STATISTIK 2

1. Distribusi Normal
Salah satu distribusi frekuensi yang paling penting dalam statistika adalah distribusi normal. Distribusi normal berupa kurva berbentuk lonceng setangkup yang melebar tak berhingga pada kedua arah positif dan negatifnya. Penggunaanya sama dengan penggunaan kurva distribusi lainnya. Frekuensi relatif suatu variabel yang mengambil nilai antara dua titik pada sumbu datar. Tidak semua distribusi berbentuk lonceng setangkup merupakan distribusi normal. Pada tahun 1733 DeMoivre menemukan persamaan matematika kurva normal yang menjadi dasar banyak teori statistika induktif. Distribusi normal sering pula disebut Distribusi Gauss untuk menghormati Gauss (1777 – 1855), yang juga menemukan persamaannya waktu meneliti galat dalam pengukuran yang berulang-ulang mengenai bahan yang sama. Sifat dari variabel kontinu berbeda dengan variabel diskrit. Variabel kontinu mencakup semua bilangan, baik utuh maupun pecahan. Oleh karenanya tidak bisa dipisahkan satu nilai dengan nilai yang lain. Itulah sebabnya fungsi variabel random kontinu sering disebut fungsi kepadatan, karena tidak ada ruang kosong diantara dua nilai tertentu. Dengan kata lain sesungguhnya keberadaan satu buah angka dalam variabel kontinu jika ditinjau dari seluruh nilai adalah sangat kecil, bahkan mendekati nol. Karena itu tidak bisa dicari probabilitas satu buah nilai dalam variabel kontinu, tetapi yang dapat dilakukan adalah mencari probabilitas diantara dua buah nilai. Distribusi kontinu mempunyai fungsi matematis tertentu. Jika fungsi matematis tersebut digambar, maka akan terbentuk kurva kepadatan dengan sifat sebagai berikut: 1. Probabilitas nilai x dalam variabel tersebut terletak dalam rentang antara 0 dan 1 2. Probabilitas total dari semua nilai x adalah sama dengan satu (sama dengan luas daerah di bawah kurva) Fungsi kepadatan merupakan dasar untuk mencari nilai probabilitas di antara dua nilai variabel. Probabilitas di antara dua nilai adalah luas daerah di bawah kurva di antara dua nilai dibandingkan dengan luas daerah total di bawah kurva. Dapat dicari luas daerah tersebut dengan menggunakan integral tertentu (definit integral). Persamaan matematika distribusi peluang peubah normal kontinu bergantung pada dua parameter μ dan σ yaitu rataan dan simpangan baku. Jadi fungsi padat x akan dinyatakan dengan n (x; μ, σ). Begitu μ dan σ diketahui maka seluruh kurva normal diketahui. Sebagai contoh, bila μ = 50 dan σ = 5, maka ordinat n(x ; 50, 5) dapat dengan mudah dihitung untuk berbagai harga x dan kurvanya dapat digambarkan. Kedua kurva bentuknya persis sama tapi titik tengahnya terletak di tempat yang berbeda di sepanjang sumbu datar. Dengan memeriksa turunan pertama dan kedua dari n(x ; μ, σ) dapat diperoleh lima sifat kurva normal berikut :

