, n = 2 ¯5 = 3 X

Sampel 8 {4, 3}, n = 2 ¯ 8 = 3, 5 X



µ = 3, σ 2 = 2/3

Sampel 1 {2, 2}, n = 2 ¯1 = 2 X

Sampel 2 {2, 3}, n = 2 ¯ 2 = 2, 5 X

Sampel 6 {3, 4}, n = 2 ¯ 6 = 3, 5 X

Sampel 3 {2, 4}, n = 2 ¯3 = 3 X

Sampel 7 {4, 2}, n = 2 ¯7 = 3 X

Sampel 4 {3, 2}, n = 2 ¯ 4 = 2, 5 X

Sampel 8 {4, 3}, n = 2 ¯ 8 = 3, 5 X

Sampel 5 {3, 3}, n = 2 ¯5 = 3 X

Sampel 9 {4, 4}, n = 2 ¯9 = 4 X



µ = 3, σ 2 = 2/3

Sampel 1 {2, 2}, n = 2 ¯1 = 2 X

Sampel 2 {2, 3}, n = 2 ¯ 2 = 2, 5 X

Sampel 6 {3, 4}, n = 2 ¯ 6 = 3, 5 X

Sampel 3 {2, 4}, n = 2 ¯3 = 3 X

Sampel 7 {4, 2}, n = 2 ¯7 = 3 X

Sampel 4 {3, 2}, n = 2 ¯ 4 = 2, 5 X

Sampel 8 {4, 3}, n = 2 ¯ 8 = 3, 5 X

Sampel 5 {3, 3}, n = 2 ¯5 = 3 X

Sampel 9 {4, 4}, n = 2 ¯9 = 4 X

Sampling dengan pengembalian ⇒ M = N n = 32 = 9 MMS1001 – p.104/228


µ = 3, σ 2 = 2/3

x ¯ 2,0 2,5 3,0 3,5 4,0

¯ =x P (X ¯) 1/9 2/9 3/9 2/9 1/9



µ = 3, σ 2 = 2/3

x ¯ 2,0 2,5 3,0 3,5 4,0

¯ =x P (X ¯) 1/9 2/9 3/9 2/9 1/9

¯ = 2( 1 ) + 2, 5( 2 ) + 3( 3 ) + 3, 5( 2 ) + 4( 1 ) = 3 µX ¯ = E(X) 9 9 9 9 9 2 = Var(X) ¯ = 22 ( 1 ) + 2, 52 ( 2 ) + 32 ( 3 ) + 3, 52 ( 2 ) + 42 ( 1 ) − 32 = 1/3 σX ¯ 9 9 9 9 9

Sampling dengan pengembalian MMS1001 – p.105/228

Distribusi Sampling Statistik Sampling dengan pengembalian Untuk sampel berukuran n dari populasi berukuran N dengan ¯: mean µ dan variansi σ 2 , mean dan variansi dari statistik X ¯ =µ µX¯ = E(X) 2 σX ¯

2 σ ¯ = = Var(X) n

MMS1001 – p.106/228


µ = 3, σ 2 = 2/3

Sampling tanpa pengembalian ▽MMS1001 – p.107/228


µ = 3, σ 2 = 2/3

Sampel 1 {2, 3}, n = 2 ¯ 2 = 2, 5 X



µ = 3, σ 2 = 2/3

Sampel 1 {2, 3}, n = 2 ¯ 2 = 2, 5 X

Sampel 2 {2, 4}, n = 2 ¯2 = 3 X



µ = 3, σ 2 = 2/3

Sampel 1 {2, 3}, n = 2 ¯ 2 = 2, 5 X

Sampel 2 {2, 4}, n = 2 ¯2 = 3 X

Sampel 3 {3, 4}, n = 2 ¯ 3 = 3, 5 X



µ = 3, σ 2 = 2/3

Sampel 1 {2, 3}, n = 2 ¯ 2 = 2, 5 X

Sampel 2 {2, 4}, n = 2 ¯2 = 3 X

Sampling tanpa pengembalian ⇒ M =

Sampel 3 {3, 4}, n = 2 ¯ 3 = 3, 5 X

¡N ¢ n

=

¡3¢ 2

=3 MMS1001 – p.107/228


µ = 3, σ 2 = 2/3

x ¯ 2,5 3,0 3,5

¯ =x P (X ¯) 1/3 1/3 1/3



µ = 3, σ 2 = 2/3

x ¯ 2,5 3,0 3,5

¯ =x P (X ¯) 1/3 1/3 1/3

¯ =) + 2, 5( 1 ) + 3( 1 ) + 3, 5( 1 ) = 3 µX ¯ = E(X) 3 3 3 ¯ =) + 2, 52 ( 1 ) + 32 ( 1 ) + 3, 52 ( 1 ) − 32 = 1/6 µX ¯ = Var(X) 3 3 3

Sampling tanpa pengembalian MMS1001 – p.108/228

Distribusi Sampling Statistik Sampling tanpa pengembalian Untuk sampel berukuran n dari populasi berukuran N dengan ¯: mean µ dan variansi σ 2 , mean dan variansi dari statistik X ¯ =µ µX¯ = E(X) 2 σX ¯

2N −n σ ¯ = = Var(X) n N −1

MMS1001 – p.109/228

Distribusi Sampling Statistik Sifat-sifat Distribusi Sampling untuk Mean Sifat 1: Apabila sampel-sampel random dengan n elemen masing-masing diambil dari suatu populasi yang mempunyai mean µ dan variansi σ 2 , maka distribusi sampling mean akan mempunyai mean µX¯ = µ dan 2 = σ 2 /n. variansi σX ¯ Sifat 2: Apabila populasi (dalam sifat 1) berdistribusi Normal, maka distribusi sampling untuk mean juga berdistribusi Normal.

MMS1001 – p.110/228

Distribusi Sampling Statistik Sifat-sifat Distribusi Sampling untuk Mean Sifat 3 (Teorema Limit Pusat): Apabila sampel-sampel random diambil dari suatu populasi yang berdistribusi sembarang, yang mempunyai mean µ dan variansi σ 2 , maka untuk n besar, distribusi sampling untuk mean dapat dianggap mendekati Normal dengan µX¯ = µ dan variansi 2 = σ 2 /n, sehingga σX ¯ ¯ −µ X √ Z= σ/ n

mendekati Normal Standar.

MMS1001 – p.111/228

Distribusi Sampling Statistik Contoh 1: Seorang peneliti di bidang pertanian akan meneliti hasil dari suatu varietas padi di Indonesia. Akan diteliti 5 tanah pertanian tersebar di seluruh Indonesia yang dapat ditanami padi tersebut.

▽MMS1001 – p.112/228

Distribusi Sampling Statistik Contoh 1: Seorang peneliti di bidang pertanian akan meneliti hasil dari suatu varietas padi di Indonesia. Akan diteliti 5 tanah pertanian tersebar di seluruh Indonesia yang dapat ditanami padi tersebut. Populasi untuk masalah ini adalah hasil padi jenis tersebut yang diperoleh dari seluruh tanah pertanian di Indonesia.

▽MMS1001 – p.112/228

Distribusi Sampling Statistik Contoh 1: Seorang peneliti di bidang pertanian akan meneliti hasil dari suatu varietas padi di Indonesia. Akan diteliti 5 tanah pertanian tersebar di seluruh Indonesia yang dapat ditanami padi tersebut. Sampel untuk masalah ini adalah hasil padi yang diperoleh dari 5 tanah pertanian yang terpilih. Sampel ini akan merupakan sampel random jika, setiap tanah pertanian di Indonesia mempunyai peluang yang sama untuk terpilih ; dan pemilihan satu tanah pertanian tidak mempengaruhi atau dipengaruhi pemilihan tanah yang lain.

▽MMS1001 – p.112/228

Distribusi Sampling Statistik Contoh 1: Seorang peneliti di bidang pertanian akan meneliti hasil dari suatu varietas padi di Indonesia. Akan diteliti 5 tanah pertanian tersebar di seluruh Indonesia yang dapat ditanami padi tersebut. Sampel untuk masalah ini adalah hasil padi yang diperoleh dari 5 tanah pertanian yang terpilih. Sampel ini akan merupakan sampel random jika, setiap tanah pertanian di Indonesia mempunyai peluang yang sama untuk terpilih ; dan pemilihan satu tanah pertanian tidak mempengaruhi atau dipengaruhi pemilihan tanah yang lain. Hal ini dapat dilakukan dengan mendaftar terlebih dahulu semua tanah pertanian di Indonesia dan diberi nomor identitas, kemudian dipilih 5 tanah pertanian secara random berdasarkan nomor identitas (misalnya dengan tabel bilangan random). MMS1001 – p.112/228

Distribusi Sampling Statistik Contoh 2: Suatu sampel random berukuran 40 diambil dari suatu populasi dengan mean 41,4 dan variansi 84,64. Hitung peluang bahwa mean sampel itu terletak antara 40 dan 45. Anggap ukuran populasinya sangat besar relatif terhadap ukuran sampel.

▽MMS1001 – p.113/228

Distribusi Sampling Statistik Contoh 2: Suatu sampel random berukuran 40 diambil dari suatu populasi dengan mean 41,4 dan variansi 84,64. Hitung peluang bahwa mean sampel itu terletak antara 40 dan 45. Anggap ukuran populasinya sangat besar relatif terhadap ukuran sampel. ¯ mempunyai Berdasarkan Sifat 1, distribusi sampling untuk mean (X) ¯ harga harapan): µX¯ = µ = 41, 4 dan variansi (Var(X)): ¯ mean (E(X), σX¯ = σ 2 /n = 84, 64/40 = 2, 116.

