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 :

Contoh soal : Contoh Soal : Mawar adalah seorang peragawati yang akan diseleksi dengan tinggi badan 173 cm. ASUMSI-ASUMSI PADA ANOVA Untuk setiap populasi. variabel respons-nya terdistribusi normal. µ = 171. cekung dari bawah bila μ – σ < x < μ + σ. ANOVA: PENGUJIAN RATA-RATA POPULASI ESTIMASI VARIAN POPULASI ANTAR SAMPEL  Estimasi 2 antar-sampel (between-samples) disebut mean square between (MSB). 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. Jelas bahwa kedua daerah yang diarsir berlainan luasnya.  Pembilang dari MSB merupakan sum of squares between (SSB).8 = 0.1. . titik pada sumbu datar yang memberikan maksimum kurva. adalah sama untuk semua populasi.8 dan standar deviasinya adalah 12. dinotasikan s 2.1 12 2. σ = 12 Dit : Z ? Jawab : Z = x . Unit observasi harus saling bebas (independent). 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. Standar tinggi badan rata-rata peragawati adalah 171.µ σ = 173 – 171. 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. Kedua ujung kurva normal mendekati asimtot sumbu datar bila harga x bergerak menjauhi μ baik ke kiri maupun ke kanan 5. dan cekung dari atas untuk harga x lainnya 4. peluang yang berpadanan dengan masing-masing distribusi akan berlainan pula. Berapakah standar normalnya (Z) ? Penyelesaian : Dik : x = 173. Modus. terdapat pada x=μ 2. Kurva setangkup terhadap garis tegak yang melalui rataan μ 3. Jadi. Varian dari variabel respons. Kurva mempunyai titik belok pada x = μ σ.8.

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

55 > F0.89 Tolak H0 jika F > 3.2.5  Analysis of Variance (ANOVA) Hipotesis H0: 1 = 2 = 3 Ha: minimal ada i  j . and Detroit) tidak sama.5 24. Pittsburgh.05.3 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. maka x = (55 + 68 + 57)/3 = 60 SSB = 5(55 . maka H0 ditolak. Rata-rata jumlah jam kerja para manajer perminggu pada tiga perusahaan (Buffalo.55 Uji Statistik F = MSB/MSW = 245/25.60)2 + 5(57 .05.3 57 66 61 4 54 64 54 5 62 74 56 Rata-rata Sampel 55 68 57 Varian Sampel 26.3) = 25.667 = 9.2.12 = 3.12 = 3.1) = 245 Mean Square Within (MSW) SSW = 4(26.2.89 Kesimpulan : Karena F = 9. j = 1.05. 2.55  Analysis of Variance (ANOVA) Aturan Penolakan Misalkan a = 0.5) + 4(24.0) + 4(26.667 F 9.667  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 25.89.5) = 308 MSW = 308/(15 . i. DISTRIBUSI T . maka F0.60)2 = 490 MSB = 490/(3 .0 26.60)2 + 5(68 .

734 1.782 1.711 1.787 2.725 1.201 2.074 2.947 2.160 2.583 2.064 2.539 2.729 1.365 2.998 2. Gosset.528 2.833 1.604 4.353 2.567 2.831 2.746 1.080 2.717 1.485 2.714 1.250 3.845 2.012 2.479 0.447 2.657 9.015 1.S.132 2.761 1.145 2.131 2.796 1.771 1.05 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 6.925 5.571 2.Adalah pengujian hipotesis yang menggunakan distribusi T sebagai uji statsistik.965 4.797 2.706 α 0.921 2.069 2.508 2.228 2.753 1.01 31.898 2. Hasil uji statistiknya kemudian dibandingkan dengan nilai yang ada pada tabel kemudian menerima atau menolak hipotesis nol (Ho) yang dikemukakan.707 3.896 2.977 2.681 2. table pengujiannya disebut table T student.032 3.776 2.860 1.303 3.314 2.747 3.706 4.365 3.821 6.721 1.055 3.541 3. Distribusi T pertama kali diterbitkan tahu 1908 dalam suatu makalah oleh W.492 2.552 2.106 3.718 2.740 1. Cirinya : sample yang di uji berukuran kurang dari 30 Tabel Nilai t df 0.060 2.179 2.624 2.878 2.101 2.841 4.086 2.093 2.807 2.143 2.708 1.812 1.861 2.169 3.895 1.943 1.819 2.764 2.920 2.518 2.779 .500 2.602 2.262 2.650 2.499 3.005 63.120 2.355 3.306 2.025 12.821 2.110 2.056 0.182 2.

364 2. Pada n ≥ 30.009 1. Uji ini bisa digunakan untuk objek studi yang berpasangan dan juga bisa untuk objek studi yang tidak berpasangan. Uji t tidak berpasangan Contoh kasus : Kita ingin menguji dua jenis pupuk nitrogen terhadap hasil padi 1.684 1. Berikut contoh penggunaan uji t.042 2. distribusi t ini mendekati distribusi normal dan pada n yang sangat besar.021 2. ia kemudian mengembangkan distribusi lain yang mirip dengan distribusi normal.763 2.626 2.327 2. Tabel 1.756 2.27 28 29 30 40 50 100 10000 1.676 1.960 2. Distribusi student ini berlaku baik untuk sampel kecil maupun sampel besar.699 1. William Sealy Gosset menganggap bahwa untuk sampel kecil. nilai distribusi t sama persis dengan nilai distribusi normal (lihat tabel t pada df 10000 dan bandingkan dengan nilai Z).423 2.750 2. Dalam artikel publikasinya. yang dikenal dengan distribusi t-student. 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 2.467 2. ia menggunakan nama samaran Student.645 2. Oleh karenanya. Pemakaian uji t ini bervariasi.660 1. sehingga kemudian metode pengujiannya dikenal dengan uji t-student.403 2.457 2.703 1.771 2.701 1.045 2.697 1.052 2.576 Uji t Tidak Berpasangan Uji t dikembangkan oleh William Sealy Gosset.048 2.473 2.704 2. misalnya n=10000. Hasil penelitian tertera pada Tabel 1.462 2. nilai Z dari distribusi normal tidak begitu cocok.984 1.678 2.