8 = 0.1 12 2. titik pada sumbu datar yang memberikan maksimum kurva. ASUMSI-ASUMSI PADA ANOVA Untuk setiap populasi. Berapakah standar normalnya (Z) ? Penyelesaian : Dik : x = 173. Contoh soal : Contoh Soal : Mawar adalah seorang peragawati yang akan diseleksi dengan tinggi badan 173 cm. cekung dari bawah bila μ – σ < x < μ + σ. σ = 12 Dit : Z ? Jawab : Z = x . Seluruh luas di bawah kurva diatas sumbu datar sama dengan 1 Bila x menyatakan peubah acak distribusi maka P(x1 < x < x2) diberikan oleh daerah yang diarsir dengan garis yang turun dari kiri ke kanan. Unit observasi harus saling bebas (independent). . dinotasikan s 2. dan cekung dari atas untuk harga x lainnya 4. Kurva mempunyai titik belok pada x = μ σ. ANALYSIS OF VARIANCE (ANOVA)       ANOVA dapat digunakan untuk menguji kesaman 3 (tiga) atau lebih rata-rata populasi menggunakan data yang diperoleh dari pengamatan maupun percobaan. Menggunakan hasil sampel untuk menguji hipotesis berikut: H0: 1 = 2 = … = k Ha: minimal ada i  j Jika H0 ditolak berarti minimal ada 2 rata-rata populasi yang memiliki nilai berbeda. terdapat pada x=μ 2. variabel respons-nya terdistribusi normal. ANOVA: PENGUJIAN RATA-RATA POPULASI ESTIMASI VARIAN POPULASI ANTAR SAMPEL  Estimasi 2 antar-sampel (between-samples) disebut mean square between (MSB). peluang yang berpadanan dengan masing-masing distribusi akan berlainan pula.8 dan standar deviasinya adalah 12.µ σ = 173 – 171.8. Standar tinggi badan rata-rata peragawati adalah 171. µ = 171. Jadi. Modus. adalah sama untuk semua populasi. Kedua ujung kurva normal mendekati asimtot sumbu datar bila harga x bergerak menjauhi μ baik ke kiri maupun ke kanan 5. Kurva setangkup terhadap garis tegak yang melalui rataan μ 3.1. Varian dari variabel respons. Jelas bahwa kedua daerah yang diarsir berlainan luasnya.  Pembilang dari MSB merupakan sum of squares between (SSB).

and Detroit). Sampel acak sederhana yang terdiri dari 5 orang manajer pada masingmasing perusahaan diambil dan jumlah jam kerja minggu yang lalu masingmasing manajer tersebut dicatat. Hasilnya seperti pada slide berikut.  Pembilang dari MSW disebut sum of squares within (SSW). R. Reed ingin mengetahui apakah rata-rata jumlah jam kerja per minggu para manajer sama pada tiga perusahaan yang ada (Buffalo. kita akan menolak H0. Penyebut dari MSB menyatakan derajat bebas (degrees of freedom) yang terkait dengan SSB.  PROSEDUR PENGUJIAN RATA-RATA POPULASI Hipotesis H0: 1 = 2 = … = k Ha: minimal ada i  j  Uji Statistik F = MSB/MSW  Aturan Penolakan Tolak H0 jika F > Fa dimana nilai F didasarkan pada distribusi F dg derajat bebas k .  ANOVA: PENGUJIAN RATA-RATA POPULASI ESTIMASI VARIAN POPULASI DALAM SAMPEL  Estimasi 2 yang didasarkan pada variasi observasi dalam masing-masing sampel disebut mean square within (MSW). Pittsburgh. nilai MSB/MSW akan meningkat karena MSB overestimate.1 dan nT 1.  ANOVA: PENGUJIAN RATA-RATA POPULASI PERBANDINGAN ESTIMASI VARIAN: UJI F  maka distribusi  Jika rata-rata k populasi tidak sama. .  Penyebut dari MSW menunjukkan derajat bebas (degrees of freedom) yang bersesuaian dengan SSW.  Oleh karena itu.  Analysis of Variance (ANOVA) Prshn 1 Prshn 2 Prshn 3 Observasi Buffalo Pittsburgh Detroit 1 48 73 51 2 54 63 63 Jika H0 benar dan asumsi pada ANOVA terpenuhi. CONTOH SOAL: REED MANUFACTURING  Analysis of Variance (ANOVA) J.