▽MMS1001 – p.113/228

Distribusi Sampling Statistik Contoh 2: Suatu sampel random berukuran 40 diambil dari suatu populasi dengan mean 41,4 dan variansi 84,64. Hitung peluang bahwa mean sampel itu terletak antara 40 dan 45. Anggap ukuran populasinya sangat besar relatif terhadap ukuran sampel. ¯ mempunyai Berdasarkan Sifat 1, distribusi sampling untuk mean (X) ¯ harga harapan): µX¯ = µ = 41, 4 dan variansi (Var(X)): ¯ mean (E(X), σX¯ = σ 2 /n = 84, 64/40 = 2, 116. Ukuran sampel n = 40 cukup besar untuk berlakunya Sifat 3,

▽MMS1001 – p.113/228


40

45

¯ ∼ N (µ; σ 2 /n) X Z ∼ N (0, 1) ▽MMS1001 – p.113/228


40 −0, 97

45 2, 48

¯ ∼ N (41, 4; 2, 116) X Z ∼ N (0, 1) ▽MMS1001 – p.113/228


0, 8274 40 −0, 97

45 2, 48

¯ ∼ N (41, 4; 2, 116) X Z ∼ N (0, 1) MMS1001 – p.113/228

Distribusi Sampling Statistik Contoh 3: Diketahui suatu populasi dengan mean 82 dan deviasi standar 12. a. Jika suatu sampel random berukuran 64 diambil, berapa peluang bahwa mean sampel akan terletak antara 80,8 dan 83,2 ?

MMS1001 – p.114/228

Distribusi Sampling Statistik Contoh 3: Diketahui suatu populasi dengan mean 82 dan deviasi standar 12. a. Jika suatu sampel random berukuran 64 diambil, berapa peluang bahwa mean sampel akan terletak antara 80,8 dan 83,2 ? Karena n = 64 cukup besar, dapat digunakan Teorema limit ¯ akan mendekati normal dengan pusat (sifat 3). Distribusi X √ mean µX¯ = 82 dan deviasi standar σX¯ = 12/ 64 = 1, 5 ¯ ¯ ≤ 83, 2) dapat dihitung melalui Z = X−82 P (80, 8 ≤ X 1,5 ¯ ≤ 83, 2) = P ( 80, 8 − 82 ≤ Z ≤ 83, 2 − 82 ) P (80, 8 ≤ X 1, 5 1, 5 = P (−0, 8 ≤ Z ≤ 0, 8) =

0, 5762

MMS1001 – p.115/228

Distribusi Sampling Statistik Contoh 3: Diketahui suatu populasi dengan mean 82 dan deviasi standar 12. b. Berapa probabilitasnya jika ukuran sampel random 100 ?

MMS1001 – p.116/228

Distribusi Sampling Statistik Contoh 3: Diketahui suatu populasi dengan mean 82 dan deviasi standar 12. b. Berapa probabilitasnya jika ukuran sampel random 100 ? Untuk √ n = 100, σX¯ = 12/ 100 = 1, 2 80, 8 − 82 83, 2 − 82 ¯ P (80, 8 ≤ X ≤ 83, 2) = P ( ≤Z≤ ) 1, 2 1, 2 = P (−1, 0 ≤ Z ≤ 1, 0) =

0, 6826

MMS1001 – p.117/228

Pendekatan Normal untuk Binomial Teorema Bila X adalah variabel random binomial dengan mean µ = np dan variansi σ 2 = npq , maka untuk n besar X − np Z= √ npq

merupakan variabel random normal standar.

MMS1001 – p.118/228

Pendekatan Normal untuk Binomial

0.00

0.05

0.10

0.15

0.20

0.25

Binomial(n = 10, p = 0, 5) → Normal

0

2

4

6

8

10 MMS1001 – p.119/228


0.00

0.05

0.10

0.15

0.20

0.25


0

2

4

6

8

10 MMS1001 – p.120/228


0.00

0.02

0.04

0.06

0.08


30

40

50

60

70 MMS1001 – p.121/228


0.00

0.02

0.04

0.06

0.08


30

40

50

60

70 MMS1001 – p.122/228

Inferensi Statistik Permasalahan dalam peluang

▽MMS1001 – p.123/228


▽MMS1001 – p.123/228


Berapa peluang mendapatkan satu bola hitam dalam satu pengambilan

?

MMS1001 – p.123/228

Inferensi Statistik Permasalahan dalam inferensi

▽MMS1001 – p.124/228


▽MMS1001 – p.124/228


?

Bagaimana karakteristik populasi berdasarkan sampel

MMS1001 – p.124/228

Inferensi Statistik Inferensi statistik: pengambilan kesimpulan tentang parameter populasi berdasarkan analisis pada sampel Konsep-konsep inferensi statistik: estimasi titik, estimasi interval dan uji hipotesis Estimasi parameter: Menduga nilai parameter populasi berdasarkan data/statistik. Estimasi titik: Menduga nilai tunggal parameter populasi. ¯ Misalnya parameter µ diduga dengan statistik X Estimasi interval: Menduga nilai parameter populasi dalam bentuk interval. Misalnya diduga dengan suatu interval A≤µ≤B

MMS1001 – p.125/228

Inferensi Statistik Contoh: estimator titik untuk mean µ rata-rata n

X 1 ¯= Xi X n i=1

Median rata-rata dua harga ekstrim Xmin + Xmaks 2

MMS1001 – p.126/228

Inferensi Statistik Contoh: Estimasi Interval Diketahui variabel random Normal X dengan mean E(X) = µ dan Var(X) = 1. Maka (X − µ) akan berdistribusi Normal standar.

Z ∼ N (0, 1)

▽MMS1001 – p.127/228


68% X − 0, 99

X + 0, 99

Z ∼ N (0, 1)

Interval Konfidensi (estimasi interval) 68%

▽MMS1001 – p.127/228


95% X − 1, 96

X + 1, 96

Z ∼ N (0, 1)


▽MMS1001 – p.127/228


99% X − 2, 58

X + 2, 58

Z ∼ N (0, 1)


MMS1001 – p.127/228

Inferensi Statistik Uji hipotesis: suatu proses untuk menentukan apakah dugaan tentang nilai parameter/karakteristik populasi didukung kuat oleh data sampel atau tidak Hipotesis penelitian: hipotesis tentang pernyataan dari hasil penelitian yang akan dilakukan Hipotesis Statistik: suatu pernyataan tentang parameter populasi

MMS1001 – p.128/228

Inferensi Statistik Hipotesis nol (H0 ). Hipotesis yang akan diuji oleh suatu prosedur statistik, biasanya berupa suatu pernyataan tidak adanya perbedaan atau tidak adanya hubungan. Pernyataan nol dapat diartikan bahwa pernyataan tetang parameter tidak didukung secara kuat oleh data. Hipotesis alternatif (H1 ). Hipotesis yang merupakan lawan dari H0 , biasanya berupa pernyataan tentang adanya perbedaan atau adanya hubungan. H1 digunakan untuk menunjukkan bahwa pernyataan mendapat dukungan kuat dari data. Logika Uji Hipotesis. Tidak dapat dibuktikan bahwa suatu hipotesis itu benar, tapi dapat dibuktikan bahwa suatu hipotesis itu salah.

MMS1001 – p.129/228

Inferensi Statistik Tipe Kesalahan dalam Uji Hipotesis Keputusan Uji H0 tidak ditolak H0 ditolak

Kenyataan H0 benar H0 salah benar salah (Tipe II) salah (Tipe I) benar

▽MMS1001 – p.130/228



Peluang melakukan kesalahan tipe I P (menolak H0 yang benar) = α

▽MMS1001 – p.130/228



Peluang melakukan kesalahan tipe I P (menolak H0 yang benar) = α Peluang melakukan kesalahan tipe II P (tidak menolak H0 yang salah) = β

MMS1001 – p.130/228

Inferensi Statistik Contoh (Hipotesis statistik dan statistik penguji) Ingin diuji secara statistik pernyataan : suatu obat baru lebih baik dari obat yang selama ini digunakan. Misalkan p adalah proporsi (prosentase) orang yang sembuh setelah minum obat tersebut, dan obat dikatakan baik jika proporsi orang yang sembuh lebih dari 60 %. Pernyataan H0 dan H1 adalah sebagai berikut : H0 : p ≤ 0, 6 (obat baru tidak lebih baik) H1 : p > 0, 6 (obat baru lebih baik)

MMS1001 – p.131/228

Inferensi Statistik Contoh (Hipotesis statistik dan statistik penguji) Ingin diuji secara statistik pernyataan : suatu obat baru lebih baik dari obat yang selama ini digunakan. H0 : p ≤ 0, 6 (obat baru tidak lebih baik) H1 : p > 0, 6 (obat baru lebih baik) Dilakukan eksperimen terhadap 20 pasien. X : banyak pasien yang sembuh X ∼ Binomial(n = 20, p = 0, 6)

MMS1001 – p.132/228

Inferensi Statistik Contoh (Hipotesis statistik dan statistik penguji) Ingin diuji secara statistik pernyataan : suatu obat baru lebih baik dari obat yang selama ini digunakan. H0 : p ≤ 0, 6 (obat baru tidak lebih baik) H1 : p > 0, 6 (obat baru lebih baik) Dilakukan eksperimen terhadap 20 pasien. X : banyak pasien yang sembuh X ∼ Binomial(n = 20, p = 0, 6) X besar (banyak yang sembuh) ⇒ menolak H0 , X kecil (banyak yang tidak sembuh) ⇒ mendukung H0

MMS1001 – p.133/228

Inferensi Statistik Daerah penolakan (Daerah kritik): himpunan (daerah) harga-harga dimana H0 ditolak Statistik Penguji: statistik atau variabel random yang digunakan untuk menentukan apakah H0 ditolak atau tidak ditolak. Bila statistik penguji masuk dalam daerah penolakan maka H0 ditolak, sebaliknya jika tidak maka H0 tidak ditolak.

