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 :

Unit observasi harus saling bebas (independent). 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. variabel respons-nya terdistribusi normal. ASUMSI-ASUMSI PADA ANOVA Untuk setiap populasi.  Pembilang dari MSB merupakan sum of squares between (SSB). Kurva mempunyai titik belok pada x = μ σ. Berapakah standar normalnya (Z) ? Penyelesaian : Dik : x = 173. Kurva setangkup terhadap garis tegak yang melalui rataan μ 3. 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. terdapat pada x=μ 2. 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.1 12 2. titik pada sumbu datar yang memberikan maksimum kurva. Contoh soal : Contoh Soal : Mawar adalah seorang peragawati yang akan diseleksi dengan tinggi badan 173 cm. dinotasikan s 2. cekung dari bawah bila μ – σ < x < μ + σ. adalah sama untuk semua populasi.8 = 0.8. Modus. Standar tinggi badan rata-rata peragawati adalah 171. Jelas bahwa kedua daerah yang diarsir berlainan luasnya.8 dan standar deviasinya adalah 12. µ = 171. Jadi. dan cekung dari atas untuk harga x lainnya 4. ANOVA: PENGUJIAN RATA-RATA POPULASI ESTIMASI VARIAN POPULASI ANTAR SAMPEL  Estimasi 2 antar-sampel (between-samples) disebut mean square between (MSB). σ = 12 Dit : Z ? Jawab : Z = x . Varian dari variabel respons. Kedua ujung kurva normal mendekati asimtot sumbu datar bila harga x bergerak menjauhi μ baik ke kiri maupun ke kanan 5.1. peluang yang berpadanan dengan masing-masing distribusi akan berlainan pula. .µ σ = 173 – 171.

kita akan menolak H0. R.  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. .  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). Hasilnya seperti pada slide berikut.  Oleh karena itu.1 dan nT 1. and Detroit). Penyebut dari MSB menyatakan derajat bebas (degrees of freedom) yang terkait dengan SSB. Sampel acak sederhana yang terdiri dari 5 orang manajer pada masingmasing perusahaan diambil dan jumlah jam kerja minggu yang lalu masingmasing manajer tersebut dicatat.  ANOVA: PENGUJIAN RATA-RATA POPULASI PERBANDINGAN ESTIMASI VARIAN: UJI F  maka distribusi  Jika rata-rata k populasi tidak sama. nilai MSB/MSW akan meningkat karena MSB overestimate. CONTOH SOAL: REED MANUFACTURING  Analysis of Variance (ANOVA) J. Reed ingin mengetahui apakah rata-rata jumlah jam kerja per minggu para manajer sama pada tiga perusahaan yang ada (Buffalo.  Penyebut dari MSW menunjukkan derajat bebas (degrees of freedom) yang bersesuaian dengan SSW. Pittsburgh.  Pembilang dari MSW disebut sum of squares within (SSW).  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 .

maka x = (55 + 68 + 57)/3 = 60 SSB = 5(55 . DISTRIBUSI T .5  Analysis of Variance (ANOVA) Hipotesis H0: 1 = 2 = 3 Ha: minimal ada i  j .05.5) + 4(24.0 26.60)2 + 5(57 .89 Kesimpulan : Karena F = 9.05. 2. and Detroit) tidak sama.667 F 9. Pittsburgh.2.2. Rata-rata jumlah jam kerja para manajer perminggu pada tiga perusahaan (Buffalo.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 25.12 = 3.60)2 = 490 MSB = 490/(3 .60)2 + 5(68 . maka F0.3 57 66 61 4 54 64 54 5 62 74 56 Rata-rata Sampel 55 68 57 Varian Sampel 26.12 = 3.5) = 308 MSW = 308/(15 .1) = 245 Mean Square Within (MSW) SSW = 4(26.55 Uji Statistik F = MSB/MSW = 245/25.89 Tolak H0 jika F > 3.3 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.3) = 25. j = 1. maka H0 ditolak.89.667 = 9.2.5 24.05.55  Analysis of Variance (ANOVA) Aturan Penolakan Misalkan a = 0. i.0) + 4(26.55 > F0.