0) + 4(26.89.05.2. Pittsburgh.5) = 308 MSW = 308/(15 .05. maka H0 ditolak. 2.2.667  Analysis of Variance (ANOVA) Source Variation Treatment Error Total of Degrees Freedom 2 12 14 of Sum of Squares 490 308 798 Mean Squares 245 25. Rata-rata jumlah jam kerja para manajer perminggu pada tiga perusahaan (Buffalo.89 Kesimpulan : Karena F = 9.667 F 9.5) + 4(24.5  Analysis of Variance (ANOVA) Hipotesis H0: 1 = 2 = 3 Ha: minimal ada i  j .55  Analysis of Variance (ANOVA) Aturan Penolakan Misalkan a = 0. maka F0.60)2 = 490 MSB = 490/(3 .1) = 245 Mean Square Within (MSW) SSW = 4(26.3 dimana: 1 = rata-rata jumlah jam kerja perminggu manajer pada perusahaan 1 2 = rata-rata jumlah jam kerja perminggu manajer pada perusahaan 2 3 = rata-rata jumlah jam kerja perminggu manajer pada perusahaan 3  Analysis of Variance (ANOVA) Mean Square Between (MSB) Karena ukuran sampelnya sama.5 24.89 Tolak H0 jika F > 3.60)2 + 5(57 .05.55 Uji Statistik F = MSB/MSW = 245/25. j = 1.55 > F0.12 = 3.667 = 9. maka x = (55 + 68 + 57)/3 = 60 SSB = 5(55 . i.3) = 25. and Detroit) tidak sama.3 57 66 61 4 54 64 54 5 62 74 56 Rata-rata Sampel 55 68 57 Varian Sampel 26.60)2 + 5(68 .12 = 3. DISTRIBUSI T .0 26.2.

101 2.528 2.725 1.782 1.807 2.571 2.729 1.831 2.845 2.707 3.925 5.131 2.821 2.681 2. Cirinya : sample yang di uji berukuran kurang dari 30 Tabel Nilai t df 0.718 2.977 2.447 2.179 2.787 2.878 2.132 2. Distribusi T pertama kali diterbitkan tahu 1908 dalam suatu makalah oleh W.518 2.965 4.262 2.821 6.706 α 0.812 1.861 2.920 2.657 9.508 2.833 1.005 63.896 2.485 2.796 1.539 2.650 2.069 2.819 2.776 2.711 1.921 2.602 2. Hasil uji statistiknya kemudian dibandingkan dengan nilai yang ada pada tabel kemudian menerima atau menolak hipotesis nol (Ho) yang dikemukakan.120 2.060 2.492 2.552 2.143 2.499 3.998 2.306 2.721 1.365 3.365 2.734 1.841 4.779 .303 3.074 2.624 2.228 2.064 2.479 0.Adalah pengujian hipotesis yang menggunakan distribusi T sebagai uji statsistik.055 3.746 1.056 0.015 1.201 2.541 3.05 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 6.747 3.169 3.110 2.500 2.086 2.714 1.355 3.898 2.797 2.717 1.314 2.740 1.706 4.025 12.160 2.604 4.583 2.012 2.032 3.080 2.145 2.708 1.895 1. Gosset.01 31.943 1. table pengujiannya disebut table T student.764 2.106 3.860 1.S.761 1.182 2.753 1.353 2.771 1.947 2.567 2.093 2.250 3.