MMS1001 – p.134/228

Inferensi Statistik Daerah penolakan (Daerah kritik): himpunan (daerah) harga-harga dimana H0 ditolak Statistik Penguji: statistik atau variabel random yang digunakan untuk menentukan apakah H0 ditolak atau tidak ditolak. Bila statistik penguji masuk dalam daerah penolakan maka H0 ditolak, sebaliknya jika tidak maka H0 tidak ditolak. Contoh (lanjutan): Daerah penolakan:

0

1

2

3

4

5

6

7

8

9 10 11 12 13 14 15 16 17 18 19 20

▽MMS1001 – p.135/228

Inferensi Statistik Daerah penolakan (Daerah kritik): himpunan (daerah) harga-harga dimana H0 ditolak Statistik Penguji: statistik atau variabel random yang digunakan untuk menentukan apakah H0 ditolak atau tidak ditolak. Bila statistik penguji masuk dalam daerah penolakan maka H0 ditolak, sebaliknya jika tidak maka H0 tidak ditolak. Contoh (lanjutan): Daerah penolakan: X ≥ 12

0

1

2

3

4

5

6

7

8

daerah penolakan

9 10 11 12 13 14 15 16 17 18 19 20

▽MMS1001 – p.135/228

Inferensi Statistik Daerah penolakan (Daerah kritik): himpunan (daerah) harga-harga dimana H0 ditolak Statistik Penguji: statistik atau variabel random yang digunakan untuk menentukan apakah H0 ditolak atau tidak ditolak. Bila statistik penguji masuk dalam daerah penolakan maka H0 ditolak, sebaliknya jika tidak maka H0 tidak ditolak. Contoh (lanjutan): Daerah penolakan: X ≥ 15

0

1

2

3

4

5

6

7

8

daerah penolakan

9 10 11 12 13 14 15 16 17 18 19 20

MMS1001 – p.135/228

Inferensi Statistik P (Tipe I) = α untuk beberapa nilai p dengan menganggap H0 benar (p ≤ 0, 6) dan daerah penolakan X ≥ 12 P (Tipe I) = α P (X ≥ 12)

0,2 0,00

p di bawah H0 0,3 0,4 0,6 0,005 0,057 0,596

MMS1001 – p.136/228

Inferensi Statistik Harga peluang untuk p = 0, 6 untuk beberapa kriteria penolakan

Peluang

X ≥ 12 0,596

X ≥ 14 0,25

X ≥ 16 0,051

X ≥ 18 0,004

p-value: nilai α yang terkecil.

MMS1001 – p.137/228

Inferensi Statistik Tahap-tahap Uji Hipotesis Secara umum 1. Tentukan model probabilitas yang cocok dari data 2. Tentukan Hipotesis H0 dan H1 3. Tentukan Statistik Penguji, yang harus merupakan fungsi dari data dan tidak memuat parameter yang tidak diketahui 4. Tentukan tingkat signifikansi 5. Tentukan daerah kritik berdasarkan tingkat signifikansi 6. Hitung Statistik Penguji, apakah masuk daerah kritik atau tidak 7. Alternatif: Hitung p-value berdasarkan statistik penguji 8. Ambil kesimpulan berdasarkan 6 atau 7

MMS1001 – p.138/228

Inferensi Statistik µ Populasi sembarang p Satu Populasi

µ Populasi Normal

Populasi sembarang

σ2 µ21 , µ22 p21 , p22

Dua Populasi

µ21 , µ22 Populasi Normal σ12 , σ22

k > 2 Populasi

Analisis Variansi (ANAVA) MMS1001 – p.139/228

Inferensi Statistik Satu Populasi Sembarang Estimasi interval mean (µ) suatu populasi Teorema Limit Pusat Apabila sampel-sampel random diambil dari suatu populasi yang berdistribusi sembarang, yang mempunyai mean µ dan variansi σ 2 , maka untuk n besar, distribusi sampling untuk mean dapat dianggap 2 2 mendekati Normal dengan µX¯ = µ dan variansi σX ¯ = σ /n, sehingga ¯ −µ X √ Z= σ/ n mendekati Normal Standar.

MMS1001 – p.140/228

Inferensi Statistik Satu Populasi Sembarang Estimasi interval mean (µ) suatu populasi

µ

¯ ∼ N (µ, σ 2 /√n) X

▽MMS1001 – p.141/228


1−α µ

¯ ∼ N (µ, σ 2 /√n) X

▽MMS1001 – p.141/228


1−α µ

¯ ∼ N (µ, σ 2 /√n) X Z ∼ N (0, 1)

▽MMS1001 – p.141/228


α/2

α/2

1−α

¯ ∼ N (µ, σ 2 /√n) X

µ −Zα/2

Zα/2

Z ∼ N (0, 1)

P (−Zα/2 ≤ Z ≤ Zα/2 ) ≈ 1 − α

▽MMS1001 – p.141/228


α/2

α/2

1−α

¯ ∼ N (µ, σ 2 /√n) X

µ −Zα/2

Zα/2

Z ∼ N (0, 1)

P (−Zα/2 ≤ Z ≤ Zα/2 ) ≈ 1 − α ¯ −µ X √ ≤ Zα/2 ) ≈ 1 − α P (−Zα/2 ≤ σ/ n

▽MMS1001 – p.141/228


α/2

α/2

1−α

¯ ∼ N (µ, σ 2 /√n) X

µ −Zα/2

Zα/2

Z ∼ N (0, 1)

P (−Zα/2 ≤ Z ≤ Zα/2 ) ≈ 1 − α ¯ −µ X √ ≤ Zα/2 ) ≈ 1 − α P (−Zα/2 ≤ σ/ n σ σ ¯ ¯ √ √ ≤ µ ≤ X + Zα/2 ) ≈ 1−α P (X − Zα/2 n n MMS1001 – p.141/228


α/2

α/2

1−α

¯ ∼ N (µ, σ 2 /√n) X

µ −Zα/2

Zα/2

Z ∼ N (0, 1)

Interval Konfidensi (1 − α)100% untuk mean µ B≤µ≤A ¯ − Zα/2 √σ B=X n ¯ + Zα/2 √σ A=X n

MMS1001 – p.142/228

Inferensi Statistik Satu Populasi Sembarang Contoh: Suatu sampel random dengan 150 keluarga di suatu kota menunjukkan penghasilan bulanan rata-rata Rp 325 000,00 dengan deviasi standar Rp 25 000,00. Hitung interval konfidensi 95% untuk rata-rata penghasilan bulanan seluruh keluarga di kota tersebut.

MMS1001 – p.143/228

Inferensi Statistik Satu Populasi Sembarang Contoh: Suatu sampel random dengan 150 keluarga di suatu kota menunjukkan penghasilan bulanan rata-rata Rp 325 000,00 dengan deviasi standar Rp 25 000,00. Hitung interval konfidensi 95% untuk rata-rata penghasilan bulanan seluruh keluarga di kota tersebut. Jawab: X : penghasilan bulanan di kota tersebut ¯ = 325.000; s = 25.000; n = 150. X Interval konfidensi 95% untuk rata-rata penghasilan bulanan (µ): ¯ − Zα/2 √σ = 325.000 − 1,96 √25 = 324.996 B=X n 150 ¯ + Zα/2 √σ = 325.000 + 1,96 √25 = 325.004 A=X n

150

Interval konfidensi 95%: 324.996 ≤ µ ≤ 325.004 σ dapat diganti s MMS1001 – p.144/228

Inferensi Statistik Satu Populasi Sembarang Uji Hipotesis Mean (µ) Populasi 1. Hipotesis A. H0 : µ = µ0 vs. H1 : µ 6= µ0 B. H0 : µ ≤ µ0 vs. H1 : µ > µ0 C. H0 : µ ≥ µ0 vs. H1 : µ < µ0 2. Tingkat signifikansi α 3. Statistik Penguji ¯ − µ0 X √ Z= σ/ n

atau

¯ − µ0 X √ Z= s/ n

jika σ tidak diketahui diganti s. Distribusi dari Z adalah Normal Standar. MMS1001 – p.145/228

Inferensi Statistik Satu Populasi Sembarang Uji Hipotesis Mean (µ) Populasi 4. Daerah penolakan (berdasarkan α dan Hipotesis) A. H0 ditolak apabila Z > Zα/2 atau Z < −Zα/2 B. H0 ditolak apabila Z > Zα C. H0 ditolak apabila Z < −Zα

MMS1001 – p.146/228

Inferensi Statistik Satu Populasi Sembarang Contoh: Ujian standar intelegensia telah diadakan beberapa tahun dengan nilai rata-rata 70 dengan deviasi standar 8. Sekelompok mahasiswa terdiri dari 100 orang mahasiswa, diberi pelajaran dengan mengutamakan bidang Matematika. Apabila dari 100 mahasiswa ini diperoleh hasil ujian dengan nilai rata-rata 75, apakah cukup alasan untuk mempecayai bahwa pengutamaan bidang Matematika menaikkan hasil ujian standar?

MMS1001 – p.147/228

Inferensi Statistik Satu Populasi Sembarang Estimasi interval proporsi (p) suatu populasi Jika X ∼ Binomial(n, p), maka variabel random mean p dan variansi

x n

mempunyai

p(1−p) n

Untuk n besar Z=

x qn

−p

x x (1− n ) n

n

mendekati Normal Standar (Teorema Limit Pusat)

MMS1001 – p.148/228

Inferensi Statistik Satu Populasi Sembarang Estimasi interval proporsi (p) suatu populasi Interval Konfidensi (1 − α)100% untuk p B≤p≤A q p) B = pˆ − Zα/2 pˆ(1−ˆ q n p) A = pˆ + Zα/2 pˆ(1−ˆ n dengan pˆ =

x n

MMS1001 – p.149/228

Inferensi Statistik Satu Populasi Sembarang Contoh: Jika 610 dari 900 sampel random petani di suatu daerah adalah buruh tani, hitunglah interval konfidensi 90% untuk proporsi buruh tani di daerah itu.

MMS1001 – p.150/228

Inferensi Statistik Satu Populasi Sembarang Uji Hipotesis proporsi (p) Populasi 1. Hipotesis A. H0 : p = p0 vs. H1 : p 6= p0 B. H0 : p ≤ p0 vs. H1 : p > p0 C. H0 : p ≥ p0 vs. H1 : p < p0 2. Tingkat signifikansi α 3. Statistik Penguji pˆ − p0 Z=q

p0 (1−p0 ) n

Distribusi dari Z adalah Normal Standar.