602 2.898 2.Adalah pengujian hipotesis yang menggunakan distribusi T sebagai uji statsistik.920 2.479 0.779 .753 1.131 2.365 2.947 2.539 2.055 3.179 2.303 3. Gosset.831 2.707 3.787 2.761 1.860 1.500 2.541 3. table pengujiannya disebut table T student.567 2.080 2.746 1.110 2.657 9.492 2.734 1.650 2.878 2.921 2. Distribusi T pertama kali diterbitkan tahu 1908 dalam suatu makalah oleh W.841 4.101 2.925 5.143 2.132 2.845 2.681 2.706 α 0.355 3.447 2.005 63.499 3.896 2.01 31.120 2.776 2.074 2.583 2.764 2.093 2.821 6.508 2.624 2.796 1.169 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 6.056 0.998 2.725 1.717 1. Hasil uji statistiknya kemudian dibandingkan dengan nilai yang ada pada tabel kemudian menerima atau menolak hipotesis nol (Ho) yang dikemukakan.771 1.943 1.314 2.718 2.797 2.015 1.833 1. Cirinya : sample yang di uji berukuran kurang dari 30 Tabel Nilai t df 0.250 3.182 2.032 3.306 2.714 1.086 2.807 2.365 3.571 2.747 3.711 1.721 1.069 2.106 3.160 2.706 4.708 1.145 2.228 2.064 2.552 2.S.518 2.528 2.485 2.604 4.740 1.353 2.812 1.729 1.012 2.977 2.025 12.821 2.060 2.965 4.201 2.819 2.782 1.861 2.895 1.262 2.

Oleh karenanya.052 2.676 1. ia kemudian mengembangkan distribusi lain yang mirip dengan distribusi normal. 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 . Hipotesis Ho : 1 = HA : 1 ≠ 2 2 2.048 2.960 2.473 2.763 2.042 2.750 2. Uji ini bisa digunakan untuk objek studi yang berpasangan dan juga bisa untuk objek studi yang tidak berpasangan.697 1.045 2.678 2. Berikut contoh penggunaan uji t. Pada n ≥ 30.27 28 29 30 40 50 100 10000 1.984 1. Uji t tidak berpasangan Contoh kasus : Kita ingin menguji dua jenis pupuk nitrogen terhadap hasil padi 1. Distribusi student ini berlaku baik untuk sampel kecil maupun sampel besar.684 1.626 2.756 2.457 2. misalnya n=10000.771 2.645 2. nilai distribusi t sama persis dengan nilai distribusi normal (lihat tabel t pada df 10000 dan bandingkan dengan nilai Z). sehingga kemudian metode pengujiannya dikenal dengan uji t-student.660 1.403 2. William Sealy Gosset menganggap bahwa untuk sampel kecil.576 Uji t Tidak Berpasangan Uji t dikembangkan oleh William Sealy Gosset. Tabel 1.021 2. Dalam artikel publikasinya. yang dikenal dengan distribusi t-student.327 2.462 2.467 2.009 1.703 1.701 1. distribusi t ini mendekati distribusi normal dan pada n yang sangat besar.704 2. Hasil penelitian tertera pada Tabel 1. ia menggunakan nama samaran Student. nilai Z dari distribusi normal tidak begitu cocok.364 2.423 2.699 1. Pemakaian uji t ini bervariasi.