704 2.473 2. Pada n ≥ 30.021 2.423 2.052 2. Tabel 1. ia menggunakan nama samaran Student.703 1.771 2. Berikut contoh penggunaan uji t. yang dikenal dengan distribusi t-student. Hipotesis Ho : 1 = HA : 1 ≠ 2 2 2.467 2.042 2. misalnya n=10000.756 2.684 1.457 2. Dalam artikel publikasinya.27 28 29 30 40 50 100 10000 1. Uji t tidak berpasangan Contoh kasus : Kita ingin menguji dua jenis pupuk nitrogen terhadap hasil padi 1. Uji ini bisa digunakan untuk objek studi yang berpasangan dan juga bisa untuk objek studi yang tidak berpasangan. Oleh karenanya.701 1. nilai distribusi t sama persis dengan nilai distribusi normal (lihat tabel t pada df 10000 dan bandingkan dengan nilai Z).660 1.699 1. William Sealy Gosset menganggap bahwa untuk sampel kecil.763 2. Pemakaian uji t ini bervariasi.327 2. ia kemudian mengembangkan distribusi lain yang mirip dengan distribusi normal. nilai Z dari distribusi normal tidak begitu cocok.678 2.984 1.626 2.048 2.009 1.645 2.576 Uji t Tidak Berpasangan Uji t dikembangkan oleh William Sealy Gosset.364 2.960 2.462 2. Data hasil penelitian dua jenis pupuk nitrogen terhadap hasil padi (t/h) Plot 1 2 3 4 Pupuk A Y1 7 6 5 6 Pupuk B Y2 8 6 7 8 .403 2. Distribusi student ini berlaku baik untuk sampel kecil maupun sampel besar.750 2. Hasil penelitian tertera pada Tabel 1.676 1. sehingga kemudian metode pengujiannya dikenal dengan uji t-student.697 1. distribusi t ini mendekati distribusi normal dan pada n yang sangat besar.045 2.

alias terima HA.58 = 6. Dengan demikian. Dengan demikian. Kesimpulan Karena nila thit|= 3. Kemudian. t table = t α/2 (df) = t0. jika thit| < t table. UJI CHI KUADRAT (χ²) 1.5 6 7 8 9 10 11 12 Hitunglah 1 5 4 4 6 6 7 6 5 6 6 7 7 8 7 6 7 3. Nilai n adalah jumlah ulangan. sebagai nilai pembanding.074 4.05/2 (n1+n2-2)=t0.67 (tanda minus diabaikan) dan nilai t table=2.92)/√(0.58 – 6. maka kita tolak H0. yaitu hasil padi yang dipupuk dengan pupuk A tidak sama dengan hasil padi yang dipupuk dengan pupuk B. sebaliknya Tolak H0.34/0. Cara melihatnya adalah sebagai berikut. Nilai 22 ini adalah nilai df.996 = 0.793 thit =( 1 Y2 S1 S2 – =( 5. karena hipotesis HA kita adalah hipotesis 2 arah (lihat hipotesis). yaitu masing 12 ulangan. alias kita terima HA. 1 ≠ 2. Nilai α ini berasal dari α 0.67 Setelah itu.074. Pendahuluan .025(12+12-2) = t0.05 dibagi 2. kita lihat baris ke 22. Akhirnya. kita dapat menyimpulkan bahwa pupuk B nyata lebih baik daripada pupuk A untuk meningkatkan hasil pa 2 2)/√(S1 /n1) 2 +(S22/n2) 3.92 = 0.025(22) = 2.367522 = -3. jika thit| > t table 5. Lebih lanjut. Data analisis adalah sebagai berikut = 5. yaitu n1+n2-2.996 /12)+(0.074. Pertama kita lihat kolom α = 0. Kriteria Pengambilan Kesimpulan Terima H0.7932/12) = -1. kita peroleh nilai t table = 2. kita lihat bahwa rata-rata hasil padi yang dipupuk dengan pupuk B lebih tinggi daripada yang dipupuk dengan pupuk A.025 pada Tabel 2. kita lihat nilai t table.