MMS1001 – p.151/228

Inferensi Statistik Satu Populasi Sembarang Uji Hipotesis proporsi (p) Populasi 4. Daerah penolakan (berdasarkan α dan Hipotesis) A. H0 ditolak apabila Z > Zα/2 atau Z < −Zα/2 B. H0 ditolak apabila Z > Zα C. H0 ditolak apabila Z < −Zα

MMS1001 – p.152/228

Inferensi Statistik Satu Populasi Sembarang Hubungan antara Interval Konfidensi dan Uji Hipotesis Interval Konfidensi (1 − α)100% untuk mean µ σ σ ¯ ¯ X − Zα/2 √ ≤ µ ≤ X + Zα/2 √ n n

Daerah penolakan dengan tingkat signifikansi α untuk uji hipotesis H0 : µ = µ0 vs. H1 : µ 6= µ0 Z > Zα/2 atau Z < −Zα/2 Daerah penerimaan −Zα/2 ≤ Z ≤ Zα/2

MMS1001 – p.153/228


Daerah penolakan dengan tingkat signifikansi α untuk uji hipotesis H0 : µ = µ0 vs. H1 : µ 6= µ0 Z > Zα/2 atau Z < −Zα/2 Daerah penerimaan ¯ X−µ −Zα/2 ≤ σ/√n0 ≤ Zα/2

MMS1001 – p.154/228


Daerah penolakan dengan tingkat signifikansi α untuk uji hipotesis H0 : µ = µ0 vs. H1 : µ 6= µ0 Z > Zα/2 atau Z < −Zα/2 Daerah penerimaan ¯ − Zα/2 √σ ≤ µ0 ≤ X ¯ + Zα/2 √σ X n n

MMS1001 – p.155/228

Inferensi Statistik Satu Populasi Sembarang Ringkasan Parameter µ mean

Statistik

¯ − µ0 X Z= √ σ/ n Z ∼ N (0, 1)

p proporsi

Z= q

pˆ − p0

p0 (1−p0 ) n

Z ∼ N (0, 1)

Interval Konfidensi (1-α)100%

Hipotesis alternatif

Daerah Kritik

B≤µ≤A ¯ − Zα/2 √σ B=X n ¯ + Zα/2 √σ A=X

H1 : µ 6= µ0

Z Z Z Z

> Zα/2 atau < −Zα/2 > Zα < −Zα

Z Z Z Z


n

B≤p≤A

p(1− ˆ p) ˆ q n p(1− ˆ p) ˆ Zα/2 n

B = pˆ − Zα/2 A = pˆ +

q

H1 : µ > µ0 H1 : µ < µ0 H1 : p 6= p0 H1 : p > p0 H1 : p < p0

MMS1001 – p.156/228

Inferensi Statistik Satu Populasi Normal Data dianggap berdistribusi Normal Ukuran sampel tidak harus besar Jenis parameter: mean µ variansi σ 2 Distribusi Sampling Normal t Chi-kuadrat (Chi-square)

MMS1001 – p.157/228

Inferensi Statistik Satu Populasi Normal Normal Standar Jika X1 , . . . , Xn adalah sampel random berasal dari populasi Normal dengan mean µ dan variansi σ 2 maka variabel random ¯ −µ X √ Z= σ/ n

berdistribusi Normal Standar N (0, 1)

MMS1001 – p.158/228

Inferensi Statistik Satu Populasi Normal Distribusi t Jika X1 , . . . , Xn adalah sampel random berasal dari populasi Normal dengan mean µ dan variansi σ 2 maka variabel random ¯ −µ X √ t= s/ n

berdistribusi t dengan derajad bebas n − 1. Untuk n yang semakin besar, distribusi t akan mendekati distribusi Normal.

MMS1001 – p.159/228

Inferensi Statistik Satu Populasi Normal Distribusi Chi-kuadrat 2k Diketahui X1 , . . . , Xk adalah variabel random yang berdistribusi Normal yang independen satu dengan yang lain. Distribusi variabel random χ2 = X12 + . . . + Xk2 berdistribusi Chi-kuadrat berderajad bebas k dengan mean E(χ2 ) = k dan variansi Var(χ2 ) = 2k

MMS1001 – p.160/228

Inferensi Statistik Satu Populasi Normal Distribusi Chi-kuadrat n − 1 Diketahui X1 , . . . , Xn adalah variabel random yang berdistribusi Normal dengan mean µ dan variansi σ 2 maka variabel random 2 (n − 1)s χ2 = σ2

berdistribusi Chi-kuadrat dengan derajad bebas n − 1

MMS1001 – p.161/228

Inferensi Statistik Satu Populasi Normal Distribusi Normal Standar Apabila sampel random berukuran n diambil dari suatu populasi yang berdistribusi Normal dengan mean µ dan variansi σ 2 , maka variabel random s2 − σ 2 Z= q 2 σ 2 n−1

berdistribusi N (0, 1) untuk n besar.

MMS1001 – p.162/228

Inferensi Statistik Satu Populasi Normal Parameter µ mean

Statistik Bila σ 2 diketahui ¯ − µ0 X Z= √ σ/ n



Daerah Kritik

B≤µ≤A ¯ − Zα/2 √σ B=X n σ ¯ + Zα/2 √ A=X

H1 : µ 6= µ0

Z Z Z Z

n

H1 : µ > µ0 H1 : µ < µ0


Z ∼ N (0, 1) Bila σ 2 tidak diketahui ¯ − µ0 X t= √ s/ n

B≤µ≤A H1 : µ 6= µ0 ¯ − t(n−1,α/2) √s B=X n s ¯ A = X + t(n−1,α/2) √n H1 : µ > µ0 H1 : µ < µ0

t > t(n−1,α/2) atau t < −t(n−1,α/2) t > t(n−1,α) t < −t(n−1,α)

t ∼ distribusi t dgn. derajad bebas n − 1

MMS1001 – p.163/228

Inferensi Statistik Satu Populasi Normal Parameter σ2 variansi

Statistik

χ2 =

1)s2

(n − σ2

χ2 ∼ chi-square dgn. derajad bebas k =n−1 Untuk n besar, Z=

s2 σ2

− q

σ2

2 n−1



Daerah Kritik

B ≤ σ2 ≤ A

H1 : σ 2 6= σ02

χ2 > χ2(k,α/2) atau

H1 : σ 2 > σ02

χ2 > χ2(k,α)

B= A=

(n−1)s

2

χ2 (n−1,α/2) 2 (n−1)s

χ2 (n−1,1−α/2)

B ≤ σ2 ≤ A s2q B= 1+Zα/2

A=

s2q

1−Zα/2

2 n−1 2 n−1

χ2 < χ2(k,1−α/2)

H1 : σ 2 < σ02

χ2 < χ2(k,1−α)

H1 : σ 2 6= σ02

Z Z Z Z

H1 : σ 2 > σ02 H1 : σ 2 < σ02


Z ∼ N (0, 1)

MMS1001 – p.164/228

Inferensi Statistik Dua Populasi Sembarang Distribusi sampling selisih dua mean Misalkan X11 , X12 , . . . , X1n1 dan X21 , X22 , . . . , X2n2 adalah dua sampel random independen satu sama lain yang diambil dari populasi yang mempunyai mean µ1 dan µ2 serta variansi σ12 dan σ22 , maka untuk n1 dan n2 besar, variabel random ¯1 − X ¯ 2 ) − (µ1 − µ2 ) (X q 2 Z= σ1 σ22 n1 + n2

berdistribusi Normal Standar, dengan

¯1 = X

n1 X X1i i=1

n1

¯2 = X

n2 X X2i i=1

n2

MMS1001 – p.165/228

Inferensi Statistik Dua Populasi Sembarang Distribusi sampling selisih dua mean Jika σ12 dan σ22 tidak diketahui, dan diasumsikan σ12 6= σ22 ¯ 2 ) − (µ1 − µ2 ) ¯1 − X (X q 2 Z= s1 s22 n1 + n2

berdistribusi Normal Standar dengan s21 dan s22 adalah variansi sampel

MMS1001 – p.166/228

Inferensi Statistik Dua Populasi Sembarang Distribusi sampling selisih dua mean Jika σ12 dan σ22 tidak diketahui, dan diasumsikan σ12 = σ22 ¯ 2 ) − (µ1 − µ2 ) ¯1 − X (X q Z= s2p ( n11 + n12 )

berdistribusi Normal Standar dengan s2p

(n1 − 1)S12 + (n2 − 1)S22 = n1 + n2 − 2

yang disebut sebagai pooled variance

MMS1001 – p.167/228

Inferensi Statistik Dua Populasi Sembarang Distribusi sampling selisih dua proporsi Misalkan X11 , X12 , . . . , X1n1 dan X21 , X22 , . . . , X2n2 adalah dua sampel random independen satu sama lain yang diambil dari populasi yang berdistribusi binomial. Untuk n1 dan n2 besar, variabel random 1 (X n1 − Z=r X1 n1

X2 n2 )

− (p1 − p2 )

X

(1− n 1 ) 1 n1

+

X2 n2

X

(1− n 2 ) 2 n2

berdistribusi Normal Standar.