sebagai nilai pembanding. Pendahuluan . Data analisis adalah sebagai berikut = 5. 1 ≠ 2. Kesimpulan Karena nila thit|= 3. Nilai α ini berasal dari α 0. jika thit| < t table. Dengan demikian. maka kita tolak H0. yaitu n1+n2-2. kita lihat nilai t table. t table = t α/2 (df) = t0. yaitu hasil padi yang dipupuk dengan pupuk A tidak sama dengan hasil padi yang dipupuk dengan pupuk B.05/2 (n1+n2-2)=t0. Lebih lanjut. jika thit| > t table 5. kita lihat bahwa rata-rata hasil padi yang dipupuk dengan pupuk B lebih tinggi daripada yang dipupuk dengan pupuk A.793 thit =( 1 Y2 S1 S2 – =( 5.92)/√(0.025 pada Tabel 2.67 (tanda minus diabaikan) dan nilai t table=2.58 = 6. karena hipotesis HA kita adalah hipotesis 2 arah (lihat hipotesis).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. UJI CHI KUADRAT (χ²) 1. sebaliknya Tolak H0.074 4. Kriteria Pengambilan Kesimpulan Terima H0.92 = 0. alias kita terima HA. kita peroleh nilai t table = 2. yaitu masing 12 ulangan. Pertama kita lihat kolom α = 0.996 = 0. kita lihat baris ke 22.996 /12)+(0. Kemudian. Nilai n adalah jumlah ulangan. Nilai 22 ini adalah nilai df. Dengan demikian. Cara melihatnya adalah sebagai berikut. kita dapat menyimpulkan bahwa pupuk B nyata lebih baik daripada pupuk A untuk meningkatkan hasil pa 2 2)/√(S1 /n1) 2 +(S22/n2) 3.34/0.074. alias terima HA.58 – 6.074.367522 = -3.67 Setelah itu.05 dibagi 2.7932/12) = -1.025(12+12-2) = t0. Akhirnya.025(22) = 2.

Uji Kebebasan c.005? (35. Bentuk Distribusi Chi Kuadrat (χ²) Nilai χ² adalah nilai kuadrat karena itu nilai χ² selalu positif.1 Penetapan Hipotesis Awal dan Hipotesis Alternatif H0: frekuensi setiap kategori memenuhi suatu nilai/perbandingan.1 2. Uji beberapa proporsi Prinsip pengerjaan (b) dan (c) sama saja 2.Uji Chi Kuadrat adalah pengujian hipotesis mengenai perbandingan antara : frekuensi observasi/yg benar-benar terjadi/aktual dengan frekuensi harapan/ekspektasi 1..7185) Pengertian α pada Uji χ² sama dengan pengujian hipotesis yang lain. Uji Kecocokan (Goodness of fit test) 2.2. yaitu luas daerah penolakan H0 atau taraf nyata pengujian Perhatikan gambar berikut : α : luas daerah penolakan H0 = taraf nyata pengujian 0+∞ 1.3 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 . Perhatikan Tabel hal 178 dan 179 (Buku Statistika-2.3. 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 . Gunadarma).010? (15. Anda bisa membacanya? Contoh : Berapa nilai χ² untuk db = 5 dengan α = 0. k : banyaknya kategori/sel.0863) Berapa nilai χ² untuk db = 17 dengan α = 0. Uji Kecocokan = Uji kebaikan-suai = Goodness of fit test b.1.2 . H1 : Ada kategori yang tidak memenuhi nilai/perbandingan tersebut. Bentuk distribusi χ² tergantung dari derajat bebas(db)/degree of freedom.. Pengertian Frekuensi Observasi dan Frekuensi Harapan frekuensi observasi → nilainya didapat dari hasil percobaan (o) frekuensi harapan → nilainya dapat dihitung secara teoritis (e) 1. 1. Pengunaan Uji χ² Uji χ² dapat digunakan untuk : a.

H1 : Dadu tidak setimbang → ada sisi yang muncul ≠20 kali.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. db = k . Statistik Uji χ² 3.70 7.20 0.05 k = 6 .0705 5. Regresi linier Untuk mengukur besarnya pengaruh variabel bebas terhadap variabel tergantung dan memprediksi variabel tergantung dengan menggunakan variabel bebas. H0 : Dadu setimbang → semua sisi akan muncul = 20 kali.1 = 6-1 = 5 4. α) χ² hitung > 11. db = k . Disebut berganda . 4.0705 (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 0.05 → χ² tabel = 11.45 0. Wilayah Kritis = Penolakan H0 jika χ² hitung > χ² tabel (db. Variabel pertama disebut juga sebagai variabel tergantung dan variabel kedua disebut juga sebagai variabel bebas. 2. Nilai α = 5 % = 0. Jika variabel bebas lebih dari satu. maka analisis regresi disebut regresi linear berganda. Kesimpulan : χ² hitung = 1. 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 Tabel χ² k = 6 .70 χ² hitung = 1.20 0.1 = 6-1 = 5 db = 5.05 0. pernyataan dadu setimbang dapat diterima.80 1.α = 0.70 < χ² tabel Nilai χ² hitung ada di daerah penerimaan H0 H0 diterima.

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

Sign up to vote on this title
UsefulNot useful