0863) Berapa nilai χ² untuk db = 17 dengan α = 0. H1 : Ada kategori yang tidak memenuhi nilai/perbandingan tersebut. k : banyaknya kategori/sel.7185) Pengertian α pada Uji χ² sama dengan pengujian hipotesis yang lain.1 Penetapan Hipotesis Awal dan Hipotesis Alternatif H0: frekuensi setiap kategori memenuhi suatu nilai/perbandingan. k o : frekuensi observasi untuk kategori ke-i i e : frekuensi ekspektasi untuk kategori ke-i i kaitkan dengan frekuensi ekspektasi dengan nilai/perbandingan dalam H0 Derajat Bebas (db) = k .Uji Chi Kuadrat adalah pengujian hipotesis mengenai perbandingan antara : frekuensi observasi/yg benar-benar terjadi/aktual dengan frekuensi harapan/ekspektasi 1. Perhatikan Tabel hal 178 dan 179 (Buku Statistika-2.1.2 .2. yaitu luas daerah penolakan H0 atau taraf nyata pengujian Perhatikan gambar berikut : α : luas daerah penolakan H0 = taraf nyata pengujian 0+∞ 1. 1. Uji Kebebasan c. Uji Kecocokan = Uji kebaikan-suai = Goodness of fit test b. Pengunaan Uji χ² Uji χ² dapat digunakan untuk : a..010? (15.. Bentuk Distribusi Chi Kuadrat (χ²) Nilai χ² adalah nilai kuadrat karena itu nilai χ² selalu positif.005? (35. Pengertian Frekuensi Observasi dan Frekuensi Harapan frekuensi observasi → nilainya didapat dari hasil percobaan (o) frekuensi harapan → nilainya dapat dihitung secara teoritis (e) 1.1 2. Gunadarma). Anda bisa membacanya? Contoh : Berapa nilai χ² untuk db = 5 dengan α = 0. Uji Kecocokan (Goodness of fit test) 2. Uji beberapa proporsi Prinsip pengerjaan (b) dan (c) sama saja 2.3 Perhitungan χ² Contoh 3 : Pelemparan dadu sebanyak 120 kali menghasilkan data sebagai berikut : kategori : sisi-1 sisi-2 sisi-3 sisi-4 sisi-5 sisi-6 .3. Bentuk distribusi χ² tergantung dari derajat bebas(db)/degree of freedom.

4. H1 : Dadu tidak setimbang → ada sisi yang muncul ≠20 kali. Variabel pertama disebut juga sebagai variabel tergantung dan variabel kedua disebut juga sebagai variabel bebas.1 = 6-1 = 5 4. Nilai Tabel χ² k = 6 .20 0. Wilayah Kritis = Penolakan H0 jika χ² hitung > χ² tabel (db. 2.05 k = 6 . db = k . Gujarati (2006) mendefinisikan analisis regresi sebagai kajian terhadap hubungan satu variabel yang disebut sebagai variabel yang diterangkan (the explained variabel) dengan satu atau dua variabel yang menerangkan (the explanatory).0705 (catatan : Gunakan tabel seperti ini agar pengerjaan lebih sistematik) kategori : oi sisi-1 sisi-2 sisi-3 sisi-4 sisi-5 sisi-6 Σ 20 22 17 18 19 24 120 ei 20 20 20 20 20 20 120 (o-e) ii 0 2 -3 -2 -1 4 --------- (o-e)² ii 0 4 9 4 1 16 -------------- (o-e)²/e iii 0 0.70 < χ² tabel Nilai χ² hitung ada di daerah penerimaan H0 H0 diterima. maka analisis regresi disebut regresi linear berganda.frekuensi observasi 20 20 20 22 20 17 20 18 20 19 20 24 *) Nilai dalam kotak kecil adalah frekuensi ekspektasi Apakah dadu itu dapat dikatakan setimbang? Lakukan pengujian dengan taraf nyata = 5 % Solusi : 1.70 χ² hitung = 1. Kesimpulan : χ² hitung = 1. Regresi linier Untuk mengukur besarnya pengaruh variabel bebas terhadap variabel tergantung dan memprediksi variabel tergantung dengan menggunakan variabel bebas. pernyataan dadu setimbang dapat diterima.α = 0. α) χ² hitung > 11.0705 5. Nilai α = 5 % = 0.45 0.05 → χ² tabel = 11.05 0. db = k .1 = 6-1 = 5 db = 5.80 1.70 7. H0 : Dadu setimbang → semua sisi akan muncul = 20 kali. Statistik Uji χ² 3. Jika variabel bebas lebih dari satu.20 0. Disebut berganda .

.karena pengaruh beberapa variabel bebas akan dikenakan kepada variabel tergantung.

Sign up to vote on this title
UsefulNot useful