MMS1001 – p.168/228

Inferensi Statistik Dua Populasi Sembarang Parameter µ1 − µ 2 selisih dua mean

Statistik σ12 dan σ22 diketahui ¯ −X ¯ (X 1 s 2 )−(µ1 −µ2 ) Z= 2 σ2 σ1 + 2 n1 n2

Z∼N (0,1)



Daerah Kritik

B ≤ µ1 − µ2 ≤ A

H1 :µ1 −µ2 6=µ0

Z>Zα/2

2 2 σ1 σ2 +n n1 2

H1 :µ1 −µ2 >µ0

Z>Zα

H1 :µ1 −µ2 <µ0

Z<−Zα

H1 :µ1 −µ2 6=µ0

Z>Zα/2

H1 :µ1 −µ2 >µ0

Z>Zα

H1 :µ1 −µ2 <µ0

Z<−Zα

¯ −X ¯ 2 )− B=(X r1

Zα 2

¯ −X ¯ 2 )+ A=(X r1 Zα 2

2 2 σ1 σ2 + n1 n2

σ12 dan σ22 tdk diketahui, B ≤ µ1 − µ2 ≤ A ¯ −X ¯ 2 )− B=(X σ12 6= σ22 r1 ¯ −X ¯ (X 1 s 2 )−(µ1 −µ2 ) Z= 2 s2 1 + s2 n1 n2

Z∼N (0,1)

Zα 2

2 s2 1 + s2 n1 n2

¯ −X ¯ 2 )+ A=(X r1 Zα 2

2 s2 1 + s2 n1 n2

atau

Z <−Zα/2

atau

Z <−Zα/2

MMS1001 – p.169/228

Inferensi Statistik Dua Populasi Sembarang Parameter

Statistik


σ12 dan σ22 tdk diketahui, B ≤ µ1 − µ2 ≤ A ¯ 2 )− ¯ 1 −X σ12 = σ22 B=(X Z=

¯ −X ¯ )−(µ −µ ) (X 1 2 1 2 r 1 1 s2 p ( n1 + n2 )

Z∼N (0,1) s2 p=

p1 − p2 Selisih dua proporsi

Z= (p ˆ1 −p ˆ2 )−(p1 −p2 ) r pˆ1 (1−pˆ1 ) pˆ (1−pˆ2 ) + 2 n1 n2

Z∼N (0,1) X

X

p ˆ1 = n 1 ; p ˆ2 = n 2 1 2

Daerah Kritik

H1 :µ1 −µ2 6=µ0

Z>Z α 2

2

H1 :µ1 −µ2 >µ0

Z>Zα

H1 :µ1 −µ2 <µ0

Z<−Zα

B ≤ p1 − p2 ≤ A

H1 :p1 −p2 6=p0

Z>Z α

1

2

ˆ2 )− B=(p ˆ −p r1 pˆ1 (1−pˆ1 ) pˆ (1−pˆ ) Zα + 2 n 2 H1 :p1 −p2 >p0 n 2

1

2

1

atau

Z<−Z α

q

2( 1 + 1 ) Sp n1 n2 2 ¯ 2 )+ ¯ 1 −X A=(X q 2( 1 + 1 ) Z α Sp n n

Zα

2

2 +(n −1)S 2 (n1 −1)S1 2 2 n1 +n2 −2


2

H1 :p1 −p2
2

atau

Z<−Z α 2

Z>Zα Z<−Zα

2

MMS1001 – p.170/228

Inferensi Statistik Dua Populasi Normal Distribusi sampling selisih dua mean Misalkan X11 , X12 , . . . , X1n1 dan X21 , X22 , . . . , X2n2 adalah dua sampel random independen satu sama lain yang berdistribusi Normal dengan mean µ1 dan µ2 serta variansi σ12 dan σ22 , maka variabel random ¯ 2 ) − (µ1 − µ2 ) ¯1 − X (X q 2 Z= σ1 σ22 n1 + n2

berdistribusi Normal Standar, dengan

¯1 = X

n1 X X1i i=1

n1

¯2 = X

n2 X X2i i=1

n2

MMS1001 – p.171/228

Inferensi Statistik Dua Populasi Normal Distribusi sampling selisih dua mean Jika σ12 dan σ22 tidak diketahui, dan diasumsikan σ12 6= σ22 ¯ 2 ) − (µ1 − µ2 ) ¯1 − X (X q 2 t= s1 s22 n1 + n2

berdistribusi t dengan derajad bebas k=

(s21 /n1 + s22 /n2 )2 (s21 /n1 )2 n1 +1

+

(s22 /n2 )2 n2 +1

− 2,

atau k =

(s21 /n1 + s22 /n2 )2 (s21 /n1 )2 n1 −1

+

(s22 /n2 )2 n2 −1

dengan s21 dan s22 adalah variansi sampel

MMS1001 – p.172/228

Inferensi Statistik Dua Populasi Normal Distribusi sampling selisih dua mean Jika σ12 dan σ22 tidak diketahui, dan diasumsikan σ12 = σ22 ¯ 2 ) − (µ1 − µ2 ) ¯1 − X (X q t= s2p ( n11 + n12 )

berdistribusi t dengan derajad bebas n1 + n2 − 2 dan 2 + (n − 1)S 2 (n − 1)S 1 2 1 2 s2p = n1 + n2 − 2

yang disebut sebagai pooled variance

MMS1001 – p.173/228

Inferensi Statistik Dua Populasi Normal Distribusi sampling Perbandingan dua variansi Misalkan X11 , X12 , . . . , X1n1 dan X21 , X22 , . . . , X2n2 adalah dua sampel random independen satu sama lain yang berdistribusi Normal dengan mean µ1 dan µ2 serta variansi σ12 dan σ22 , maka variabel random s21 /σ12 F = 2 2 s2 /σ2 berdistribusi F dengan derajad bebas pembilang n1 − 1, derajad bebas penyebut n2 − 1

MMS1001 – p.174/228

Inferensi Statistik Dua Populasi Normal Parameter

Statistik

µ1 − µ 2 σ12 dan σ22 diketahui ¯ ¯ Selisih dua Z= (X1 −sX22)−(µ21 −µ2 ) σ σ1 + 2 mean n1 n2



Daerah Kritik

B ≤ µ1 − µ2 ≤ Ar

H1 :µ1 −µ2 6=µ0

Z>Z α atau

Z∼N (0,1)

2 2 σ1 σ2 ¯ 2 )−Z α ¯ 1 −X + B=(X n2 2 r n1 2 2 σ1 σ2 ¯ 1 −X ¯ 2 )+Z α A=(X + n1 n2 2

σ12 dan σ22 tdk diketahui dan σ12 6= σ22

B ≤ µ1 − µ2 ≤ A r

¯ −X ¯ (X 1 s 2 )−(µ1 −µ2 ) t= 2 s2 1 + s2 n1 n2

2 s2 1 + s2 n n2 2 r 1 2 s2 1 + s2 ¯ 1 −X ¯ 2 )+t α A=(X ,k n1 n2 2

¯ 1 −X ¯ 2 )−t α B=(X ,k

2

Z<−Z α 2

H1 :µ1 −µ2 >µ0

Z>Zα

H1 :µ1 −µ2 <µ0

Z<−Zα

H1 :µ1 −µ2 6=µ0

t>t α ,k atau 2

t<−t α ,k 2

H1 :µ1 −µ2 >µ0

t>tα,k

H1 :µ1 −µ2 <µ0

t<−tα,k

t∼tk dgn k= atau k=

2 2 (s2 1 /n1 +s2 /n2 ) 2 2 −2 2 (s2 1 /n1 ) + (s2 /n2 ) n1 +1 n2 +1 2 2 (s2 1 /n1 +s2 /n2 ) 2 2 2 (s2 1 /n1 ) + (s2 /n2 ) n1 −1 n2 −1 MMS1001 – p.175/228

Inferensi Statistik Dua Populasi Normal Parameter

Statistik σ12 dan σ22 tdk diketahui dan σ12 = σ22 ¯ −X ¯ )−(µ −µ ) (X 1 2 1 2 r t= 1 1 2 Sp ( + ) n1 n2

t∼tk dgn. k=n1 +n2 −2 2 = Sp

σ12 / σ22 Perbandingan dua variansi

2 +(n −1)S 2 (n1 −1)S1 2 2 n1 +n2 −2

F = s21 /s22 dengan F ∼F α ,k ,k 1 2 2

k1 = n1 − 1, k2 = n2 − 1



Daerah Kritik

B ≤ µ1 − µ2 ≤ A

H1 :µ1 −µ2 6=µ0

t>t α ,k atau

¯ 1 −X ¯ 2 )− B=(X q 2( 1 + 1 ) t α ,k Sp n n 1

2

2

¯ 2 )+ ¯ 1 −X A=(X q 2( 1 + 1 ) t α ,k Sp n n 1

2

B= A=

F(k ,k , α ) 1 2 2 2 s1 F(k1 ,k2 , α ) s2 2 2

catatan:

t<−t α ,k 2

H1 :µ1 −µ2 >µ0

t>tα,k

H1 :µ1 −µ2 <µ0

t<−tα,k

H1 :σ1 6=σ2

F >F α ,k ,k atau 1 2 2 F <1/F α ,k ,k

2

B ≤ σ12 /σ22 ≤ A 2 s2 1 /s2

2

2

2

1

F >Fα,k1 ,k2 H1 :σ1 >σ2

F <1/Fα,k2 ,k1

H1 :σ1 <σ2

,k1 ,k2 )= F (1− α 2 ,k2 ,k1 ) 1/F ( α 2

MMS1001 – p.176/228

Inferensi Statistik Dua Populasi Normal

Parameter

µd mean selisih data berpasangan

Statistik

¯ D−µ √D sD / n

t= dengan t ∼ distribusi t dgn derajad bebas k =n−1


B≤µ≤A ¯ − B = X t(n−1,α/2) √sn ¯ + A = X


Daerah Kritik

H1 :µD 6=µ0

t>t(n−1,α/2) atau t<−t(n−1,α/2)

H1 :µD >µ0

t>t(n−1,α)

H1 :µD <µ0

t<−t(n−1,α)

t(n−1,α/2) √sn

MMS1001 – p.177/228

Analisis Variansi Satu Arah Perluasan dari uji mean dua populasi Normal (data berasal dari populasi Normal) Ada k mean populasi yang dibandingkan Berdasarkan pada pemecahan variansi

MMS1001 – p.178/228

Analisis Variansi Satu Arah Inferensi mean populasi Normal

Uji mean satu populasi H0 : µ = µ0

µ

▽MMS1001 – p.179/228

Analisis Variansi Satu Arah Inferensi mean populasi Normal Uji mean satu populasi H0 : µ = µ0 Uji mean dua populasi H0 : µ1 = µ2 µ1

µ2

▽MMS1001 – p.179/228

Analisis Variansi Satu Arah Inferensi mean populasi Normal Uji mean satu populasi H0 : µ = µ0 Uji mean dua populasi H0 : µ1 = µ2

µ1

µ2

µ3

Uji mean k populasi H0 : µ1 = µ2 = µ3

MMS1001 – p.179/228

Analisis Variansi Satu Arah Uji Hipotesis H0 : µ1 = µ2 = . . . = µk H1 : minimal ada dua mean yang tidak sama Statistik Penguji MST F = MSE dimana F ∼ F(k−1,n−k) MST: mean square treatment (kuadrat rata-rata perlakuan) MSE: mean square error (kuadrat rata-rata sesatan) yang diperoleh dari Tabel Anava (Analisis Variansi) Daerah Kritis H0 ditolak jika F > F(k−1,n−k)

MMS1001 – p.180/228

Analisis Variansi Satu Arah Tabel Anava Sumber Variansi

derajad bebas

Jumlah Kuadrat (SS)

Perlakuan

k−1

SST =

Sesatan

N −k

SSE =

Pni

¯i = X

1 ni

Si2

1 ni −1

=

¯= X

1 N

Pk

i=1

Pk

Rata-rata Jumlah Kuadrat (MS)

¯ i − X) ¯ 2 ni (X

MST =

SST k−1

− 1)Si2

MSE =

SSE N −k

i=1 (ni

rasio F

F =

MST MSE

j=1 xij

Pni

Pk

i=1

j=1 (Xij

Pni

¯ i )2 −X

j=1 xij ,

N=

P

ni

MMS1001 – p.181/228

Analisis Variansi Satu Arah Contoh: Dipunyai empat varitas padi yang akan kita uji produktivitasnya. Dua puluh empat petak tanah yang kira-kira mempunyai kesuburan yang sama dipilih. Kemudian 24 petak itu dibagi secara random menjadi empat kelompok, masing-masing 6 petak yang selanjutnya tiap kelompok ditanami satu varitas padi. Apakah rata-rata produktivitas 4 varitas padi tersebut sama?