kita lihat baris ke 22. Dengan demikian. Kriteria Pengambilan Kesimpulan Terima H0.67 Setelah itu.074.05 dibagi 2. sebaliknya Tolak H0. Kemudian.074. 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. yaitu n1+n2-2. kita lihat nilai t table.996 /12)+(0. yaitu hasil padi yang dipupuk dengan pupuk A tidak sama dengan hasil padi yang dipupuk dengan pupuk B.793 thit =( 1 Y2 S1 S2 – =( 5.92)/√(0. UJI CHI KUADRAT (χ²) 1. maka kita tolak H0.7932/12) = -1. yaitu masing 12 ulangan.074 4. 1 ≠ 2. Pertama kita lihat kolom α = 0. kita lihat bahwa rata-rata hasil padi yang dipupuk dengan pupuk B lebih tinggi daripada yang dipupuk dengan pupuk A.67 (tanda minus diabaikan) dan nilai t table=2. Nilai 22 ini adalah nilai df. Nilai α ini berasal dari α 0. Nilai n adalah jumlah ulangan.92 = 0.05/2 (n1+n2-2)=t0. alias terima HA. Lebih lanjut. jika thit| > t table 5.025(22) = 2.025(12+12-2) = t0. alias kita terima HA.58 – 6. Data analisis adalah sebagai berikut = 5. Kesimpulan Karena nila thit|= 3. jika thit| < t table. sebagai nilai pembanding.34/0. Cara melihatnya adalah sebagai berikut. karena hipotesis HA kita adalah hipotesis 2 arah (lihat hipotesis). Pendahuluan . Dengan demikian.025 pada Tabel 2.5 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. kita peroleh nilai t table = 2.996 = 0.58 = 6.367522 = -3. t table = t α/2 (df) = t0.

H1 : Ada kategori yang tidak memenuhi nilai/perbandingan tersebut.005? (35.1 2. Bentuk Distribusi Chi Kuadrat (χ²) Nilai χ² adalah nilai kuadrat karena itu nilai χ² selalu positif. Pengertian Frekuensi Observasi dan Frekuensi Harapan frekuensi observasi → nilainya didapat dari hasil percobaan (o) frekuensi harapan → nilainya dapat dihitung secara teoritis (e) 1. Uji Kecocokan = Uji kebaikan-suai = Goodness of fit test b. Pengunaan Uji χ² Uji χ² dapat digunakan untuk : a.1. Bentuk distribusi χ² tergantung dari derajat bebas(db)/degree of freedom. 1.2. Gunadarma). Uji Kebebasan c..1 Penetapan Hipotesis Awal dan Hipotesis Alternatif H0: frekuensi setiap kategori memenuhi suatu nilai/perbandingan.Uji Chi Kuadrat adalah pengujian hipotesis mengenai perbandingan antara : frekuensi observasi/yg benar-benar terjadi/aktual dengan frekuensi harapan/ekspektasi 1. Anda bisa membacanya? Contoh : Berapa nilai χ² untuk db = 5 dengan α = 0.010? (15. k : banyaknya kategori/sel.0863) Berapa nilai χ² untuk db = 17 dengan α = 0.3. Uji beberapa proporsi Prinsip pengerjaan (b) dan (c) sama saja 2. Perhatikan Tabel hal 178 dan 179 (Buku Statistika-2. 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 .. yaitu luas daerah penolakan H0 atau taraf nyata pengujian Perhatikan gambar berikut : α : luas daerah penolakan H0 = taraf nyata pengujian 0+∞ 1. Uji Kecocokan (Goodness of fit test) 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 .2 .7185) Pengertian α pada Uji χ² sama dengan pengujian hipotesis yang lain.

Wilayah Kritis = Penolakan H0 jika χ² hitung > χ² tabel (db.α = 0.1 = 6-1 = 5 4. Variabel pertama disebut juga sebagai variabel tergantung dan variabel kedua disebut juga sebagai variabel bebas.70 χ² hitung = 1.20 0. Regresi linier Untuk mengukur besarnya pengaruh variabel bebas terhadap variabel tergantung dan memprediksi variabel tergantung dengan menggunakan variabel bebas. Statistik Uji χ² 3.70 7.0705 (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. 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). Nilai α = 5 % = 0. Disebut berganda .05 → χ² tabel = 11.1 = 6-1 = 5 db = 5.05 0. 4. Kesimpulan : χ² hitung = 1. H0 : Dadu setimbang → semua sisi akan muncul = 20 kali.05 k = 6 . Nilai Tabel χ² k = 6 . db = k .20 0. H1 : Dadu tidak setimbang → ada sisi yang muncul ≠20 kali. α) χ² hitung > 11.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. 2. pernyataan dadu setimbang dapat diterima. maka analisis regresi disebut regresi linear berganda.45 0. db = k .70 < χ² tabel Nilai χ² hitung ada di daerah penerimaan H0 H0 diterima. Jika variabel bebas lebih dari satu.80 1.0705 5.

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

Sign up to vote on this title
UsefulNot useful