A 24 13 18 24 16 23

varitas B C 13 21 21 13 11 26 23 23 28 16 18 12

D 27 30 24 29 26 34

MMS1001 – p.182/228

Analisis Variansi Satu Arah A 24 13 18 24 16 23

B 13 21 11 23 28 18

varitas C 21 13 26 23 16 12

D 27 30 24 29 26 34

▽MMS1001 – p.183/228


ni X¯i Si2

A 24 13 18 24 16 23 6 19,67 21,87

varitas B C 13 21 21 13 11 26 23 23 28 16 18 12 6 6 19,00 18,50 40,40 32,30

D 27 30 24 29 26 34 6 28,33 12,27

▽MMS1001 – p.183/228


ni X¯i Si2 ¯= X

1 N

Pk

i=1

Pni

A 24 13 18 24 16 23 6 19,67 21,87

j=1 xij =

513 24

varitas B C 13 21 21 13 11 26 23 23 28 16 18 12 6 6 19,00 18,50 40,40 32,30

D 27 30 24 29 26 34 6 28,33 12,27

= 21, 38

▽MMS1001 – p.183/228


ni X¯i Si2 ¯= X

1 N

Pk

A 24 13 18 24 16 23 6 19,67 21,87

varitas B C 13 21 21 13 11 26 23 23 28 16 18 12 6 6 19,00 18,50 40,40 32,30

D 27 30 24 29 26 34 6 28,33 12,27

Pni

513 x = ij j=1 i=1 24 = 21, 38 Pk ¯ i − X) ¯ 2 ni (X SST = i=1

= 6(19,67−21,38)2 +6(19,00−21,38)2 +6(18,50−21,38)2 +6(28,33−21,38)2

▽MMS1001 – p.183/228


ni X¯i Si2 ¯= X

1 N

Pk

A 24 13 18 24 16 23 6 19,67 21,87

varitas B C 13 21 21 13 11 26 23 23 28 16 18 12 6 6 19,00 18,50 40,40 32,30

D 27 30 24 29 26 34 6 28,33 12,27

Pni


= 391, 46

▽MMS1001 – p.183/228


ni X¯i Si2 ¯= X

1 N

Pk

A 24 13 18 24 16 23 6 19,67 21,87

varitas B C 13 21 21 13 11 26 23 23 28 16 18 12 6 6 19,00 18,50 40,40 32,30

D 27 30 24 29 26 34 6 28,33 12,27

Pni


= 391, 46 Pk SSE = i=1 (ni − 1)Si2 =(6−1)21,87+(6−1)40,40+(6−1)32,30+(6−1)12,27 ▽MMS1001 – p.183/228


ni X¯i Si2 ¯= X

1 N

Pk

A 24 13 18 24 16 23 6 19,67 21,87

varitas B C 13 21 21 13 11 26 23 23 28 16 18 12 6 6 19,00 18,50 40,40 32,30

D 27 30 24 29 26 34 6 28,33 12,27

Pni


= 391, 46 Pk SSE = i=1 (ni − 1)Si2 = 534, 17

MMS1001 – p.183/228

Analisis Variansi Satu Arah Tabel Anava Hasil 4 Varitas Padi Sumber Variansi

derajad bebas

Perlakuan

k−1

Sesatan

N −k

Jumlah Kuadrat (SS)

SST =

Pk

SSE =

i=1

Pk


¯ i − X) ¯ 2 ni (X

MST =

SST k−1

− 1)Si2

MSE =

SSE N −k

i=1 (ni

rasio F

F =

MST MSE

▽MMS1001 – p.184/228


derajad bebas

Jumlah Kuadrat (SS)


Varitas

3

SST = 391, 46

MST =

SST k−1

Sesatan

20

SSE = 534, 17

MSE =

SSE N −k

rasio F

F =

MST MSE

▽MMS1001 – p.184/228


derajad bebas

Jumlah Kuadrat (SS)


Varitas

3

SST = 391, 46

MST =

Sesatan

20

SSE = 534, 17

MSE =

391,46 3 434,17 20

rasio F

F =

MST MSE

▽MMS1001 – p.184/228


derajad bebas

Jumlah Kuadrat (SS)


rasio F

Varitas

3

SST = 391, 46

MST = 130, 49

130,49 26,71

Sesatan

20

SSE = 534, 17

MSE = 26, 71

▽MMS1001 – p.184/228


derajad bebas

Jumlah Kuadrat (SS)


rasio F

Varitas

3

SST = 391, 46

MST = 130, 49

4, 8856

Sesatan

20

SSE = 534, 17

MSE = 26, 71

▽MMS1001 – p.184/228


derajad bebas

Jumlah Kuadrat (SS)


rasio F

Varitas

3

SST = 391, 46

MST = 130, 49

4, 8856

Sesatan

20

SSE = 534, 17

MSE = 26, 71

Statistik Penguji F = 4, 8856

Daerah Kritik (α = 0, 05) H0 ditolak jika F > F(3,20) = 3, 10

▽MMS1001 – p.184/228


derajad bebas

Jumlah Kuadrat (SS)


rasio F

Varitas

3

SST = 391, 46

MST = 130, 49

4, 8856

Sesatan

20

SSE = 534, 17

MSE = 26, 71

Statistik Penguji F = 4, 8856

Daerah Kritik (α = 0, 05) H0 ditolak jika F > F(3,20) = 3, 10

Kesimpulan F = 4, 8856 > 3, 10 ⇒ H0 ditolak, paling tidak ada dua mean yang tidak sama

MMS1001 – p.184/228

Analisis Variansi Satu Arah Pembandingan Ganda (Multiple Comparisons) Merupakan analisis lanjutan bila H0 ditolak dalam Anava. Metode: Tukey Scheffé Bonferroni Newman - Keuls

MMS1001 – p.185/228

Analisis Variansi Satu Arah Metode Scheffé Mempunyai asumsi sama seperti Anava Menggunakan tabel F Hipotesis H0 : µi = µj H1 : µi 6= µj untuk i 6= j dan i, j = 1, 2, . . . , k Daerah Kritik (Keputusan) ¯i − X ¯ j |> H0 ditolak, jika | X

(S 2 = MSE dalam Anava satu arah)

r

(k − 1)S 2 Fα,k−1,N −k

³

1 ni

+

1 nj

´

MMS1001 – p.186/228

Analisis Variansi Satu Arah Contoh Pembandingan ganda untuk varitas padi contoh di muka. Diketahui (dari hitungan di muka): ni ¯i X

A 6 19,67

varitas B C 6 6 19,00 18,50

D 6 28,33

MSE = 26, 71

▽MMS1001 – p.187/228


A 6 19,67

varitas B C 6 6 19,00 18,50

D 6 28,33

MSE = 26, 71

Pembandingan ganda Scheffé: Pembandingan µA µA µA µB µB µC

vs. vs. vs. vs. vs. vs.

µB µC µD µC µD µD

¯i − X ¯j | |X

r

(k − 1)MSEFα,k−1,N −k

³

1 ni

+

1 nj

´

Kesimpulan

▽MMS1001 – p.187/228


A 6 19,67

varitas B C 6 6 19,00 18,50

D 6 28,33

MSE = 26, 71




¯i − X ¯j | |X

r

3(26, 71)(3, 10)

³

1 ni

+

1 nj

´

Kesimpulan

▽MMS1001 – p.187/228


A 6 19,67

varitas B C 6 6 19,00 18,50

D 6 28,33

MSE = 26, 71




¯i − X ¯j | |X 0,67 1,17 8,66 0,50 9,33 9,83

r

248, 403

³

1 ni

+

1 nj

´

Kesimpulan

▽MMS1001 – p.187/228


A 6 19,67

varitas B C 6 6 19,00 18,50

D 6 28,33

MSE = 26, 71




¯i − X ¯j | |X 0,67 1,17 8,66 0,50 9,33 9,83

r

³

1 ni

1 nj

248, 403 + q ¡ ¢ 248, 403 61 + 16

´

Kesimpulan

▽MMS1001 – p.187/228


A 6 19,67

varitas B C 6 6 19,00 18,50

D 6 28,33

MSE = 26, 71




¯i − X ¯j | |X 0,67 1,17 8,66 0,50 9,33 9,83

r

248, 403

³

1 ni

9,1 9,1 9,1 9,1 9,1 9,1

+

1 nj

´

Kesimpulan

▽MMS1001 – p.187/228


A 6 19,67

varitas B C 6 6 19,00 18,50

D 6 28,33

MSE = 26, 71




¯i − X ¯j | |X 0,67 1,17 8,66 0,50 9,33 9,83

r

248, 403

³

1 ni

9,1 9,1 9,1 9,1 9,1 9,1

+

1 nj

´

Kesimpulan H0 H0 H0 H0 H0 H0

diterima diterima diterima diterima ditolak ditolak

MMS1001 – p.187/228

Regresi Linear Sederhana Analisis Regresi digunakan untuk menyelidiki hubungan antara variabel dependen (respon) Y dengan variabel independen (variabel penjelas, prediktor) X . Hubungan antara Y dan X : fungsional statistik

MMS1001 – p.188/228

Regresi Linear Sederhana Contoh Hubungan Fungsional 1 Y =1+ X 2

3 2 1 0 0

1

2

3

4

5

6

7

MMS1001 – p.189/228

Regresi Linear Sederhana Contoh Hubungan Fungsional Y = (X − 3)2 3 2 1 0 0

1

2

3

4

5

6

7

MMS1001 – p.190/228

Regresi Linear Sederhana Contoh Hubungan Statistik

b b

3

b

2 1

b

b b

0 0

1

2

3

4

5

6

7 ▽MMS1001 – p.191/228

Regresi Linear Sederhana Contoh Hubungan Statistik 1 Y =1+ X 2 b b

3

b

2 1

b

b b

0 0

1

2

3

4

5

6

7 MMS1001 – p.191/228

Regresi Linear Sederhana Contoh Dipunyai data umur dan tinggi dari sampel 8 buah pohon jenis tertentu sbb.: umur (tahun): 1 2 3 4 5 6 7 8 tinggi (meter): 1,10 1,13 2,38 2,32 3,14 4,27 4,45 5,52

▽MMS1001 – p.192/228

Regresi Linear Sederhana Contoh Dipunyai data umur dan tinggi dari sampel 8 buah pohon jenis tertentu sbb.: umur (tahun): 1 2 3 4 5 6 7 8 tinggi (meter): 1,10 1,13 2,38 2,32 3,14 4,27 4,45 5,52 6

b

tinggi (meter)

5 b

b

4 5 6 umur (tahun)

7

4 b

3 b

2 1

b

b

1

2

b

0 0

3

8 ▽MMS1001 – p.192/228

Regresi Linear Sederhana Contoh Akan dicari garis linear yˆ = a + bx yang paling "mewakili" hubungan antara x (umur) dan y (tinggi)

6

b

tinggi (meter)

5 b

b

4 5 6 umur (tahun)

7

4 b

3 b

2 1

b

b

1

2

b

0 0

3

8 MMS1001 – p.192/228

Regresi Linear Sederhana Estimasi (Penduga) garis regresi yˆ = a + bx

Menggunakan Metode Kuadrat Terkecil (MKT) Prinsip MKT: Dicari nilai a dan b yang meminimalkan jumlah Pn kuadrat residu (JKR), JKR = i=1 (yi − yˆi )2

MMS1001 – p.193/228

Regresi Linear Sederhana Contoh Data umur dan tinggi pohon 6

b

tinggi (meter)

5 b

b

4 5 6 umur (tahun)

7

4 b

3 b

2 1

b

b

1

2

b

0 0

3

8

▽MMS1001 – p.194/228


b

tinggi (meter)

5 b

b

4 5 6 umur (tahun)

7

4 b

3 b

2 1

b

b

1

2

b

0 0

3

8

▽MMS1001 – p.194/228


b

tinggi (meter)

5 b

b

4 5 6 umur (tahun)

7

4 b

3 b

2 1

b

b

1

2

b

0 0

3

8

MMS1001 – p.194/228

Regresi Linear Sederhana Contoh Data umur dan tinggi pohon

3 b

b

3

4

2

1 2

▽MMS1001 – p.195/228

Regresi Linear Sederhana Contoh Data umur dan tinggi pohon

3 b

b

y

|{z}

yˆ y − yˆ

2

1 2

3

4

MMS1001 – p.195/228

Regresi Linear Sederhana Persamaan normal Penyelesaian yang diperoleh dari MKT: n X

yi = na + b

i=1

n X i=1

xi yi = a

n X

xi

i=1

n X i=1

xi + b

n X

x2i

i=1

MMS1001 – p.196/228

Regresi Linear Sederhana Persamaan normal Penyelesaian yang diperoleh dari MKT:

a = b =

P

P 2 P P yi xi − xi xi yi P 2 P 2 n xi − ( xi ) P P P n xi yi − xi yi P 2 P 2 n xi − ( xi )

Jika b dihitung terlebih dahulu, a bisa dihitung dengan P P yi − b xi = y¯ − b¯ x a= n

MMS1001 – p.197/228

Regresi Linear Sederhana Persamaan normal Penyelesaian yang diperoleh dari MKT:

a =

(24, 31)(204) − (36)(136, 41) = 0, 1443 8(204) − (36)2

b =

8(136, 41) − (36)(24, 31) = 0, 6432 2 8(204) − (36)

Jika b = 0, 6432 dihitung terlebih dahulu, a bisa dihitung dengan 24, 31 − (0, 6432)(36) a= = 0, 1443 8

MMS1001 – p.198/228

Regresi Linear Sederhana Contoh Data umur dan tinggi pohon: yˆ = 0, 1443 + 0, 6432x 6

b

tinggi (meter)

5 b

b

4 5 6 umur (tahun)

7

4 b

3 b

2 1

b

b

1

2

b

0 0

3

8

MMS1001 – p.199/228

Regresi Linear Sederhana Korelasi Koefisien korelasi antara Y dan X adalah ρ= p

Kov(X, Y ) Var(X)Var(Y )

,

−1 ≤ ρ ≤ 1

dimana Y dan X dianggap variabel random berdistribusi bersama tertentu (lihat kembali bagian Probabilitas di muka)

MMS1001 – p.200/228

Regresi Linear Sederhana Korelasi ρ menunjukkan tingkat hubungan linear antara kedua variabel. Estimasi titik untuk ρ adalah P (xi − x ¯)(yi − y¯) r = pP ¯)2 (yi − y¯)2 (xi − x P P P n xy − x y = p P P 2p P 2 P 2 2 n x − ( x) n y − ( y)

MMS1001 – p.201/228

Regresi Linear Sederhana Contoh Korelasi Data umur dan tinggi pohon:

r =

P

P P n xy − x y p P P 2p P 2 P 2 2 n x − ( x) n y − ( y)

8(136, 41) − (36)(24, 31) p = p 2 8(204) − (36) 8(91, 8991) − (24, 31)2 = 0.982

MMS1001 – p.202/228

Regresi Linear Sederhana Koefisien Determinasi r2 Digunakan untuk mengukur keeratan hubungan linear antara x dan y dalam regresi linear 2

r = 100

µ

SSR SST

¶

%

dengan P SST = (yi − y¯)2 (jumlah kuadrat total), P SSE = (y − yˆ)2 (jumlah kuadrat sesatan/residu/error ), SSR = SST − SSE (jumlah kuadrat regresi) Menunjukkan berapa persen variasi dari y yang dapat diterangkan oleh x

MMS1001 – p.203/228

Regresi Linear Sederhana Contoh Koefisien Determinasi Data umur dan tinggi pohon: P SST = (yi − y¯)2 = 18, 02709 P SSE = (y − yˆ)2 = 0, 6506536 SSR = SST − SSE = 18, 02709 − 0, 6506536 = 17, 37644 ¶ µ SSR 2 r = 100 % SST ¶ µ 17, 37644 = 100 % 18, 02709 = 96, 39%

Untuk regresi sederhana, kuadrat dari koefisien determinasi sama dengan korelasi

MMS1001 – p.204/228

Regresi Linear Sederhana Korelasi Korelasi hanya untuk hubungan linear

4 5 6 7 8 9

3 4 5 6 7 8 9

11

r=0,82

6

8

10

12

14

4

6

8

10

12

14

4

6

8

8

10

12

10

12

14

6

6

8

8

10

10

12

12

4

14

16

18

MMS1001 – p.205/228

Regresi Linear Sederhana Inferensi dalam Regresi Diperoleh observasi berupa pasangan data (Y, X), (x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ) Model Yi = β0 + β1 Xi + ǫi

Asumsi: suku eror ǫi independen dan berdistribusi normal N (0, σ 2 ) Parameter β0 dan β1 dinamakan koefisien regresi.

MMS1001 – p.206/228

Regresi Linear Sederhana Inferensi dalam Regresi y

x1

y = β0 + β1 x x2 x3

x MMS1001 – p.207/228

Regresi Linear Sederhana Inferensi dalam Regresi Penduga untuk β0 dan β1 adalah b0 dan b1 : P P P n xi yi − xi yi P 2 P 2 b1 = n xi − ( xi ) P P yi − b1 xi b0 = n Penduga untuk σ 2 s2 =

n X (yi − yˆ)2

n−2 P P P 2 yi − b0 yi − b1 xi yi n−2

i=1

=

MMS1001 – p.208/228

Regresi Linear Sederhana Inferensi Kemiringan Garis Regresi (β1 ) Statistik Penguji b1 − β1

t= q n P s n P x2 −( x)2

yang berdistribusi t dengan derajad bebas n − 2

MMS1001 – p.209/228

Regresi Linear Sederhana Inferensi Perpotongan Garis Regresi (β0 ) Statistik Penguji b0 − β0

t= q P 2 xP s n P x2 −( x)2

yang berdistribusi t dengan derajad bebas n − 2

MMS1001 – p.210/228

Regresi Linear Sederhana Contoh Hitunglah interval konfidensi 95% untuk kemiringan garis regresi (β1 ) dari data umur dan tinggi pohon di muka. Telah dihitung β0 = 0, 1443 dan β1 = 0, 6432 (atau a dan b dalam notasi di muka) P 2 P P yi − b0 yi − b1 xi yi 2 s = n−2 91, 8991 − (0, 1443)(24, 31) − (0, 6432)(136, 41) = 6 = 0, 1087092 q n P Interval konfidensi 95% untuk β1 : β1 ± t(α/2,n−2) s n P x2 −( x)2 0, 6432 ± 0, 0508 atau (0, 592; 0, 694)

MMS1001 – p.211/228

Regresi Linear Sederhana Contoh Hitunglah interval konfidensi 95% untuk perpotongan garis regresi (β0 ) dari data umur dan tinggi pohon di muka. Telah dihitung β0 = 0, 1443 dan β1 = 0, 6432 (atau a dan b dalam notasi di muka) serta s2 = 0, 1087092 q

Interval konfidensi 95% untuk β0 : β0 ± t(α/2,n−2) s 0, 1443 ± 0, 2569 atau (−0, 1126; 0, 4012)

n

P

P

x2P x2 −( x)2

MMS1001 – p.212/228

Latihan 1. Dalam suatu eksperimen plant breeding dengan dua tipe bunga A dan B. Probabilitas terjadinya tipe A diharapkan lebih besar dari 7/16. Seorang ahli melakukan eksperimen dengan 100 kuntum bunga dan mendapatkan bahwa separuhnya adalah tipe A, dengan menggunakan α = 0,01; kesimpulan apakah yang dapat kita tarik?

MMS1001 – p.213/228

Latihan 2. Suatu jenis tikus tertentu yang mendpatkan makanan biasa menunjukkan kenaikan rata-rata 65 gram selama tiga bulan pertama dari hidupnya. Suatu sampel random dengan 40 ekor tikus seperti itu diberi makanan dengan protein tinggi dan menunjukkan kenaikan berat rata-rata 82 gram dengan deviasi standar 17,6 gram selama tiga bulan pertama hidupnya. Apakah fakta cukup mendukung dugaan bahwa makanan yang berprotein tinggi akan memperbesar kenaikan berat tikus?

MMS1001 – p.214/228

Latihan 3. Suatu perusahaan alat elektronik ingin menguji dua macam kualitas hasil produksinya. Untuk ini diadakan percobaan-percobaan dan diperoleh hasil sebagai berikut: 10 produk kualitas A mempunyai tahan hidup rata-rata 2600 jam dengan deviasi standar 300 jam. Sedangkan 15 produk kualitas B mempunyai tahan hidup rata-rata 2400 jam dengan deviasi standar 250 jam. Berdasarkan hasil percobaan di atas, apakah kita percaya bahwa kedua kualitas produk elektronik itu berbeda tahan hidupnya? (Anggap distribusi kedua populasi normal dengan variansi sama).

MMS1001 – p.215/228

Latihan 4. Seorang Zoologist ingin menggunakan tikus yang berat waktu lahirnya mempunyai variabilitas yang rendah. Tersedia dua jenis tikus yang berbeda. Dia mengambil sampel random dengan 10 jenis pertama dan 16 jenis kedua. Diperoleh S12 = 0,36 gram dan S22 = 0,87 gram. Apakah variabilitas dua jenis tersebut berbeda? (α = 0,02)

MMS1001 – p.216/228

Latihan 5. Suatu stimulan akan diuji akibatnya terhadap tekanan darah. Dua belas orang laki-laki diambil secara random dari laki-laki dalam kelompok umur 30 - 40 tahun. Tekanan darah mereka diukur sebelum dan sesudah diberi stimulan. Hasilnya adalah sbb.: Tekanan darah sebelum dan sesudah (mmHg) orang ke-

1

2

3

4

5

6

7

8

9 10 11 12

sebelum 120 124 130 118 140 128 140 135 126 130 126 127 sesudah 128 130 131 127 132 125 141 137 118 134 129 130 Hitung interval konfidensi 95% untuk rata-rata selisih tekanan darah sesudah dan sebelum stimulan untuk semua orang laki-laki dalam kelompok 30 - 40 tahun.

MMS1001 – p.217/228

Latihan 6. Ada hipotesis yang menyatakan bahwa untuk sepasang bayi kembar, berat badan bayi yang lahir kemudian lebih berat dari bayi yang lahir sebelumnya. Apabila kita ingin menguji pernyataan tersebut, uji statistik apa yang digunakan?

MMS1001 – p.218/228

Latihan 7. Suatu survei menyatakan bahwa dalam suatu daerah tertentu 20 % rumah tangga berada di bawah garis kemiskinan. Suatu program pengentasan kemiskinan dilaksanakan pada daerah tersebut. Untuk mengetahui apakah program tersebut berhasil, sampel sebesar 400 rumah tangga diambil dari daerah tersebut, 68 rumah tangga dinyatakan berada di bawah garis kemiskinan. Berhasilkah program ini ? (α = 0.05)

MMS1001 – p.219/228

Latihan 8. Sebuah program diet untuk mengurangi berat badan diterapkan pada 12 pria dan 14 wanita. Diperoleh hasilnya sebagai berikut (dalam kg): Wanita X1 109 135 88 118 132 154 121 146 129 94 104 116 136 142 X2 Pria

85 105 54 85 105 123 98 115 97 64 69 89 115 106

Y1 137 127 106 127 122 109 121 115 93 118 139 113 Y2 118 99 79 109 99 83 105 98 75 95 117 92

( X1 , X2 adalah berat wanita sebelum dan sesudah melakukan diet ; Y1 , Y2 adalah berat pria sebelum dan sesudah melakukan diet).

a. Apakah program diet tersebut berhasil secara umum (tanpa memandang pria atau wanita)? (α = 0, 05) b. Bila ingin diketahui program diet tersebut lebih baik untuk wanita atau pria, inferensi statistik apakah yang dapat digunakan? MMS1001 – p.220/228

Latihan 9. Dari sampel random n = 25 bola lampu, diperoleh tahan hidup rata-rata 1,85 tahun dan standar deviasi 0,5 tahun. a. Hitunglah interval konfidensi 95% untuk rata-rata tahan hidup bola lampu b. Hitunglah interval konfidensi 90% untuk variansi tahan hidup bola lampu c. Apabila n = 64, hitunglah interval konfidensi 90% untuk variansi tahan hidup bola lampu

MMS1001 – p.221/228

Latihan 10. Ingin diketahui mean berapa lama seorang mahasiswa melakukan chatting di internet. Untuk itu itu akan dilakukan survei di beberapa warung internet di kampus. Penelitian pendahuluan menunjukkan bahwa standar deviasi dari lama chatting adalah 67 menit dan berdistribusi Normal. Bila kesalahan estimasi interval survei ini tidak boleh lebih dari 10 menit dengan tingkat konfidensi 95%, berapa ukuran sampel yang harus digunakan?

MMS1001 – p.222/228

Latihan 11. Ingin diketahui apakah suatu metode pembiakan tanaman pisang yang menggunakan cara modern menghasilkan pisang dengan berat yang lebih besar daripada pisang yang dikembangkan dengan cara tradisional. Diperoleh informasi sebagai berikut: Jenis pisang cara tradisional cara modern banyak sampel 100 120 rata-rata pertandan 4,2 kg 4,8 kg deviasi standar 1,2 kg 0,9 kg a. Ujilah apakah terdapat perbedaan nyata dari hasil kedua metode pembiakan tersebut (α = 3%). Anggap kedua variansinya sama. b. Jika variansinya tidak diketahui apakah sama atau tidak, uji apakah yang dapat saudara gunakan untuk menguji kesamaan dua variansi? Dengan menganggap kedua populasi berdistribusi normal, tulislah hipotesis dan uji statistiknya MMS1001 – p.223/228

Latihan 12. Apakah cukup bukti yang menyatakan bahwa lebih dari Is there sufficient evidence at 1% level (α=0.01) that more than 30% mahasiswa baru gagal memenuhi standar pengethauna dan pemahaman matematika jika 60 mahasiswa baru dari sampel 130 mahasiswa gagal memenuhi standar?

MMS1001 – p.224/228

Latihan 13. Suatu alat pengukur tekanan darah elektronik akan diuji ketepatan hasil pengukurannya. Bila hasil pengukuran tekanan darah sama atau mendekati hasil pengukuran alat ukur standar maka alat pengukur elektronik ini dinyatakan dapat dipakai. Dari 15 orang yang terpilih sebagai sampel dilakukan dua kali pengukuran masing-masing dengan alat ukur tekanan darah standar dan dengan alat ukur elektronik. Diperoleh hasil pengukuran tekanan darah diastolik sebagai berikut: alat standar 68 82 94 106 92 80 76 74 119 93 86 65 74 84 100 alat elektronik 72 84 89 100 97 88 84 70 103 84 86 63 69 87 93

Apakah alat pengukur tekanan darah elektronik ini dapat dipakai? (α=0,05)

MMS1001 – p.225/228

Latihan 14. Diketahui data gizi dan berat badan 50 anak usia 4-5 tahun di suatu desa seperti pada tabel berikut n status gizi berat badan (kg) rata-rata deviasi std. 35 baik 13,5 2,5 15 buruk 7,5 1,5 a. Hitunglah interval konfidensi 95% untuk proporsi anak dengan gizi buruk! b. Hitunglah interval konfidensi 95% untuk mean berat anak dengan status gizi baik! c. Statistik penguji apakah yang dapat digunakan untuk inferensi mean berat anak dengan status gizi buruk? Jelaskan! MMS1001 – p.226/228

Latihan 15. Dengan menggunakan tabel Normal standar hitunglah: a. P (−2 ≤ Z ≤ 1.5) b. P (Z ≥ 1)

c. k , jika diketahui P (0 ≤ Z ≤ k) = 0,4236

d. P (µ − σ ≤ X ≤ µ + σ)

e. k yang memenuhi P (X ≤ k) = 0,05

dengan Z adalah variabel random normal standar dan X adalah variabel random dengan mean µ dan variansi σ 2

MMS1001 – p.227/228

Latihan 16. Suatu desain mobil diperkirakan akan menurunkan konsumsi bahan bakar sekaligus variabilitasnya. Sampel random dengan 16 mobil biasa diperoleh deviasi standar untuk konsumsi bahan bakar (liter per 100 km) sebesar 3,1. Sedangkan sampel random dengan 12 mobil desain ini diperoleh deviasi standar 1,8. Dengan asumsi sampel berasal dari distribusi normal ujilah bahwa desain mobil baru tersebut memang dapat menurunkan variabilitas konsumsi bahan bakar (α = 0,05).

MMS1001 – p.228/228

Statistika (MMS-1001)

Recommend Documents